Automatyzacja CRM z AI: co realnie da się oddać maszynie
Automatyzacja CRM z AI to połączenie reguł samego CRM-u z modelem językowym, który czyta luźny tekst: streszcza długie wątki, przenosi dane z maili do pól rekordu, nadaje zgłoszeniom kategorie z zamkniętej listy i pisze szkice odpowiedzi. Reguły nadal przypisują właściciela, pilnują pól obowiązkowych i tworzą zadania z terminem, a człowiek zatwierdza wszystko, co wychodzi do klienta, zmienia etap szansy sprzedaży albo dotyka pieniędzy. Technicznie HubSpot, Pipedrive czy Livespace wysyła webhook, przepływ w n8n lub Make wywołuje model, sprawdza wynik i zapisuje go w CRM-ie jako propozycję. Płacisz za budowę, abonament narzędzia, model liczony od ilości tekstu i utrzymanie, a zaczynasz od jednego procesu, na przykład obsługi zapytań z formularza. Przewodnik jest dla małych i średnich firm, które chcą odciążyć sprzedaż albo obsługę klienta, nie oddając modelowi decyzji.
- Model językowy w CRM-ie streszcza długie wątki, przenosi dane z luźnych zapytań do pól rekordu, nadaje kategorie z zamkniętej listy i pisze szkice odpowiedzi, które przed wysyłką zatwierdza człowiek.
- Na koszt automatyzacji CRM z AI składają się budowa przepływu, abonament narzędzia albo serwer pod własne n8n, opłaty za model liczone od ilości przetworzonego tekstu oraz utrzymanie przepływu po wdrożeniu.
- Art. 22 ust. 1 RODO daje osobie, której dane dotyczą, prawo, by nie podlegać decyzji opartej wyłącznie na zautomatyzowanym przetwarzaniu, jeżeli wywołuje ona wobec niej skutki prawne lub w podobny sposób istotnie na nią wpływa.
- Jeżeli klient rozmawia z systemem AI bezpośrednio, od 2 sierpnia 2026 r. art. 50 AI Act (rozporządzenia 2024/1689) wymaga poinformowania go o tym najpóźniej przy pierwszej interakcji, chyba że w danych okolicznościach jest to oczywiste.
Krótki werdykt: najpierw proces, potem model
Wiele rzeczy, które właściciele firm chcą „załatwić AI”, to w rzeczywistości problemy z procesem, a nie z inteligencją oprogramowania. Dlatego zaczynam od reguł, a model dokładam tam, gdzie wejściem jest luźny tekst.
Kiedy ktoś mówi, że lead ginie, zwykle nie ginie przez brak modelu językowego. Ginie, bo nikt nie ma go przypisanego, nikt nie dostaje o nim powiadomienia, a pola, po których dałoby się go znaleźć, są puste, bo nikt nie kazał ich wypełnić. To wszystko naprawia się regułami w samym CRM-ie, bez dokładania jakiejkolwiek warstwy AI. Gdzie AI naprawdę pomaga handlowcom, przy kwalifikacji, researchu firmy i szkicach follow-upów, opisuję w tekście agent AI w sprzedaży B2B.
AI wchodzi dopiero tam, gdzie reguła nie ma czego chwycić: w luźnym tekście. Mail od klienta, transkrypcja rozmowy, notatka z targów, wątek na czterdzieści wiadomości. Reguła potrafi sprawdzić, czy pole jest puste. Nie potrafi przeczytać akapitu i zrozumieć, że klient prosi o przesunięcie terminu, a przy okazji pyta o drugi produkt.
Z tego wynika praktyczna kolejność prac. Najpierw ustawiasz to, co deterministyczne: przypisania, pola obowiązkowe, walidacje, powiadomienia, zadania z terminem. Dopiero kiedy to chodzi, dokładasz model tam, gdzie wejściem jest tekst, a wyjściem ma być pole, kategoria albo szkic. Odwrotna kolejność kończy się tak, że model świetnie streszcza wątki, których i tak nikt nie czyta, bo rekord nie ma właściciela.
Na koszt składają się cztery rzeczy: jednorazowa budowa przepływu, abonament narzędzia automatyzacji albo serwer pod własne n8n, opłaty za model liczone od ilości przetworzonego tekstu i utrzymanie po starcie. Reguły w CRM-ie nie dokładają rachunku za model, o ile Twój plan w ogóle ma przepływy pracy, więc ten etap jest najtańszy. Na start wybierz jeden proces, który powtarza się co najmniej kilkanaście razy w tygodniu, na przykład obsługę zapytania z formularza: dwa tygodnie pomiaru, potem reguły, a na końcu jedno zastosowanie modelu z człowiekiem zatwierdzającym wynik.
Kiedy AI w CRM-ie się nie opłaca? Gdy zapytań jest kilka w tygodniu, bo szybciej przeczytasz je sam, niż utrzymasz przepływ. Gdy rekordy nie mają właściciela ani pól obowiązkowych, bo model będzie streszczał bałagan. I gdy nie możesz zawrzeć z dostawcą modelu umowy powierzenia, bo wtedy treść maili klientów nie powinna do niego trafiać.
- Zrób regułamiPrzypisanie właściciela, pola obowiązkowe, walidacje, powiadomienia, zadania z terminem, sekwencje szablonów, deduplikacja po adresie e-mail i NIP.
- Zrób modelemStreszczenie wątku, wyciągnięcie danych z luźnego tekstu do pól, klasyfikacja zgłoszenia, podpowiedź następnego kroku, szkic odpowiedzi.
- Zostaw człowiekowiWysyłkę do klienta, zmianę etapu szansy sprzedaży, rabaty, wyceny, korekty dokumentów, wszystko z konsekwencją finansową i wszystko, co trudno cofnąć.
- Zła przesłanka startu„Chcemy mieć AI w CRM-ie” nie jest wymaganiem. Wymaganiem jest zdanie w rodzaju: chcę, żeby zapytanie z formularza miało uzupełnione pola branży i terminu, zanim handlowiec je otworzy.
Co w CRM zautomatyzujesz bez AI
To nudna część, więc łatwo ją pominąć. Nie wymaga jednak ani modelu, ani osobnego narzędzia, bo reguły działają w samym CRM-ie.
Silnik reguł w CRM-ie bywa szerszy, niż się wydaje, co dobrze widać w dokumentacji HubSpota. Wyzwalaczy zapisu do przepływu pracy są cztery rodzaje: oparty na filtrach, na zdarzeniu, na harmonogramie i na webhookach. Wśród akcji dokumentacja wymienia między innymi „Edit record”, czyli ustawienie, zmianę, skopiowanie i wyczyszczenie wartości właściwości, „Create record” tworzące rekordy kontaktów, firm, transakcji i zgłoszeń, „Create task”, wewnętrzne powiadomienie mailowe oraz „Rotate record to owner”, czyli rozdzielanie rekordów po równo w obrębie zespołu, dostępne w Sales Hubie albo Service Hubie w planie Professional lub Enterprise. Żadna z tych akcji nie potrzebuje modelu.
Nazwy są zależne od systemu, ale mechanizmy powtarzają się wszędzie: warunek na wejściu, akcja, adresat powiadomienia, termin. Sprawdź w dokumentacji swojego CRM-u, jak nazywają się u Ciebie, zanim zaczniesz szukać narzędzia zewnętrznego.
Cztery rzeczy warto ustawić, zanim ktokolwiek wspomni o modelu. Pierwsza: każdy rekord ma właściciela od pierwszej sekundy, wyznaczonego regułą, a nie dobrą wolą. Druga: zestaw pól, bez których rekord nie ma sensu, jest wymuszony na wejściu, a nie przypominany na spotkaniu. Trzecia: powiadomienie idzie do konkretnej osoby, nie na wspólną skrzynkę, którą wszyscy uważają za czyjąś. Czwarta: każde zobowiązanie wobec klienta ma zadanie z terminem, bo termin bez zadania jest pobożnym życzeniem.
Reguły mają też zaletę, której modelowi brakuje: są przewidywalne. Reguła „jeśli wartość szansy przekracza próg, dodaj zatwierdzenie przełożonego” wykona się identycznie za rok. Model poproszony o to samo zadanie może odpowiedzieć inaczej na identyczne dane, bo generowanie tekstu nie jest funkcją deterministyczną. Dlatego wszędzie, gdzie potrzebujesz gwarancji, a nie trafności, regułę zostawia się na miejscu i nie zastępuje się jej promptem.
- Zadania zamiast pamięciKażde „odezwę się w przyszłym tygodniu” zamienia się w zadanie z datą, bo inaczej żaden raport nie pokaże, że nikt się nie odezwał.
Co realnie dokłada AI
Pięć zastosowań o wspólnym schemacie: na wejściu luźny tekst, na wyjściu coś, co da się sprawdzić, czyli pole, kategoria albo szkic.
Wspólny mianownik wszystkich sensownych zastosowań AI w CRM-ie jest taki, że wejściem jest język naturalny, a wyjściem struktura. Model dostaje akapit i zwraca pole, etykietę albo skrót. Kiedy potrafisz opisać zadanie w tej formie, masz kandydata do automatyzacji. Kiedy nie potrafisz, zwykle znaczy to, że zadanie jest decyzją, a nie przetwarzaniem tekstu, i wtedy model jest złym narzędziem.
