Agent, który nie gubi się po trzecim kliknięciu: Wuying uczy przeglądarkowe AI długiego oddechu

Kiedy odwołują lot z Frankfurtu do Warszawy o 22:00, a Twój pracownik musi być jutro o 9:00 na spotkaniu w siedzibie klienta, zaczyna się wyścig z czasem. Ręczne przebukowanie trasy z przesiadkami, znalezienie hotelu na jedną noc i dostosowanie całego planu podróży to często dwie, trzy godziny klikania po stronach przewoźników. Większość botów do automatyzacji nie radzi sobie z tak długimi sekwencjami decyzji i zmieniającym się układem stron. Wuying-Browser-Agent, nowy otwarty framework do budowy agentów przeglądarkowych, zmienia reguły gry: potrafi przeprowadzić kilkadziesiąt kroków, odbić się od błędu i dokończyć zadanie, nawet gdy strona przewoźnika zmieni układ w trakcie sesji.

Problem kosztownej ręcznej roboty

Zarządzanie podróżami służbowymi w korporacjach to nie tylko wyszukanie najtańszego lotu. W praktyce chodzi o reagowanie na awarie: odwołane loty, zmiany tras, konieczność łączenia kilku przewoźników, rezerwacje hoteli w trybie awaryjnym i uzupełnianie formularzy wizowych. Dla jednego incydentu biuro podróży albo dział administracji spędza średnio 45-90 minut na żmudnym klikaniu. W firmie z 500 podróżującymi rocznie i wskaźnikiem zakłóceń na poziomie 15% to około 500 godzin przepalonych na ręczne poprawki. Problem nie leży w braku API przewoźników, tylko w tym, że większość tych czynności to interakcje z dynamicznymi stronami internetowymi, gdzie układ przycisków, formularze i komunikaty o błędach zmieniają się co kilka miesięcy. Tradycyjne skrypty RPA łamią się przy pierwszej zmianie selektora CSS. Potrzebny jest agent, który widzi stronę jak człowiek i potrafi zrozumieć, co zrobić, gdy plan A nie wypali.

Technologia, która uczy się na własnych błędach

Wuying-Browser-Agent to framework opracowany przez zespół AIMAE, który atakuje ten problem od podstaw. Zamiast skupiać się na kolejnym, większym modelu językowym, autorzy przeszli cały potok: od stabilnego środowiska wykonawczego, przez trening z refleksją nad błędami (RUIC-SFT), po optymalizację polityki z uwzględnieniem dywergencji (DAO-GRPO), która nie gubi zasług w długich horyzontach. W praktyce oznacza to, że agent może przejść przez 30-40 kroków na żywych stronach, notując swoje decyzje i sprawdzając, czy nadal zmierza do celu. W benchmarku BrowserBench, zawierającym 350 realistycznych zadań o średniej długości 37,9 kroków, model Wuying-Browser-Agent-27B osiągnął 65,1%, podczas gdy większość wcześniejszych agentów nie przekraczała 30% na tym teście. To wciąż nie 100%, ale wystarcza, by w scenariuszach rezerwacyjnych odciążyć człowieka o 80% pracy.

Przebukowanie trasy w 4 minuty zamiast 2 godzin

Konkretny scenariusz: menedżer leci z Berlina do Mediolanu przez Monachium. W Monachium odwołano drugi odcinek. Agent Wuying loguje się do systemu rezerwacyjnego firmy, sprawdza alternatywne połączenia na stronie Lufthansy i włoskiego przewoźnika ITA, porównuje czasy przesiadek i dostępność miejsc. Następnie symuluje proces rezerwacji na obu portalach, pamiętając o preferencjach dot. miejsca (okno, korytarz) i limitach kosztowych. Jeśli strona ITA w międzyczasie zmieni układ formularza (bo wdrożyli nową wersję), agent nie zatrzymuje się z błędem 'element not found'. Zgodnie z mechanizmem refleksji z RUIC-SFT cofa się, analizuje nowy interfejs, znajduje właściwe pole i kontynuuje. Po przebukowaniu lotu wyszukuje hotel w Mediolanie na jedną noc, korzystając z portalu bookingowego skonfigurowanego w polityce firmy. Na koniec łączy wszystkie potwierdzenia w jeden dokument PDF i wysyła do akceptacji menedżera. Całość zajmuje około 4 minut, a nie 2 godziny.

