Kilka tygodni temu Qwen3.8-27B został głównym lokalnym modelem używanym w naszej codziennej pracy. Nie uruchomiliśmy go po to, żeby przez godzinę porównywać wyniki benchmarków. Dostał znacznie mniej efektowne, ale ważniejsze zadanie: miał pracować. Chodziło o jedno: automatyzacja procesów biznesowych miała wreszcie działać na realnych zadaniach.
Analizować dane z systemów sprzedażowych. Czytać logi. Przygotowywać raporty. Pilnować powtarzalnych operacji. Korzystać z narzędzi i kończyć zadania, które składają się z wielu kolejnych kroków.
Po pierwszych tygodniach najważniejszy wniosek nie brzmi jednak: „Qwen3.8-27B jest świetnym modelem”.
Brzmi inaczej:
Sam model nie automatyzuje firmy. Automatyzację tworzy dopiero cały system: model, narzędzia, dane, reguły, kontrola błędów i człowiek, który wyznacza granice. Dopiero taki zestaw to automatyzacja procesów biznesowych w pełnym znaczeniu.
Ten tekst nie jest klasyczną recenzją. To zapis pracy lokalnego modelu w środowisku, w którym wynik nie kończy się w oknie czatu. Wynik ma trafić do raportu, pomóc znaleźć problem albo przygotować operację, którą później można bezpiecznie wykonać.
Tanova jest dziennikiem prawdziwej współpracy człowieka z agentami AI. Opisujemy zadania, błędy i wnioski z normalnej pracy — bez laboratoryjnego scenariusza i bez udawania, że model jest nieomylny. To praktyczna automatyzacja procesów biznesowych, nie teoretyczna. Dane pozwalające identyfikować klientów i pracowników są pomijane lub agregowane.
Qwen3.8-27B to otwarty model językowo-wizyjny udostępniony przez zespół Qwen 14 sierpnia 2026 roku. Ma 27 miliardów parametrów, natywny kontekst 262 144 tokenów, obsługuje tekst, obrazy i wideo oraz pozwala sterować głębokością rozumowania. Model został opublikowany na licencji Apache 2.0.
| Cecha | Znaczenie w praktyce |
|---|---|
| 27 mld parametrów | Model można uruchomić lokalnie na odpowiednio dobranym sprzęcie bez infrastruktury klasy centrum danych |
| Model dense | Wszystkie parametry pracują przy generowaniu; daje to inne wymagania wydajnościowe niż w modelach MoE |
| Tekst, obrazy i wideo | Ten sam model może analizować treść, zrzut ekranu, dokument lub materiał wizualny |
| Kontekst 262 144 tokenów | Pozwala pracować z obszernymi instrukcjami i dokumentacją, ale nie usuwa potrzeby checkpointów |
| Regulowana głębokość rozumowania | Proste zadania nie muszą korzystać z najcięższego trybu, a trudne mogą dostać więcej czasu na analizę |
| Apache 2.0 | Otwarte wagi i możliwość komercyjnego wykorzystania zgodnie z warunkami licencji |
Specyfikacja jest istotna, lecz w firmie szybko schodzi na drugi plan. O przydatności modelu nie decyduje liczba parametrów zapisana na stronie producenta. Decyduje to, czy system potrafi powtarzalnie wykonać zadanie, poprawnie zareagować na błąd i zatrzymać się wtedy, gdy nie powinien działać samodzielnie. Liczy się jedno: czy automatyzacja procesów biznesowych realnie skraca czas i liczbę błędów.
Oficjalne informacje techniczne można sprawdzić w karcie modelu Qwen3.8-27B oraz w repozytorium zespołu Qwen.
To rozróżnienie jest ważne.
Model uruchomiony na własnym serwerze może generować tekst bez wysyłania treści do zewnętrznego API. Nie oznacza to automatycznie, że cały proces jest lokalny, prywatny i bezpieczny. Agent może przecież korzystać z poczty, przeglądarki, zewnętrznego API albo usługi dostępnej przez internet.
