Agentic AI w EPM. Co łączy OneStream, IBM i Anaplan?

Pierwsza fala AI w aplikacjach biznesowych opierała się głównie na generatywnych chatbotach dołączanych do istniejących systemów. Potrafiły podsumować dokument, przeformułować tekst czy odpowiedzieć na proste pytania, ale nie rozumiały danych, na których pracowała organizacja.

Druga fala przyniosła wyspecjalizowane rozwiązania punktowe. Były skuteczne w konkretnych zastosowaniach, jednak nadal funkcjonowały obok głównych procesów biznesowych.

Oba podejścia miały tę samą fundamentalną wadę. Model językowy nie wiedział, jak wygląda struktura grupy kapitałowej, który okres został już zamknięty ani jakie dane może zobaczyć osoba zadająca pytanie.

Sytuację zmieniły dwa istotne wydarzenia: 

1. Dojrzały standardy interoperacyjności, przede wszystkim MCP (Model Context Protocol). Dzięki nim aplikacja może udostępniać swoje funkcje jako narzędzia dla dowolnego agenta AI, jednocześnie przekazując mu odpowiedni kontekst i obowiązujące uprawnienia.
2. Dostawcy platform EPM zrozumieli, że ich największą przewagą w erze AI nie jest stworzenie kolejnego chatbota. Ich przewagą jest to, co budowali przez lata — uporządkowany, wielowymiarowy model danych finansowych wraz z regułami biznesowymi, hierarchiami i mechanizmami bezpieczeństwa.

Agent korzystający z takiego modelu odpowiada w kontekście struktury organizacyjnej, relacji wewnątrzgrupowych, kalendarza fiskalnego oraz obowiązujących uprawnień. Agent pozbawiony tego kontekstu  (nawet jeśli opiera się na najnowszym modelu językowym) może przygotować świetnie brzmiące podsumowanie, jednocześnie błędnie interpretując strukturę organizacji lub zakres dostępu do danych.

Podczas keynote’u Splash 2026 nazwano tę różnicę bardzo trafnie: to różnica między odpowiedzią osadzoną w danych a elokwentnym domysłem. I właśnie dlatego dziś ważniejsza od samego modelu językowego staje się architektura, która dostarcza mu kontekst.

To, że architektura zaczyna wyglądać podobnie, nie oznacza, że oferty OneStream, IBM i Anaplana stały się takie same. Każdy z dostawców doszedł do Agentic AI inną drogą, i ta droga nadal wpływa na sposób, w jaki rozwija swoje rozwiązania.

Spośród tej trójki to właśnie OneStream najdłużej rozwija AI jako integralny element platformy. Droga rozpoczęła się od pierwszych eksperymentów z uczeniem maszynowym w 2017 roku, przez udostępnienie SensibleAI Forecast w 2022 roku, aż po premierę biblioteki SensibleAI Studio z ponad 60 gotowymi komponentami AI w 2025 roku.

Podczas Splash 2026 ta strategia osiągnęła kolejny etap:

• Do ogólnej dostępności trafiło czterech agentów: Search, Finance Analyst, Deep Analysis oraz nowy Forecast Agent. Działają oni nie tylko w samej platformie OneStream, ale również w środowisku Microsoft 365, między innymi w Excelu i Teams.
• OneStream zaprezentował Finance Agentic Layer, czyli warstwę udostępniającą funkcje platformy przez protokół MCP zewnętrznym asystentom, takim jak Copilot, Claude, ChatGPT czy Gemini. Co istotne, komunikacja odbywa się z zachowaniem istniejącego modelu bezpieczeństwa klienta.

Podczas prezentacji pokazano, jak zewnętrzny agent pobiera rachunek wyników, analizuje odchylenia i odpowiada na kolejne pytania, respektując dokładnie te same uprawnienia, które obowiązują użytkownika w platformie.

Równolegle rozwinięto fundament technologiczny. Nowy silnik kostki usuwa dotychczasowe ograniczenia dotyczące skali danych, a Developer Studio zmienia sposób budowania aplikacji i rozszerzeń.

