Twoja firma produkuje świetne komponenty, ale system AI klienta może nie umieć potwierdzić, czy pasują do jego maszyny. Wtedy możesz nie znaleźć się na liście porównywanych dostawców, mimo konkurencyjnej oferty i dobrych handlowców.

To scenariusz, nie udokumentowana skala zjawiska w polskim przemyśle. Rozwój machine customers i agentic procurement rodzi jednak poważne pytanie strategiczne: czy informacje o produktach pozwalają kupującym i ich systemom poprawnie ocenić ofertę?

Ważne zastrzeżenie metodologiczne: badania rynku oprogramowania B2B mają specyficzny kontekst: cyfrową dostawę, powtarzalne subskrypcje, dostępne online porównania i odmienne profile ryzyka. Nie można przenosić ich wyników liczbowych na zakup niestandardowych części, maszyn, wyposażenia fabryk czy projektów OEM. Dla każdej branży trzeba niezależnie ocenić technologię, dane, odpowiedzialność, opłacalność i realną gotowość zakupową.

1. Machine customer: co dokładnie oznacza „klient maszynowy”?

Machine customer to system niebędący człowiekiem, który bierze udział w zakupie produktu lub usługi w imieniu użytkownika albo organizacji. Może rozpoznać potrzebę, przeszukać rynek, ocenić oferty i – pod określonymi warunkami – zainicjować transakcję.

Trzeba rozróżnić AI-assisted procurement (człowiek korzysta z asystenta analitycznego) od agentic procurement (system wykonuje wieloetapowe zadania, korzystając z narzędzi i określonych uprawnień). Wysokie zdolności językowe modelu same w sobie nie oznaczają bezpiecznej możliwości zakupów.

  • Rekomendacja: agent szuka, porównuje, podaje źródła, człowiek decyduje.
  • Operacje zakupowe: agent przygotowuje RFQ, sprawdza stany i analizuje odpowiedzi.
  • Ograniczona autonomia: agent składa zamówienie tylko u zatwierdzonych dostawców, z limitem kwoty, w określonej kategorii i z rejestrem działań.

Ten podział jest autorskim uproszczeniem funkcjonalnym, a nie oficjalną skalą Gartnera.

2. Co faktycznie pokazują badania 2026?

Deloitte Digital w badaniu handlu B2B raportuje, że 38% nabywców używa agentic AI w procesach zakupowych, a 24% dostawców wykorzystuje je w sprzedaży. Dodatkowo 67% dostawców deklarowało plany wdrożenia. Wskaźniki dotyczą użycia technologii w różnych zadaniach, a nie wyłącznie samodzielnego zawierania transakcji przez agenta. [1]

Wykres 1. Zastosowanie agentic AI w zakupach i sprzedaży B2B. Deloitte Digital, badanie B2B, 2026. 38% kupujących i 24% dostawców deklaruje wykorzystanie agentic AI. To deklarowana adopcja w badanej grupie, a nie odsetek autonomicznych zakupów w przemyśle.
Wykres 1. Zastosowanie agentic AI w zakupach i sprzedaży B2B. Deloitte Digital, badanie B2B, 2026. 38% kupujących i 24% dostawców deklaruje wykorzystanie agentic AI. To deklarowana adopcja w badanej grupie, a nie odsetek autonomicznych zakupów w przemyśle.

G2 w 2026 Buyer Behavior Report, opartym na badaniu ponad tysiąca kupujących oprogramowanie B2B, pokazuje popularność zastosowań agentów do porównania TCO (51%), budowania list dostawców (51%), badania rozwiązań (49%) i oceny finalistów (46%). Zaledwie 9% badanych deklarowało zgodę na zakupy agentowe w zatwierdzonych granicach, a 2% – bez wcześniejszej akceptacji. [3]

Wykres 2. Zadania powierzane agentom AI przez nabywców oprogramowania. G2, 2026 Buyer Behavior Report. Próba dotyczy zakupów oprogramowania B2B; nie wolno bezpośrednio przenosić tych udziałów na zakupy maszyn, wałów czy komponentów.
Wykres 2. Zadania powierzane agentom AI przez nabywców oprogramowania. G2, 2026 Buyer Behavior Report. Próba dotyczy zakupów oprogramowania B2B; nie wolno bezpośrednio przenosić tych udziałów na zakupy maszyn, wałów czy komponentów.