Dlatego pytanie „czy model jest lokalny?” jest za wąskie. Trzeba zapytać:
W naszych procesach wybrane dane robocze są przetwarzane na kontrolowanej infrastrukturze, a uprawnienia agenta są dopasowane do konkretnego zadania. Nie przyznajemy mu pełnego dostępu „na wszelki wypadek”. Lokalność jest elementem architektury, a nie naklejką gwarantującą bezpieczeństwo. Bezpieczna automatyzacja procesów biznesowych wymaga takiego podejścia.
Nie próbowaliśmy używać modelu do wszystkiego. Najpierw trafił do procesów, które są powtarzalne, mierzalne i możliwe do sprawdzenia. Dobry wybór obszarów decyduje, czy automatyzacja procesów biznesowych da efekt, czy dodatkową robotę.
Codzienna analiza sprzedaży rzadko polega na jednej tabeli. Dane trzeba pobrać, połączyć, porównać z wcześniejszym okresem, znaleźć odchylenia i przełożyć je na język zrozumiały dla osoby zarządzającej zespołem.
Model dobrze radzi sobie z ostatnią częścią tego procesu: porządkuje informacje, wskazuje anomalie i przygotowuje czytelne podsumowanie. Nie zastępuje zapytania do bazy ani poprawnie policzonej statystyki. Nie powinien też samodzielnie „wymyślać” wyniku na podstawie luźnego opisu.
Dlatego liczby oblicza kod, a model je interpretuje.
To prosty podział odpowiedzialności:
W praktyce zespół nie dostaje stosu surowych rekordów, lecz odpowiedź na pytania: co się zmieniło, gdzie pojawiło się odchylenie i co warto sprawdzić. Tak wygląda dojrzała automatyzacja procesów biznesowych: dane liczy kod, sens wyjaśnia model, decyzję podejmuje człowiek.
Więcej o tym, jak agent AI pracuje z danymi sprzedażowymi, opisaliśmy w osobnym wpisie: Agent AI w CRM — automatyzacja raportów sprzedaży.
Drugim środowiskiem jest flota 65 urządzeń obsługujących wysyłki SMS. Każde urządzenie ma własny stan, kolejkę i historię zdarzeń. Przy większej skali ręczne przeglądanie informacji staje się pracą samą w sobie.
Agent może zebrać stan urządzeń, odczytać logi, pogrupować błędy i wskazać te przypadki, które wymagają uwagi człowieka. Model sprawdza się tu jako warstwa interpretacji: zamiast kilkudziesięciu osobnych komunikatów powstaje jedno podsumowanie z priorytetami.
Nie oznacza to, że model otrzymuje nieograniczoną możliwość wykonywania operacji. Odczyt stanu, przygotowanie kolejki i masowa wysyłka mają różne poziomy ryzyka. Każdy z nich wymaga innych uprawnień i innych punktów kontroli.
W jednym z wcześniejszych procesów mechanizmy kontrolne zatrzymały przed wysłaniem 297 błędnie przygotowanych wiadomości. Najważniejszą funkcją systemu nie było wtedy „wymyślenie lepszego tekstu”, tylko rozpoznanie, że operacja nie powinna ruszyć dalej. Automatyzacja procesów biznesowych wymaga takich mechanizmów.
Szczegółowy opis tego środowiska znajdziesz w: Automatyzacja bramek SMS z agentem AI.
Obsługa newslettera wygląda prosto dopiero wtedy, gdy nie widzi się zaplecza. Za wysyłką stoją listy odbiorców, warianty treści, trasy systemowe, harmonogramy, statystyki i warunki, które muszą zostać spełnione.
W naszym środowisku agent pracował m.in. z 105 trasami API, 26 plikami wiedzy, bazą 13 652 kontaktów, 62 kreacjami i trzema wariantami A/B. Mimo tej skali obowiązywały dwie proste zasady: żadnych ujawnionych sekretów i żadnej masowej wysyłki bez wyraźnej zgody człowieka.
To dobrze pokazuje, czym jest automatyzacja procesów biznesowych. Nie chodzi o to, żeby agent napisał wiadomość. Chodzi o to, żeby rozumiał stan całego procesu, przygotował bezpieczną operację i zatrzymał się przed krokiem, którego nie wolno wykonać bez akceptacji.
Cały proces opisaliśmy w: Agent AI i automatyzacja newslettera.
Dużo wartości znajduje się w zadaniach mało widowiskowych: klasyfikowaniu wiadomości, tworzeniu podsumowań, porządkowaniu dokumentów i przygotowaniu informacji w wymaganym formacie.