To ważna różnica. Nie jest to AI dołączone do istniejącej platformy, lecz architektura, która została przebudowana z myślą o pracy agentów AI.

IBM obrał zupełnie inną drogę. Zamiast budować własny zestaw agentów wewnątrz Planning Analytics, postawił na integrację z całym ekosystemem watsonx.

W listopadzie 2025 roku Planning Analytics został zintegrowany z watsonx Orchestrate. Dzięki temu system planistyczny przestał być wyłącznie miejscem przechowywania danych i wykonywania kalkulacji. Stał się aktywnym uczestnikiem procesów biznesowych.

Jeżeli prognoza sprzedaży spada poniżej założonego poziomu, agent może uruchomić odpowiedni workflow. Jeżeli zapasy osiągną wartość krytyczną, automatycznie pojawia się alert. Synchronizacja pomiędzy finansami i operacjami może odbywać się bez ręcznego inicjowania kolejnych zadań.

Logikę procesu definiuje użytkownik. Agenta buduje Orchestrate. Dane i obliczenia pozostają w Planning Analytics.

Na dziś IBM oferuje model „bring your own agent” lub wykorzystanie agentów dostępnych w watsonx Orchestrate. Jednocześnie zapowiada własnych agentów wspierających prognozowanie, analizę scenariuszy oraz proces zamknięcia finansowego.

Całość uzupełniają rozwijany serwer MCP, dzięki któremu funkcje Planning Analytics mogą być wykorzystywane przez zewnętrznych agentów AI, oraz dalszy rozwój PA Assistant i funkcji wielowymiarowego prognozowania.

Spośród całej trójki to właśnie Anaplan najgłośniej komunikuje swoją strategię AI. Nie jest to przypadek. Firma zapowiedziała inwestycję 500 mln dolarów w rozwój Agentic AI.

Tempo rozwoju jest równie ambitne. W grudniu 2025 roku pojawili się pierwsi agenci rolowi, w tym Finance Analyst, wspierający monitorowanie wyników i automatyzację procesów miesięcznych.

W marcu 2026 roku do ogólnej dostępności trafił CoModeler – agent pomagający architektom budować i rozwijać modele przy użyciu języka naturalnego, oraz Agent Studio, umożliwiające tworzenie własnych agentów zgodnych z zasadami governance organizacji.

Kulminacją tej strategii było ogłoszenie Agentic Enterprise. Anaplan zapowiedział kompletny zestaw agentów dla biura CFO, od FP&A, przez treasury, po podatki i relacje inwestorskie, z planowaną dostępnością w październiku 2026 roku. Do końca roku podobne rozwiązania mają objąć również obszary łańcucha dostaw, HR oraz sprzedaży. Wszystko ma działać na platformie Amazon Bedrock, przy zachowaniu otwartości na różne modele językowe i frameworki AI.

Jednocześnie Anaplan mocno podkreśla aspekt ekonomiczny. Według producenta duże modele językowe nie powinny pełnić roli silnika obliczeniowego, byłoby to nie tylko mniej przewidywalne, ale również znacznie droższe. Deterministyczny silnik platformy eliminuje ten problem, zapewniając szybsze, tańsze i przede wszystkim powtarzalne obliczenia.

Jeśli odłożymy na bok nazwy produktów i marketingowe hasła, okaże się, że OneStream, IBM i Anaplan budują dziś niemal tę samą architekturę. Składa się ona z trzech warstw oraz jednej wspólnej zasady.

Fundamentem pozostaje platforma EPM. To ona przechowuje dane, wymiary, hierarchie, kursy walut, reguły biznesowe i logikę konsolidacji. To również ona wykonuje wszystkie obliczenia.

Niezależnie od producenta rolę tę pełnią odpowiednio kostki OneStream, silnik TM1 w IBM Planning Analytics oraz silnik kalkulacyjny Anaplana. Ich najważniejszą cechą jest deterministyczność. Ten sam zestaw danych wejściowych zawsze prowadzi do tego samego wyniku.