Nie interpretujmy tych danych jako „51% zakładów przemysłowych wybiera części przez AI”. G2 badało nabywców software’u. Oprogramowanie ma inną strukturę kosztów, cykle zakupowe i poziom standaryzacji niż urządzenie warte milion złotych czy komponent o krytycznym znaczeniu dla bezpieczeństwa.

Wniosek międzybranżowy jest ostrożniejszy: technologia pozwala automatyzować elementy wyszukiwania i porównywania; to, czy automatyzacja okaże się odpowiednia, zależy od konkretnej kategorii zakupowej. McKinsey opisuje rozwój agentów w procurement jako przesunięcie od transakcyjnej automatyzacji w stronę analizy wariantów i zarządzania ryzykiem dostaw. [4]

3. Przykład: zakup wału do przemysłowego rozdrabniacza

Rozważmy zakład recyklingowy w Niemczech. Maszyna wymaga wymiany wału, a system utrzymania ruchu generuje zapotrzebowanie. Pracownik działu zakupów zleca agentowi zbadanie rynku, ale pozostawia sobie zatwierdzenie transakcji.

  • Wejście: model urządzenia, rocznik, wersja, numer części, tolerancje, ilość, adres dostawy i termin.
  • Wyszukiwanie: strony producentów, katalogi, portale dystrybutorów, zatwierdzone bazy dostawców, dostępne integracje.
  • Kwalifikacja techniczna: zgodność części, materiał, dokumentacja, wymagane atesty, wyłączenia i warunki gwarancji.
  • Porównanie ekonomiczne: cena, fracht, termin dostawy, warunki płatności i ryzyko przestoju.
  • Decyzja: człowiek weryfikuje wyniki, szczególnie tam, gdzie błędna część mogłaby uszkodzić maszynę.
Schemat 3. Przykładowa kwalifikacja dostawcy komponentu przez agenta AI. Autorski scenariusz hipotetyczny dla zakupu części przemysłowej. Nie przedstawia gotowego procesu wdrożonego we wszystkich branżach.
Schemat 3. Przykładowa kwalifikacja dostawcy komponentu przez agenta AI. Autorski scenariusz hipotetyczny dla zakupu części przemysłowej. Nie przedstawia gotowego procesu wdrożonego we wszystkich branżach.

To scenariusz hipotetyczny. Nie znamy reprezentatywnego odsetka zakładów recyklingu, które już realizują ten proces. Ponadto agent, który nie ma pewności co do zgodności wału, powinien eskalować przypadek do specjalisty, zamiast zgadywać.

4. Dlaczego producent może wypaść z porównania, zanim zadzwoni handlowiec?

W tradycyjnym procesie kupiec może zadzwonić po wyjaśnienie. W cyfrowym procesie agent może zwrócić komunikat „brak potwierdzenia” i skierować propozycję do ręcznej weryfikacji. Jeżeli reguły zakupowe nakazują porównywanie tylko ofert kompletnych, brak danych stanie się praktycznym problemem.

Typowy komunikat

Informacja umożliwiająca weryfikację

„Pasuje do wielu maszyn”

Numery części, model, wersja, kompatybilność potwierdzona przez producenta.

„Najwyższa jakość”

Materiał, norma, proces kontroli jakości i dowody testowe.

„Szybka dostawa”

Termin dla konkretnej konfiguracji i wolumenu oraz jego aktualność.

„Długa żywotność”

Wyniki porównywalnych badań i warunki eksploatacji; bez obietnic bez dowodów.

„Konkurencyjna cena”

Porównywalna oferta: waluta, Incoterms, transport, rabaty i ograniczenia.

Ta sama logika jest użyteczna dla człowieka: jakość danych nie jest wyłącznie kwestią „SEO dla robotów”. To element rzetelnej sprzedaży technicznej.

