Agenci AI przestali być teorią z konferencyjnych prezentacji. Od lutego 2026 jak stworzyć agenta AI to pytanie, na które odpowiedź brzmi: w Make.com, bez ani jednej linijki kodu. W tym tutorialu budujemy od zera agenta researchu przed spotkaniami handlowymi — piszesz na czacie jedno polecenie, a agent sam znajduje w arkuszu firmy bez briefu, robi research w internecie, tworzy dokumenty w Google Docs i wpisuje linki z powrotem do arkusza.
Cały scenariusz zbudowałem i przetestowałem na darmowym planie Make — wszystkie screenshoty w artykule pochodzą z działającej wersji. Potrzebujesz: ~30 minut, konta Make.com (wystarczy darmowe) i konta Google (Sheets, Docs, Chat). Poziom: średni — jeśli kliknąłeś kiedyś jakikolwiek scenariusz w Make, dasz radę.
Agent AI a zwykła automatyzacja — czym się różnią
Klasyczny scenariusz w Make to sztywna ścieżka: trigger → moduł → moduł → koniec. Przychodzą dane, lecą przez te same kroki, w tej samej kolejności, za każdym razem. Jeśli chcesz obsłużyć wyjątek, musisz go przewidzieć i dorysować gałąź w routerze.
Agent AI działa inaczej. Dostaje cel („przygotuj briefy przed spotkaniami") i zestaw narzędzi (przeszukaj arkusz, zrób research, utwórz dokument, zapisz link) — a potem sam decyduje, których narzędzi użyć, w jakiej kolejności i ile razy. Przy jednej firmie w arkuszu wykona pętlę raz, przy pięciu — pięć razy, a gdy briefy są gotowe, nie zrobi nic. Tej ścieżki nie rysujesz Ty; wybiera ją model w trakcie działania.
To cała teoria, jakiej potrzebujesz w tym tutorialu. Jeśli chcesz zrozumieć, jak agenci działają pod maską — pętla obserwuj-planuj-działaj, systemy multi-agent — rozpisałem to w osobnym artykule: Agenci AI — co to jest i jak działają.
Make AI Agents — co musisz wiedzieć przed startem
Informacja: artykuł zawiera link afiliacyjny do Make.com — jeśli założysz konto przez ten link, wspierasz blog bez żadnego dodatkowego kosztu dla Ciebie.
Make AI Agents wystartowały w open becie 2 lutego 2026, a już 11 lutego 2026 Make ogłosił wersję next-gen. Funkcja rozwija się szybko, więc pojedyncze ekrany mogą się u Ciebie minimalnie różnić od screenshotów — układ i logika pozostają te same.
Zanim zaczniesz budowę agenta AI, cztery rzeczy do ogarnięcia:
- Konto Make — wystarczy darmowe. Agenci są dostępni na wszystkich planach, także Free (tego agenta zbudowałem właśnie na darmowym) — z limitami: 1000 kredytów miesięcznie i 2 aktywne scenariusze. Konto założysz tutaj: Make.com (link afiliacyjny — wspierasz blog bez dodatkowych kosztów).
- Moduł Run AI Agent — serce całości. Dodajesz go do zwykłego scenariusza jak każdy inny moduł; to on oddaje kontrolę agentowi.
- Narzędzia (tools) — akcje, które agent może wykonywać. Każde narzędzie to moduł Make podpięty pod agenta.
- Reasoning Panel — nowość z 2026 roku: podgląd rozumowania agenta w czasie rzeczywistym. Bez niego debugowanie agenta to zgadywanka, z nim — czytanie logu decyzji.
Do tego dochodzi Maia — asystentka Make, której opisujesz workflow naturalnym językiem, a ona składa scenariusz (i agentów AI) za Ciebie, potrafi też modyfikować istniejące scenariusze i naprawiać błędy po Run once. Uwaga na dostępność: Maia jest w zamkniętej becie dla planów płatnych, a na planie darmowym dostajesz tylko 30-dniowy okres próbny z limitem wiadomości; każda jej odpowiedź zużywa kredyty z tej samej puli co scenariusze. W tym tutorialu klikamy wszystko ręcznie — bo tak najlepiej zrozumiesz, z czego składa się własny agent AI, i nie wydasz na to ani kredytu z darmowej puli.
Co budujemy: arkusz Google Sheets z listą firm (kolumny: Nazwa_firmy, Branża, Cel_spotkania, Link) + agenta, który na polecenie z Google Chat uzupełnia kolumnę Link gotowymi briefami w Google Docs.
Krok 1 — tworzenie agenta i wybór modelu
W scenariuszu dodaj moduł Make AI Agent → Run an agent. Do skonfigurowania są trzy rzeczy: połączenie (Make AI Provider — tworzysz raz, jednym kliknięciem), model i instrukcje (system prompt).
Przy wyborze modelu Make podpowiada opcję Recommended: Large — i na start to dobry wybór dla agenta, który podejmuje decyzje i pisze treści briefów. Make AI Provider (dostępny na wszystkich planach) oferuje trzy warstwy — Small, Medium, Large — różniące się jakością i zużyciem kredytów, a obok nich konkretne modele OpenAI i Anthropic. Zawsze możesz zmienić model później — bez przebudowy agenta.
Konfiguracja agenta: połączenie, model „Recommended: Large" i instrukcje. Opracowanie własne.