Streszczenie wątku to bezpieczny punkt startu, bo pomyłka niczego nie zmienia poza notatką. Handlowiec wraca z urlopu, otwiera rekord i czyta pięć zdań zamiast trzydziestu maili. Jeśli streszczenie coś przekręci, wątek nadal jest pod spodem. Nic nie wyszło do klienta, nic się nie zmieniło w bazie. To zastosowanie zdążyło już wejść do samych CRM-ów: HubSpot ma w przepływach osobną grupę akcji AI, a wśród nich „Summarize record (BETA)” streszczające dane z rekordu i rekordów powiązanych oraz „Data Agent: Custom prompt (BETA)”, który analizuje, streszcza i kategoryzuje dane zapisanych rekordów.
Wyciąganie danych do pól jest drugie w kolejności, bo zdejmuje z handlowca przepisywanie. Zapytanie przychodzi jako trzy akapity swobodnego tekstu, a Ty potrzebujesz z nich branży, wielkości firmy, terminu i budżetu w osobnych polach. Model wypełnia je jako propozycję, a handlowiec potwierdza albo poprawia przy pierwszym kontakcie z rekordem. Zwróć uwagę na słowo „propozycja”: pole uzupełnione automatycznie powinno mieć znacznik, że pochodzi od modelu, żeby dało się je odróżnić od danych podanych przez klienta.
Klasyfikacja zgłoszeń to trzeci przypadek i ten, w którym pomiar najłatwiej zbudować od pierwszego dnia. Ustal zamkniętą listę kategorii, każ modelowi wybierać wyłącznie z niej i zapisuj obok kategorii jego pewność oraz to, czy człowiek ją później zmienił. Po dwóch tygodniach masz twardy odsetek trafień na własnych danych, a nie obietnicę.
Tak wygląda prompt do klasyfikacji, który możesz wkleić do węzła modelu i dopasować do swoich kategorii: „Przypisz zgłoszenie do jednej kategorii z listy: reklamacja, pytanie o ofertę, zmiana terminu, faktura, inne. Zwróć wyłącznie JSON: {"kategoria": "…", "pewnosc": 0.0, "uzasadnienie": "…"}. Pewność podaj od 0 do 1, uzasadnienie w jednym zdaniu. Jeśli żadna kategoria nie pasuje, wybierz inne.” Kategoria inne nie jest ozdobą: to ona trafia do człowieka, zamiast udawać, że model wszystko rozpoznał.
Prompt do wyciągania danych do pól działa na tej samej zasadzie: „Wypisz z wiadomości branżę klienta z listy: produkcja, handel, usługi, budownictwo, inna; termin realizacji w formacie RRRR-MM-DD i budżet w złotych jako liczbę. Jeśli wartości nie ma w tekście, zwróć null. Nie zgaduj i nie przeliczaj walut.” Polecenie, żeby zwracać null zamiast domysłu, daje walidacji jasny sygnał, że pola nie da się uzupełnić, zamiast wartości, która tylko wygląda wiarygodnie.
Podpowiedź następnego kroku i szkic odpowiedzi to dwa ostatnie zastosowania i oba wymagają człowieka na końcu. Podpowiedź jest notatką w rekordzie, nie zadaniem, które samo się przypisze. Szkic siedzi w polu roboczym albo w skrzynce jako wersja robocza, dopóki ktoś go nie przeczyta i nie kliknie wyślij.
- Streszczenie wątkuModel czyta całą korespondencję z rekordu i zapisuje kilka zdań w notatce. Pomyłkę łatwo wychwycić, bo źródło zostaje obok.
- Ekstrakcja do pólModel czyta treść zapytania i wypełnia pola wartościami z Twojego słownika, zawsze jako propozycję ze znacznikiem pochodzenia.
- KlasyfikacjaModel przypisuje zgłoszeniu jedną kategorię z zamkniętej listy i podaje pewność. Zapisuj poprawki człowieka, bo to one mierzą jakość.
- Następny krokModel czyta historię kontaktu i zostawia sugestię w notatce. Dopóki nie zmierzysz trafności, nie przypisuje zadań sam.
- Szkic odpowiedziModel łączy zapytanie z kontekstem rekordu i zapisuje wersję roboczą. Do klienta trafia ona dopiero po akceptacji człowieka.
- Sprawdź, co CRM ma już w środkuZanim postawisz zewnętrzny przepływ, zobacz listę akcji AI w swoim CRM-ie. Jeżeli potrzeba to streszczenie i kategoria, możesz nie potrzebować niczego poza nim. Zastrzeżenie, które trzeba znać przed tą decyzją: obie akcje są u HubSpota oznaczone jako BETA, a cała grupa akcji AI w przepływach wymaga HubSpot Credits.
- 01 · StartZapytanie z formularzaKlient opisuje potrzebę kilkoma akapitami swobodnego tekstu.Formularz na stronie
- 02 · AutomatRekord w CRMReguła zakłada kontakt, przypisuje właściciela i termin pierwszego kontaktu.CRM
- 03 · AutomatModel wypełnia polaBranża, termin i budżet trafiają do pól jako propozycja ze znacznikiem pochodzenia, obok powstaje szkic odpowiedzi.n8n + model językowy
- 04 · CzłowiekHandlowiec zatwierdzaSprawdza pola i szkic, poprawia to, co trzeba, i dopiero wtedy wysyła.
- 05 · EfektKompletny rekord i odpowiedźKlient dostaje konkretną odpowiedź, a w CRM nic nie trzeba dopisywać ręcznie.
Odzyskany czasZamiast przepisywać zapytania do CRM, handlowiec rozmawia z klientami, którzy czekają na ofertę.
Czego AI nie powinno robić samo
Granica nie jest filozoficzna. Przebiega tam, gdzie zaczyna się skutek, którego nie cofniesz jednym kliknięciem.
Pierwsza kategoria to wysyłka do klienta. Treść wygenerowana przez model może trafić do skrzynki dopiero po akceptacji człowieka, i to nie dlatego, że model pisze źle, tylko dlatego, że nie wie, czego nie wie. Nie ma dostępu do ustaleń z rozmowy telefonicznej sprzed tygodnia i nie rozpozna, że akurat ten klient jest w sporze. Wysłanego maila nie da się odwołać.
Druga to zmiana etapu szansy sprzedaży. Etap steruje prognozą, prognoza steruje planowaniem, a model, który przesuwa szanse na podstawie tonu maila, po cichu psuje Ci obie. Etap zmienia się albo ręcznie, albo regułą opartą na twardym zdarzeniu: podpisana umowa, opłacona faktura, zamknięte zamówienie.
Trzecia to wszystko, co dotyka pieniędzy: rabat, wycena, korekta, zwrot, zmiana warunków płatności. Tu argument jest także prawny. Art. 22 ust. 1 RODO daje osobie, której dane dotyczą, prawo do tego, by nie podlegać decyzji, która opiera się wyłącznie na zautomatyzowanym przetwarzaniu, w tym profilowaniu, i wywołuje wobec tej osoby skutki prawne lub w podobny sposób istotnie na nią wpływa. Wyjątki z tego przepisu i wniosek dla rabatów przyznawanych automatem opisuję w części o RODO.
Czwarta to kasowanie i scalanie rekordów. Deduplikacja wygląda niewinnie, dopóki model nie scali dwóch spółek o podobnych nazwach i nie skasuje przy okazji historii kontaktu. Dopasowanie po nazwie z literówką niech będzie propozycją na liście do przejrzenia, a nie operacją wykonaną w tle.
Praktyczna reguła, którą warto zapisać w dokumentacji przepływu: jeżeli skutek działania widzi ktoś poza Twoją firmą albo zmienia liczbę w raporcie zarządczym, między modelem a skutkiem stoi człowiek. Reszta może iść automatem.
- Bez akceptacji nie wychodziMail, SMS, wiadomość na czacie, komentarz w portalu klienta. Wszystko, co zobaczy odbiorca zewnętrzny.
- Etap i prognozaZmiana etapu tylko ręcznie albo na twardym zdarzeniu systemowym. Ton wypowiedzi nie jest zdarzeniem.
- PieniądzeRabaty, wyceny, korekty, zwroty i warunki płatności zatwierdza człowiek. Przy takich decyzjach obowiązuje art. 22 RODO, a w przypadkach z ust. 2 lit. a) i c) klient ma prawo do interwencji człowieka.
- Operacje nieodwracalneScalanie, kasowanie i masowe zmiany pól. Model może przygotować listę, ale całą paczkę zmian zatwierdza człowiek.
Podział zadań: reguła, model, człowiek
Ta tabela jest punktem wyjścia do rozmowy z zespołem. Przejdź ją wiersz po wierszu i skreśl to, czego u siebie nie robicie.
