Agent AI, który obsługuje skrzynkę mailową biura rachunkowego — architektura, koszty, compliance

Pracownik biura rachunkowego czyta średnio 117 maili dziennie (Microsoft Work Trend Index). Z tego ~69% to kategorie, które da się zautomatyzować jednym promptem: pytania o terminy, prośby o kopię deklaracji, przesłane pisma z US/ZUS, pytania “czy mogę to wrzucić w koszty”.

Nie chodzi o to, żeby AI odpowiadało za księgową. Chodzi o to, żeby księgowa nie spędzała 2,7 godziny dziennie na klikaniu “odpowiedz” i kopiowaniu tego samego tekstu z Notatnika.

W tym artykule rozkładam kompletny stack — z konkretnymi cenami API, architekturą, checklistą compliance i kalkulatorem ROI. Tekst dla właścicieli biur rachunkowych, nie dewelopera.

Co dokładnie robi agent emailowy

Agent nie “odpowiada na maile”. Agent klasyfikuje, routuje i generuje draft — ostatnie słowo ma człowiek.

Pipeline wygląda tak:

1. Nowy mail wpada na skrzynkę (IMAP lub Microsoft Graph webhook).
2. Agent czyta treść + temat i klasyfikuje do jednej z kategorii: TERMIN_PŁATNOŚCI, KOPIA_DOKUMENTU, PISMO_URZĘDU, PYTANIE_O_KOSZT, SPRAWA_KADROWA, ESKALACJA_DO_CZŁOWIEKA.
3. Dla kategorii rutynowych — pobiera kontekst z systemu FK (Symfonia, Comarch Optima, enova) lub CRM i generuje draft odpowiedzi.
4. Draft ląduje w dashboardzie do zatwierdzenia — człowiek klika “Wyślij” albo edytuje.
5. Dla pilnych (pismo z US, reklamacja) — alert na Slacka lub telefon.

Raport Symfonii z października 2024 (N=1020 przedsiębiorców, panel Ariadna) wskazuje szybką komunikację jako 2. z 3 najważniejszych oczekiwań klientów wobec biura. Analiza sekcji FAQ biur rachunkowych pokazuje, że cztery pierwsze kategorie pytań (status rozliczenia, kopia dokumentu, pisma urzędowe, pytania o koszty) stanowią ~69% ruchu emailowego. To jest właśnie to, co agent zdejmuje z głowy zespołu.

Reszta — negocjacje stawek, doradztwo podatkowe, interpretacje przepisów — zostaje u człowieka. Tak ma być.

Stack: Claude Haiku 4.5 + n8n + Postmark

Po kilku produkcyjnych wdrożeniach mój domyślny stack pod skrzynkę mailową biura wygląda tak:

Warstwa	Narzędzie	Dlaczego
Odbiór	IMAP / Gmail API / MS Graph	Natywne webhooki, bez scrapingu
Orkiestracja	n8n self-hosted (Hetzner CX21)	Wizualny workflow + compliance
Klasyfikacja	Claude Haiku 4.5	Szybki i tani, accuracy 89%+
Generowanie	Claude Sonnet 4.6	Jakość dla wrażliwych odpowiedzi
Wysyłka	Postmark	Deliverability (nie idzie do spamu)
Logi	Google Sheets / PostgreSQL	Audit trail pod RODO

Dlaczego Haiku do klasyfikacji

Benchmark SearchLight Digital z marca 2026 pokazuje, że Claude Sonnet 4.6 osiąga 89,53% accuracy w klasyfikacji emaili — praktycznie na równi z Gemini 3 Flash (89,75%) i GPT-5.2 (89,25%). Dla porównania GPT-4o-mini dociąga do 73%.

Ale klasyfikacja to proste zadanie. Nie potrzebujesz tu najmocniejszego modelu. Potrzebujesz szybkiego i taniego.

