Relevance AI

Relevance AI jest platformą AI-native do budowy agentów, narzędzi i wieloagentowych „workforces”. Agenci korzystają z firmowej wiedzy, samodzielnie dobierają tools, przekazują sobie zadania i mogą wykonywać operacje w ponad 2000 integracji. Produkt wyróżnia się połączeniem agentowości z approvals, eskalacjami i ewaluacją runów oraz własnym serwerem MCP, który pozwala budować, uruchamiać i diagnozować agentów bezpośrednio z Codex lub innego klienta MCP.

Relevance AI powstało w Sydney w 2020 r. Założyciele rozwijali najpierw platformę do wyszukiwania i pracy na nieustrukturyzowanych danych, a następnie przesunęli produkt w stronę agentów wykonujących procesy. Firma opisuje dziś system jako „AI Workforce”: specjaliści dziedzinowi tworzą agentów bez pełnego zespołu programistycznego, a organizacja łączy ich w zespoły. Series B i historia

W 2025 r. producent ogłosił rundę Series B 24 mln USD. Materiały pokazują klientów takich jak Canva, Autodesk, Qualified czy SafetyCulture, lecz są to referencje wybrane przez vendora, nie niezależny pomiar jakości produktu.

Agent otrzymuje instrukcje, model, tools i źródła Knowledge. Tools mogą zawierać integracje, wywołania API, kod, kroki LLM i wyszukiwanie wiedzy; agent decyduje, których użyć. Workforces łączą agentów warunkami i handoffami, dzięki czemu jeden agent może kwalifikować lead, drugi wykonać research, a trzeci przygotować dalsze działanie. Dokumentacja startowa

Knowledge obsługuje pliki, tabele i źródła synchronizowane. Advanced Knowledge Search łączy wyszukiwanie hybrydowe, wektorowe i słowne, postprocessing oraz opcjonalne cytowania. Dokumentacja sama wskazuje, że vector search zawsze zwraca podobne fragmenty i zaleca oddzielną walidację trafności. Knowledge · Advanced Knowledge Search

Najnowsza warstwa Evals pozwala próbkować produkcyjne runy, mierzyć pass rate i drift oraz porównywać modele i koszty. Nie wszystkie funkcje są w każdym planie: pełne Agent Evaluations są prezentowane jako Enterprise, a A/B testing i analytics zaczynają się w Team/Enterprise. Pricing · Production-grade agents

• inbound lead qualification i routing;
• account research, enrichment i przygotowanie briefu;
• generowanie spersonalizowanego follow-upu;
• aktualizacja CRM, arkuszy i narzędzi RevOps;
• monitoring sygnałów kont oraz automatyczne raporty;
• umawianie spotkań i handoff między agentami;
• agent BDR lub SDR pracujący na firmowym ICP i wiedzy;
• analiza runów oraz poprawianie promptów i narzędzi.

Zakres kontekstu i danych zależy od funkcji, planu oraz połączonych systemów.

Relevance AI udostępnia własny serwer MCP. Oficjalna dokumentacja ma osobną ścieżkę dla OpenAI Codex i deklaruje zgodność z dowolnym klientem MCP. Z poziomu klienta można tworzyć i edytować agents, tools i workforces, uruchamiać agents/tools, czytać conversation logs, diagnozować błędy oraz zmieniać konfigurację. MCP & Plugins

To bardzo szeroki zakres uprawnień. Viewer dostaje run-only bez write/destructive operations, a Chat jeszcze węższy zakres. Member, Editor i Admin mogą wybrać run-only na ekranie OAuth; dokładniejsze ograniczenie do wybranych agentów wymaga rozdzielenia projektów. Codex jest zatem wspierany wprost, a Hermes powinien działać, jeżeli obsługuje wymagany transport i OAuth MCP — to drugie trzeba sprawdzić praktycznie.

Publiczne API pozwala wyzwalać agents z aplikacji, a HTTP/webhooks i custom tools dają alternatywny kanał integracji. Produkt promuje też MRP (Model Relevance Protocol), gdzie agent konstruuje wywołania wobec niskopoziomowego API; MRP nie powinno być mylone z MCP i wymaga osobnego testu scopes, retry oraz skutków mutacji. API · MRP

Każdemu toolowi można nadać tryb Approval, Let agent decide lub Autorun. Reguły eskalacji zapisuje się w języku naturalnym, a prośby można kierować do Slacka lub e-maila. To dobry human-in-the-loop, lecz „Let agent decide” i plain-language rules są nadal probabilistyczne. Approvals & Escalations

Task Queue pokazuje runy in progress, queued, failed, processed i cancelled oraz pozwala wstrzymywać lub anulować zadania. Nie znaleziono jednak publicznego dowodu na transakcyjny rollback skutków zewnętrznych ani dokładną idempotency dla wielosystemowych writes. Task Queue

Enterprise deklaruje SSO, RBAC, audit logs i regiony danych. Security Policy opisuje ograniczony dostęp pracowników, szyfrowanie i segregację infrastruktury, ale wyłącza z zakresu przetwarzanie przez połączone usługi trzecie. Strony integracji mówią, że tool inputs/outputs nie są przechowywane; jednocześnie plany mają 30- lub 90-dniową historię zadań, a MCP potrafi czytać conversation logs i tool outputs. Zakres treści, metadanych i retencji trzeba więc ustalić umownie. Security · Privacy

Model rozlicza osobno Actions i Vendor Credits. Jedno uruchomienie toola jest jedną akcją, nawet gdy tool zawiera złożony workflow; modele i wybrane usługi konsumują vendor credits. Free zawiera 200 actions, Pro 2500 miesięcznie, a Team 7000; Enterprise jest wyceniany indywidualnie. Dodatkowe 1000 actions kosztuje 40 USD, a 10 tys. vendor credits 20 USD. Pricing

Taka konstrukcja ułatwia kalkulację liczby tools, ale nie eliminuje zmienności modelu i usług zewnętrznych. Trzeba mierzyć koszt kompletnego outcome, nie tylko liczbę agent runs. Vendor credits przechodzą na kolejne okresy tylko podczas aktywnej płatnej subskrypcji.

G2 pokazuje około 4,3/5 przy niewielkiej liczbie około 20 opinii. Użytkownicy chwalą elastyczność, RAG, custom Python i łatwość budowy agentów; wskazują też zatłoczony interfejs, problemy synchronizacji ostatnich zmian, dodatkowe zużycie credits przy naprawianiu struktury outputu i niedostatek kontroli administracyjnej. Próbka jest mała, część recenzji powstała po zaproszeniu, więc traktujemy ją wyłącznie jako listę testów. G2

Najważniejsze ograniczenia:

• jakość polskiego, researchu, RAG, tool selection i pełnego procesu pozostaje N/D;
• MCP daje bardzo szeroką administrację projektu, a fine-grained allowlist wymaga architektury projektów;
• MRP i generic API/code tools zwiększają powierzchnię błędów i prompt injection;
• nie ma publicznie potwierdzonego rollbacku i kompletnej idempotency zewnętrznych writes;
• approvals i escalations w języku naturalnym mogą działać niejednoznacznie;
• ewaluacje, governance i część administracji są zależne od planu;
• deklaracje retencji i no-storage wymagają ujednolicenia per typ danych;
• 2000+ integracji nie mówi o głębokości, scope i jakości każdej z nich;
• podwójny licznik Actions/Vendor Credits utrudnia prognozę kosztów;
• niezależnych recenzji jest mało.

Profil zweryfikowano 2026-09-20. Linki źródłowe znajdują się bezpośrednio przy wspieranych twierdzeniach.