Najwięcej uwagi poświęć kolumnie „kto zatwierdza”, bo to w niej widać, gdzie automat działa bez nadzoru. Jeśli w wierszu wychodzi Ci „nikt”, upewnij się, że skutek jest odwracalny i widoczny tylko wewnątrz firmy. Jeśli nie jest, wpisz tam nazwisko.
| Zadanie w CRM | Czy da się bez AI | Co dokłada AI | Kto zatwierdza |
|---|---|---|---|
| Zapis nowego leada z formularza | Tak. Webhook albo natywna integracja formularza. | Nic. To czysty przepływ danych. | Nikt. Ma działać bez człowieka. |
| Uzupełnienie pól: branża, termin, budżet | Częściowo. Tylko to, co klient wpisał w osobne pola formularza. | Wyciąga te same dane z luźnego maila i z notatki z rozmowy. | Handlowiec przy pierwszym otwarciu rekordu. |
| Przypisanie właściciela rekordu | Tak. Rotacja właściciela, podział po regionie albo po produkcie. | Podpowiedź przy przypadku, którego reguła nie łapie. | Nikt, jeśli reguła jest jednoznaczna. |
| Klasyfikacja zgłoszenia: temat, pilność, język | Częściowo. Po słowach kluczowych, kruche przy dłuższym tekście. | Czyta treść i wybiera kategorię z Twojej zamkniętej listy. | Nikt przy niskim ryzyku. Człowiek przy ścieżce eskalacji. |
| Streszczenie długiego wątku mailowego | Nie. | Główne zastosowanie. Kilka zdań zamiast dziesiątek wiadomości. | Nikt. Streszczenie jest notatką, nie decyzją. |
| Szkic odpowiedzi do klienta | Szablon, ale sztywny i nieczuły na treść pytania. | Szkic dopasowany do konkretnego zapytania i historii rekordu. | Człowiek. Zawsze, przed wysyłką. |
| Wysyłka wiadomości do klienta | Tak. Sekwencje na zatwierdzonych wcześniej szablonach. | Nic, czego nie zrobi szablon, a ryzyko rośnie. | Człowiek przy treści generowanej. Reguła przy szablonie. |
| Zmiana etapu szansy sprzedaży | Tak, ale wyłącznie na twardym zdarzeniu systemowym. | Co najwyżej podpowiedź w notatce. | Handlowiec albo reguła oparta na zdarzeniu. |
| Przypomnienie o zaległym kontakcie | Tak. Reguła czasowa tworząca zadanie z terminem. | Podpowiedź następnego kroku na podstawie historii. | Nikt dla przypomnienia. Człowiek dla działania. |
| Rabat, wycena, korekta dokumentu | Tak, jeśli masz cennik i widełki zapisane jako reguły. | Nic. Tu model nie wchodzi. | Osoba z uprawnieniem do decyzji finansowej. |
| Deduplikacja rekordów | Tak. Dopasowanie po adresie e-mail i po numerze NIP. | Dopasowanie po nazwie z literówką albo po innej formie prawnej. | Człowiek zatwierdza wsad przed scaleniem. |
| Wykrycie zapytania nie na temat | Częściowo. Filtry antyspamowe łapią tylko część. | Rozpoznaje ofertę handlową udającą zapytanie klienta. | Nikt, jeśli trafia do osobnej kolejki, a nie do kosza. |
Od czego zacząć u siebie
Zacznij od jednego procesu: dwa tygodnie pomiaru, potem jedno zastosowanie modelu, którego wynik zatwierdza człowiek.
Wybierz proces, który powtarza się co najmniej kilkanaście razy w tygodniu i ma jasny moment zakończenia. Obsługa zapytania z formularza nadaje się lepiej niż „poprawa komunikacji w zespole”, bo widać, kiedy jest zrobiona. Spisz go w punktach, razem z tym, kto go dziś wykonuje i ile mu to zajmuje.
Potem przejdź tabelę z tej strony i zaznacz, które wiersze dotyczą Ciebie. Wszystko, co wychodzi jako „da się bez AI”, ustaw regułami w CRM-ie i daj temu dwa tygodnie pracy. Bywa, że problem znika po samych regułach i model nie jest już potrzebny.
Dopiero wtedy dołóż jedno zastosowanie modelu, najlepiej ekstrakcję pól albo streszczenie, z człowiekiem zatwierdzającym wynik. Ustaw przepływ błędu, kolejkę ręczną i alert do konkretnej osoby, zanim włączysz to produkcyjnie. Równolegle uzupełnij dokumentację: podstawa prawna, umowa powierzenia, retencja i informacja dla klienta, jeśli styka się z systemem bezpośrednio.
Serwer MCP, opisany w dalszej części, zostaw na koniec i tylko wtedy, gdy naprawdę chcesz mieć asystenta sięgającego do CRM-u na żądanie. Jedno narzędzie do odczytu, transport dobrany do klienta, log wywołań — a rozbudowę odkładasz do momentu, w którym log pokaże, że model wywołuje je sensownie.
Pracuję z Mikołowa, zdalnie w całej Polsce, i buduję takie przepływy w ramach automatyzacji AI jako integracje z CRM-em, a nie jako osobny produkt do utrzymywania. Widełki takiego wdrożenia są w cenniku, w pozycji „Automatyzacja procesu lub agent AI”. Jeżeli chcesz to przełożyć na własny proces, napisz, jaki proces chcesz uporządkować, ile razy w tygodniu się powtarza i w jakim CRM-ie dziś pracujecie.
Jak sprawdzić, czy to działa
Zmierz cztery liczby przez dwa tygodnie przed wdrożeniem. Bez punktu odniesienia każda zmiana będzie wyglądać na sukces.
Pomiar przed wdrożeniem jest jedyną częścią tej pracy, której nie da się nadrobić później. Jeśli nie wiesz, ile dziś zajmuje obsłużenie zapytania, nie udowodnisz, że skrócił się o połowę. Wystarczą dwa tygodnie i arkusz, nie potrzebujesz do tego narzędzia.
Czas pierwszej odpowiedzi mierz jako medianę, nie średnią. Jedno zapytanie obsłużone po tygodniu urlopu potrafi wywindować średnią tak, że wynik przestaje cokolwiek znaczyć. Kompletność danych licz jako odsetek rekordów, które mają wypełnione wszystkie pola z Twojej listy obowiązkowych w chwili pierwszego kontaktu handlowca.
Trafność klasyfikacji to odsetek przypadków, w których człowiek nie zmienił kategorii nadanej przez model. Ta liczba jest wiarygodna tylko wtedy, gdy poprawki są w ogóle zapisywane, więc zaplanuj to w schemacie danych od pierwszego dnia, a nie po miesiącu. Współczynnik akceptacji szkiców policz jako odsetek wersji roboczych wysłanych bez istotnej zmiany treści.
Dołóż do tego dwie miary odporności: odsetek wykonań zakończonych błędem i medianę czasu od błędu do rozwiązania sprawy w kolejce ręcznej. Pierwsza mówi, czy przepływ jest stabilny, druga, czy ktokolwiek się tą kolejką zajmuje. Automatyzacja z wysoką skutecznością i nieobsługiwaną kolejką błędów wygląda w raporcie świetnie, a w praktyce gubi najtrudniejsze zapytania, czyli zwykle te najcenniejsze.
Jeżeli postawisz własny serwer MCP, opisany niżej, dołóż jeszcze dwie: liczbę wywołań narzędzi na rozmowę i odsetek wywołań zakończonych błędem walidacji wejścia. Pierwsza pokazuje, czy opisy narzędzi są zrozumiałe dla modelu; druga, czy schematy są za wąskie albo za szerokie.
Na koniec jedna rzecz, której nie zmierzysz liczbą, a która decyduje o wdrożeniu: czy zespół ufa podpowiedziom. Jeśli handlowcy z przyzwyczajenia kasują wygenerowane pola i piszą wszystko od zera, masz problem z jakością albo z komunikacją, a nie z technologią. Zapytaj ich wprost po dwóch tygodniach.
- Mediana czasu pierwszej odpowiedziZmierz ją przed wdrożeniem i po nim. Licz medianę, a nie średnią, bo jeden zaległy wątek potrafi zawyżyć średnią.
- Kompletność pólOdsetek rekordów z wypełnioną listą pól obowiązkowych w chwili pierwszego kontaktu handlowca z rekordem.
- Trafność klasyfikacjiTo odsetek kategorii nadanych przez model, których człowiek potem nie zmienił. Da się go policzyć tylko wtedy, gdy od pierwszego dnia zapisujesz poprawki.
- Akceptacja szkicówOdsetek wersji roboczych wysłanych bez istotnej zmiany treści. Niska wartość to sygnał, że prompt jest za ogólny.
- Odsetek błędów i czas ich obsługiIle wykonań kończy się błędem i jak długo sprawa czeka w kolejce ręcznej. Druga liczba pokazuje, czy proces ma właściciela.
- Zachowanie narzędzi MCPLiczba wywołań na rozmowę i odsetek wywołań odrzuconych przy walidacji wejścia. Te dwie liczby najszybciej pokażą, czy model rozumie opisy narzędzi.
Czy Twój CRM nadaje się do automatyzacji z AI: HubSpot, Pipedrive, Livespace
Zanim dołożysz model, sprawdź trzy rzeczy: czy CRM sam powiadomi przepływ o zdarzeniu, czy przyjmie zapis wyniku z zewnątrz i co zrobi, gdy Twój odbiornik nie odpowie.
Pierwszy warunek to webhooki, czyli powiadomienie wysyłane w chwili, gdy w CRM-ie pojawia się lead albo zmienia się etap szansy sprzedaży. Bez nich przepływ musi co kilka minut odpytywać API, co jest wolniejsze i zużywa limit zapytań. Drugi warunek to API z zapisem do pól niestandardowych, bo wynik modelu ma trafić do osobnego pola, a nie nadpisać danych podanych przez klienta. Trzeci to zachowanie przy awarii: ile razy CRM ponawia wysyłkę i czy to samo zdarzenie może przyjść dwa razy.
Pipedrive w webhookach w wersji 2 obsługuje akcje create, change i delete dla transakcji, leadów, osób, organizacji, notatek, aktywności i kilku innych obiektów. Powiadomienie niesie blok data z danymi obiektu po zmianie, blok previous z samymi polami, które się zmieniły, oraz blok meta, a w nim identyfikator zdarzenia id i pole change_source z wartością app albo api. Te dwa bloki chronią przed pętlą: przepływ, który sam zapisuje pole w transakcji przez API, uruchomi się ponownie od własnego zapisu, jeśli nie odfiltruje zmian ze źródła api albo zmian samego pola z wynikiem modelu. Pipedrive uznaje dostawę za udaną przy odpowiedzi 2xx w ciągu 10 sekund i ponawia ją po 3, 30 i 150 sekundach. Każda nieudana pierwsza próba podbija licznik blokady; przy dziesięciu Pipedrive blokuje webhook na 30 minut, a zdarzenia z tego czasu przepadają. Webhook bez udanej dostawy przez 3 kolejne dni zostaje usunięty.