Ceny API (stan: kwiecień 2026):

Model	Input ($/1M tok)	Output ($/1M tok)	Cache Read
Claude Haiku 4.5	$1,00	$5,00	$0,10
Claude Sonnet 4.5/4.6	$3,00	$15,00	$0,30
GPT-4o	$2,50	$10,00	—
Gemini 2.5 Flash	~$0,15	~$0,60	—

Haiku 4.5 kosztuje 3x mniej niż Sonnet na input i output. Latencja: 0,80s TTFT, ~92 tokenów/sekundę (Artificial Analysis 2026). Przy 10 000 maili miesięcznie różnica między Haiku a Sonnet to około 40 dolarów — realne pieniądze.

Wzór praktyczny: Haiku klasyfikuje i wybiera szablon, Sonnet dopiero generuje odpowiedź w tonie biura, jeśli draft wymaga większej finezji (np. reklamacja, delikatna sprawa kadrowa). 90% maili załatwia sam Haiku.

O tym dlaczego akurat Claude, a nie inny dostawca, pisałem szerzej w Stack pod agentów AI: Claude, n8n, Azure Document Intelligence.

Architektura: jak to wygląda w praktyce

┌──────────────────────────────────────────────────────────┐
│  SKRZYNKA BIURA (IMAP / Gmail API / MS Graph webhook)    │
└────────────────────────┬─────────────────────────────────┘
                         │ polling co 2 min lub webhook
                         ↓
┌──────────────────────────────────────────────────────────┐
│  n8n — Normalize (HTML→txt, limit 3000 znaków)           │
└────────────────────────┬─────────────────────────────────┘
                         ↓
┌──────────────────────────────────────────────────────────┐
│  Claude Haiku 4.5 — klasyfikacja (temp=0.0, JSON)        │
│  Output: {category, confidence, priority}                │
└────────────────────────┬─────────────────────────────────┘
                         ↓
         ┌───────────────┼────────────────┬──────────────┐
         ↓               ↓                ↓              ↓
  TERMIN_PŁATNOŚCI  KOPIA_DOKUMENTU  PISMO_URZĘDU   ESKALACJA
  → fetch z FK      → fetch z archiwum → Slack pilne  → human
  → draft Haiku     → auto-send PDF    → NIE odpowiada
                         ↓
┌──────────────────────────────────────────────────────────┐
│  Dashboard zatwierdzania (FastAPI + Tailwind)            │
│  Zielone = 1 klik, żółte = edycja, czerwone = ręcznie    │
└────────────────────────┬─────────────────────────────────┘
                         ↓
┌──────────────────────────────────────────────────────────┐
│  Postmark → wysyłka + oznaczenie "Odpowiedź wspomagana AI"│
│  Google Sheets → audit log (RODO art. 30)                │
└──────────────────────────────────────────────────────────┘

Kluczowe założenie: confidence threshold. Jeśli Haiku zwróci confidence < 0.8 — mail idzie do eskalacji, nie do automatu. Fallback zawsze po stronie człowieka, nie modelu.

Druga ważna rzecz: dane liczbowe nigdy nie pochodzą z LLM. Jeśli klient pyta “ile mam zapłacić ZUS?”, agent nie zmyśla kwoty. Pobiera ją z systemu FK i wstrzykuje do promptu. Benchmark Daloopa pokazuje, że Claude Opus 4.1 bez RAG osiąga tylko 30,6% accuracy na zapytaniach finansowych. Z RAG — 94,2%. Wniosek: liczby zawsze z systemu, nigdy z pamięci modelu.

Compliance: DPA, Zero Data Retention, RODO, AI Act

To jest część, o której 90% poradników “jak zbudować agenta AI” milczy. A bez tego w biurze rachunkowym nie ma rozmowy.

RODO — powierzenie przetwarzania

Wysyłanie treści maili klientów do Claude API = powierzenie przetwarzania danych osobowych. Podstawa: art. 28 RODO.

Co trzeba mieć:

1. Umowa powierzenia przetwarzania danych (DPA) z Anthropic. Jest dostępna dla klientów API — Anthropic Data Processing Addendum. Anthropic deklaruje, że dane z API nie są używane do trenowania modeli.
2. Zero Data Retention (ZDR) — opcja commercial API. Dane kasowane natychmiast po zwróceniu odpowiedzi. Dla biur rachunkowych — konieczne.
3. DPIA (Data Protection Impact Assessment) — wymagana, gdy AI przetwarza dane na dużą skalę.
4. Wpis do rejestru czynności przetwarzania (RCP) — art. 30 RODO.
5. Klauzula informacyjna dla klientów — żeby wiedzieli, że ich maile przechodzą przez agenta AI.

