4 platformy do agentów AI bez kodu w 2026 (i jak wybrać tę, która połączy się z polskim ERP)

Zanim ktoś zapyta: nie, to nie jest kolejne zestawienie n8n kontra Make kontra Zapier. Takich porównań jest już sporo i mówią one o czymś innym: o automatyzacji sztywnych procesów, gdzie krok A zawsze prowadzi do kroku B. Tu chodzi o coś innego, o platformę do budowy agenta, czyli mechanizmu, w którym model językowy sam decyduje, co zrobić z danym zapytaniem, jakiego narzędzia użyć i kiedy przekazać sprawę człowiekowi. To zupełnie inna klasa problemu i inne kryteria wyboru.

Z naszej perspektywy, czyli firmy, która wdraża takie rozwiązania w polskich małych i średnich firmach, kryterium numer jeden nie brzmi "jak ładny jest interfejs", tylko "czy agent po zbudowaniu potrafi realnie wejść do Optimy, pobrać fakturę z KSeF albo sprawdzić stan zamówienia w sklepie internetowym". Bo demo-scenariusz z dokumentacji zawsze działa. Prawdziwy test zaczyna się dopiero przy pierwszym połączeniu z systemem, którego twórca platformy nigdy nie widział na oczy.

Cztery filozofie budowania agenta

Każda z tych czterech platform powstała z innym założeniem o tym, kto będzie z niej korzystał, i to widać na każdym kroku.

n8n

n8n to platforma low-code do budowy workflow, do której dołożono węzły typu AI Agent, integrację z modelami OpenAI, Anthropic czy lokalnymi modelami przez Ollamę, oraz mechanizmy pamięci i narzędzi w stylu znanym z LangChain. Buduje się to wizualnie, przeciągając bloki, ale pod spodem zawsze jest opcja dopisania własnej logiki w węźle Function (JavaScript) albo wysłania surowego zapytania HTTP do dowolnego API. To jest kluczowe: n8n nie zamyka Cię w zamkniętym ekosystemie gotowych konektorów. Jeśli system, z którym chcesz się połączyć, ma jakiekolwiek API, XML-owy webservice albo nawet stary format wymiany plików, da się to obsłużyć. Krzywa nauki jest realna, licz się z dwoma, trzema tygodniami zanim ktoś nietechniczny zacznie się w tym swobodnie poruszać, ale to inwestycja, która się zwraca właśnie przy integracjach z lokalnymi systemami.

Voiceflow

Voiceflow powstał pierwotnie do projektowania dialogów głosowych i czatów, i to widać: interfejs jest zbudowany wokół drzewa konwersacji, intencji i odpowiedzi. Do prostego bota obsługi klienta na stronie, który odpowiada na FAQ i kieruje trudniejsze pytania do konsultanta, jest naprawdę wygodny i szybki do uruchomienia. Problem zaczyna się, gdy bot ma sprawdzić status zamówienia w systemie sprzedażowym albo saldo klienta w księgowości. Integracje zewnętrzne opierają się głównie na generycznych wywołaniach API i webhookach, bez gotowych konektorów do polskich systemów i bez większej elastyczności w mapowaniu danych. Do prostych scenariuszy konwersacyjnych to dobre narzędzie, do agenta pracującego na realnych danych firmy: za wąskie.

Relevance AI

Relevance AI idzie o krok dalej niż pojedynczy chatbot: oferuje budowę czegoś, co marketingowo nazywa się "AI workforce", czyli zespołu agentów wykonujących różne zadania. Interfejs jest przyjemny, no-code, z gotowymi szablonami i marketplace'em agentów. Tyle że gotowe integracje skupiają się na popularnych zachodnich narzędziach: Slack, HubSpot, Gmail, Notion. Polskiego stosu księgowego tam po prostu nie ma, a możliwość dopięcia własnego, niestandardowego API jest bardziej ograniczona niż w n8n. To młoda platforma i widać, że rozwija się w stronę rynku anglojęzycznego, nie polskiego MŚP.

CrewAI

CrewAI to framework open source w Pythonie do orkiestracji wielu agentów z przypisanymi rolami, np. jeden agent researchuje, drugi pisze, trzeci sprawdza jakość. To najbardziej elastyczne narzędzie z całej czwórki i najczęściej polecane w technicznych społecznościach AI. Problem jest jeden, ale fundamentalny: to jest kod. Trzeba umieć pisać w Pythonie, zarządzać środowiskiem, samodzielnie hostować i utrzymywać całość. Dla programisty to świetne narzędzie do budowy skomplikowanych systemów wieloagentowych. Dla właściciela firmy handlowej czy biura rachunkowego, który chce sam poskładać automatyzację po godzinach, to zwyczajnie nie jest opcja "zrób to sam". To praca do zlecenia, nie do samodzielnego wdrożenia.

Test integracji z polskim stosem: Optima, KSeF, wFirma, CRM

Tu robi się ciekawie, bo to jest miejsce, w którym trzy z czterech platform po prostu odpadają. Comarch Optima udostępnia webservice, przez który można pobierać i wysyłać dane, ale komunikacja odbywa się w formacie, który wymaga zbudowania odpowiedniego zapytania i przetworzenia odpowiedzi. KSeF ma REST API do wysyłki i pobierania faktur ustrukturyzowanych w formacie FA(3), a od tego roku korzystanie z niego przestaje być opcjonalne: obowiązek obejmuje dużych podatników od 1 lutego 2026, a pozostałych czynnych płatników VAT od 1 kwietnia 2026. wFirma również ma udokumentowane REST API. We wszystkich trzech przypadkach trzeba umieć zbudować i wysłać odpowiednie żądanie, obsłużyć autoryzację, sparsować odpowiedź i zareagować na błąd (bo błędy się zdarzają, np. niezgodność NIP-u albo brak pozycji na fakturze).

