Historia agentów AI

Historia agentów AI prowadzi od klasycznego pojęcia agenta w badaniach nad AI (systemu, który postrzega swoje otoczenie i reaguje na nie działaniami), przez wzorzec ReAct (2022), łączący rozumowanie i działanie w jednej pętli LLM, aż po dzisiejszych agentów opartych na modelach frontier. Otwarte standardy, takie jak MCP (2024) i A2A (2025), łączą agentów z narzędziami i ze sobą nawzajem.

Oś czasu agentów AI od 1966 do 2025 roku

• 1966–1972, Shakey: W SRI powstaje Shakey, pierwszy mobilny robot, który postrzega swoje otoczenie i wyciąga na jego temat wnioski. Planuje trasy i przesuwa proste obiekty.
• 1995, definicja podręcznikowa: Stuart Russell i Peter Norvig publikują „Artificial Intelligence: A Modern Approach”. Przedmowa do pierwszego wydania czyni inteligentnego agenta motywem przewodnim książki: to system, który odbiera bodźce z otoczenia i wykonuje działania.
• Październik 2022, ReAct: Shunyu Yao i współpracownicy publikują ReAct. Rozumowanie i działanie łączą się w jednej pętli LLM, a wzorzec Perceive-Reason-Act-Observe staje się podstawowym schematem nowoczesnych agentów.
• Marzec 2023, AutoGPT: Projekt open source AutoGPT samodzielnie rozbija zadany cel na podzadania i realizuje je za pomocą narzędzi, takich jak przeglądanie stron internetowych i dostęp do plików.
• Czerwiec 2023, Function Calling: OpenAI wprowadza Function Calling do swojego API. Dzięki temu modele generują ustrukturyzowane wywołania funkcji zewnętrznych.
• Październik 2024, Computer Use: Anthropic przedstawia Computer Use: zaktualizowany Claude 3.5 Sonnet w publicznej becie obsługuje komputer, odczytuje ekran, porusza kursorem, klika i pisze.
• Listopad 2024, MCP: Anthropic publikuje Model Context Protocol jako otwarty standard połączenia między agentem a narzędziem.
• Kwiecień i czerwiec 2025, A2A: Google przedstawia protokół Agent2Agent, a w czerwcu przejmuje go Linux Foundation.
• Grudzień 2025, Agentic AI Foundation: Anthropic przekazuje MCP nowo utworzonej Agentic AI Foundation, działającej pod parasolem Linux Foundation. Jej współzałożycielami są Anthropic, Block i OpenAI.

Klasyczne pojęcie agenta: percepcja i działanie

Koncepcja agenta jest znacznie starsza niż obecna fala LLM. W klasycznej AI agentem nazywa się system, który postrzega swoje otoczenie i reaguje na nie działaniami, aby realizować określony cel. Najprostszą formą jest agent odruchowy: oparty na regułach, reaktywny, bez prawdziwego modelu świata. W dzisiejszej klasyfikacji dojrzałości odpowiada to poziomowi L1 (odruchowy), na przykład botowi FAQ albo termostatowi.

Ci wcześni agenci mieli już w zalążku dwie z czterech cech nowoczesnych agentów AI: postrzeganie otoczenia i działanie ukierunkowane na cel. Brakowało im wydajnego rdzenia wnioskowania, który potrafiłby planować wieloetapowo i dynamicznie dobierać narzędzia. Właśnie tę lukę wypełniają duże modele językowe.

Punkt zwrotny: ReAct (2022)

Przełom koncepcyjny przyniósł wzorzec ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct oznacza Reasoning i Acting (rozumowanie i działanie) w jednej pętli LLM: model przeplata swoje rozważania nad zadaniem bezpośrednio z działaniami, np. wywołaniami narzędzi, i obserwuje wyniki, zanim zaplanuje kolejne kroki.

Tak powstaje pętla wnioskowania, która do dziś stanowi rdzeń agenta: Perceive → Reason → Act → Observe, powtarzana iteracyjnie aż do osiągnięcia celu lub przerwania przebiegu. ReAct dostarczył ogniwo łączące dawne pojęcie agenta (percepcja-działanie) z nowym światem modeli językowych. Dopiero wtedy spotkały się wszystkie cztery obowiązkowe cechy agenta AI: sterowanie oparte na LLM, wieloetapowe planowanie, korzystanie z narzędzi i autonomia ukierunkowana na cel w ramach guardrails.