Duże modele językowe działają inaczej. Ich odpowiedzi mają charakter probabilistyczny, za każdym razem mogą zostać sformułowane nieco inaczej. W wielu zastosowaniach nie stanowi to problemu, jednak w finansach powtarzalność nie jest opcją, lecz wymogiem.

CEO Anaplana obrazowo porównał to do logistyki. Firma, która wysyła przesyłki do niewłaściwego magazynu w pięciu procentach przypadków, nie działa „prawie dobrze”. Po prostu działa źle.

Dokładnie tak samo jest z raportowaniem finansowym. Raport, który wygląda wiarygodnie, ale zawiera błędne liczby, nie przedstawia żadnej wartości. Dlatego we wszystkich trzech platformach model językowy nie zastępuje silnika obliczeniowego. Nigdy nie pełni roli kalkulatora.

To nie oznacza jednak, że rola LLM jest niewielka. Wręcz przeciwnie. Model językowy robi dokładnie to, w czym jest najlepszy:

• Rozumie pytania zadawane naturalnym językiem,
• Wyjaśnia wyniki,
• Porównuje scenariusze,
• Podsumowuje zmiany,
• Pomaga interpretować odchylenia,
• Potrafi również inicjować działania: uruchomić prognozę, rozpocząć workflow czy przygotować komentarz do wyników.

Kluczowe jest jednak źródło informacji. Model nie tworzy własnych wyliczeń. Wszystkie liczby pochodzą z platformy EPM.

Najważniejszą warstwą całej architektury jest jednak governance. To ono sprawia, że agent AI nie działa obok systemu, ale wewnątrz jego zasad.

Agent dziedziczy uprawnienia użytkownika. Jeżeli kontroler ma dostęp wyłącznie do określonych spółek lub centrów kosztów, agent zobaczy dokładnie ten sam zakres danych, niezależnie od tego, czy pytanie zostanie zadane w platformie EPM, w Microsoft Teams, Excelu czy zewnętrznym asystencie AI.

Odpowiedzi pozostają osadzone w kontekście organizacji, zgodne z obowiązującym modelem bezpieczeństwa i możliwe do audytowania. To właśnie ta warstwa odróżnia rozwiązania klasy Enterprise od zwykłych chatbotów podłączonych do bazy danych.

Takiej przewagi nie da się uzyskać samym promptem.

Na tym jednak podobieństwa się nie kończą. Wszyscy trzej dostawcy przyjęli jeszcze jedną wspólną zasadę: otwartość.

Rynek modeli językowych zmienia się z kwartału na kwartał. Pojawiają się nowe modele, nowe protokoły i nowe środowiska pracy. Trudno dziś zakładać, że jedna platforma AI pozostanie standardem na kolejne lata.

Dlatego żadna z analizowanych platform nie próbuje zamknąć klienta we własnym ekosystemie. OneStream udostępnia swoje funkcje poprzez Finance Agentic Layer. IBM rozwija integrację z watsonx Orchestrate oraz serwer MCP. Anaplan deklaruje neutralność wobec modeli i hyperscalerów. Choć rozwiązania techniczne różnią się szczegółami, przekaz pozostaje ten sam.

To klient wybiera agenta AI. Platforma EPM odpowiada za to, aby agent zawsze pracował na tych samych, zweryfikowanych danych i zgodnie z obowiązującymi zasadami bezpieczeństwa. 

Cała ta zmiana nie sprowadza się do kolejnego asystenta AI. Jej prawdziwe znaczenie widać dopiero wtedy, gdy przełożymy architekturę na codzienną pracę zespołów finansowych.

Weźmy analizę odchyleń. Jeszcze do niedawna przygotowanie odpowiedzi na pytanie „Dlaczego marża spadła?” oznaczało otwieranie kolejnych raportów, porównywanie widoków, filtrowanie danych i ręczne szukanie przyczyn. Samo zebranie informacji potrafiło zająć kilkadziesiąt minut, a czasem nawet kilka godzin.