5. Czy to oznacza koniec marketingu relacyjnego?

Nie. Przy sprzedaży złożonej maszyny, projekcie OEM czy komponencie projektowanym na zamówienie duża część wartości powstaje w rozmowie z konstruktorem, technologiem i dyrektorem produkcji. Agent może wesprzeć analizę, ale nie zastępuje automatycznie audytu, negocjacji i odpowiedzialności inżynierskiej.

Przy powtarzalnym zakupie dobrze opisanych części eksploatacyjnych automatyzacja może być łatwiejsza. Przy niestandardowej linii produkcyjnej niepewność i odpowiedzialność są inne. Nie istnieje jedna ścieżka adopcji dla wszystkich gałęzi przemysłu.

6. SEO, dane produktowe i zdolność transakcyjna to trzy oddzielne zadania

SEO pomaga znaleźć źródło. Ustrukturyzowana informacja produktowa pozwala zrozumieć i sprawdzić ofertę. Integracja zakupowa pozwala uzyskać aktualną wycenę i wykonać uprawnione czynności.

Dobre pozycje w Google nie gwarantują miejsca na liście agenta, podobnie jak schema.org nie zastąpi autoryzowanej listy kompatybilności. Dla cen indywidualnych, stanów magazynowych i poufnych umów często potrzebne będą zabezpieczone kanały wymiany danych.

7. Ekonomika zakupów: dlaczego agent nie może patrzeć tylko na cenę?

W przypadku maszyn i części znaczenie ma całkowity koszt posiadania (TCO). Jako uproszczony model można przyjąć: TCO = zakup + logistyka + instalacja + utrzymanie + szacowany koszt ryzyka przestojów + wymiana/utylizacja.

Jeśli tańszy wał potencjalnie skraca czas bezawaryjnej pracy, niższa cena zakupu nie przesądza o wartości oferty. Agent nie może jednak wymyślać trwałości i prawdopodobieństw awarii. Przy braku dowodów powinien wskazać luki lub skierować sprawę do inżyniera.

W branżach o wysokim koszcie zatrzymania produkcji krytyczne są jakość pomiaru ryzyka i zatwierdzenie techniczne. W innych kategoriach zakupowych większe znaczenie mogą mieć szybkość, cena lub automatyczna dostępność.

8. Pięć poziomów gotowości producenta: autorski model

  • Poziom 1 – obecność cyfrowa: katalog produktów i punkt kontaktu.
  • Poziom 2 – spójność: jednoznaczne identyfikatory, konfiguracje, parametry i wersjonowanie dokumentacji.
  • Poziom 3 – dostępność maszynowa: dane możliwe do prawidłowego odczytu w HTML, eksportach produktowych lub API.
  • Poziom 4 – obsługa procesów: aktualne terminy, oferty, obsługa zapytań, kontrola dostępu i zgodność kanałów.
  • Poziom 5 – współpraca agentowa: uzgodnione transakcje i wyjątki w ramach ról, limitów, audytu oraz zatwierdzeń.
Schemat 4. Pięć poziomów gotowości producenta do zakupów wspieranych przez AI. Autorski model koncepcyjny ogarniam.marketing; nie jest to zweryfikowana empirycznie ani branżowo standaryzowana skala.
Schemat 4. Pięć poziomów gotowości producenta do zakupów wspieranych przez AI. Autorski model koncepcyjny ogarniam.marketing; nie jest to zweryfikowana empirycznie ani branżowo standaryzowana skala.

To narzędzie diagnostyczne autorstwa ogarniam.marketing, nie standard do certyfikacji ani skala empirycznie walidowana. Dla wielu producentów priorytetem powinny być poziomy 2–3, a nie pochopne finansowanie poziomu 5.