AI Act (pełne stosowanie: sierpień 2026)

Według analizy Kancelarii Mencel, agent klasyfikacji maili mieści się w kategorii ograniczonego ryzyka — nie wpada w Aneks III (wysokie ryzyko), bo nie decyduje o prawach pracowniczych, kredytach ani świadczeniach socjalnych.

Główny obowiązek dla ograniczonego ryzyka: transparentność. Klient musi wiedzieć, że odpowiedź została wygenerowana lub wspomagana przez AI. W praktyce: jedna linijka w stopce maila albo osobny komunikat na stronie o obsłudze maili.

Kary za niezgodność z AI Act: do 35 mln EUR lub 7% globalnego obrotu. Nie warto improwizować.

Tajemnica zawodowa — specyfika polska

Ważny niuans: biura rachunkowe nie są objęte ustawową tajemnicą zawodową — dotyczy ona doradców podatkowych. Obowiązek poufności wynika z umowy z klientem, Kodeksu etyki SKwP, RODO oraz (dla biur AML-zobowiązanych) ustawy o przeciwdziałaniu praniu pieniędzy.

Praktyczna zasada: nie wysyłaj NIP/PESEL/kwot do API bez podpisanej DPA i włączonego ZDR. Jeśli chcesz być jeszcze bezpieczniejszy — anonimizuj wrażliwe pola przed wysłaniem do modelu (zamień PESEL na [PESEL_CLIENT_42], a potem podmień z powrotem na wyjściu).

Compliance checklist

✓ Podpisana DPA z Anthropic (commercial API)
✓ Włączone Zero Data Retention (ZDR)
✓ Sporządzona DPIA
✓ Zaktualizowana klauzula informacyjna RODO
✓ Wewnętrzna polityka użycia AI (kto, co, w jakich sprawach)
✓ Wpis do rejestru czynności przetwarzania (RCP)
✓ Human review każdej odpowiedzi wychodzącej do klienta
✓ Audit log: kto, kiedy, który mail, jaki draft, czy edytowany
✓ Oznaczenie "Odpowiedź wspomagana AI" w stopce
✓ Procedura wyłączenia agenta przy incydencie

Bez tych punktów — nie wdrażamy. Serio.

Ile to kosztuje

Konkretny kalkulator dla biura przetwarzającego 10 000 maili miesięcznie (duże biuro lub średnie z intensywną komunikacją):

Koszt Claude Haiku 4.5 API

Założenia na 1 email:

• 500 tokenów input (treść maila + krótki kontekst)
• 150 tokenów output (decyzja JSON + krótki draft)
• 300 tokenów z cache (system prompt, szablony)

Input:       500 tok × $1/1M       = $0,00050
Output:      150 tok × $5/1M       = $0,00075
Cache read:  300 tok × $0,10/1M    = $0,00003
───────────────────────────────────────────────
ŁĄCZNIE:                             ~$0,00128 / email

10 000 emaili × $0,00128 = ~$13/miesiąc za API.

Pełny stack miesięcznie

Pozycja	Koszt
Claude Haiku 4.5 API (10k maili)	~$13 (≈52 zł)
Postmark SMTP (10k maili)	$15 (≈60 zł)
n8n self-hosted (Hetzner CX21)	$6 (≈25 zł)
Domena + SSL (Cloudflare)	0 zł
Backup (Backblaze B2)	$1 (≈5 zł)
Razem	~$35 (≈115–140 zł/mies.)

Plus jednorazowy koszt wdrożenia: 40–80h mojego czasu = 6 000–12 000 zł zależnie od liczby integracji (ile systemów FK trzeba podpiąć, czy robimy dashboard z zatwierdzaniem itd.).

Self-hosting LLM — czy się opłaca?

Często pada pytanie: “a może postawić własnego Llamę 3.3 70B i uniknąć API?”