Voiceflow i Relevance AI dają w tym miejscu tylko ogólny węzeł "custom API", bez realnej możliwości przetwarzania nietypowych struktur danych ani obsługi wyjątków krok po kroku. n8n ma dokładnie te same ograniczenia formalne (bo API Optimy czy KSeF jest, jakie jest, niezależnie od platformy), ale daje narzędzia, żeby to obejść: węzeł Function do parsowania XML czy JSON, warunki (IF/Switch) do obsługi różnych ścieżek błędów, kolejkowanie i ponawianie prób. To jest różnica między "da się w teorii" a "da się i to działa w produkcji". Jeśli w Twojej firmie faktury krążą między KSeF, Optimą i skrzynką mailową, dobrym punktem startowym jest przyjrzenie się, ile czasu księgowa albo asystentka traci na ręczne przepisywanie tych danych: to zwykle pierwsze miejsce, gdzie agent zbudowany w n8n ma sens, opisujemy to szerzej przy automatyzacji faktur i osobno w kontekście całego biura rachunkowego.

Warto tu dodać jedno zastrzeżenie: sam agent AI nie zastąpi integracji z API. Model językowy może zdecydować, co zrobić z fakturą albo jak odpowiedzieć klientowi, ale to platforma (n8n) musi fizycznie wysłać zapytanie do systemu księgowego. Agent bez podłączonych narzędzi to tylko ładny chatbot, który zgaduje.

RODO i hosting w UE: pytania, które trzeba zadać przed podpięciem danych klientów

Zanim ktokolwiek podepnie do agenta dane klientów, faktury czy numery NIP, warto sprawdzić dokładnie, gdzie fizycznie leżą te dane. n8n jako open source (licencja fair-code) można postawić samodzielnie na własnym serwerze lub VPS w Polsce albo Niemczech, co daje pełną kontrolę nad lokalizacją danych i jest najprostszą drogą do zgodności z RODO. Wersja chmurowa n8n też istnieje, ale wtedy trzeba sprawdzić region datacenter tak samo, jak przy każdym innym SaaS.

Voiceflow i Relevance AI działają jako usługi chmurowe dostawcy, co samo w sobie nie jest problemem, ale oznacza, że trzeba wprost zapytać dział handlowy o lokalizację serwerów i warunki umowy powierzenia przetwarzania danych (DPA), a nie zakładać z góry, że "na pewno jest EU". CrewAI, jako framework, który hostujesz sam, daje pełną kontrolę, ale też pełną odpowiedzialność: to Ty (albo Twój dostawca IT) odpowiadasz za bezpieczeństwo serwera, aktualizacje i backupy, bez wsparcia producenta.

Nasza rekomendacja z praktyki wdrożeń

Po kilku wdrożeniach agentów AI w polskich firmach mamy jasne zdanie, nawet jeśli brzmi ono mniej "obiektywnie" niż tabelka porównawcza. CrewAI odpada dla nietechnicznego właściciela firmy, kropka, mimo całej swojej elastyczności. To narzędzie dla software house'u albo zespołu IT, nie dla kogoś, kto chce samodzielnie poskładać automatyzację w wolne popołudnie. Voiceflow sprawdza się dobrze jako prosty bot na stronę WWW, odpowiadający na powtarzalne pytania, i tu polecamy go bez wahania: jeśli budujesz coś w duchu automatyzacji obsługi klienta ograniczonej do FAQ i prostego routingu do konsultanta, to sensowny wybór. Relevance AI jest podobny w skutkach, choć mniej dojrzały pod względem integracji, więc na razie trudno go polecić polskiej firmie jako podstawę procesu.

n8n wygrywa u nas w większości wdrożeń dla polskich MŚP, mimo że wymaga więcej czasu na start. Powód jest prosty: to jedyna z czterech platform, która pozwala zbudować agenta, który realnie czyta fakturę pobraną z KSeF, sprawdza kontrahenta w Optimie, odpowiada klientowi mailem i eskaluje do człowieka, gdy coś nie pasuje (np. brak zgodności kwot). To ostatnie jest ważne i chcemy to podkreślić wprost: dobry agent nie próbuje automatyzować wszystkiego. W naszych wdrożeniach agent samodzielnie obsługuje 70-80% typowych, powtarzalnych przypadków, a resztę, czyli wyjątki i sytuacje niejednoznaczne, świadomie kieruje do człowieka. To nie jest słabość systemu, to jego prawidłowe działanie.

Trzeba też uczciwie powiedzieć, gdzie kończy się "bez programisty" w przypadku n8n. Podstawowy workflow, wysyłanie powiadomień, prosty agent odpowiadający na pytania z bazy wiedzy, da się złożyć wizualnie bez pisania kodu. Ale w momencie, gdy trzeba zmapować specyficzny format XML z Optimy albo obsłużyć nietypowy błąd z API KSeF, przydaje się ktoś, kto napisze kilkanaście linijek JavaScriptu w węźle Function. To wciąż o rząd wielkości mniej pracy niż budowa całości w Pythonie, ale to nie jest zero linii kodu na sto procent przypadków, i lepiej wiedzieć o tym zawczasu niż odkryć w połowie wdrożenia.