Agent AI potrafi wykonać tę pracę w kilka sekund. Nie tylko wskaże, gdzie pojawiło się odchylenie, ale również zidentyfikuje jego główne przyczyny, pokaże wpływ poszczególnych driverów i przygotuje gotowy komentarz oparty na danych z platformy.

Podobnie wygląda rozwój modeli planistycznych. Dotychczas budowa bardziej zaawansowanych kalkulacji czy optymalizacja formuł była domeną wąskiej grupy architektów i administratorów. Narzędzia takie jak CoModeler zaczynają pełnić rolę inteligentnego współpracownika, który pomaga projektować modele, proponuje rozwiązania i przyspiesza ich rozwój.

Nie oznacza to zastąpienia specjalistów. Oznacza, że mogą oni znacznie szybciej realizować zadania, które do tej pory wymagały dużego nakładu pracy.

Zmienia się również samo podejście do prognozowania. Forecast przestaje być kwartalnym rytuałem wykonywanym pod presją czasu. Coraz częściej staje się procesem ciągłym, wspieranym przez modele AutoML, które automatycznie aktualizują prognozy i jednocześnie pokazują, jakie czynniki wpłynęły na zmianę wyniku.

To ważna różnica. AI nie działa tutaj jak czarna skrzynka zwracająca liczbę. Coraz częściej potrafi również wyjaśnić, dlaczego prognoza wygląda właśnie w ten sposób.

Jest jeszcze jedna zmiana, pozornie mniej spektakularna, ale z perspektywy użytkownika często najważniejsza. Nowe platformy nie wymagają już, aby użytkownik przechodził do kolejnej aplikacji tylko po to, żeby zadać pytanie. Może zrobić to tam, gdzie i tak pracuje każdego dnia, w Excelu, Microsoft Teams lub firmowym asystencie AI.

To właśnie ten element może okazać się jednym z kluczowych czynników decydujących o rzeczywistej adopcji Agentic AI w organizacjach.

Co istotne, nie mówimy już o koncepcjach ani pilotażach. Wszyscy trzej producenci pokazują wdrożenia działające produkcyjnie w dużych organizacjach, od globalnych firm produkcyjnych po międzynarodowe grupy z sektora mediów i dóbr konsumenckich.

Każda premiera technologiczna skupia się przede wszystkim na możliwościach. Z perspektywy projektów wdrożeniowych równie ważne są jednak ograniczenia i warunki, które muszą zostać spełnione, aby Agentic AI rzeczywiście przyniosło wartość.

Największym ograniczeniem nie jest dziś model językowy. Najczęściej jest nim jakość modelu danych.

Nieuporządkowane hierarchie, niespójne wymiary, nieaktualne elementy modelu czy uprawnienia nadawane przez lata „na skróty” nie znikną po uruchomieniu agenta AI.

Przeciwnie. Agent będzie korzystał dokładnie z tych samych danych i zasad, tyle że zrobi to znacznie szybciej i przedstawi wyniki w bardziej przekonującej formie. Dlatego uporządkowanie modelu danych przestaje być zadaniem „na kiedyś”. Staje się jednym z warunków powodzenia całego projektu.

Nowe możliwości oznaczają również nowe kanały dostępu do danych. Jeżeli użytkownik może zadawać pytania zarówno z poziomu platformy EPM, jak i Excela, Teams czy zewnętrznego asystenta AI, każda luka w modelu uprawnień będzie miała znacznie większy zasięg niż dotychczas.

Dlatego przegląd modelu bezpieczeństwa powinien poprzedzać wdrożenie warstwy agentowej, a nie być jego konsekwencją.

W finansach odpowiedź „prawie dobra” często oznacza odpowiedź błędną. Dlatego tak ważna jest wyjaśnialność. Agent powinien pokazywać źródło danych, logikę obliczeń i parametry, na podstawie których przygotował odpowiedź.