W Livespace subskrypcjami webhooków zarządza administrator w ustawieniach konta, w zakładce Webhooki, a każde powiadomienie ma nagłówek weryfikacyjny tworzony na podstawie sekretu subskrypcji, po którym sprawdzisz, że przyszło od Livespace. Po aktywacji subskrypcji Livespace wysyła testowe powiadomienie, na które odbiornik musi odpowiedzieć statusem 200 albo 204 w ciągu 3 sekund, a gdy odbiornik nie odpowiada prawidłowo, Livespace próbuje dostarczyć powiadomienie jeszcze dwa razy. Dokumentacja uprzedza wprost, że to samo zdarzenie może przyjść więcej niż raz i w innej kolejności, niż wydarzyło się naprawdę, więc przepływ musi sprawdzać unikalny identyfikator zdarzenia; przy dużej liczbie powiadomień zaleca też kolejki. Według bazy wiedzy Livespace tworzenie integracji przez API jest możliwe w pakiecie Automation lub wyższym.
W HubSpocie trzeba odróżnić dwa kierunki. Webhook jako wyzwalacz przepływu pracy, opisany wyżej, wpuszcza zdarzenia z zewnątrz do HubSpota. Powiadomienie w drugą stronę, do Twojego przepływu w n8n albo Make, wysyła akcja przepływu „Send a webhook”, którą dokumentacja HubSpota przypisuje do Data Hub Professional i Enterprise. Bez Data Huba zostaje druga droga: w aplikacji prywatnej HubSpota (w dokumentacji dla deweloperów to legacy private app) ustawiasz subskrypcje webhooków na zdarzenia między innymi kontaktów, firm, transakcji i zgłoszeń, na przykład utworzenie rekordu albo zmianę wybranej właściwości, a HubSpot wysyła wtedy żądania POST na podany adres, do 100 zdarzeń w jednym żądaniu, więc odbiornik musi przejść po całej liście. Akcje AI w samych przepływach, opisane wyżej w części o tym, co dokłada AI, są w większości oznaczone jako BETA i wymagają HubSpot Credits. Jeśli potrzebujesz tylko streszczenia i kategorii, sprawdź je, zanim zbudujesz cokolwiek poza CRM-em.
Z tych liczb wynika jedna reguła budowy: odbiornik webhooka nie czeka na model. Limit 10 sekund w Pipedrive i 3 sekundy, w których odbiornik Livespace ma odpowiedzieć na testowe powiadomienie, to czas na potwierdzenie przyjęcia, a odpowiedź modelu językowego potrafi trwać dłużej; Livespace zaleca zresztą wprost, żeby punkt końcowy odpowiadał szybko. Odbiornik zapisuje zdarzenie w kolejce i od razu odpowiada, a model uruchamiasz w osobnym kroku. W n8n decyduje o tym ustawienie Respond w węźle Webhook: przy wartości Immediately węzeł od razu zwraca kod odpowiedzi, a przy When Last Node Finishes czeka na koniec całego przepływu, razem z wywołaniem modelu.
- Webhook na zdarzenieCRM sam powiadamia przepływ o nowym leadzie, zmianie etapu albo nowej notatce. Bez webhooków zostaje odpytywanie API w pętli.
- Zapis do pola niestandardowegoWynik modelu trafia do osobnego pola ze znacznikiem pochodzenia, nie do pola wypełnionego przez klienta.
- Identyfikator zdarzeniaW Pipedrive to meta.id. Zapisz go przed przetworzeniem, żeby powtórzona dostawa nie wywołała modelu drugi raz.
- Źródło zmianyFiltr na zmiany wykonane przez integrację, żeby przepływ nie uruchamiał się od własnego zapisu.
- Uprawnienia konta integracjiPipedrive wysyła zdarzenie tylko wtedy, gdy użytkownik, na którego założono webhook, ma dostęp do obiektu. Żeby dostawać wszystkie zdarzenia, dokumentacja zaleca konto administratora najwyższego poziomu.
Jak to się buduje: od webhooka do zapisu w CRM
Budowa ma sześć kroków, a każdy psuje się w innym, przewidywalnym miejscu. Lepiej znać te miejsca przed startem.
Architektura jest zawsze taka sama, niezależnie od tego, czy przepływ stoi w n8n, w Make, czy we własnym kodzie. Zdarzenie wpada webhookiem, dane są normalizowane, model dostaje wąsko opisane zadanie, wynik jest walidowany względem schematu, a dopiero potem trafia do CRM-u. Na końcu jest obsługa błędów, bo to ona decyduje, czy przepływ przetrwa pierwszą awarię dostawcy. Jak n8n, Make i Zapier liczą zużycie i co to znaczy dla rachunku, porównuję w przewodniku n8n, Make czy Zapier.
- 1. WyzwalaczWebhook z formularza albo z systemu źródłowego. Dokumentacja n8n opisuje dwa osobne adresy węzła Webhook: testowy, który pokazuje dane w edytorze, i produkcyjny, rejestrowany po publikacji przepływu. Węzeł przyjmuje metody DELETE, GET, HEAD, PATCH, POST i PUT, a maksymalny rozmiar ładunku to 16 MB, zmienialny na własnym serwerze zmienną N8N_PAYLOAD_SIZE_MAX. Do uwierzytelnienia masz Basic auth, Header auth i JWT auth, a dodatkowo opcję listy dozwolonych adresów IP. Nie zostawiaj webhooka bez żadnego z nich. Co musi zawierać sam formularz i jak nie zgubić zapytania po drodze, opisuję w przewodniku formularz kontaktowy do CRM.
- 2. Normalizacja danychZanim cokolwiek pójdzie do modelu, uporządkuj wejście: przytnij podpisy i stopki, usuń cytowaną historię wątku, ujednolić format telefonu i NIP-u, odrzuć puste zgłoszenia. Ten krok najbardziej podnosi jakość wyniku, a nie kosztuje nic poza kilkoma wyrażeniami.
- 3. Wywołanie modeluJedno zadanie na jedno wywołanie. Osobno klasyfikacja, osobno ekstrakcja pól, osobno szkic. Wspólny prompt do trzech rzeczy naraz wygląda oszczędnie, a psuje się we wszystkich trzech naraz i nie da się go poprawić punktowo. Podaj zamkniętą listę dopuszczalnych wartości dla każdego pola.
- 4. Walidacja wynikuWymuś format wyjścia i sprawdź go przed zapisem. Kategoria musi należeć do listy, data musi być datą, kwota liczbą. Wynik, który nie przejdzie walidacji, idzie do kolejki ręcznej, a nie do CRM-u. To najczęściej pomijany krok i najczęstsze źródło śmieci w bazie.
- 5. Zapis do CRMZapisuj przez oficjalne API obiektu, z kluczem idempotencji, żeby ponowienie nie utworzyło drugiego rekordu. Pola uzupełnione przez model oznacz osobnym znacznikiem pochodzenia i zapisz obok surowy tekst źródłowy, żeby dało się sprawdzić, skąd wzięła się wartość.
- 6. Błędy i ponowieniaUstaw osobny przepływ błędu, który zaczyna się od węzła Error Trigger, i wskaż go w ustawieniach głównego przepływu w n8n. Jeden taki przepływ obsłuży wiele automatyzacji i wyśle alert na Slacka albo mailem. Węzłem Stop And Error możesz celowo przerwać wykonanie, gdy spełni się Twój warunek, i skierować je na tę samą ścieżkę.
Co się dzieje, gdy CRM albo model nie odpowie
Przepływ bez planu na awarię gubi zgłoszenia po cichu: wykonanie kończy się błędem, rekord nie powstaje, a w CRM-ie nie ma śladu, że klient w ogóle pisał.
Zewnętrzne API bywają niedostępne, a modele zwracają błędy przeciążenia. Pytanie nie brzmi, czy przepływ się wywali, tylko co się wtedy stanie ze zgłoszeniem klienta. Dobra odpowiedź to: trafi do kolejki, ktoś dostanie alert, a po przywróceniu usługi sprawę da się domknąć ręcznie.
W Make ten mechanizm jest opisany w dokumentacji. Gdy moduł zwróci ConnectionError albo ModuleTimeoutError, Make sam ponawia scenariusz z wykładniczym odczekiwaniem. Jeśli przechowujesz niekompletne wykonania, kolejne próby idą po 1, 10, 10, 30, 30 i 30 minutach, a siódma i ósma po 3 godzinach. Bez tej opcji odstępy wynoszą 1, 2, 5 i 10 minut, a potem 1, 3, 12 i 24 godziny. Jeśli ósma próba się nie powiedzie, Make wyłącza planowanie scenariusza. Przy przechowywaniu niekompletnych wykonań dane zostają zachowane i sprawę możesz domknąć ręcznie. Do tego dochodzą procedury obsługi błędów, które dopinasz do modułu: Skip, Retry, Resume, Commit i Rollback.
W n8n logika jest inna, ale cel ten sam. Ustawiasz jeden przepływ błędu dla wielu automatyzacji, zaczynasz go węzłem Error Trigger i dostajesz w nim identyfikator wykonania, adres do niego oraz komunikat i ślad stosu błędu. Pole retryOf pojawia się tylko wtedy, gdy bieżące wykonanie jest ponowieniem wcześniejszego, więc od razu widzisz, czy to pierwsza awaria, czy nawrót. Jeżeli błąd wystąpił w węźle wyzwalacza, danych o wykonaniu nie ma wcale, bo przepływ się nie uruchomił, i wtedy informacja przychodzi w sekcji trigger.