9. Audyt gotowości producenta: 15 pytań dla zarządu

  • Czy każdy SKU i wariant ma jednoznaczny identyfikator?
  • Czy numery części i listy zgodności są zatwierdzone przez dział techniczny?
  • Czy potrafimy wskazać ograniczenia kompatybilności?
  • Czy dokumenty techniczne mają datę, wersję i właściciela?
  • Czy katalog dealerów pokazuje te same dane co katalog producenta?
  • Czy potrafimy oddzielić deklaracje marketingowe od parametrów potwierdzonych?
  • Czy informacje o terminach realizacji są aktualizowane?
  • Czy istnieje proces obsługi nietypowych zapytań technicznych?
  • Czy mamy kontrolę nad dostępem do cen indywidualnych?
  • Czy strony produktów są czytelne także bez interfejsu graficznego?
  • Czy system pozwala uzyskać maszynowo jednoznaczne dane?
  • Czy zespół sprzedaży rozumie TCO klienta?
  • Kto odpowiada za skutki błędnej informacji o kompatybilności?
  • Które kategorie zakupów rzeczywiście nadają się do automatyzacji?
  • Jaki proces eskalacji działa, kiedy AI nie ma wystarczających dowodów?

10. Trzy hipotezy do sprawdzenia osobno w każdej branży

Hipoteza 1: lepsze dane produktowe zwiększą szansę poprawnej kwalifikacji producenta w procesach wspieranych przez AI. Hipoteza 2: zakup powtarzalnych, dobrze ustandaryzowanych komponentów szybciej skorzysta z automatyzacji niż zakup niestandardowych rozwiązań inżynierskich. Hipoteza 3: znaczenie dowodów technicznych i spójności informacji będzie rosło tam, gdzie klient używa agentów do preselekcji.

To są hipotezy redakcyjne, nie udowodnione prawa rynku. Ich weryfikacja wymaga danych z konkretnych branż, projektów zakupowych i wyników rzeczywistych procesów kwalifikacji.

11. Wnioski dla właścicieli firm produkcyjnych i dyrektorów handlowych

Nie zaczynałbym od hasła „musimy wdrożyć agenta AI”. Zacząłbym od pytania: czy potencjalny klient i jego narzędzia potrafią bezpiecznie ustalić, co dokładnie produkujemy, do czego produkt pasuje, jakie mamy dowody jakości i jak nas zapytać o ofertę?

Dopiero na tej podstawie można ocenić, czy automatyzować kolejne kroki. Dla jednych producentów priorytetem będzie PIM i spójność kart produktowych, dla innych portal dealerski lub elektroniczna obsługa zapytań, a dla kolejnych integracje z systemami zakupowymi strategicznych odbiorców.

Machine customers nie oznaczają jeszcze, że fabryki powszechnie kupują części bez człowieka. Oznaczają, że warto zacząć przygotowywać informacje i procesy na możliwość takiego sposobu oceny dostawców.

FAQ

Czy agenci AI już samodzielnie kupują części do maszyn?

Istnieją rozwiązania automatyzujące określone procesy zakupowe, ale nie ma podstaw do twierdzenia, że autonomiczny zakup specjalistycznych komponentów jest powszechny. Zależy to od branży, rodzaju części i poziomu kontroli.

Czy liczby G2 można zastosować do przemysłu?

Nie. To dane o zachowaniach nabywców oprogramowania B2B. Mogą wskazywać możliwości techniczne i kierunek zainteresowania, ale nie określają adopcji wśród kupców obrabiarek, komponentów stalowych czy wyposażenia zakładów.

Czy wystarczy poprawić SEO, aby agent wybrał producenta?

Nie. SEO ułatwia znalezienie treści. Agent potrzebuje także wiarygodnych danych technicznych, informacji o ryzyku i dostępu do właściwych kanałów handlowych.

Co zrobić jako pierwsze?

Zacząć od audytu identyfikatorów, konfiguracji, kompatybilności, aktualności dokumentacji oraz zgodności danych producenta i dealerów.

O autorze

Michał Romanowski – ogarniam.marketing. Marketing B2B, rozwój sprzedaży oraz sieci dealerskich i dystrybucji dla firm produkcyjnych. Porozmawiajmy o rozwoju sprzedaży w Twojej firmie.

Źródła i bibliografia

Nota metodologiczna: wskaźniki procentowe pochodzą z przywołanych badań i dotyczą wskazanych przez autorów grup respondentów. Przykład części zamiennej, schemat procesu, model dojrzałości oraz hipotezy są autorskimi konstrukcjami ilustracyjnymi. Nie należy traktować ich jako wyników badania polskiego przemysłu.