No-code (Make, Zapier) vs własny agent AI

Firma z branży logistyki wdrożyła Zapiera dwa lata temu. Integracja CRM z e-mailem działała perfekcyjnie. Gdy próbowali dodać klasyfikację wiadomości klientów z opisami po polsku i niemiecku, scenariusze zaczęły się mnożyć, koszty subskrypcji rosły, a błędy klasyfikacji szły bez alertu do produkcji. Nikt nie wiedział, że przez trzy tygodnie pilne reklamacje trafiały do kolejki niskiego priorytetu. To typowe zderzenie z granicą możliwości no-code.

Nie znaczy to, że no-code jest złe. Znaczy to, że każde narzędzie ma swoją domenę. Poniżej opisuję, gdzie ta granica przebiega i jak ją rozpoznać przed wdrożeniem.

Make (dawne Integromat), Zapier i n8n Cloud to platformy automatyzacji opartej na wyzwalaczach i akcjach. Ich model mentalny wygląda tak: „gdy X, zrób Y". Każdy krok to gotowy konektor do zewnętrznego API.

W 2024 i 2025 roku dołączyły moduły AI: wbudowane wywołania GPT w Zapierze, moduły HTTP do własnych modeli w Make, węzły AI w n8n. To przybliżyło no-code do świata AI, ale nie zmieniło fundamentalnego ograniczenia: platforma jest stateless między krokami, nie ma pamięci o poprzednich wykonaniach (poza tym, co sami zapiszesz w zewnętrznej bazie) i nie obsługuje wielokrokowego rozumowania wewnątrz jednego wywołania.

Kluczowe cechy no-code:

• Interfejs wizualny. Przepływ projektujesz jako diagram, nie piszesz kodu.
• Gotowe konektory. Setki integracji out-of-the-box (Salesforce, HubSpot, Gmail, Slack, Google Sheets).
• Szybki start. Działający scenariusz możliwy w ciągu godzin dla prostych przepływów.
• Model kosztowy oparty na zadaniach. Płacisz za liczbę operacji lub wywołań, nie za infrastrukturę.
• Brak kontroli nad modelem AI. Korzystasz z modelu platformy lub podajesz klucz API, ale nie masz wpływu na to, co dzieje się po stronie serwera providera.

Nie ma sensu budować własnego agenta do zadań, które no-code obsługuje tanio i niezawodnie. Oto przypadki, gdzie warto zostać przy narzędziu no-code:

Integracje systemów bez złożonej logiki AI. Nowy lead z formularza trafia do CRM i Slacka jednocześnie. Faktura z e-maila ląduje w arkuszu. Nowe zamówienie tworzy ticket. To są przepływy deterministyczne — żadnego rozumowania, tylko przenoszenie danych. No-code to właściwe narzędzie.

Proste wywołania modelu z krótkim, ustrukturyzowanym wejściem. Klasyfikacja sentymentu jednolinijkowej recenzji. Tłumaczenie krótkiego tekstu. Generowanie podsumowania faktury. Gdy wejście jest przewidywalne, kontekst nie jest wymagany, a błąd jednego wywołania jest nieszkodliwy, wywołanie GPT w węźle no-code wystarczy.

Małe zespoły bez zasobów developerskich. Startup zatrudniający dwie osoby nie potrzebuje własnego stosu AI. Zapier za kilkadziesiąt dolarów miesięcznie rozwiązuje więcej problemów operacyjnych niż pół etatu developera.

Szybka weryfikacja hipotezy. Zanim zainwestujesz w budowę własnego agenta, warto sprawdzić, czy automatyzacja w ogóle ma sens dla danego procesu. Kilka dni na zbudowanie scenariusza w Make to niski koszt walidacji.

Ograniczenia no-code ujawniają się w konkretnych momentach. Rozpoznanie ich przed wdrożeniem oszczędza miesięcy frustracji.

Nieustrukturyzowane dane wejściowe. Wiadomości e-mail klientów z mieszaną treścią, PDF-y z umowami, zdjęcia dokumentów, nagrania rozmów — no-code nie ma mechanizmów do OCR, semantycznego wyszukiwania ani interpretacji złożonego kontekstu. Możesz wywołać zewnętrzne API OCR jako węzeł, ale orkiestracja wielu kroków z logiką warunkową zaczyna się rozrastać do stanu nie do utrzymania.