Na tym tle ustal dwie rzeczy z zespołem, zanim wdrożysz cokolwiek. Po pierwsze, kto dostaje alert i w jakim kanale, bo alert na skrzynkę, której nikt nie czyta, jest gorszy niż brak alertu. Po drugie, jaka jest procedura ręczna na czas awarii, czyli kto i gdzie wpisuje zgłoszenia, kiedy automat leży.
- Rozdziel błędy przejściowe i trwałeTimeout i 429 ponawiaj. Odrzucenie z powodu złego formatu danych ponawiaj zero razy i kieruj od razu do kolejki ręcznej.
- IdempotencjaKlucz oparty na identyfikatorze zdarzenia źródłowego. Bez niego ponowienie po timeoucie tworzy drugi rekord tego samego klienta.
- Kolejka ręcznaOsobna lista zgłoszeń, których automat nie przetworzył, z terminem przeglądu. Nie kosz, nie wspólna skrzynka.
- Alert z kontekstemAlert powinien zawierać link do wykonania i treść błędu, a nie samo słowo „error”. Bez tego diagnozę zaczynasz od szukania, co się właściwie stało.
Gdzie wchodzi MCP
Zamiast kopiować dane z CRM-u do okna czatu, dajesz asystentowi nazwane narzędzia i kontrolujesz, których wolno mu użyć.
Model Context Protocol to standard, w którym serwer wystawia narzędzia, a klient je wywołuje. Obowiązująca rewizja specyfikacji nosi datę 2026-07-28 i to jej należy dziś używać: numer wersji to data ostatniej zmiany łamiącej zgodność wsteczną, a starsze rewizje są oznaczane jako Final, czyli zamknięte i już niezmieniane, a nie jako nieaktualne. Każde narzędzie ma nazwę, opcjonalny tytuł, opis i schemat wejścia w formacie JSON Schema (domyślnie 2020-12), opcjonalnie też schemat wyjścia; klient pobiera listę metodą tools/list i wywołuje wybrane przez tools/call. Różnica wobec wklejania danych do czatu jest zasadnicza: zamiast wysyłać całą bazę, wysyłasz zapytanie do konkretnej, opisanej funkcji, a serwer zwraca tylko to, o co pytano.
Specyfikacja jest wprost ostrożna co do samodzielności takiego asystenta. W sekcji o modelu interakcji pisze, że ze względów bezpieczeństwa i zaufania w pętli powinien zawsze być człowiek, mający możliwość odrzucenia wywołania narzędzia, a aplikacje powinny pokazywać, które narzędzia są udostępnione modelowi, sygnalizować moment wywołania i prosić użytkownika o potwierdzenie operacji. Po stronie serwera specyfikacja wymaga walidacji wszystkich wejść, właściwej kontroli dostępu, ograniczania częstotliwości wywołań i sanityzacji wyjść. Klientom zaleca między innymi pokazywanie użytkownikowi argumentów narzędzia przed wysłaniem ich do serwera, żeby ograniczyć ryzyko wycieku danych, walidację wyników przed podaniem ich modelowi, limity czasu na wywołanie oraz logowanie użycia narzędzi na potrzeby audytu.
Jest jeszcze jedna rzecz, która w CRM-ie przekłada się bezpośrednio na uprawnienia. Zbiór narzędzi zwracany przez tools/list nie może zmieniać się zależnie od połączenia ani jako efekt uboczny innych żądań, ale może zależeć od autoryzacji przedstawionej w danym żądaniu — specyfikacja podaje wprost przykład zwracania tylko tych narzędzi, na które pozwalają zakresy uprawnień wywołującego. To jest właściwe miejsce na rozdzielenie handlowca od osoby z dostępem do danych finansowych.
W praktyce w CRM-ie wygląda to tak, że asystent dostaje kilka wąskich narzędzi: znajdź kontakt po adresie e-mail, pokaż ostatnie interakcje z firmą, dopisz notatkę do rekordu. Nie dostaje narzędzia „wykonaj dowolne zapytanie do bazy”, bo wtedy cała kontrola dostępu sprowadza się do nadziei, że model nie wymyśli czegoś głupiego.
Po stronie narzędzi automatyzacji obsługa jest gotowa w obie strony. n8n ma węzeł MCP Client Tool, który podłącza agenta do zewnętrznego serwera MCP, pyta o adres SSE i pozwala wybrać zakres narzędzi na trzy sposoby: wszystkie, tylko wybrane albo wszystkie z wyjątkiem wskazanych, z uwierzytelnieniem Bearer, pojedynczym nagłówkiem, zestawem nagłówków albo OAuth2. Ma też węzeł MCP Server Trigger, dzięki któremu Twój własny przepływ staje się serwerem MCP dla innych klientów, z osobnymi adresami testowym i produkcyjnym oraz uwierzytelnieniem Bearer albo nagłówkiem. Make prowadzi osobną sekcję dokumentacji o MCP, z własnym serwerem i zestawami narzędzi, i jako przykład narzędzi MCP podaje wprost listowanie i dodawanie klientów w CRM-ie.
- Wąskie narzędziaKilka nazwanych funkcji o jasnym schemacie zamiast jednego uniwersalnego dostępu do bazy. Zakres nadajesz na poziomie listy narzędzi.
- Człowiek w pętliSpecyfikacja mówi, że powinna istnieć możliwość odrzucenia wywołania narzędzia przez człowieka. Potraktuj to jako wymaganie, nie sugestię.
- Log wywołańZapisuj, które narzędzie zostało wywołane, z jakimi argumentami i przez kogo. Specyfikacja zaleca klientom logowanie użycia narzędzi na potrzeby audytu, a po stronie serwera taki log i tak jest potrzebny.
- Zakres tylko do odczytu na startPierwsza wersja asystenta niech tylko czyta. Zapis do CRM dokładasz, gdy log pokaże, że wywołania są sensowne.
- Lista narzędzi zależna od uprawnieńTen sam serwer może pokazywać inny zestaw narzędzi w zależności od zakresów z żądania. To tańsze niż drugi serwer dla drugiej roli.
Własny serwer MCP nad CRM-em: minimalna wersja
Gotowe węzły wystarczają, dopóki nie potrzebujesz własnych reguł dostępu. Wtedy piszesz serwer — i to jest krótszy kod, niż się wydaje.
Powód, dla którego warto mieć własny serwer zamiast wystawiać CRM przez uniwersalny konektor, jest prozaiczny: to Ty decydujesz, co w ogóle istnieje. Jeśli w schemacie narzędzia nie ma pola „kwota”, model nie ma jak o nią zapytać. Kontrola przez schemat jest mocniejsza niż kontrola przez prompt, bo schemat jest sprawdzany przez kod, a prompt przez model.
Poniżej minimalna ścieżka end-to-end dla jednego narzędzia do odczytu: „znajdź kontakt po adresie e-mail”. Przykład jest w TypeScripcie, bo jego SDK ma w dokumentacji gotowy szkielet serwera, ale wybór języka ma iść za tym, w czym stoi Twoja integracja z CRM-em, a nie za modą. Szerzej, razem z wyborem między serwerem lokalnym a zdalnym i z zabezpieczeniami, piszę o tym w przewodniku własny serwer MCP.
- Jedno narzędzie na startNie trzy, nie dziesięć. Jedno, do odczytu, z wąskim schematem. Dołożenie kolejnego jest potem kwestią kilkunastu linii.
- Opis narzędzia to wejście modeluNie piszesz go dla programisty, tylko dla modelu, który wybiera, czego użyć. Napisz, co narzędzie robi, kiedy go użyć i kiedy nie.
- Stała kolejność narzędziSpecyfikacja zaleca zwracanie narzędzi w deterministycznej kolejności, bo to pozwala klientom cache'ować listę i poprawia trafność pamięci podręcznej promptów.
- Nie wpisuj wersji protokołu na sztywnoOd rewizji 2026-07-28 nie ma uzgadniania wersji na starcie połączenia: każde żądanie deklaruje wersję w polu _meta, a na Streamable HTTP także w nagłówku MCP-Protocol-Version, i serwer przyjmuje albo odrzuca je osobno. Trzymaj wersję w SDK i aktualizuj ją świadomie.
- Kiedy tego nie robićJeżeli producent Twojego CRM-u sam wystawia serwer MCP albo wystarczy Ci zwykły przepływ wyzwalany zdarzeniem, własny serwer jest kosztem bez zwrotu. MCP opłaca się wtedy, gdy o kolejności i doborze wywołań ma decydować model.
- 1. Wybierz SDK zgodne z resztą systemuProjekt MCP publikuje oficjalne SDK w tierach. Tier 1 to dziś TypeScript, Python, C#, Go, Rust i Ruby; Java jest w tierze 2, a Swift, PHP i Kotlin w tierze 3. Dla backendu w .NET bierzesz pakiety ModelContextProtocol albo ModelContextProtocol.Core, a do wersji po HTTP dokładasz ModelContextProtocol.AspNetCore. Dla Node bierzesz @modelcontextprotocol/server.
