Inteligentny agent – jednostka, która postrzega swoje otoczenie[1][2], podejmuje autonomiczne działania w celu osiągnięcia celów i może poprawiać swoją wydajność poprzez uczenie maszynowe lub przez zdobywanie wiedzy[3].
Specjalistyczny podzbiór inteligentnych agentów, agent SI[4][5] (ang. AI agent), rozszerza tę koncepcję, proaktywnie realizując cele, podejmując decyzje i działania przez dłuższy czas, stanowiąc tym samym przykład nowej formy agencji cyfrowej[6].
Inteligentne agenty mogą być proste lub bardzo złożone. Termostat lub system sterowania jest uważany za inteligentnego agenta, tak samo jak człowiek lub jakikolwiek inny system spełniający te same kryteria, taki jak firma, państwo lub biom[7].
Inteligentne agenty działają w oparciu o specyficzną funkcję, która opisuje ich cele. Mają one na celu tworzenie i wykonywanie planów maksymalizujących oczekiwaną wartość tej funkcji po jej zakończeniu[8]. Dla przykładu, agent uczący się przez wzmacnianie ma funkcję nagrody, która pozwala programistom kształtować jego pożądane zachowanie[9]. Podobnie zachowanie algorytmu ewolucyjnego jest sterowane przez funkcję kondycji[10].
W kontekście generatywnej sztucznej inteligencji, agenty SI są w stanie wykonywać operacje w skomplikowanym środowisku. Posiadają takie atrybuty jak kompleksowa struktura celu, interfejs z językiem naturalnym i możliwość reagowania niezależnie od nadzorcy. Mechanizm operacji jest często oparty na dużym modelu językowym[11].
W odróżnieniu od klasycznego chatbota, który zwykle odpowiada na pojedyncze zapytania użytkownika, agent SI może dzielić zadanie na etapy, wybierać narzędzia, wykonywać działania w środowisku zewnętrznym, obserwować ich wynik i iteracyjnie korygować plan. W praktycznych systemach rolę środowiska mogą pełnić między innymi przeglądarka internetowa, repozytorium kodu, terminal, edytor plików, system zgłoszeń, poczta elektroniczna albo interfejsy programistyczne usług zewnętrznych[12][13].
Najpopularniejszą aplikacją agentów SI jest automatyzacja zadań, takich jak zakup biletów lotniczych na zadany prompt użytkownika[14][15]. Przykładem agentów SI jest AutoGPT[16], OpenAI Operator[17], ChatGPT Deep Research[18] czy Manus.
W lutym 2025 roku Hugging Face udostępniło wersję open source agenta o nazwie Open Deep Research[19].
Jednym z istotnych zastosowań agentów SI stało się w połowie lat 20. XXI wieku wspomaganie programowania. W odróżnieniu od wcześniejszych asystentów kodowania, które działały głównie jako mechanizmy autouzupełniania lub czaty odpowiadające na pytania o kod, agenty programistyczne mogą otrzymać zadanie w języku naturalnym, przeanalizować repozytorium, zaplanować zmiany, edytować wiele plików, uruchamiać polecenia w terminalu, wykonywać testy, a następnie przygotować zmiany do przeglądu przez człowieka[20][13][21].
Do tej grupy należą między innymi GitHub Copilot, Cursor, Claude Code oraz OpenAI Codex. GitHub opisuje Copilot coding agent jako autonomicznego agenta działającego w środowisku opartym na GitHub Actions, który może zostać przypisany do zadania z poziomu zgłoszenia albo rozmowy z Copilot Chat, po czym tworzy gałąź, wprowadza zmiany i może przygotować pull request do przeglądu[20][22]. We wrześniu 2025 roku GitHub ogłosił ogólną dostępność tego agenta dla płatnych subskrybentów GitHub Copilot[23].