System prompt to konstytucja agenta: rola, cel i granice. Mój, gotowy do skopiowania:
Jesteś asystentem researchu przed spotkaniami handlowymi.
Gdy dostaniesz polecenie przygotowania briefów:
1. Znajdź w arkuszu firmy bez linku do briefu
(narzędzie: Znajdź firmy bez briefu)
2. Dla KAŻDEJ znalezionej firmy po kolei:
a) Zrób research (narzędzie: Zrób research firmy)
— przekaż nazwę, branżę i cel spotkania
b) Utwórz dokument z briefem (narzędzie: Utwórz dokument)
— tytuł "Brief — [nazwa firmy]", treść z researchu
c) Zapisz link do dokumentu w arkuszu
(narzędzie: Zapisz link) — użyj numeru wiersza
z kroku 1
3. Na koniec podsumuj: ile briefów utworzyłeś
i dla jakich firm.
Zasady:
- Przetwarzaj firmy jedna po drugiej, nie pomijaj żadnej
- Jeśli research się nie powiedzie, przejdź do następnej
firmy i zaznacz to w podsumowaniu
- Odpowiadaj po polsku
Zwróć uwagę na trzy rzeczy, które robią różnicę: numerowaną procedurę (agent wie, w jakiej kolejności sięgać po narzędzia), obsługę błędów (nieudany research nie zatrzymuje całości, tylko ląduje w podsumowaniu) i wymóg podsumowania (zawsze dostajesz raport z tego, co agent faktycznie zrobił).
Krok 2 — budowa narzędzi (tools) dla agenta
Narzędzie to akcja, którą agent może wywołać — technicznie zwykły moduł Make (Google Sheets, Google Docs, cokolwiek z katalogu) podpięty pod agenta. Przy budowie narzędzi obowiązuje jedna żelazna zasada: narzędzia atomowe — jedna akcja, jeden rezultat.
Najczęstszy błąd początkujących wygląda tak: jedno wielkie narzędzie „Przygotuj brief", które w środku szuka firm, robi research, tworzy dokument i aktualizuje arkusz. Takie narzędzie dezorientuje agenta — nie wie, kiedy go użyć, bo robi wszystko naraz, a Ty tracisz kontrolę nad tym, co się faktycznie wydarzyło. Rozbij to na osobne, wąskie narzędzia — agent wybiera wtedy precyzyjnie, a Ty widzisz w logu dokładnie, co zrobił.
Nasz agent dostaje cztery narzędzia:
| Narzędzie (moduł Make) | Rola w promptcie | Co robi |
|---|---|---|
| Google Sheets: Search Rows | Znajdź firmy bez briefu | Zwraca firmy bez linku w kolumnie D (wiersz, nazwa, branża, cel spotkania) |
| Make AI Web Search: Generate a response | Zrób research firmy | Wyszukuje aktualne informacje o firmie w internecie |
| Google Docs: Create a Document | Utwórz dokument | Tworzy brief w Google Docs, zwraca link |
| Google Sheets: Update a Row | Zapisz link | Wpisuje link do briefu w kolumnie Link (D) wskazanego wiersza |
Kluczowy element konfiguracji: opis narzędzia (Tool description). To na jego podstawie agent decyduje, kiedy go użyć — pisz opisy tak, jakbyś tłumaczył nowemu pracownikowi, do czego służy dany przycisk: co narzędzie robi, kiedy go użyć, co przyjmuje i co zwraca.
Narzędzie „Znajdź firmy bez briefu" — opis mówi agentowi co dostanie z powrotem: numer wiersza, nazwę, branżę i cel spotkania. Opracowanie własne.
Narzędzie researchu — Make AI Web Search z instrukcją, jakie dane wejściowe podać. Opracowanie własne.
Narzędzie „Utwórz dokument" — agent poda tytuł z nazwą firmy i pełną treść briefu, a dostanie z powrotem link. Opracowanie własne.
Narzędzie „Zapisz link" — domyka pętlę: link z Google Docs trafia do kolumny D właściwego wiersza. Opracowanie własne.
Dodatkowy szczegół, który widać na screenshotach: sekcja Tool outputs pozwala zaznaczyć, które pola wyniku wracają do agenta. Zwracaj tylko potrzebne — mniej tokenów, niższy koszt i mniej szumu w decyzjach agenta.
Webhook URL z modułu Google Chat — to on łączy czat ze scenariuszem. Opracowanie własne.
Status 200 + JSON w formacie Google Chat — użytkownik od razu widzi, że polecenie dotarło. Opracowanie własne.
Odpowiedź agenta wraca tam, skąd przyszło polecenie — pole Text to po prostu Response agenta. Opracowanie własne.
Reasoning Panel z mojego testu: agent najpierw przeszukał arkusz (0,3 s), pomyślał 3,9 s i wywołał research — w polu Input widać dokładnie, jakie dane przekazał narzędziu. Cały przebieg: 43 sekundy, 7 operacji. Opracowanie własne.
Raport agenta: firma, branża, cel spotkania, link do gotowego briefu i cztery wykonane kroki — dokładnie tak, jak wymagał prompt. Opracowanie własne.
Ten sam arkusz po przebiegu agenta — StyleFlow ma już link do briefu, kolejne firmy czekają na następne uruchomienie. Opracowanie własne.