- 2. Wybierz transport, zanim napiszesz pierwszą linijkęSpecyfikacja opisuje dwa standardowe transporty. Stdio: klient uruchamia serwer jako proces potomny i rozmawia z nim przez standardowe strumienie, jedna wiadomość JSON-RPC na linię. Streamable HTTP: każda wiadomość to POST na jedną ścieżkę MCP, a odpowiedź to obiekt JSON albo strumień SSE związany z tym żądaniem. Wybór nie jest kosmetyczny: jeżeli klientem ma być n8n, stdio odpada, bo węzeł MCP Server Trigger obsługuje SSE i streamable HTTP i — jak mówi jego dokumentacja — nie obsługuje stdio, a węzeł MCP Client Tool pyta o adres SSE.
- 3. Opisz narzędzie schematem, nie zdaniemNazwij je crm_find_contact_by_email. Specyfikacja zaleca nazwy o długości od 1 do 128 znaków, złożone wyłącznie z liter ASCII, cyfr, podkreślenia, myślnika i kropki. Schemat wejścia to obiekt JSON Schema z jednym polem email typu string, wymaganym, i z additionalProperties ustawionym na false. Jeżeli chcesz, żeby klient walidował wynik, dołóż outputSchema z polami id, name, owner i last_contact_at — przy podanym outputSchema serwer musi zwracać dane zgodne ze schematem, a klient powinien je sprawdzać.
- 4. Napisz serwerW TypeScripcie to
npm install @modelcontextprotocol/server, a potem cztery elementy:new McpServer({ name, version }),server.registerTool('crm_find_contact_by_email', { description, inputSchema }, handler), w którym handler odpytuje API Twojego CRM-u i zwraca{ content: [{ type: 'text', text }] }, orazawait server.connect(new StdioServerTransport())na starcie. W przykładzie z dokumentacji schemat wejścia jest opisany w Zod 4, ale SDK w wersji 2 przyjmuje każdą bibliotekę zgodną ze Standard Schema, na przykład Valibot albo ArkType. Starszy pakiet @modelcontextprotocol/sdk to linia 1.x, która dostaje poprawki błędów i bezpieczeństwa przez co najmniej pół roku od premiery wersji 2, czyli od 27 lipca 2026 r. To jest całość — reszta pliku to kod, który i tak już masz: klient HTTP do CRM-u i mapowanie odpowiedzi. - 5. Zamknij zakres na odczytW pierwszej wersji nie ma żadnego narzędzia, które zapisuje dane. Poświadczenia do CRM-u ustaw tylko do odczytu po stronie samego CRM-u, a nie tylko w kodzie, bo inaczej jeden błędny warunek
ifda modelowi prawo zapisu. Specyfikacja nakłada tu na serwery cztery twarde obowiązki: walidować wszystkie wejścia, wdrożyć właściwą kontrolę dostępu, ograniczać częstotliwość wywołań i sanityzować wyjścia. Limit wywołań nie jest ozdobą: model potrafi wywołać narzędzie w pętli, a każde wywołanie to u Ciebie zapytanie do API CRM-u. - 6. Loguj wywołania, ale nie na stdoutZapisuj przy każdym wywołaniu: nazwę narzędzia, argumenty, tożsamość wywołującego, czas i skutek. Przy transporcie stdio jest przy tym pułapka, która wykłada większość pierwszych serwerów: serwer nie może wypisać na stdout niczego, co nie jest poprawną wiadomością MCP. Logi idą na stderr — specyfikacja dopuszcza tam dowolne komunikaty w UTF-8, a klient nie powinien zakładać, że wpis na stderr oznacza błąd.
- 7. Uwierzytelnianie dobierz do transportuPrzy stdio specyfikacja autoryzacji mówi, żeby jej nie stosować, tylko pobierać poświadczenia ze środowiska procesu. Przy transporcie HTTP wchodzi OAuth 2.1 i kilka wymogów bez miejsca na interpretację: serwer MCP działa jako resource server, musi zaimplementować OAuth 2.0 Protected Resource Metadata (RFC 9728), musi sprawdzić, że token został wydany właśnie dla niego jako odbiorcy, i nie może przyjmować ani przekazywać dalej żadnych innych tokenów. Token nieważny albo wygasły to odpowiedź 401, niewystarczający zakres to 403 z nagłówkiem WWW-Authenticate wskazującym brakujące zakresy.
- 8. Dopiero potem zapisNarzędzie zapisujące to osobna decyzja: osobne poświadczenia, osobny zakres uprawnień, potwierdzenie po stronie klienta i wpis w logu z możliwością odtworzenia, co dokładnie się zmieniło. Zacznij od dopisania notatki do rekordu, czyli od operacji, której skutek widzi tylko Twój zespół.
RODO: dane osobowe w promptach
Wysłanie treści maila do modelu jest przetwarzaniem danych osobowych. Ustal cztery rzeczy, zanim wyślesz pierwszy.
Zacznij od podstawy prawnej i celu. Art. 5 ust. 1 RODO wymaga, żeby dane osobowe były zbierane w konkretnych, wyraźnych i prawnie uzasadnionych celach i nieprzetwarzane dalej w sposób niezgodny z tymi celami, a także żeby były adekwatne, stosowne oraz ograniczone do tego, co niezbędne do celów, w których są przetwarzane. Ta ostatnia zasada, minimalizacja danych, ma w promptach bardzo konkretne przełożenie: jeśli model ma sklasyfikować temat zgłoszenia, nie musi dostać numeru PESEL ani historii płatności.
Druga rzecz to status dostawcy modelu. Jeśli przetwarza dane w Twoim imieniu, jest podmiotem przetwarzającym, a art. 28 ust. 3 RODO wymaga, żeby przetwarzanie odbywało się na podstawie umowy lub innego instrumentu prawnego określającego przedmiot i czas trwania przetwarzania, charakter i cel przetwarzania, rodzaj danych osobowych oraz kategorie osób, których dane dotyczą, a także obowiązki i prawa administratora. Art. 28 ust. 2 dokłada do tego podprzetwarzających: podmiot przetwarzający nie korzysta z usług innego podmiotu przetwarzającego bez uprzedniej szczegółowej lub ogólnej pisemnej zgody administratora, a przy zgodzie ogólnej informuje o zamierzonych zmianach dotyczących dodania lub zastąpienia innych podmiotów, dając administratorowi możliwość wyrażenia sprzeciwu. W praktyce to jest ten moment, w którym sprawdzasz, gdzie fizycznie stoi infrastruktura i czy dane wychodzą poza EOG.
Trzecia to retencja i uczenie modeli. Ustal na piśmie, jak długo dostawca przechowuje treść zapytań, czy używa jej do trenowania i czy masz opcję zerowej retencji. To ustalenie ma wylądować w rejestrze czynności przetwarzania, a nie w pamięci osoby, która konfigurowała integrację.
Czwarta to ocena skutków. Art. 35 ust. 1 RODO nakazuje ją przeprowadzić przed rozpoczęciem przetwarzania, jeżeli dany rodzaj przetwarzania, w szczególności z użyciem nowych technologii, ze względu na swój charakter, zakres, kontekst i cele z dużym prawdopodobieństwem może powodować wysokie ryzyko naruszenia praw lub wolności osób fizycznych. Ust. 3 wymienia wprost przypadek systematycznej, kompleksowej oceny czynników osobowych opartej na zautomatyzowanym przetwarzaniu, w tym profilowaniu, będącej podstawą decyzji wywołujących skutki prawne wobec osoby fizycznej lub w podobny sposób znacząco na nią wpływających. Zwykłe streszczanie wątków zwykle tam nie wpada; automatyczna ocena wiarygodności klienta bywa, że tak.
Przy decyzjach finansowych z wcześniejszej części wraca art. 22. Wyjątki z ust. 2 są trzy: decyzja niezbędna do zawarcia lub wykonania umowy (lit. a), dozwolona prawem Unii lub prawem państwa członkowskiego (lit. b) oraz oparta na wyraźnej zgodzie (lit. c). Uwaga na zakres gwarancji, bo tu łatwo o nadinterpretację: ust. 3 mówi wprost, że to „w przypadkach, o których mowa w ust. 2 lit. a) i c)”, administrator wdraża właściwe środki ochrony, a co najmniej prawo do uzyskania interwencji ludzkiej ze strony administratora, do wyrażenia własnego stanowiska i do zakwestionowania tej decyzji. Przypadek z lit. b) jest z tego zdania wyłączony, bo tam to sam przepis prawa ma przewidywać właściwe środki ochrony. W scenariuszu „rabat przyznany automatem” i tak zwykle jesteś przy lit. a) albo c), więc wniosek praktyczny się nie zmienia: przy decyzji finansowej ma stać człowiek.
Jeśli szukasz materiałów po polsku, UODO prowadzi osobny dział poświęcony sztucznej inteligencji, a polski tekst samego rozporządzenia udostępnia u siebie do pobrania. Na poziomie unijnym punktem odniesienia jest opinia EROD 28/2024 z 18 grudnia 2024 r., dotycząca ochrony danych w kontekście modeli AI, w tym podstaw prawnych oraz anonimizacji. Nie zastępuje to konsultacji z prawnikiem, ale pozwala prowadzić rozmowę na dokumentach, a nie na wrażeniach.
- Minimalizuj wejścieDo modelu idzie treść potrzebna do zadania, nie cały rekord. Maskuj identyfikatory, których zadanie nie wymaga.
- Umowa powierzeniaArt. 28 ust. 3 RODO wymienia, co ma w niej być. Sprawdź także listę podprzetwarzających i tryb informowania o jej zmianach z ust. 2.
- Retencja na piśmieUstal, jak długo dostawca przechowuje zapytania, czy uczy na nich modele i czy oferuje zerową retencję. Wpisz to do rejestru czynności przetwarzania.
- Ocena skutkówArt. 35 RODO. Wymagana w szczególności przy systematycznej ocenie czynników osobowych będącej podstawą istotnych decyzji.
