Potencjał i zastosowania agentów LLM w cyklu życia procesu biznesowego

Krystian Lewandowski

doi:10.15611/pn.2026.3.06

Autor

Krystian Lewandowski ✉️ Federacja Naukowa WSB-DSW Merito
[email protected] https://orcid.org/0009-0005-0240-6658

DOI:

https://doi.org/10.15611/pn.2026.3.06

Słowa kluczowe:

BPM, cykl życia procesu biznesowego, agenci LLM, Large Language Models, systematyczny przegląd literatury (SLR)

Abstrakt

Cel: Celem artykułu jest rozpoznanie i uporządkowanie wiedzy o wykorzystaniu agentów na bazie dużych modeli językowych (LLM) w zarządzaniu procesami biznesowymi (BPM). Przedmiotem badań są rozwiązania agentowe analizowane pod kątem zastosowania w etapach cyklu życia procesu biznesowego.

Metodyka: Zastosowano metodę systematycznego przeglądu literatury (SLR) opartą na standardzie PRISMA. Kwerendą objęto bazy Scopus i Web of Science (lata 2023-2026). Procedura polegała na selekcji i przyporządkowaniu 22 wybranych narzędzi do konkretnych faz cyklu życia procesu biznesowego.

Wyniki: Najsilniej wspieranym obszarem jest faza tworzenia. W fazach przystosowania i dojrzałości LLM pełnią funkcje obronne i uelastyczniające. Wykazano też zdecydowaną dominację systemów funkcjonujących jako agenci wspierający (20 na 22 badane narzędzia).

Implikacje i rekomendacje: Badanie wskazuje na lukę badawczą: marginalny udział w pełni autonomicznych agentów oraz brak narzędzi dla fazy załamania. Rekomenduje się rozwój badań o systemy wspierające głęboką restrukturyzację niewydolnych procesów.

Oryginalność/wartość: Wartością opracowania jest usystematyzowanie nowej wiedzy technologicznej poprzez jej osadzenie w klasycznym cyklu życia procesu biznesowego. Artykuł prezentuje nowatorską klasyfikację narzędzi AI, rozróżniając agentów wspierających oraz autonomicznych.

Pobrania

Statystyki pobrań niedostępne.

Bibliografia

Adair-Heeley, C. B. i Murray, B. A. (2002). Radykalna reorganizacja firmy. Wydawnictwo Naukowe PWN.

Amarasinghe, P. T., Nguyen, S., Sun, Y., Sobhan (Sean), A. i Alahakoon, D. (2026). Business Optimization for Digital Manufacturing: A Fine-Tuned Large Language Model Approach. International Journal of Production Economics, 295, 109934. https://doi.org/10.1016/j.ijpe.2026.109934

Ayad, S. i Alsayoud, F. (2025). Dynamic Prompt-Based Framework for Pragmatic Quality Improvement in Business Process Models. IEEE Access, 13, 107764-107782. https://doi.org/10.1109/ACCESS.2025.3580616

Barrientos, M., Winter, K. i Rinderle-Ma, S. (2026). Impact Analysis of Regulatory Requirement Changes on Business Process Compliance. Information and Software Technology, 194, 108079. https://doi.org/10.1016/j.infsof.2026.108079

Bitkowska, A. (2009). Zarządzanie procesami biznesowymi w przedsiębiorstwie. Vizja Press & IT.

Bitkowska, A. (2019). Od klasycznego do zintegrowanego zarządzania procesowego w organizacjach. Wydawnictwo C.H. Beck.

Busch, K. i Leopold, H. (2024). Towards a Benchmark for Large Language Models for Business Process Management Tasks. arXiv:2410.03255. https://doi.org/10.48550/arXiv.2410.03255

Buss, A., Kecht, C., Kratsch, W., Röglinger, M., Sadeghianasl, S. i Wynn, M. T. (2026). Process Mining between the Lines: Extracting Object-Centric Event Logs from Textual Data. Information Systems, 140, 102713. https://doi.org/10.1016/j.is.2026.102713

Casciani, A., Bernardi, M. L., Cimitile, M. i Marrella, A. (2026). Enhancing Next Activity Prediction in Process Mining with Retrieval-Augmented Generation. Information Systems, 137, 102642. https://doi.org/10.1016/j.is.2025.102642

Cimino, A., Longo, F., Solina, V. i Veltri, P. (2026). Integrating Large Language Models with Industrial Simulation for Multi-Level Decision Support: An Innovation Management Perspective in Industry 5.0. European Journal of Innovation Management, 29(11), 27-53. https://doi.org/10.1108/EJIM-10-2024-1246

De Nicola, A., Formica, A., Mele, I., Missikoff, M. i Taglino, F. (2024). A Comparative Study of LLMs and NLP Approaches for Supporting Business Process Analysis. Enterprise Information Systems, 18(10), 2415578. https://doi.org/10.1080/17517575.2024.2415578

Deka, P. i Devereux, B. (2026). From Sketch to Structure: Agentic Prompting for Business Process Diagram Understanding with Vision–Language Models. IEEE Access, 14, 48575-48598. https://doi.org/10.1109/ACCESS.2026.3678494

Du, K., Yang, B., Xie, K., Dong, N., Zhang, Z., Wang, S. i Mo, F. (2025). LLM-MANUF: An Integrated Framework of Fine-Tuning Large Language Models for Intelligent Decision-Making in Manufacturing. Advanced Engineering Informatics, 65, 103263. https://doi.org/10.1016/j.aei.2025.103263

Dumas, M., La Rosa, M., Reijers, H. A. i Mendling, J. (2022). Business Process Management. Istota zarządzania procesami biznesowymi. Wydawnictwo Naukowe PWN.