Anthropic udostępniło Claude Code w lutym 2025 roku jako narzędzie agentowe dla programistów, początkowo w wersji badawczej, wraz z modelem Claude 3.7 Sonnet[24]. Dokumentacja Anthropic opisuje Claude Code jako narzędzie dostępne w terminalu, środowisku IDE, aplikacji desktopowej i przeglądarce, które czyta bazę kodu, edytuje pliki, uruchamia polecenia i integruje się z narzędziami deweloperskimi[13]. OpenAI Codex w wersji z 2025 roku został opisany przez OpenAI jako chmurowy agent inżynierii oprogramowania, który może równolegle pracować nad wieloma zadaniami w osobnych środowiskach piaskownicy, pisać funkcje, odpowiadać na pytania o bazę kodu, naprawiać błędy i proponować pull requesty[25]. OpenAI udostępnia także Codex CLI jako lokalnego agenta uruchamianego z terminala, zdolnego do czytania, zmieniania i uruchamiania kodu w wybranym katalogu[26].
Cursor rozwija podobny model pracy w edytorze kodu i w chmurze. Jego dokumentacja opisuje funkcje Agent, Rules, MCP, Skills, CLI oraz Cloud Agent, czyli możliwość uruchamiania agenta w środowisku chmurowym do ciągłej pomocy przy kodowaniu[27][28]. Takie narzędzia są powiązane z pojęciem vibe codingu, ale nie są z nim tożsame: vibe coding opisuje sposób pracy, w którym człowiek kieruje tworzeniem programu głównie przez polecenia w języku naturalnym, natomiast agent programistyczny jest konkretnym typem systemu wykonującego zadania w środowisku programistycznym.
Rozwój agentów programistycznych doprowadził również do pojawienia się narzędzi koordynujących wielu agentów. W 2026 roku GitHub udostępnił w publicznej wersji zapoznawczej możliwość uruchamiania w ramach Agent HQ agentów Claude i OpenAI Codex obok GitHub Copilot, tak aby użytkownik mógł przypisywać zadania różnym agentom bez opuszczania GitHuba, GitHub Mobile lub Visual Studio Code[29].
Skuteczność agentów SI zależy od jakości modelu językowego, dostępnych narzędzi, zakresu nadanych uprawnień, jakości kontekstu oraz możliwości automatycznego sprawdzania wyników. W przypadku agentów programistycznych szczególne znaczenie mają testy automatyczne, statyczna analiza kodu i możliwość uruchamiania programu, ponieważ dostarczają agentowi informacji zwrotnej pozwalającej ocenić, czy wykonane zmiany działają zgodnie z oczekiwaniami[30][31].
Badacze zwracają uwagę, że sama deklaracja autonomii nie przesądza o użyteczności agenta. W pracy SI Agents That Matter wskazano, że porównywanie agentów SI jest utrudnione przez różnice w kosztach, środowiskach testowych, zestawach narzędzi i sposobie liczenia interwencji człowieka[11]. W praktyce agenty mogą wymagać ograniczania uprawnień, nadzoru człowieka, przeglądu zmian oraz zabezpieczeń przed błędnym użyciem narzędzi, wyciekiem danych lub wykonaniem niepożądanych operacji w środowisku zewnętrznym[32].
Jako zalety agentów SI wskazywane jest zwiększenie produktywności[33][15], zwiększenie innowacji[34] czy zmniejszenie ilości wykonywanych powtarzalnych zadań przez ludzi[35]. W obszarze programowania agenty mogą być używane do naprawiania błędów, tworzenia prostych funkcji, refaktoryzacji, uzupełniania testów, aktualizacji dokumentacji i analizy istniejących repozytoriów[20][21].
Obawy dotyczące wykorzystania agentów SI obejmują odpowiedzialność prawną[15][33], zwiększone ryzyko przestępczości komputerowej[14][33] oraz trudności z przypisaniem odpowiedzialności za działania systemu wykonującego polecenia w imieniu użytkownika. W przypadku agentów programistycznych dodatkowe ryzyka obejmują wprowadzenie błędów bezpieczeństwa, niezamierzone usunięcie danych, ujawnienie tajemnic projektowych oraz wykonanie niebezpiecznych poleceń w środowisku lokalnym lub chmurowym. Z tego powodu systemy te są zwykle projektowane z mechanizmami przeglądu, zatwierdzania działań, izolacji środowiska wykonawczego i ograniczania dostępu do wrażliwych zasobów[20][21].