Qwen3.8-27B pomaga zamienić nieuporządkowane wejście w czytelny materiał roboczy. Potrafi analizować tekst i materiały wizualne, ale nie traktujemy tej zdolności jako uniwersalnego zamiennika OCR, parsera dokumentów czy walidatora danych. Jeżeli wartość musi być przepisana bezbłędnie, wynik powinien zostać sprawdzony regułą albo przez człowieka.
Model jest dobry w rozumieniu dokumentu. Kod jest lepszy w pilnowaniu, czy numer ma dokładnie jedenaście cyfr. Dojrzały system korzysta z obu.
Największą zmianę widać w sesjach, które mają więcej niż jeden krok. Przykładowe polecenie „przygotuj podsumowanie tygodnia” może w rzeczywistości oznaczać:
Qwen3.8-27B lepiej niż używane przez nas wcześniej modele utrzymuje kierunek w takich zadaniach i korzysta z informacji zwrotnych środowiska. To nie znaczy, że przestał się mylić albo zapętlać. Oznacza, że połączony z dobrą procedurą częściej dochodzi do końca bez ręcznego prowadzenia przez każdy etap.
Największym błędem przy wdrożeniach jest rozpoczęcie od pełnej autonomii. My stosujemy trzy poziomy, które pozwalają zwiększać odpowiedzialność dopiero po zebraniu dowodów, że proces działa.
| Poziom | Rola agenta | Rola człowieka | Przykład |
|---|---|---|---|
| 1. Asystent | Analizuje i przygotowuje | Sprawdza, decyduje i wykonuje | Podsumowanie danych z CRM |
| 2. Wykonawca | Działa w określonych regułach i limitach | Zatwierdza wyjątki oraz operacje ryzykowne | Przygotowanie kolejki lub dokumentu |
| 3. Operator | Prowadzi stabilny proces i raportuje wyjątki | Nadzoruje wyniki i zmienia zasady | Cykliczne monitorowanie infrastruktury |
Większość firm nie potrzebuje od razu poziomu trzeciego. Duża część korzyści pojawia się już wtedy, gdy agent przygotowuje raport, porządkuje dane albo wykonuje bezpieczne, odwracalne kroki. To wystarczająca automatyzacja procesów biznesowych dla większości zespołów.
Zasada pozostaje stała:
Agent wykonuje. Człowiek decyduje, ile odpowiedzialności może mu oddać.
Dobry opis wdrożenia AI nie może składać się wyłącznie z sukcesów. W codziennej pracy powtarzają się trzy problemy.
Jeżeli operacja nie działa, model czasem próbuje wykonać ją ponownie bez istotnej zmiany metody. Kolejne próby nie zwiększają wtedy szansy powodzenia — tylko zużywają czas.
Rozwiązaniem nie jest prośba: „nie zapętlaj się”. Potrzebny jest mechaniczny limit prób, rozpoznawanie powtarzającego się błędu i obowiązek zatrzymania zadania z raportem dla człowieka.
Płynny język nie jest dowodem poprawności. Jeżeli dane są niepełne, odpowiedź powinna oddzielać:
Ta struktura poprawia jakość raportów bardziej niż kolejna kosmetyczna zmiana promptu. Człowiek widzi nie tylko odpowiedź, ale również jej podstawę.
Kontekst 262 tys. tokenów brzmi imponująco, lecz wrzucanie do niego wszystkiego nie tworzy dobrej pamięci. Długa sesja nadal może stracić kierunek, a najważniejsza decyzja może zniknąć wśród tysięcy mniej istotnych informacji.
Dlatego stosujemy checkpointy: zapis celu, wykonanych kroków, wyniku, błędów oraz następnej bezpiecznej czynności. Dzięki nim zadanie można wznowić bez rekonstruowania całej rozmowy.
Po wdrożeniu mocniejszego modelu łatwo przypisać cały postęp nowym wagom. To byłby błąd. Największą poprawę niezawodności dały nam reguły niezależne od modelu.
Ta sama operacja nie może być powtarzana bez końca. Po ustalonej liczbie nieudanych prób agent zatrzymuje się, zbiera diagnostykę i prosi o decyzję.
