Agentic AI vs. klasická AI

Čo je Agentic AI – a čo ňou nie je?

Agentic AI je paradigma AI, pri ktorej softvérové systémy na báze Foundation Models sledujú ciele autonómne alebo semi-autonómne. Vnímajú svoje okolie, plánujú kroky, využívajú externé Tools a dáta, vykonávajú akcie a učia sa z výsledku – s minimálnym priebežným ľudským zásahom. Kanonické vymedzenie formuluje IBM Think (2026) najjasnejšie: „Agentic AI is the broader concept of solving issues with limited supervision, whereas an AI agent is a specific component within that system." Inými slovami: Agentic AI je paradigma, AI Agent je artefakt.

Toto rozlíšenie je viac než len pojmová hygiena. V DACH Buying-Center sa „Agentic AI", „AI Agent" a „Multi-Agent-System" vo Vendor-Marketingu pravidelne používajú ako synonymá – to je vecne nesprávne a je to jeden z hlavných dôvodov, prečo projekty stroskotávajú na prehnaných očakávaniach. Jednotlivý AI Agent je konkrétna implementácia (model + Tools + Memory + Loop). Multi-Agent-System je architektonický vzor s minimálne dvomi koordinovanými Agents. Agentic AI zahŕňa oboje ako nadradenú triedu.

Dôležitá poznámka na úvod: Pojem „Agentic AI" nie je ani v polovici roka 2026 ešte finálne konsolidovaný. Normalizácia ISO/IEC neexistuje. Akademické práce (Sapkota et al. 2025; Schmitt et al. 2025; Schneider 2025) zavádzajú vlastné taxonómie a poskytovatelia sa líšia v detailoch – napríklad v tom, či sa deterministické workflows považujú za „agentic" (Anthropic: áno; Databricks: nie). Táto definičná neostrosť nie je okrajový detail, ale práve ten dôvod, prečo je potrebné čisté vymedzenie.

Štyri osi vymedzenia: autonómia, cieľová orientácia, Tool-Use, viacstupňové rozhodnutia

Čo konkrétne odlišuje Agentic AI od klasickej a generatívnej AI? Jadro tvoria štyri vlastnosti (IBM, 2024; NVIDIA, 2024–2026).

Autonómia. Klasický Machine Learning (napríklad Fraud-Scoring alebo predikcie churnu) a Symbolic AI (regulové Expert Systems) nemajú autonómiu v zmysle teórie konania – poskytujú skóre alebo inferencie. Generatívna AI je reaktívna: na Prompt nasleduje odpoveď. Agentic AI koná samostatne v smere cieľa a počas behu rozhoduje, ktoré kroky sú potrebné. Gartner (2025) pritom výslovne zahŕňa semi-autonómne systémy – relevantné pre regulované DACH odvetvia, v ktorých úplná autonómia nie je ani žiadaná, ani prípustná.

Cieľová orientácia. Generatívna AI dopĺňa vzory (Pattern Completion). Agentic AI sleduje zadaný cieľ a odvodzuje z neho čiastkové ciele. IBM robí z „goal-driven behavior" kľúčovú vlastnosť; OpenAI definuje Agents minimalisticky ako „systems that independently accomplish tasks on behalf of users" (2025).

Tool-Use. Generatívna AI je vo svojom jadre read-only – generuje text, obraz, audio alebo kód, ale nespúšťa akcie v externých systémoch. Agentic AI volá Tools, využíva APIs a dokáže cez Computer-Use priamo konať v systémoch. Práve tento krok posúva rizikový profil z informačnej roviny (halucinácia, bias) do operačnej (autonómne akcie v live systémoch).

Viacstupňové rozhodnutia. Klasická a generatívna AI pracujú typicky single-turn. Agentic AI operuje long-horizon a viacstupňovo podľa vzoru Plan → Execute → Reflect → Replan. NVIDIA to zhŕňa ako štvorkrokový Loop: Perceive → Reason → Act → Learn.

Porovnávacia matica: od klasického ML po Agentic AI

Nasledujúca matica zaraďuje paradigmy pozdĺž centrálnych dimenzií (zdroje: IBM S-06/S-07; Databricks S-21; Russell & Norvig 2020; Sapkota et al. 2025).