Wielokrokowe rozumowanie. Gdy decyzja zależy od wyniku poprzedniego kroku, który zależy od wyniku kroku wcześniejszego, no-code zamienia się w labirynt warunków. Dedykowany agent AI obsługuje wielokrokowe planowanie natywnie, z narzędziami (tool-use) i śladem rozumowania.

Wrażliwe dane i wymogi RODO. Jeśli Wasze dane zawierają PII, dane zdrowotne lub finansowe, a scenariusz no-cloud wymaga wysyłania promptów do modelu w chmurze platformy — tracicie kontrolę nad residency danych. Zapier i Make przetwarzają dane na serwerach poza Waszą infrastrukturą. Self-hosting modelu eliminuje ten problem, ale no-code nie oferuje tej opcji dla warstwy AI.

Skala wywołań. Przy kilku tysiącach wywołań modelu dziennie koszt operacji no-code staje się wyższy niż utrzymanie własnej infrastruktury. Szczególnie jeśli przepływ uruchamia wiele węzłów na jeden rekord.

Brak observability AI. Platformy no-code logują kroki przepływu, ale nie logują tokenu, kosztu, modelu i uzasadnienia każdego wywołania AI. Bez tego audyt decyzji i debugowanie regresji są niemożliwe. Własny stos AI z wbudowanym observability daje pełny ślad od zapytania do odpowiedzi.

Własny agent AI to coś więcej niż wywołanie modelu w chmurze. To warstwa kodu, która decyduje: kiedy wywołać model, z jakim kontekstem, przez który model (routing), jak zwalidować wynik i co zrobić, gdy jakość spada.

Kluczowe komponenty, których nie oferuje no-code:

Router modeli. Różne zadania wymagają różnych modeli. Klasyfikacja to inne wymagania niż generowanie raportu. Router LLM kieruje każde żądanie do właściwego modelu według kosztu i wymaganej jakości, bez ręcznego kodowania w węzłach.

RAG jako pamięć długoterminowa. Agent może przeszukać bazę wiedzy firmy (RAG, embeddingi) zanim odpowie. No-code może wywołać endpoint RAG jako węzeł HTTP, ale nie buduje tej warstwy samodzielnie.

Guardrails. Własny agent sprawdza wyjście modelu pod kątem halucynacji, zakazanych treści, przekroczeń cenowych i prób injection zanim wynik trafi do systemu. Platforma no-code nie ma tej warstwy.

Human-gate dla akcji nieodwracalnych. Wysyłka do klienta, anulowanie zamówienia, aktualizacja rekordu w ERP — każdą z tych akcji agent może wstrzymać i wysłać do zatwierdzenia człowiekowi, zanim wykona. To nie jest "przepływ zatwierdzenia" w no-code — to wbudowana zasada architektury agenta.

Monitoring jakości i dryft. Własny system mierzy jakość odpowiedzi w czasie i alarmuje, gdy jakość spada poniżej progu. Monitoring agenta AI to temat osobnego artykułu.

Nie ma jednej dobrej odpowiedzi dla wszystkich firm. Są natomiast konkretne pytania, które naprowadzają na właściwy wybór:

1. Czy dane wejściowe są ustrukturyzowane? Formularz, arkusz, JSON z API — no-code wystarcza. E-mail, PDF, obraz, nagranie — potrzebujesz więcej.

2. Czy decyzja wymaga więcej niż jednego kroku rozumowania? Jeśli agent musi zapytać bazę wiedzy, ocenić wynik i zdecydować o kolejnym działaniu na podstawie poprzedniego — no-code zacznie szwankować.

3. Gdzie mają rezydować dane? Jeśli wymagacie przetwarzania na własnych serwerach, no-code (jako SaaS) nie spełnia warunku.

4. Jaka jest skala? Poniżej kilkuset wywołań dziennie no-code jest tańsze. Powyżej tysiąca — liczy się rachunek per operacja.

5. Czy potrzebujecie audytu decyzji? Regulacje, compliance, ISO — wymaga pełnego śladu każdego wywołania modelu. No-code tego nie da.