Agent zaczyna od rozpoznania stanu. Przygotowuje plan i pokazuje, co zamierza zmienić. Dopiero potem otrzymuje zgodę na zapis. Jest to szczególnie ważne przy stronach internetowych, bazach danych, kampaniach i konfiguracji systemów.
Jeżeli problem można rozwiązać jednym zapisem, agent nie powinien wykonywać serii chaotycznych poprawek. Ma przygotować poprawny wynik poza systemem, zwalidować go i dopiero wtedy wykonać jedną kontrolowaną zmianę.
Masowa wysyłka, usunięcie danych, publikacja, zmiana konfiguracji globalnej lub operacja trudna do odwrócenia nie może wynikać z domysłu modelu. Potrzebuje jawnego zatwierdzenia.
Te cztery zasady są mniej ekscytujące niż premiera nowego LLM-u. Są też ważniejsze od większości różnic widocznych w benchmarkach. To one decydują, czy automatyzacja procesów biznesowych jest dojrzała, czy tylko efektowna.
Nie ma jednej odpowiedzi dobrej dla każdej firmy. Porównanie powinno dotyczyć całego procesu, a nie tylko ceny pojedynczego zapytania.
| Kryterium | Model lokalny | Model przez zewnętrzne API |
|---|---|---|
| Dane | Można utrzymać wybrane procesy we własnej infrastrukturze | Dane są przetwarzane zgodnie z zasadami zewnętrznego dostawcy |
| Koszty | Sprzęt, energia, administracja i utrzymanie | Opłata zależna od użycia oraz warunków usługi |
| Kontrola | Duża kontrola wersji, parametrów i dostępności | Prostota uruchomienia, ale mniejsza kontrola nad usługą |
| Skalowanie | Ograniczone posiadanym sprzętem | Zwykle łatwiejsze przy nagłym wzroście obciążenia |
| Najtrudniejsze zadania | Zależne od wielkości uruchomionego modelu | Dostęp do największych modeli bez zakupu infrastruktury |
| Odpowiedzialność | Firma utrzymuje cały stos | Część odpowiedzialności operacyjnej przejmuje dostawca |
Lokalny model nie jest darmowy, a koszt kolejnego zadania nie wynosi dosłownie zero. Zużywa energię, zajmuje zasoby i wymaga utrzymania. Zmienia się jednak sposób rozliczania: koszty nie rosną bezpośrednio z każdym tokenem wysłanym do zewnętrznej usługi.
W wielu organizacjach najlepszy okaże się model hybrydowy. Procesy zawierające wrażliwe dane mogą pracować lokalnie, natomiast wybrane zadania — po odpowiednim przygotowaniu danych — mogą korzystać z usługi zewnętrznej. Decyzję powinny wyznaczać ryzyko, jakość i ekonomia, a nie ideologia Pragmatyczna automatyzacja procesów biznesowych dobiera narzędzie pod ryzyko i jakość. „lokalne kontra chmura”.
Zakup serwera i pobranie modelu nie są pierwszym krokiem. Najpierw trzeba znaleźć proces, którego działanie da się opisać i zmierzyć. Dobrze zaplanowana automatyzacja procesów biznesowych zaczyna się od procesu, nie od sprzętu.
Dobrym kandydatem jest zadanie, które:
Ile czasu zajmuje proces? Ile pojawia się błędów? Ile przypadków wymaga poprawy? Bez punktu odniesienia po wdrożeniu zostanie jedynie wrażenie, że „AI chyba pomaga”.
Niech model przygotowuje wynik, a człowiek go sprawdza. Na tym etapie zbiera się najważniejsze informacje: gdzie model nie rozumie danych, które instrukcje są niejednoznaczne i jakie wyjątki naprawdę występują.
Każdy powtarzalny błąd powinien prowadzić do zmiany procesu: walidacji, limitu, dodatkowego warunku albo lepszego źródła danych. Samo dopisywanie kolejnych zdań do promptu szybko przestaje wystarczać.
Agent może wykonywać więcej dopiero wtedy, gdy wcześniejszy zakres działa stabilnie. Uprawnienia powinny rosnąć wolniej niż możliwości modelu.
W ten sposób automatyzacja procesów biznesowych nie jest wielką, ryzykowną rewolucją. Staje się serią małych, mierzalnych i odwracalnych wdrożeń.
