Cotygodniowy przegląd konkurencji był w naszym zespole zadaniem, którego nikt nie chciał. Trzy godziny w każdy poniedziałek: otwieranie dwudziestu kilku zakładek, sprawdzanie, co zmieniło się na stronach głównych i cennikach, przeglądanie nowych wpisów blogowych, notowanie zmian w reklamach. Wynikiem był dokument, który czytały dwie osoby, i to pobieżnie. Ten tekst opisuje, jak automatyzacja researchu konkurencji przeniosła ten proces na agenta AI, ile to kosztowało i w których miejscach agent zawiódł.
Punkt wyjścia: proces ręczny i jego koszt
Monitorowaliśmy dziewięciu konkurentów: czterech bezpośrednich i pięciu, których traktowaliśmy jako punkt odniesienia dla treści. Proces wyglądał zawsze tak samo. Osoba dyżurna wchodziła na listę adresów, sprawdzała strony ofertowe pod kątem zmian w pakietach i cenach, przeglądała blogi w poszukiwaniu nowych publikacji, zaglądała do biblioteki reklam Meta oraz do wyników wyszukiwania na kilkanaście fraz. Notatki lądowały w dokumencie w Google Docs.
Koszt liczyliśmy prosto. Trzy godziny tygodniowo, czyli około dwunastu do trzynastu godzin miesięcznie jednej osoby na stanowisku specjalisty. Przy stawce wewnętrznej rzędu 90 zł za godzinę dawało to około 1150 zł miesięcznie. Problem nie sprowadzał się jednak do pieniędzy. Trzy poważniejsze bolączki wyglądały tak:
- Niestabilna jakość. Osoba zmęczona pod koniec dnia widziała mniej niż osoba świeża. Zmiana cennika u jednego z konkurentów została zauważona dopiero po trzech tygodniach.
- Brak historii. Dokument opisywał stan, a nie zmianę. Pytanie „kiedy oni podnieśli cenę pakietu Pro?” wymagało ręcznego przekopywania się przez archiwum.
- Niskie wykorzystanie. Raport był ścianą tekstu. Nikt nie czytał go w całości, więc realny zwrot z trzech godzin pracy był bliski zeru.
Zanim zbudowaliśmy cokolwiek, spisaliśmy siedem pytań, na które raport ma odpowiadać. To okazało się najważniejszą decyzją w projekcie, bo dopiero ta lista pozwoliła określić, jakie dane agent musi zbierać.
Architektura rozwiązania i wybrane narzędzia
Rozwiązanie ma trzy warstwy i celowo jest nudne. Pobieranie danych to zadania z harmonogramu, które zapisują surowe odpowiedzi na dysk. Warstwa agenta to model językowy z dostępem do narzędzi, uruchamiany raz w tygodniu na zebranym materiale. Dostarczanie to szablon raportu, który trafia na kanał w Slacku i do archiwum w Markdown.
Kluczowa decyzja architektoniczna: agent nie chodzi po internecie w czasie generowania raportu. Pobieranie i wnioskowanie są rozdzielone, więc raport jest odtwarzalny, a jeśli model wygeneruje bzdurę, wracamy do surowych danych z tego dnia i sprawdzamy, skąd się wzięła. Ta sama zasada, którą stosujemy w produkcji treści przy workflow generowania artykułów, sprawdziła się tutaj równie dobrze.
Stos narzędziowy jest skromny:
| Warstwa | Narzędzie | Rola |
|---|---|---|
| Harmonogram | cron na małym VPS | uruchamia pobieranie codziennie o 6:00 |
| Pobieranie HTML | Playwright w trybie headless | renderuje strony z JavaScriptem |
| Magazyn | katalog na dysku plus Git | wersjonowanie snapshotów, darmowa historia zmian |
| Agent | model klasy Claude lub GPT z narzędziami | porównuje snapshoty, pisze raport |
| Dostarczanie | webhook Slacka | raport w poniedziałek o 8:00 |
Git jako magazyn snapshotów wygląda na hack, ale rozwiązał problem historii za darmo. Każdy dzień to jeden commit, a pytanie „co zmieniło się na cenniku między czerwcem a sierpniem” to jedno polecenie git diff, a nie projekt analityczny.
Źródła danych i sposób ich odpytywania
Agent dostaje dane z pięciu typów źródeł. Każde ma inną częstotliwość i inny poziom zaufania.
- Snapshoty stron kluczowych. Strona główna, cennik, produkt, kariera. Codziennie, jako oczyszczony tekst plus struktura nagłówków. Strona kariery bywa niedoceniana, a to z niej najwcześniej widać, w którą stronę idzie zespół konkurenta.
- Kanały RSS blogów. Codziennie. Tam, gdzie RSS nie istnieje, prosty parser listy wpisów.