Štyri stupne zrelosti agentických systémov

Nie každý „agentický" systém je rovnako autonómny. Užitočná logika zrelosti rozlišuje štyri stupne (Sapkota et al. 2025; NVIDIA S-14):

1. Reactive Agent – reaguje na Input bez perzistentného State; LLM plus jednotlivý Tool-Call.
2. Tool-using Agent – plánuje sekvenciu Tools a udržiava krátkodobú Memory; klasický ReAct-Pattern.
3. Goal-seeking Agent – stanovuje Sub-Goals, sám sa koriguje, plánuje cez viacero krokov (Chain-of-Thought plus Reflection).
4. Self-improving Agent – učí sa z výsledkov a aktualizuje Memory, resp. skills (NVIDIA „Data Flywheel").

DACH diskurz (Bitkom 2026) prekladá túto evolúciu do pragmatického adopčného rebríka: RPA → reaktívne GenAI asistenti → autonómna Agentic AI. Toto odstupňovanie pomáha rozhodovateľom realisticky zaradiť vlastný stupeň zrelosti – a nedeklarovať každý Tool-Call hneď ako „autonómneho Agenta".

Trhová realita 2025/2026: hype a vytriezvenie

Čísla kreslia triezvy obraz medzi rozbehom a vytriezvením. Podľa McKinsey State of AI (5. november 2025, n=1 993, 105 krajín) využíva 88 percent organizácií AI – ale len 31 percent škáluje celopodnikovo. Pri Agentic AI experimentuje 39 percent, ďalších 23 percent už škáluje aspoň v jednej obchodnej funkcii (spolu 62 percent celkového angažovania). Rozhodujúce je zaradenie: V žiadnej jednotlivej Business-funkcii nie je miera škálovania vyššia ako 10 percent. Široká chuť experimentovať naráža na úzke produktívne ukotvenie.

Gartner dodáva najcitovanejšie varovanie: vyše 40 percent projektov Agentic AI bude do konca roka 2027 zastavených – dôvodmi sú eskalujúce náklady, nejasný prínos hodnoty a nedostatočné kontroly rizík (tlačová správa, 25. jún 2025). V Gartner Hype Cycle 2025 stáli AI Agents na „Peak of Inflated Expectations", zatiaľ čo generatívna AI skĺzala smerom k „Trough of Disillusionment". V roku 2026 sa prvýkrát objavil samostatný Hype Cycle pre Agentic AI s 27 zmapovanými inováciami.

Poznámka k zaradeniu: Gartner-Forecasts môžu byť revidované a pozícia v Hype Cycle sa každoročne aktualizuje. Tieto čísla treba čítať ako prognózy analytikov, nie ako nameranú realitu.

Agent-Washing: BS-Filter pre Buying-Center

Najdôležitejšie praktické riziko roka 2026 sa volá Agent-Washing: prelepenie existujúcich chatbotov, RPA-Tools alebo pevne zapojených workflows na „Agentic AI" bez podstatného autonómneho Reasoning-komponentu. Gartner odhaduje, že z tisícov poskytovateľov disponuje skutočnými agentickými capabilities len približne 130 (2025). Toto číslo je odhad analytikov a nie je reprodukovateľné – ale ilustruje rádový rozsah problému.

Pri Vendor-evaluácii sú užitočné tri kontrolné otázky: Robí systém počas behu vlastné rozhodnutia o spôsobe riešenia, alebo nasleduje pevne naprogramovaný priebeh (potom ide o RPA)? Vyberá Tools dynamicky, alebo volá preddefinovanú API-sekvenciu? Plánuje cez viac než tri kroky s korekčnými slučkami, alebo je to jednotlivý LLM-Call s RAG? Gartner sám konštatuje, že aktuálne modely ešte nemajú zrelosť na to, aby úplne autonómne sledovali komplexné obchodné ciele v čase – „agentic" teda nie je totožné s AGI.