To źle postawione pytanie.
Model, który wygrywa ranking, może okazać się zbyt wolny, zbyt kosztowny albo niekompatybilny z używanymi narzędziami. Mniejszy model może być lepszy w prostym procesie, jeżeli odpowiada szybciej i rzadziej komplikuje oczywiste zadania.
Qwen3.8-27B jest dla nas interesujący dlatego, że łączy rozsądny rozmiar z obsługą obrazu, długiego kontekstu, narzędzi i wieloetapowej pracy. Daje też możliwość dopasowania głębokości rozumowania do zadania.
Nie wystarczy jednak powiedzieć, że model „jest agentowy”. Trzeba sprawdzić go na własnych procesach:
Po kilku tygodniach naszej pracy odpowiedź brzmi: Qwen3.8-27B jest wystarczająco dobry, żeby być rdzeniem wielu lokalnych procesów. Nie jest wystarczająco niezawodny, żeby usunąć z nich reguły, walidację i człowieka. Żaden model nie jest.
Tak, wagi modelu można uruchomić na własnej infrastrukturze. Trzeba jednak oddzielić lokalną inferencję od całego systemu agenta. Jeżeli agent korzysta z zewnętrznych usług, część procesu może wychodzić poza lokalne środowisko. O przepływie danych decyduje architektura całego rozwiązania.
Zależy od wolumenu i posiadanej infrastruktury. Lokalnie płacisz za sprzęt, energię, administrację i utrzymanie. W chmurze koszt zwykle zależy od użycia. Przy częstych, stałych procesach lokalny model może być ekonomiczny, ale nie jest darmowy.
Nie. Model generuje odpowiedzi i decyzje na podstawie otrzymanego kontekstu. Dostęp do systemów zapewnia mu osobna warstwa narzędziowa z nadanymi uprawnieniami, regułami i kontrolą operacji.
Najczęściej nie. W wielu procesach wystarczą poprawne źródła danych, narzędzia, instrukcje i pamięć robocza. Dodatkowe trenowanie ma sens tylko wtedy, gdy istnieje konkretny problem, którego prostsze metody nie rozwiązują.
Może, ale zakres samodzielności powinien zależeć od ryzyka. Odczyt danych i przygotowanie raportu to inna kategoria niż masowa wysyłka, usuwanie rekordów czy publikacja. Operacje wysokiego ryzyka powinny wymagać jawnej zgody człowieka.
Stosować techniczny limit ponowień, wykrywać powtarzający się błąd i po przekroczeniu limitu wymuszać zatrzymanie z raportem. Sama instrukcja tekstowa „nie powtarzaj” nie jest wystarczającym zabezpieczeniem.
Od zadania częstego, mierzalnego, opartego na dostępnych danych i łatwego do sprawdzenia. Dobrym początkiem są raporty, podsumowania, klasyfikacja informacji oraz monitorowanie. Pełna autonomia nie powinna być pierwszym etapem.
Pierwszy użyteczny prototyp może powstać szybko, ale bezpieczna automatyzacja wymaga obserwacji rzeczywistych wyjątków i dodawania reguł. Czas zależy bardziej od jakości procesu i integracji niż od samego modelu.
Qwen3.8-27B przesuwa granicę tego, co można rozsądnie uruchomić na własnej infrastrukturze. Potrafi analizować tekst i obraz, korzystać z narzędzi oraz prowadzić dłuższe zadania. To dużo.
Nie usuwa jednak najtrudniejszej części wdrożenia: zrozumienia procesu, uporządkowania danych, określenia odpowiedzialności i zabezpieczenia operacji.
To właśnie dlatego Tanova nie jest katalogiem promptów ani recenzji modeli. Interesuje nas moment, w którym odpowiedź AI zamienia się w zakończone zadanie — z wynikiem, logiem, możliwością kontroli i człowiekiem, który nadal wyznacza kierunek. Automatyzacja procesów biznesowych w takim wydaniu to nasza definicja dojrzałej pracy z AI.
Jeżeli w Twojej firmie istnieje proces, który codziennie zabiera czas, opisz go. Sprawdzimy, czy potrzebuje agenta AI, klasycznej automatyzacji, czy po prostu lepszego sposobu pracy.
—