- Pozycje w wynikach wyszukiwania. Raz w tygodniu, 40 fraz, dane z zewnętrznego dostawcy SERP. Liczą się nie tylko pozycje, ale też to, które adresy URL konkurenta rosną.
- Biblioteka reklam. Raz w tygodniu, publiczne dane o kreacjach reklamowych. Sygnał zaskakująco mocny: nowa kreacja z nowym hasłem zwykle wyprzedza zmianę na stronie o kilka tygodni.
- Aktywność w logach i wzmianki. Ruch botów oraz wzmianki marek, zbierane w tym samym cyklu co monitoring botów AI w logach serwera, bo infrastruktura była już postawiona.
Do odpytywania systemów zewnętrznych przechodzimy stopniowo na protokół MCP zamiast pisać osobne integracje. Kierunek widać w całej branży, opisaliśmy go przy okazji wpisu o tym, jak Rank Math otwiera dane SEO dla agentów AI. Korzyść jest prozaiczna: jeden opis narzędzia zamiast adaptera na każdy model.
Uwaga prawna i techniczna: pobieramy wyłącznie publicznie dostępne strony, respektujemy reguły z pliku robots.txt, ograniczamy tempo zapytań i identyfikujemy się własnym user agentem z adresem kontaktowym. Agresywne skrapowanie to prosta droga do bana IP i sporu prawnego.
Format raportu, który zespół faktycznie czyta
Pierwsza wersja raportu miała 1800 słów i formę eseju. Otwieralność w Slacku: około 30 procent. Druga ma sztywny format, mieści się na jednym ekranie i jest czytana przez cały zespół. Jej struktura wygląda tak:
- Trzy zmiany, które mają znaczenie. Maksymalnie trzy punkty, każdy w jednym zdaniu, każdy z linkiem do dowodu (konkretny diff albo zrzut strony).
- Tabela ruchów. Konkurent, typ zmiany, data wykrycia, poziom pewności.
- Cisza w eterze. Konkurenci, u których nic się nie zmieniło. Sześć tygodni ciszy u lidera rynku jest samo w sobie informacją.
- Pytanie na spotkanie. Jedno pytanie, które agent proponuje omówić. Zespół akceptuje je mniej więcej w połowie przypadków.
Limit trzech punktów zdecydował o powodzeniu wdrożenia. Model bez ograniczenia produkuje dwanaście wniosków, wszystkie w równie stanowczym tonie. Limit zmusza go do rankingu, a ranking to praca, dla której go zatrudniliśmy.
Koszty miesięczne i czas wdrożenia
Wdrożenie zajęło jednej osobie około 22 godzin rozłożonych na trzy tygodnie, z czego mniej więcej połowa poszła na kalibrację promptów, a nie na kod. Bieżące koszty miesięczne:
| Pozycja | Koszt miesięczny |
|---|---|
| VPS (2 vCPU, 4 GB RAM) | ok. 45 zł |
| Wywołania modelu (4 raporty plus testy) | ok. 70 zł |
| Dane SERP (40 fraz, cotygodniowo) | ok. 120 zł |
| Nadzór człowieka (ok. 1 godz. miesięcznie) | ok. 90 zł |
| Razem | ok. 325 zł |
Wobec 1150 zł za pracę ręczną oszczędność wynosi około 825 zł miesięcznie i mniej więcej 12 godzin czasu specjalisty, a wdrożenie zwróciło się w drugim miesiącu. Zastrzeżenie: te liczby dotyczą dziewięciu konkurentów i pięciu źródeł. Przy trzech konkurentach rachunek jest znacznie mniej oczywisty.
Jeśli planujesz podobne wdrożenie, dobrym punktem wyjścia jest przegląd tego, co już masz w firmie, w duchu zestawienia narzędzi opisanego w tekście o tym, jak wygląda stack marketingowy w 2026 roku. Połowa potrzebnej infrastruktury zwykle jest już opłacona.
Jakość wyników: gdzie agent się mylił
Przez pierwsze dwanaście tygodni prowadziliśmy ręczną kontrolę każdego raportu. Z 36 wniosków oznaczonych jako istotne 29 było trafnych, 5 okazało się szumem, a 2 były błędne w sposób, który mógł kosztować nas decyzję biznesową. Trzy powracające wzorce błędów:
Zmiana szablonu brana za zmianę strategii. Konkurent podmienił motyw na stronie, przez co zmieniły się wszystkie nagłówki. Agent zaraportował „gruntowne przepozycjonowanie oferty”. Naprawa polegała na porównywaniu treści zdania po zdaniu zamiast porównywania struktury dokumentu.