Fahland, D., Fournier, F., Limonad, L., Skarbovsky, I. i Swevels, A. J. E. (2025). How Well Can a Large Language Model Explain Business Processes as Perceived by Users? Data & Knowledge Engineering, 157, 102416. https://doi.org/10.1016/j.datak.2025.102416

Fettke, P. i Di Francescomarino, C. (2025). Business Process Management and Artificial Intelligence: Literature Survey and Future Research. KI – Künstliche Intelligenz, 39(2), 67-79. https://doi.org/10.1007/s13218-025-00891-y

Grajewski, P. (2012). Procesowe zarządzanie organizacją. Polskie Wydawnictwo Ekonomiczne.

Hensel, P. (2020). Systematyczny przegląd literatury w naukach o zarządzaniu i jakości. Wydawnictwo Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego. https://doi.org/10.7172/978-83-66282-19-3.2020.wwz.2

Hofman, M. (2025). Agenci AI bazujący na modelach językowych. Istota, konfiguracje, zastosowania. Helion.

Kodssi, I. E., Sbai, H. i Mansour, N. A. (2026). PRISMA: Physically-Aware Reasoning and Intelligent Semantic Mining Architecture for IoT Process Discovery Using Deep Learning and Large Language Models. IEEE Access, 14, 32666-32689. https://doi.org/10.1109/ACCESS.2026.3664833

Kourani, H., Berti, A., Hennrich, J., Kratsch, W., Weidlich, R., Li, C.-Y., Arslan, A., Van Der Aalst, W. M. i Schuster, D. (2026). Leveraging Large Language Models for Enhanced Process Model Comprehension. SSRN. https://doi.org/10.2139/ssrn.5017379

Leung, E. K. H., Balan, N., Lee, C. K. H. i Xie, S. (2026). The Generative Artificial Intelligence Large Language Product Design Multi-Model Framework for Manufacturing Operations. Journal of the Operational Research Society, 77(7), 2044-2070. https://doi.org/10.1080/01605682.2025.2570407

Li, S., Liu, Z., Liu, X., Chen, G., Zhang, Y., Ling, H. i Huang, X. (2025). Structured Extraction and BPMN Generation from Chinese Procedural Texts via Hybrid Attention-Based Domain Language Models. IEEE Access, 13, 166241-166253. https://doi.org/10.1109/ACCESS.2025.3611811

Liang, W., Zhang, Y., Codreanu, M., Wang, J., Cao, H. i Zou, J. (2025). The Widespread Adoption of Large Language Model-Assisted Writing Across Society. Patterns, 6(12), 101366. https://doi.org/10.1016/j.patter.2025.101366

Park, J. H. i Madisetti, V. K. (2025). CAPRI: A Context-Aware Privacy Framework for Multi-Agent Generative AI Applications. IEEE Access, 13, 43168-43177. https://doi.org/10.1109/ACCESS.2025.3549312

Potoczek, N. (2018). Zarządzanie zasobami ludzkimi w organizacji zorientowanej procesowo. Wydawnictwo Naukowe PWN.

Sarferaz, S. (2025a). Implementing Conversational AI Into ERP Software. IEEE Access, 13, 160238-160250. https://doi.org/10.1109/ACCESS.2025.3608477

Sarferaz, S. (2025b). Implementing Generative AI Into ERP Software. IEEE Access, 13, 73342-73354. https://doi.org/10.1109/ACCESS.2025.3564133

Schinckus, M., Simonofski, A. i Bono Rosselló, N. (2026). Large Language Models for Process Knowledge Acquisition: Designing and Evaluating a Multi-Agent System. Business & Information Systems Engineering, 68(1), 7-33. https://doi.org/10.1007/s12599-025-00976-w

Senderovich, A., Cabanillas, C., Vanderfeesten, I. i Reijers, H. A. (red.). (2026). Business Process Management: 23rd International Conference, BPM 2025, Seville, Spain, August 31 – September 5, 2025, Proceedings (t. 16044). Springer. https://doi.org/10.1007/978-3-032-02867-9

Trong, M. P., Tung Son, N., Hai, L. N., Giang, V. T., Viet, B. H. i Tung, D. T. (2026). A Business Process-Centric Approach for LLM-Driven Functional Test Generation. IEEE Access, 14, 44120-44146. https://doi.org/10.1109/ACCESS.2026.3671629

Witkowski, A. i Wodecki, A. (2026). A Prescriptive Generative AI Maturity Model for New Product Development Processes. Journal of Manufacturing Technology Management, 37(9), 40-63. https://doi.org/10.1108/JMTM-09-2025-0884

Xu, R., Fang, H., Fang, W., Wang, F. i Zhao, C. (2026). A Large-Language-Model-Guided Progressive Error-Correction Framework for Structured Process Modeling. Expert Systems with Applications, 317, 131998. https://doi.org/10.1016/j.eswa.2026.131998

Yuan, D. (2026). Building an Intelligent Brain Platform for Small and Medium-Sized Enterprises Using ChatGLM and Multi-Agent Systems. PLOS One, 21(3), e0340964. https://doi.org/10.1371/journal.pone.0340964