DACH kontext: suverenita, skepsa, regulácia

Pre región DACH neexistuje samostatná adopčná metrika pre Agentic AI. Bitkom Research 2025 meria AI paušálne: 36 percent nemeckých firiem od 20 zamestnancov využíva AI – zdvojnásobenie oproti 20 percentám v predchádzajúcom roku (telefonický prieskum, n=604). Ako proxy pre agentickú adopciu slúžia globálne hodnoty McKinsey (23 percent Scaling), čo by malo byť explicitne takto označené.

Charakteristická je regulačná citlivosť: 56 percent opýtaných firiem vníma EU AI Act ako nevýhodu a 93 percent by uprednostnilo poskytovateľa AI z Nemecka. Top prekážkami sú právna neistota (53 percent), chýbajúce know-how (53 percent) a chýbajúce personálne zdroje (51 percent). Z toho sa vysvetľuje silný DACH dopyt po suverénnych stackoch a koncepciách Human-in-the-Loop.

Regulačné zaradenie (informatívne, nejde o právne poradenstvo)

Nasledujúce poznámky sú informatívne a nenahrádzajú právne posúdenie.

EU AI Act nepozná samostatnú kategóriu „AI Agent". Agentické capabilities sa zachytávajú cez existujúce mechanizmy. Čl. 50 (povinnosti transparentnosti) sa uplatňuje pri priamej interakcii človek–stroj – rozhodný dátum 2. august 2026, nezmenené. Ak Agent autonómne rozhoduje v citlivých oblastiach ako zamestnávanie, vzdelávanie, úverová bonita alebo kritická infraštruktúra, môže systém spadať pod Annex III (High-Risk).

Dôležitá nuansa: Digital-Omnibus zo 7. mája 2026 je politická dohoda v Trilogu, ešte nie formálne prijatá. Posúva rozhodný dátum Annex-III-High-Risk pravdepodobne z 2. augusta 2026 na 2. december 2027. Až do formálneho prijatia platí právne naďalej pôvodný termín 2. august 2026 – tento posunutý termín treba teda výslovne považovať za provizórny. GPAI-povinnosti pre Foundation Models ako Agent-Backbones sú v platnosti od 2. augusta 2025.

Doplnkovo relevantné: GDPR čl. 22 (zákaz výlučne automatizovaných individuálnych rozhodnutí s právnym alebo podstatným účinkom), povinnosť školenia o AI z AI Act čl. 4 (od 2. februára 2025), ako aj práva spolurozhodovania zamestnaneckej rady podľa BetrVG (DE), resp. ArbVG (AT) pri nasadení agentických systémov na pracovisku. Pred každým nasadením platí: odporúča sa právne posúdenie.

Výhľad a praktická poznámka

Agentic AI je pravdepodobne ďalším stupňom po generatívnej AI – ale nie pre každý Use Case je to správna architektúra. Najspoľahlivejšie pravidlo pochádza od Anthropic (2024): „find the simplest solution possible; this might mean not building agentic systems at all." Čisté Q&A alebo generovanie obsahu pokrýva GenAI s RAG; deterministické priebehy patria do Workflow-Engine alebo RPA. Agentic AI sa ospravedlňuje až vtedy, keď je úloha viacstupňová, vyžaduje dynamické plánovanie a spúšťa externé akcie.

Tri praktické poznámky pre DACH rozhodovateľov: Po prvé, najprv dátová architektúra – Agents nad dátovými silami sú známym zdrojom chýb. Po druhé, záväzne predvídať Human-in-the-Loop pre ireverzibilné akcie; bezpečnostné testy nie sú voliteľné (akademický Red-Team-Test v roku 2025 zistil, že všetkých 22 preskúmaných LLMs je napadnuteľných, citované cez Bitkom). Po tretie, staviť na otvorené štandardy ako MCP (Spec 2025-11-25, darovaná Linux Foundation) a A2A, aby sa zabránilo Vendor-Lock-in. ROI by sa nemal merať na redukcii Headcountu, ale na Decision-Latency, kvalite a priepustnosti. Kto takto postupuje, oddeľuje skutočný agentický úžitok od marketingového pojmu – a presne o to v roku 2026 ide.