Klasyfikacja dziś: pięć poziomów dojrzałości agentów

Poniższy model dojrzałości klasyfikuje dzisiejsze systemy według stopnia autonomii. To klasyfikacja, a nie oś czasu: agenci odruchowi poziomu L1 istnieli na długo przed ReAct.

Decydujący przeskok następuje między L3 a L4. W agencie workflow ścieżka jest zdefiniowana z góry; LLM jedynie uzupełnia luki w deterministycznym pipelinie. Autonomiczny agent (L4) natomiast sam decyduje, z jakich narzędzi korzysta i w jakiej kolejności, oraz iteracyjnie dostosowuje swój plan. Właśnie tu agent się opłaca: gdy drogi do rozwiązania nie da się zaplanować z wyprzedzeniem.

Konkretnym przykładem L4 jest agent programistyczny, taki jak Claude Code. Otrzymuje cel (np. naprawienie buga), samodzielnie odczytuje potrzebne pliki, uruchamia testy, obserwuje wyniki i na tej podstawie decyduje, który plik zmieni jako następny. Kolejność kroków nie jest zapisana w żadnym skrypcie, powstaje w pętli. Na tym polega praktyczna różnica między klasycznym workflow a prawdziwym agentem.

Modele frontier jako nowy rdzeń agentów

Wraz z najnowszą generacją modeli frontier pętla wnioskowania stała się na tyle niezawodna, by sprawdzać się w zadaniach produkcyjnych. Function Calling i Computer Use wprowadziły korzystanie z narzędzi bezpośrednio do API dostawców modeli. Z jakich pięciu komponentów składa się dziś agent, wyjaśnia artykuł o komponentach agenta AI.

Agent nie wymaga własnego, samodzielnie wytrenowanego modelu: LLM dostępne przez API dostarczają rdzeń wnioskowania, a logika agenta powstaje w warstwie powyżej.

2024 i 2025: standaryzacja dzięki MCP i A2A

Do publikacji MCP w listopadzie 2024 r. każde podłączenie narzędzia było w dużej mierze rozwiązaniem własnościowym: każde nowe źródło danych wymagało osobnej integracji. W 2025 r. przyszły szeroka adopcja, A2A oraz przekazanie obu protokołów Linux Foundation. Standaryzacja dotyczy dwóch połączeń: agenta z narzędziem oraz agenta z agentem.

MCP (Model Context Protocol) standaryzuje połączenie między agentem a narzędziem. Specyfikacja ma wersję 2025-11-25; w grudniu 2025 r. MCP przekazano Agentic AI Foundation, działającej pod parasolem Linux Foundation. Obecnie istnieje ponad 10 000 serwerów MCP. MCP odpowiada więc na pytanie, jak agent może korzystać z zewnętrznych narzędzi niezależnie od dostawcy.

A2A (Agent-to-Agent) standaryzuje połączenie między agentami i stanowi tym samym techniczną podstawę systemów wieloagentowych (L5). A2A od czerwca 2025 r. należy do Linux Foundation i wspiera go ponad 150 organizacji. Dzięki temu koordynacja kilku wyspecjalizowanych agentów, np. orkiestratora i agentów dziedzinowych, działa ponad granicami dostawców.

Te dwa protokoły wyznaczają przejście od odizolowanych pojedynczych agentów do otwartego ekosystemu.

Gdzie jesteśmy dziś: hype kontra rzeczywistość

Ta historia kończy się na razie fazą otrzeźwienia i konsolidacji. Popularność wyraźnie rośnie, ale dojrzałość produkcyjna pozostaje niska.

Według McKinsey State of AI 2025 tylko 23% firm skaluje co najmniej jeden agentowy przypadek użycia, a kolejne 39% eksperymentuje; w żadnej funkcji biznesowej odsetek skalowanych przypadków użycia nie przekracza 10%. Gartner przewiduje (stan na czerwiec 2025 r.), że ponad 40% agentowych projektów AI zostanie przerwanych do końca 2027 r. Towarzyszy temu „agent washing”: według Gartnera tylko około 130 dostawców dysponuje prawdziwymi możliwościami agentowymi.

Lekcja z tej najnowszej historii jest pragmatyczna: decyduje przypadek użycia, framework jest sprawą drugorzędną. Agent opłaca się tam, gdzie drogi do rozwiązania nie da się zaplanować z góry; we wszystkich innych przypadkach workflow lub klasyczne RPA są tańsze i bardziej niezawodne. Otwarte standardy, takie jak MCP i A2A, zmniejszają przy tym uzależnienie od pojedynczych dostawców i sprawiają, że architektury są bardziej odporne na przyszłość.