- Informacja dla osobyJeżeli zmienia się zakres przetwarzania, klauzula informacyjna musi za tym nadążyć. Model w tle nie jest szczegółem technicznym.
AI Act: kiedy musisz powiedzieć, że to AI
Zasady przejrzystości z art. 50 rozporządzenia 2024/1689 stosuje się od 2 sierpnia 2026 r. Dotyczą także małej firmy z czatem na stronie.
Kluczowy jest ust. 1. Dostawcy zapewniają, aby systemy AI przeznaczone do wchodzenia w bezpośrednią interakcję z osobami fizycznymi były projektowane i rozwijane tak, żeby zainteresowane osoby były informowane, że prowadzą interakcję z systemem AI — chyba że jest to oczywiste z punktu widzenia osoby dostatecznie poinformowanej, uważnej i ostrożnej, z uwzględnieniem okoliczności i kontekstu. Czat na stronie odpowiadający klientom mieści się w tym opisie wprost.
Drugi przepis, o którym warto pamiętać, dotyczy tekstu publikowanego. Art. 50 ust. 4 nakłada obowiązek ujawnienia sztucznego wygenerowania lub zmanipulowania treści na podmioty stosujące system AI, który generuje lub manipuluje obrazem, dźwiękiem albo wideo stanowiącym deepfake, oraz na te, które publikują wygenerowany tekst w celu informowania społeczeństwa o sprawach leżących w interesie publicznym. Trzeci to sposób podania informacji: zgodnie z ust. 5 informacje z ust. 1–4 przekazuje się osobom zainteresowanym w jasny i wyraźny sposób, najpóźniej w momencie pierwszej interakcji lub pierwszego stosowania. Zdanie schowane w regulaminie tego warunku nie spełnia.
Teraz rzecz, w której najłatwiej dziś o nieaktualny przewodnik: daty. Harmonogram Komisji Europejskiej podaje 2 sierpnia 2026 r. jako moment, od którego stosuje się zasady przejrzystości z art. 50 i zaczyna się egzekwowanie, a dalej: 2 grudnia 2026 r. — nowe zakazy oraz termin przejściowy na zgodność z art. 50 ust. 2 dla dostawców systemów generujących treści syntetyczne, wprowadzonych do obrotu przed 2 sierpnia 2026 r.; 2 sierpnia 2027 r. — co najmniej jedna piaskownica regulacyjna w każdym państwie członkowskim; 2 grudnia 2027 r. — przepisy o systemach wysokiego ryzyka z załącznika III; 2 sierpnia 2028 r. — przepisy o AI wbudowanej w produkty regulowane z załącznika I. Trzy z tych pozycji opatrzono w harmonogramie przypisem: w następstwie Digital Omnibus on AI część przepisów aktu została zmieniona. Sam omnibus, zgodnie z komunikatem Komisji, wszedł w życie 27 lipca 2026 r.
Z tego wynika praktyczne ostrzeżenie dotyczące cytowania przepisów. AI Act Explorer Komisji pokazuje już tekst oparty na wersji skonsolidowanej z EUR-Lex według stanu na 27 lipca 2026 r. i oznacza fragmenty dodane albo zmienione przez Digital Omnibus on AI etykietami NEW i AMENDED. W art. 113 zmienione są między innymi daty dla systemów wysokiego ryzyka, a w art. 50 etykietę AMENDED ma tylko ust. 7; ust. 1, 4 i 5, na których opiera się ta sekcja, zostały bez zmian. Opracowania sprzed lipca 2026 r. takich oznaczeń nie mają. Jeżeli opierasz na brzmieniu przepisu dokumentację wdrożenia albo klauzulę w umowie, weź je z tekstu aktu w Dzienniku Urzędowym Unii Europejskiej, a nie z opracowań, i odnotuj datę, pod którą czytasz. Brzmienie z poprawkami szybciej przeczytasz w tekście skonsolidowanym rozporządzenia 2024/1689 na EUR-Lex z 27 lipca 2026 r., ale EUR-Lex zaznacza, że taki tekst służy wyłącznie celom informacyjnym i nie ma mocy prawnej. Termin wejścia w życie i daty stosowania poszczególnych rozdziałów potwierdź w art. 113 w brzmieniu obowiązującym — linki do obu stron Komisji są na końcu tego przewodnika. Rdzeń tezy tej sekcji się przez to nie zmienia: obowiązek informowania o interakcji z systemem AI już działa.
Dla typowej firmy z sektora MŚP wniosek jest prosty i tani do wdrożenia. Jeżeli klient pisze do bota, bot mówi mu na wstępie, że jest botem, i daje ścieżkę do człowieka. Jeżeli model tylko podpowiada odpowiedź Twojemu pracownikowi, a pracownik ją czyta, poprawia i wysyła pod własnym nazwiskiem, nie ma bezpośredniej interakcji klienta z systemem AI w rozumieniu ust. 1. To kolejny powód, dla którego akceptacja człowieka przed wysyłką jest wygodna nie tylko operacyjnie.
- Bot mówi, że jest botemInformacja na wstępie rozmowy, jasna i wyraźna, najpóźniej przy pierwszej interakcji, w formie spełniającej wymogi dostępności.
- Ścieżka do człowiekaWidoczna możliwość przejścia do pracownika. To nie jest wymóg art. 50, ale rozwiązuje większość sporów o to, czy informacja była wystarczająca.
- Szkic pod nadzorem to nie czat z AIGdy pracownik czyta i wysyła odpowiedź sam, klient wchodzi w interakcję z pracownikiem. Zapisz ten podział w procedurze.
- Sprawdzaj daty, nie przepisuj ichPo wejściu w życie AI Omnibusa 27 lipca 2026 r. część terminów aktu jest inna niż w opracowaniach sprzed tej daty. Przy każdym cytacie notuj dzień sprawdzenia.
- Zapisz, gdzie stoi modelLista miejsc, w których AI dotyka komunikacji z klientem. Przy kontroli to pierwszy dokument, o który ktoś zapyta.
W skrócie
Najkrótsza wersja tego przewodnika: najpierw reguły CRM-u, potem model tam, gdzie wejściem jest luźny tekst, a o wszystkim, co wychodzi do klienta, zmienia etap szansy albo dotyka pieniędzy, decyduje człowiek. Zanim włączysz przepływ produkcyjnie, zmierz punkt wyjścia, ustaw przepływ błędu z alertem do konkretnej osoby i sprawdź umowę powierzenia z dostawcą modelu. Jeśli klient rozmawia z botem bezpośrednio, bot musi mu o tym powiedzieć najpóźniej przy pierwszej interakcji.
Pytania i odpowiedzi
Jak działa automatyzacja CRM z AI od strony technicznej?
CRM wysyła webhook o zdarzeniu, na przykład o nowym leadzie albo zmianie etapu. Odbiornik zapisuje zdarzenie i od razu potwierdza przyjęcie, bo Pipedrive czeka na odpowiedź 10 sekund, a Livespace już przy testowym powiadomieniu wymaga jej w ciągu 3 sekund. Potem przepływ w n8n, Make albo we własnym kodzie porządkuje tekst, wywołuje model z jednym wąskim zadaniem, sprawdza wynik względem zamkniętej listy wartości i zapisuje go przez API CRM-u jako propozycję ze znacznikiem pochodzenia. Wynik, który nie przejdzie walidacji, trafia do kolejki ręcznej, a awarie obsługuje osobny przepływ błędu z alertem do konkretnej osoby.
Ile kosztuje automatyzacja CRM z AI?
Jednej kwoty nie ma, bo koszt zależy od liczby procesów i połączonych systemów, ale składniki są zawsze te same. Pierwszy to jednorazowa budowa przepływu: reguły w CRM-ie, odbiór webhooka, wywołanie modelu, walidacja wyniku, przepływ błędu i testy na Twoich danych. Drugi to narzędzie automatyzacji: abonament Make albo n8n w chmurze, a przy n8n na własnym serwerze rachunek za serwer i czas na jego utrzymanie. Trzeci to model, za który płacisz jego dostawcy od ilości przetworzonego tekstu, a nie od liczby uruchomień, więc normalizacja, która wycina stopki i cytowaną historię wątku, obniża też rachunek. Jeśli wystarczą akcje AI wbudowane w HubSpota, zamiast osobnego rachunku za model zużywają one HubSpot Credits. Czwarty to utrzymanie przepływu: reakcja na zmiany w API i polach CRM-u, w modelu albo w narzędziu oraz poprawki po pierwszych tygodniach pracy.
Czy AI może samo odpisywać moim klientom?
Technicznie tak, praktycznie nie warto. Model nie zna ustaleń z rozmowy telefonicznej, nie wie, że akurat ten klient jest w sporze, a wysłanej wiadomości nie da się cofnąć. Bezpieczny układ to szkic w wersji roboczej, który człowiek czyta, poprawia i wysyła. Jeśli mimo to stawiasz bota rozmawiającego z klientem bezpośrednio, art. 50 ust. 1 rozporządzenia 2024/1689 wymaga, żeby osoba była informowana, że prowadzi interakcję z systemem AI, a ust. 5 nakazuje przekazać tę informację w jasny i wyraźny sposób najpóźniej przy pierwszej interakcji. Zasady przejrzystości z art. 50 stosuje się według harmonogramu Komisji Europejskiej od 2 sierpnia 2026 r.
Czy daty z aktu o AI, które czytam w starszych poradnikach, są nadal aktualne?