6. Czy macie zasób techniczny do utrzymania własnego systemu? Własny agent wymaga pracy devops, monitoringu i aktualizacji. Jeśli nie macie tego zasobu, outsourcing lub no-code jest racjonalnym wyborem.

Najlepsze rozwiązanie dla wielu firm nie jest "albo-albo". n8n (self-hosted) może pełnić rolę orkiestratora integracji, podczas gdy własny agent działa jako silnik rozumowania wywoływany przez węzeł HTTP.

Schemat:

1. n8n odbiera trigger (nowy e-mail, nowy plik, harmonogram).
2. n8n pobiera kontekst z CRM i maskuje PII.
3. n8n wywołuje endpoint własnego agenta z zamaskowanym promptem.
4. Agent wykonuje wielokrokowe rozumowanie, przeszukuje RAG, zwraca decyzję z uzasadnieniem.
5. n8n parsuje odpowiedź, waliduje schemat i kieruje akcję do właściwego systemu — z human-gate dla akcji nieodwracalnych.

Podział odpowiedzialności: n8n zarządza integracjami i przepływem danych. Własny agent zarządza rozumowaniem, narzędziami i guardrails. To połączenie daje najlepszą elastyczność przy kontrolowanych kosztach utrzymania.

Więcej o tym schemacie w artykule o integracji AI z n8n.

Opisz swój obecny proces automatyzacji lub planowane wdrożenie, a model oceni, czy no-code wystarczy, czy potrzebujesz własnego agenta — z uzasadnieniem i wskazaniem konkretnego ograniczenia (playground: PII maskowane, zero retencji).

Tak, i to jest racjonalna ścieżka dla wielu firm. No-code pozwala szybko zwalidować, czy automatyzacja w ogóle ma sens dla danego procesu. Gdy znajdziesz granicę możliwości — i gdy koszt lub ryzyko związane z ograniczeniami stanie się realne — przechodzisz na dedykowaną architekturę. Warto jednak od początku projektować przepływ tak, aby logika biznesowa nie była zakopana głęboko w węzłach konkretnej platformy. Ułatwia to migrację.

No-code przy niskiej skali (do kilkuset operacji dziennie) kosztuje od kilkudziesięciu do kilkuset złotych miesięcznie. Własny agent wymaga infrastruktury (serwer lub chmura), pracy developerskiej przy budowie i utrzymania. Przy skali powyżej tysiąca wywołań dziennie lub wymaganiach RODO dotyczących residency danych, własna infrastruktura staje się tańsza lub jedyna możliwa. Możesz porównać liczby dla swojego przypadku w kalkulatorze ROI.

To zależy od tego, jakie dane przesyłacie przez platformę. Jeśli dane osobowe klientów (imiona, adresy, numery PESEL, dane finansowe) trafiają do promptu wysyłanego do modelu przez serwery platformy (Zapier, Make), przetwarzanie odbywa się poza Waszą infrastrukturą. Wymaga to umowy powierzenia przetwarzania z platformą i weryfikacji, gdzie fizycznie rezydują dane. Self-hosting własnego agenta eliminuje ten problem — dane nie opuszczają Waszej sieci. Szczegóły obowiązków opisuje wpis AI Act i RODO 2026.

Zapier AI i podobne moduły działają dobrze dla prostych, jednoetapowych zadań z ustrukturyzowanym wejściem. Nie obsługują: wyszukiwania w bazie wiedzy firmy (RAG), wielokrokowego planowania z narzędziami, routingu między modelami według kosztu i jakości, guardrails walidujących wyjście pod kątem halucynacji ani pełnego logu audytowego wymaganego przez regulacje. Gdy którykolwiek z tych elementów jest potrzebny — szukasz dedykowanej architektury.

Trzy sygnały wskazują na gotowość: (1) macie powtarzalny proces z wolumenem powyżej kilkuset przypadków tygodniowo, (2) no-code już generuje błędy lub koszty, które boli, (3) macie zasób techniczny (wewnętrznie lub zewnętrznie) do utrzymania systemu. Jeśli nie jesteście pewni, zacznij od oceny gotowości — to bezpłatne narzędzie, które wskaże, gdzie jesteście na ścieżce do wdrożenia.