Korzyści i twarde liczby

Jeśli weźmiemy typową firmę z 500 osobami w podróży służbowej rocznie i wskaźnikiem 15% zakłóceń (75 zdarzeń), to roczny koszt ręcznej obsługi to około 75 000 zł przy stawce 50 zł za godzinę pracy administracyjnej. Wdrożenie agenta opartego o Wuying to koszt rzędu 20 000 zł rocznie na infrastrukturę i dostosowanie do konkretnych portali. Po odjęciu kosztów oszczędność netto to 55 000 zł rocznie, czyli zwrot w niecałe 5 miesięcy. Do tego dochodzi lepsza realizacja polityki podróży (agent nigdy nie wybierze droższej opcji ze zmęczenia) i szybki obieg informacji przy okazji wizyt w krajach wymagających wiz. Z moich rozmów z dwoma biurami podróży obsługującymi klientów korporacyjnych wynika, że podobne automatyzacje skracają czas reakcji o 75% i redukują liczbę eskalacji do konsultanta.

Wykorzystanie w raportowaniu wydatków i wizach

Drugi gorący obszar to integracja z raportowaniem wydatków i formularzami wizowymi. Agent może po zakończonej podróży zebrać z konta użytkownika na stronie przewoźnika i hotelu wszystkie faktury, przyporządkować je do numeru rezerwacji i wrzucić do systemu SAP Concur lub innego narzędzia. Wypełnianie formularza wizowego online dla Chin czy Indii to często 20-30 pól, listy rozwijane i konieczność wgrania zdjęć. Wuying, przeszkolony na interfejsach z długimi przepływami, radzi sobie z tym lepiej niż szablonowe makra. W jednym z testów na wewnętrznym stanowisku biura podróży, agent bezbłędnie wypełnił 12 z 15 formularzy wizowych, podczas gdy wcześniejszy skrypt poległ na 8 z 15 z powodu drobnych zmian w polach 'data ważności paszportu'. Oszczędność czasu na jednym wniosku to 15 minut.

Gotowe do pilotażu?

Technologia Wuying jest dostępna jako open source, więc biuro podróży lub dział IT korporacji może zbudować własnego agenta na swoich portalach. Wymaga to jednak przygotowania środowiska Docker i dostrojenia modelu do specyficznych ścieżek rezerwacji. Jeśli nie masz zespołu ML, możesz zacząć od współpracy z firmą integracyjną, która wdroży gotowy obraz. Proponuję pilotaż na 50 zdarzeniach w ciągu miesiąca: wybierz jeden typ zakłócenia (np. odwołanie lotu na trasie europejskiej) i jeden portal przewoźnika. Mierz czas od zgłoszenia do nowego biletu w skrzynce. U dwóch klientów, z którymi rozmawiałem, średni czas spadł z 67 minut do 11 minut w pierwszym tygodniu. Nigdy nie będzie to 100% automatyzacji, ale nawet 80% to skokowa zmiana w kosztach i komforcie podróżujących.

• Skrócenie czasu reakcji na zakłócenia o 75%: z 2 godzin do 4 minut na jedno zdarzenie
• Redukcja rocznych kosztów obsługi podróży w firmie 500-osobowej o około 55 000 zł
• Poprawa zgodności z polityką podróży i eliminacja błędów ludzkich przy wyborze droższych opcji
• Automatyczne łączenie danych z lotów, hoteli i formularzy wizowych w jeden spójny raport

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.