Opcja	Koszt/mies.	Break-even
Claude Haiku 4.5 API	~$13	baseline
Groq API (Llama 3.3 70B)	~$7	niższy
Self-host (cloud GPU A100)	$1 500–3 000	~10M maili/mies.
Self-host (własny serwer)	$300–500 + OPEX	~500k maili/mies.

Dla polskiego biura z 10 000 maili/mies. — self-hosting jest ekonomicznie nieuzasadniony. Jedyny argument “za” to prywatność danych, ale z podpisaną DPA + ZDR ten argument traci na sile.

ROI: co zyskuje biuro

Modelowy case: biuro rachunkowe z 50 klientami, 2 osoby obsługujące komunikację.

Dane wejściowe:

• Emaili/dzień: ~40
• Czas na 1 email: 4 minuty (czytanie + odpowiedź + kopiowanie danych)
• Czas emailowy na osobę: 2,7h dziennie
• Stawka księgowej (koszt pracodawcy): 40 zł/h
• Emaili zautomatyzowanych (zielonych, 1 klik): 55%
• Czas zaoszczędzony: ~90 min dziennie

Roczny rachunek:

Zaoszczędzony czas:   330h × 40 zł     = 13 200 zł/rok
Wdrożenie:            40–80h × 150 zł  = 6 000–12 000 zł
Koszty API + SMTP:    140 zł × 12 mc   = 1 680 zł/rok
───────────────────────────────────────────────────────
Oszczędność netto rok 1:                 -480 do +5 520 zł
Oszczędność netto rok 2+:              ~11 500 zł/rok

Payback: 6–18 miesięcy zależnie od wielkości biura i stopnia powtarzalności maili.

To nie są liczby z prezentacji marketingowej — to wynik pilotażu w firmie usługowej, który opisałem w Case study: 4h dziennie do 20 minut. Tam było jeszcze lepiej, bo wolumen większy, ale architektura ta sama.

Więcej o typach zadań, które nadają się do automatyzacji, pisałem w 3 zadania, które Twoi pracownicy robią ręcznie — a nie muszą.

Kiedy NIE wdrażać

To jest część, której nikt nie chce pisać, ale bez niej artykuł jest nieuczciwy.

Nie wdrażaj agenta mailowego, jeśli:

1. Nie masz podpisanej DPA i nie włączysz ZDR. Wysyłanie danych klientów do API “na próbę, zobaczymy” = naruszenie RODO. Kropka.
2. Chcesz wyłączyć human review. Każdy mail idący do klienta z odpowiedzią agenta musi być zaakceptowany przez człowieka — przynajmniej w pierwszych 3 miesiącach, a najlepiej zawsze. Pełen autopilot przy danych księgowych to proszenie się o katastrofę.
3. Liczysz, że agent będzie interpretował przepisy. Claude nie jest doradcą podatkowym. Nie odpowie na pytanie “czy mogę wrzucić ten koszt” w sposób, który ma wartość prawną. Może zasugerować szablon odpowiedzi typu “skonsultujmy to na spotkaniu” — i to jest jego maksimum.
4. Masz poniżej 30 maili dziennie. Payback nie zwróci się szybko. Lepszy wybór: szablony w Gmailu + Text Expander. Proste, darmowe, wystarcza.
5. Twoi klienci to głównie negocjacje 1-na-1 z unikalnymi warunkami. Jeśli 70% maili to nietypowe pytania — agent nie pomoże. Pomaga tam, gdzie jest powtarzalność.
6. Zespół nie jest gotowy na 2-tygodniowy okres “więcej pracy, nie mniej”. Pierwsza iteracja zawsze wymaga tuningu promptów, dodawania kontekstu, poprawy kategorii. Przez te 2 tygodnie człowiek dużo edytuje. Dopiero potem przychodzi oszczędność.