Część nie. AI Omnibus wszedł w życie 27 lipca 2026 r. i harmonogram Komisji Europejskiej uwzględnia wprowadzone nim zmiany: przepisy o systemach wysokiego ryzyka z załącznika III mają datę 2 grudnia 2027 r., przepisy o AI wbudowanej w produkty z załącznika I — 2 sierpnia 2028 r., a 2 grudnia 2026 r. zaczynają obowiązywać nowe zakazy i termin przejściowy dla art. 50 ust. 2. Aktualne brzmienie z poprawkami jest w tekście skonsolidowanym rozporządzenia 2024/1689 na EUR-Lex z 27 lipca 2026 r.: art. 113 akapit trzeci lit. a) każe stosować nowe zakazy dodane do art. 5 od 2 grudnia 2026 r., a art. 111 ust. 4 daje dostawcom systemów generujących treści syntetyczne, wprowadzonych do obrotu przed 2 sierpnia 2026 r., czas do 2 grudnia 2026 r. na spełnienie art. 50 ust. 2. EUR-Lex zaznacza, że tekst skonsolidowany służy wyłącznie celom informacyjnym i nie ma mocy prawnej, więc w dokumencie dla prawnika cytuj Dziennik Urzędowy. Praktycznie: jeżeli cytujesz przepis w dokumencie, po który sięgnie prawnik, potwierdź brzmienie i termin w tekście aktu w Dzienniku Urzędowym i zapisz datę sprawdzenia.
Czy muszę pytać klienta o zgodę, zanim wyślę jego maila do modelu?
Zgoda to tylko jedna z możliwych podstaw przetwarzania i zwykle nie ta, na której się tu opierasz. Ważniejsze jest, żeby cel był konkretny i wyraźny, a zakres danych ograniczony do niezbędnego, co wynika z art. 5 ust. 1 RODO, oraz żeby dostawca modelu działał jako podmiot przetwarzający na umowie spełniającej wymogi art. 28 ust. 3. Do tego dochodzi obowiązek informacyjny wobec osoby, której dane dotyczą. Konkretną podstawę i treść klauzuli ustal z prawnikiem; materiały po polsku znajdziesz w dziale UODO poświęconym sztucznej inteligencji, a tekst rozporządzenia UODO udostępnia u siebie do pobrania.
Czy potrzebuję n8n albo Make, czy wystarczy sam CRM?
Jeśli Twój CRM ma wbudowane funkcje AI, które pokrywają potrzebę, zewnętrzne narzędzie tylko dokłada element do utrzymania — HubSpot ma na przykład w przepływach osobną grupę akcji AI ze streszczaniem i kategoryzowaniem danych rekordu. Warstwa automatyzacji przydaje się wtedy, gdy przepływ dotyka więcej niż jednego systemu, gdy potrzebujesz własnej walidacji wyniku przed zapisem albo gdy chcesz sterować tym, dokąd wychodzą dane. Ma też lepszą obsługę awarii: n8n pozwala wskazać osobny przepływ błędu zaczynający się węzłem Error Trigger, a Make ponawia scenariusz z wykładniczym odczekiwaniem i wyłącza planowanie, jeśli ósma próba się nie powiedzie.
Co to jest MCP i czy to jest mi potrzebne?
MCP to protokół, w którym serwer wystawia nazwane narzędzia z opisanym schematem wejścia, a klient wywołuje je metodą tools/call zamiast dostawać wklejoną bazę. Obowiązująca rewizja specyfikacji nosi datę 2026-07-28. Przydaje się, gdy chcesz mieć asystenta sięgającego do CRM-u na żądanie, z kontrolą, których funkcji wolno mu użyć. Jeśli budujesz wyłącznie automatyczne przepływy wyzwalane zdarzeniem, MCP nie jest potrzebne. Gdy je wdrażasz, pamiętaj, że specyfikacja mówi o człowieku w pętli z możliwością odrzucenia wywołania narzędzia oraz zaleca logowanie użycia narzędzi na potrzeby audytu.
Ile kodu to jest, żeby postawić własny serwer MCP nad CRM-em?
Mniej, niż się wydaje, jeśli ograniczysz się do jednego narzędzia do odczytu. W SDK dla TypeScriptu instalujesz pakiet @modelcontextprotocol/server, tworzysz obiekt McpServer, rejestrujesz narzędzie przez registerTool ze schematem wejścia, na przykład w Zod 4, i podłączasz transport, na przykład StdioServerTransport, wywołaniem server.connect. Cała reszta pliku to kod, który i tak masz: klient HTTP do API CRM-u i mapowanie odpowiedzi. Analogiczne SDK w tierze 1 są dla Pythona, C#, Go, Rusta i Ruby — w .NET są to pakiety ModelContextProtocol i ModelContextProtocol.Core, a wersja po HTTP wymaga ModelContextProtocol.AspNetCore.
Stdio czy HTTP przy serwerze MCP dla CRM-u?
Zależy od tego, kto będzie klientem. Stdio jest prostsze: klient uruchamia serwer jako proces potomny, nie ma hostingu ani OAuth-a, a poświadczenia pobierasz ze środowiska procesu — specyfikacja autoryzacji mówi wprost, że przy stdio nie należy jej stosować. Jeśli jednak klientem ma być n8n, stdio odpada: węzeł MCP Server Trigger obsługuje SSE i streamable HTTP i nie obsługuje stdio, a węzeł MCP Client Tool pyta o adres SSE. Przy transporcie HTTP wchodzi OAuth 2.1, obowiązek zaimplementowania Protected Resource Metadata (RFC 9728) i weryfikacja, że token został wydany dla Twojego serwera jako odbiorcy — cudzych tokenów serwer przyjmować ani przekazywać dalej nie może.
Skąd mam wiedzieć, że model nie zaczął zmyślać?
Z pomiaru, który zaplanujesz przed startem. Przy klasyfikacji zapisuj obok kategorii nadanej przez model to, czy człowiek ją potem zmienił, i licz odsetek niezmienionych. Przy ekstrakcji pól oznaczaj wartości pochodzące od modelu osobnym znacznikiem i trzymaj obok surowy tekst źródłowy, żeby dało się sprawdzić, skąd wzięła się liczba. Dodatkowo wymuś zamkniętą listę dopuszczalnych wartości i odrzucaj wyniki spoza niej do kolejki ręcznej, zamiast zapisywać je do CRM-u. Przy narzędziach MCP tę samą rolę pełni outputSchema: jeśli go podasz, serwer musi zwracać dane zgodne ze schematem, a klient powinien je walidować.
Źródła
Liczby i terminy w tym przewodniku sprawdziłem w oficjalnych źródłach. Ceny i przepisy się zmieniają, więc przy decyzji warto zajrzeć do nich ponownie.
- Akt o sztucznej inteligencji, art. 50 (AI Act Explorer, Komisja Europejska)
- Akt o sztucznej inteligencji, art. 113 (AI Act Explorer, Komisja Europejska)
- Akt o sztucznej inteligencji, tekst skonsolidowany z 27.07.2026 (EUR-Lex)
- Komisja Europejska: harmonogram stosowania aktu o sztucznej inteligencji
- Komisja Europejska: AI Omnibus wszedł w życie (komunikat z 27 lipca 2026 r.)
- UODO: polski tekst rozporządzenia 2016/679 (RODO) do pobrania (art. 5, 22, 28, 35)
- UODO: dział poświęcony sztucznej inteligencji
- EROD: opinia 28/2024 o ochronie danych w kontekście modeli AI
- Specyfikacja MCP, rewizja 2026-07-28: narzędzia, człowiek w pętli i bezpieczeństwo
- Specyfikacja MCP, rewizja 2026-07-28: transporty
- Specyfikacja MCP, rewizja 2026-07-28: transport stdio
- Specyfikacja MCP, rewizja 2026-07-28: autoryzacja (OAuth 2.1)
- Specyfikacja MCP, rewizja 2026-07-28: wersjonowanie i negocjacja wersji
- MCP: oficjalne SDK i ich tiery
- MCP: SDK dla TypeScriptu (pakiet @modelcontextprotocol/server)
- MCP: SDK dla C#/.NET (pakiety ModelContextProtocol)
- n8n: węzeł Webhook (adresy testowy i produkcyjny, metody, limit ładunku, uwierzytelnianie, tryby odpowiedzi)
- n8n: obsługa błędów i przepływ błędu
- n8n: węzeł Error Trigger
- n8n: węzeł Stop And Error
- n8n: węzeł MCP Client Tool
- n8n: węzeł MCP Server Trigger (SSE i streamable HTTP, brak stdio)
- Make: wykładnicze odczekiwanie i harmonogram ponowień
- Make: obsługiwacze błędów (Skip, Retry, Resume, Commit, Rollback)
- Make: wprowadzenie do MCP
- HubSpot: tworzenie przepływów pracy i wyzwalacze zapisu
- HubSpot: akcje dostępne w przepływach pracy (w tym „Send a webhook” i akcje AI)
- HubSpot: subskrypcje webhooków w aplikacjach prywatnych
- Pipedrive: Guide for Webhooks v2
- Livespace: Webhooki w Livespace CRM
- Livespace: API – dokumentacja i informacje
- MCP: wersjonowanie protokołu
Masz pytanie do swojego projektu?
Opisz, co chcesz osiągnąć. Odpowiem konkretnie, także wtedy, gdy najlepszą odpowiedzią jest „nie rób tego”.
Jonasz Jankowski · Bezpośrednia współpraca · Mikołów (Śląsk), zdalnie w całej Polsce
- Odpowiadam osobiście w ciągu jednego dnia roboczego.
- Krótka rozmowa o celu, funkcjach, materiałach i integracjach.
- Dostajesz zakres z etapami i konkretną kwotę, zanim cokolwiek zaczniemy.