Test A/B odczytany jako decyzja. Snapshot złapał wariant testowy cennika, a agent ogłosił obniżkę, która nigdy nie weszła na stałe. Naprawa: potwierdzenie wymaga trzech kolejnych dni z tym samym wynikiem, inaczej zmiana trafia do sekcji o niskiej pewności.
Pewny ton przy słabych danych. Model domyślnie pisze tak samo stanowczo o zmianie ceny widocznej w HTML, jak o domniemanej zmianie budżetu reklamowego wywnioskowanej z liczby kreacji. Naprawa: obowiązkowa kolumna z poziomem pewności i wymóg wskazania konkretnego dowodu przy każdym punkcie. Wniosek bez dowodu jest usuwany automatycznie, jeszcze przed wysłaniem raportu.
Lekcja z tych dwunastu tygodni brzmi banalnie: agent jest tak dobry, jak jego dane wejściowe i jego ograniczenia. Praca nad promptem dała może 20 procent poprawy, źródła i reguły weryfikacji resztę. Jak utrzymać ten poziom w czasie, opisaliśmy w przewodniku o tym, jak zbudować bibliotekę promptów SEO.
Czego nie oddaliśmy agentowi i dlaczego
Trzy rzeczy zostały po stronie ludzi i nie planujemy tego zmieniać.
Interpretacja strategiczna. Agent stwierdza, że konkurent zaczął publikować o rynku niemieckim. Czy wchodzi na ten rynek, czy pozyskał jednego klienta z Berlina, rozstrzyga człowiek znający kontekst branży.
Decyzja o reakcji. Żadna rekomendacja agenta nie uruchamia działania automatycznie. Raport kończy się pytaniem, nie zadaniem w systemie projektowym.
Dobór konkurentów i pytań. Lista monitorowanych firm i siedem pytań przewodnich są przeglądane przez zespół raz na kwartał. To jedyny moment, w którym cały proces jest kwestionowany od podstaw, i on musi zostać ludzki, bo agent optymalizuje wewnątrz ram, których sam sobie nie postawi.
Automatyzacja researchu konkurencji nie zastąpiła analityka. Zabrała mu mechaniczne zbieranie danych, zostawiła decyzję o tym, co z nich wynika. Dwanaście godzin miesięcznie mniej to realna oszczędność, ale większą wartością okazało się to, że raport w ogóle zaczął być czytany.
FAQ
Ile realnie kosztuje utrzymanie takiego agenta miesięcznie?
W naszym przypadku około 325 zł miesięcznie przy dziewięciu monitorowanych konkurentach i pięciu typach źródeł. Największą pozycją są dane o pozycjach w wynikach wyszukiwania, a nie wywołania modelu językowego. Przy mniejszej liczbie konkurentów koszt spada, ale spada też sens automatyzacji.
Czy pobieranie stron konkurencji jest legalne?
Pobieranie publicznie dostępnych treści w rozsądnym tempie jest zwykle dopuszczalne, ale sytuacja zależy od regulaminu serwisu i jurysdykcji. My respektujemy plik robots.txt, ograniczamy tempo zapytań, identyfikujemy się własnym user agentem i nie omijamy żadnych zabezpieczeń ani logowania. Przy większej skali warto skonsultować proces z prawnikiem.
Jaki model językowy sprawdza się do tego zadania najlepiej?
Różnice między czołowymi modelami okazały się mniejsze niż różnice wynikające z jakości danych wejściowych i z reguł weryfikacji. Ważniejsze od wyboru modelu jest to, czy agent ma dostęp do wersjonowanej historii snapshotów oraz czy każdy wniosek musi być poparty konkretnym dowodem.
Jak długo trwa wdrożenie od zera?
Około 22 godzin pracy jednej osoby rozłożonych na trzy tygodnie, z czego mniej więcej połowa to kalibracja promptów i formatu raportu, a nie pisanie kodu. Pierwsze użyteczne raporty pojawiły się po tygodniu, wersja, której zespół zaufał, po miesiącu.
Co zrobić, gdy agent generuje fałszywe alarmy?
Najskuteczniejsze okazały się trzy reguły: potwierdzenie zmiany przez trzy kolejne dni, obowiązkowy dowód przy każdym wniosku oraz twardy limit trzech kluczowych punktów w raporcie. Same poprawki promptu dały znacznie mniej niż te ograniczenia nałożone na dane.
Czy warto automatyzować research przy trzech konkurentach?
Prawdopodobnie nie. Przy tak małej liczbie źródeł ręczny przegląd zajmuje kilkadziesiąt minut tygodniowo, a koszt wdrożenia i utrzymania agenta nie zwróci się w rozsądnym czasie. Próg opłacalności zaczyna się mniej więcej przy sześciu konkurentach i wielu typach źródeł.