Jak zacząć — propozycja kroków

Jeśli powyższe wymagania są spełnione, sensowna kolejność to:

1. Tydzień 1: audyt skrzynki. Anonimizujemy próbkę 500 maili z ostatnich 2 tygodni, klasyfikujemy ręcznie, sprawdzamy rozkład kategorii. Czasem wychodzi, że automatyzacja dotknie nie 69%, tylko 30% — i to zmienia biznes case.
2. Tydzień 2: DPA + ZDR + DPIA. Papier się nie zrobi sam. Bez tego nie ruszamy dalej.
3. Tydzień 3–4: MVP. 2–3 kategorie (zwykle TERMIN_PŁATNOŚCI, KOPIA_DOKUMENTU, reszta = eskalacja). Wdrożenie na 1 klienta pilotażowego.
4. Tydzień 5–8: iteracja. Analiza edycji draftów, poprawa promptów, dodawanie kategorii. Jakość draftów rośnie w tym okresie o 30–40%.
5. Tydzień 9+: skalowanie. Dodajemy pozostałych klientów, dashboard dla całego zespołu, integracja z systemem FK.

Najczęściej zadawane pytania

Czy agent będzie widział hasła do bankowości albo dane z US?

Nie, jeśli tak skonfigurujemy pipeline. Agent czyta tylko treść maili (bez załączników z hasłami) + dane, które mu sami wstrzykniemy z systemu FK. Załączniki PDF przechodzą przez Azure Document Intelligence (Azure West Europe, EU data residency), nie przez Claude.

Co jeśli klient nie zgadza się na AI w komunikacji?

Opt-out na poziomie klienta. W dashboardzie oznaczasz “ten klient — tylko ręcznie”, agent pomija jego maile i przerzuca je od razu do eskalacji. Praktyka pokazuje, że po wyjaśnieniu “to szybsza odpowiedź, z pełnym nadzorem człowieka” ~95% klientów nie ma problemu.

Czy to zadziała z Gmailem Workspace, czy muszę zmienić pocztę?

Zadziała z Gmailem, Microsoft 365, a także zwykłym IMAP (home.pl, OVH, własny Postfix). Każdy z tych wariantów podpinamy natywnie w n8n — najmniej błędów robi Microsoft Graph webhook i Gmail API. Klasyczny IMAP też działa, ale wymaga pollingu co 2–5 minut.

Ile trwa wdrożenie u realnego biura?

Od audytu do produkcji: 6–10 tygodni. Z czego 2 tygodnie to papier (DPA, DPIA, klauzule), 4–6 tygodni to implementacja i pilotaż, reszta to tuning.

Czy muszę kupować Claude API sam, czy to idzie przez Ciebie?

Zależnie od modelu współpracy: albo biuro podpisuje DPA z Anthropic i płaci API bezpośrednio (większa kontrola), albo idzie jako subprocessor przez moją infrastrukturę MJO Systems (mniejszy narzut administracyjny). Obie opcje działają — polecam pierwszą dla biur z >5 pracownikami.

Podsumowanie

Agent emailowy dla biura rachunkowego to jedna z najlepiej policzalnych inwestycji w AI dostępnych dzisiaj na polskim rynku:

• 69% maili to kategorie nadające się do automatyzacji
• ~115–140 zł/miesiąc kosztów operacyjnych dla 10k maili
• 13 200 zł/rok zaoszczędzonego czasu dla 2-osobowego zespołu
• Payback w 6–18 miesięcy
• Compliance ogarnialne przy zachowaniu DPA, ZDR, human review

Ale to działa tylko wtedy, kiedy nie skracamy ścieżek. Bez DPA i ZDR — nie ma rozmowy. Bez human review — nie ma rozmowy. Z agentem interpretującym przepisy podatkowe — nie ma rozmowy.

Jeśli Twoje biuro spełnia te założenia i wolumen maili jest na tyle duży, że liczby zaczynają mieć sens, napisz na contact@mjoldak.com. Zrobię audyt zanonimizowanej próbki Twojej skrzynki, pokażę rozkład kategorii i powiem uczciwie — warto czy nie.

Najlepsza automatyzacja to ta, której payback można policzyć w miesiącach, a compliance zmieścić na jednej kartce. Agent mailowy dla biura rachunkowego spełnia oba testy.

Czytaj dalej: Stack pod agentów AI — Claude, n8n, Azure Document Intelligence