Decyzja (szczególnie ta biznesowo istotna) nadal powinna należeć do człowieka. To podejście deklarują dziś wszyscy trzej producenci. Kluczowe pytanie brzmi jednak nie czy, lecz jak zostanie ono zrealizowane podczas konkretnego wdrożenia.

Warto również oddzielać rozwiązania dostępne dzisiaj od tych, które pozostają w roadmapach producentów. Agenci SensibleAI oraz Finance Agentic Layer są już dostępni produkcyjnie. Podobnie CoModeler i Agent Studio.

Natomiast pełny zestaw agentów Anaplana dla biura CFO pozostaje zapowiedziany na październik 2026 roku, kolejne pakiety funkcjonalne mają pojawić się do końca roku, a część agentów IBM nadal znajduje się na etapie zapowiedzi.

To ważne rozróżnienie. Decyzje technologiczne warto opierać przede wszystkim na funkcjach, które można wykorzystać już dziś, a nie wyłącznie na kierunku rozwoju platformy.

Jest jeszcze jeden aspekt, o którym komunikaty prasowe wspominają znacznie rzadziej – licencjonowanie. Coraz więcej funkcji AI rozliczanych jest oddzielnie, często w modelach opartych na rzeczywistym wykorzystaniu.

Dlatego przygotowując business case, warto uwzględnić nie tylko potencjalne oszczędności wynikające z automatyzacji, ale również pełny koszt korzystania z warstwy AI oraz mechanizmy kontrolowania tego zużycia.

Dobra wiadomość jest taka, że wejście w świat Agentic AI nie wymaga rewolucji z dnia na dzień. Wymaga natomiast właściwej kolejności działań.

Najpierw uporządkuj fundamenty.

Przegląd modelu danych, hierarchii i uprawnień często przynosi większe korzyści niż natychmiastowe wdrożenie kolejnego asystenta AI. To również dobry moment, aby uporządkować elementy, które od lat stanowią techniczny dług platformy EPM.

Następnie wybierz jeden konkretny przypadek użycia.

Automatyczne przygotowanie komentarzy do odchyleń, wsparcie budowy modeli czy analiza forecastów to dobre miejsca na start. Efekty są łatwe do zmierzenia, a ryzyko niewielkie.

Świadomie zaplanuj architekturę.

Jeżeli organizacja rozwija jednego korporacyjnego asystenta, np. Microsoft Copilot, warto sprawdzić, w jaki sposób platforma EPM udostępnia mu swoje funkcje i gdzie faktycznie egzekwowane są uprawnienia użytkowników.

Porównuj architekturę, nie hasła marketingowe.

Choć kierunek rozwoju wszystkich trzech platform jest bardzo podobny, różnią się one dojrzałością poszczególnych funkcji, modelem licencjonowania oraz sposobem, w jaki agent AI został osadzony w procesach biznesowych.

Najciekawsze w obecnej zmianie nie jest to, że wszyscy producenci zaczęli mówić o Agentic AI. Najciekawsze jest to, że niemal równocześnie doszli do bardzo podobnych wniosków.

Model językowy nie zastępuje platformy EPM. Nie zastępuje również reguł biznesowych, modelu danych ani governance. Staje się natomiast nowym sposobem korzystania z nich.

To prawdopodobnie najważniejszy kierunek rozwoju Enterprise Performance Management od wielu lat. Nie dlatego, że AI przejmie planowanie czy konsolidację, ale dlatego, że pozwoli korzystać z istniejących modeli szybciej, łatwiej i bardziej naturalnie.

Największą przewagę zyskają jednak nie organizacje, które jako pierwsze uruchomią kolejnego agenta AI. Zyskają ją te, które mają uporządkowane dane, spójne procesy i dobrze zaprojektowany model zarządzania. Bo właśnie na takim fundamencie Agentic AI pokazuje swoją prawdziwą wartość.