Agentic AI vs. klasická AI

Čo je Agentic AI a čo ňou nie je?

Agentic AI je paradigma AI, v ktorej softvérové systémy postavené na základných modeloch (foundation models) sledujú ciele autonómne alebo poloautonómne. Vnímajú svoje prostredie, plánujú kroky, používajú externé nástroje a dáta, vykonávajú akcie a učia sa z výsledku, pričom človek do priebehu zasahuje len minimálne. Kanonické vymedzenie formuluje najjasnejšie IBM Think (2026): „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 pojmová hygiena. V nákupných tímoch v regióne DACH sa „Agentic AI“, „AI agent“ a „multiagentový systém“ v marketingu dodávateľov pravidelne používajú ako synonymá. To je vecne nesprávne a patrí to k hlavným dôvodom, prečo projekty stroskotávajú na prehnaných očakávaniach. Jednotlivý AI agent je konkrétna implementácia (model + nástroje + pamäť + slučka). Multiagentový systém je architektonický vzor s najmenej dvoma koordinovanými agentmi. Agentic AI zahŕňa oboje ako nadradená trieda.

Dôležitá poznámka na úvod: pojem „Agentic AI“ nie je ani v polovici roka 2026 definitívne ustálený. Norma ISO/IEC neexistuje. Akademické práce (Sapkota et al. 2025; Schmitt et al. 2025; Schneider 2025) zavádzajú vlastné taxonómie a dodávatelia sa líšia v detailoch, napríklad v tom, či deterministické workflowy považujú za „agentic“ (Anthropic: áno; Databricks: nie). Táto definičná nejasnosť nie je okrajový detail. Práve ona je dôvodom, prečo treba pojmy presne vymedziť.

Štyri osi vymedzenia: autonómia, orientácia na cieľ, používanie nástrojov, viacstupňové rozhodovanie

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

Autonómia. Klasické strojové učenie (napríklad skórovanie rizika podvodu alebo predikcia odchodu zákazníkov) a symbolická AI (expertné systémy založené na pravidlách) nemajú autonómiu v zmysle teórie konania; poskytujú skóre alebo inferencie. Generatívna AI je reaktívna: na prompt nasleduje odpoveď. Agentic AI koná samostatne smerom k cieľu a za behu rozhoduje, ktoré kroky sú potrebné. Gartner (2025) pritom výslovne zahŕňa aj poloautonómne systémy. To je dôležité pre regulované odvetvia v regióne DACH, kde úplná autonómia nie je žiaduca ani prípustná.

Orientácia na cieľ. Generatívna AI dopĺňa vzory (pattern completion). Agentic AI sleduje zadaný cieľ a odvodzuje z neho čiastkové ciele. IBM považuje „goal-driven behavior“ za kľúčovú vlastnosť; OpenAI definuje agentov minimalisticky ako systémy, ktoré samostatne plnia úlohy v mene používateľov (2025).

Používanie nástrojov. Generatívna AI v jadre pracuje len v režime čítania (read-only): vytvára text, obraz, zvuk alebo kód, ale nespúšťa akcie v externých systémoch. Agentic AI volá nástroje a používa API a cez ovládanie počítača (computer use) dokáže konať priamo v systémoch. Práve tento krok presúva rizikový profil z informačnej roviny (halucinácie, skreslenie) do operačnej (autonómne akcie v ostrých systémoch).

Viacstupňové rozhodovanie. Klasická a generatívna AI zvyčajne pracujú v jednom kroku (single-turn). Agentic AI pracuje s dlhým horizontom a vo viacerých krokoch podľa vzoru Plan → Execute → Reflect → Replan. NVIDIA to zhŕňa do štvorkrokovej slučky: Perceive → Reason → Act → Learn.

Porovnávacia matica: od klasického ML po Agentic AI

Nasledujúca matica zaraďuje paradigmy podľa hlavných dimenzií (zdroje: IBM; Databricks; Russell & Norvig 2020; Sapkota et al. 2025).

Štyri stupne zrelosti agentických systémov

Nie každý „agentický“ systém je rovnako autonómny. Užitočný model zrelosti rozlišuje štyri stupne (Sapkota et al. 2025; NVIDIA):

1. Reactive Agent: reaguje na vstup bez trvalého stavu; LLM a jedno volanie nástroja.
2. Tool-using Agent: plánuje sekvenciu nástrojov a udržiava krátkodobú pamäť; klasický vzor ReAct.
3. Goal-seeking Agent: stanovuje si čiastkové ciele, sám sa opravuje, plánuje na viacero krokov dopredu (Chain-of-Thought a reflexia).
4. Self-improving Agent: učí sa z výsledkov a aktualizuje pamäť, prípadne zručnosti („Data Flywheel“ od NVIDIA).

Nemecká odborná diskusia (Bitkom 2026) prekladá tento vývoj do pragmatického rebríka adopcie: RPA → reaktívni asistenti GenAI → autonómna Agentic AI. Toto odstupňovanie pomáha manažérom realisticky určiť vlastný stupeň zrelosti a neoznačovať každé volanie nástroja hneď za „autonómneho agenta“.

Trhová realita 2025/2026: hype a vytriezvenie

Čísla ukazujú triezvy obraz medzi rozbehom a vytriezvením. Podľa McKinsey State of AI (5. novembra 2025, n = 1 993, 105 krajín) používa AI 88 percent organizácií, no len 31 percent ju škáluje v celej firme. S Agentic AI experimentuje 39 percent, ďalších 23 percent ju už škáluje aspoň v jednej obchodnej funkcii (spolu sa jej venuje 62 percent). Rozhodujúci je kontext: v žiadnej jednotlivej obchodnej funkcii miera škálovania nepresahuje 10 percent. Široká chuť experimentovať naráža na úzke ukotvenie v produkcii.

Gartner prináša najcitovanejšie varovanie: viac ako 40 percent projektov Agentic AI sa do konca roka 2027 zruší; dôvodmi sú prudko rastúce náklady, nejasný prínos a nedostatočná kontrola rizík (tlačová správa, 25. júna 2025). V Gartner Hype Cycle 2025 boli AI agenti na „Peak of Inflated Expectations“, zatiaľ čo generatívna AI skĺzla smerom k „Trough of Disillusionment“. V roku 2026 vyšiel prvý samostatný Hype Cycle pre Agentic AI.

Pre kontext: prognózy spoločnosti Gartner môžu byť revidované a pozícia v Hype Cycle sa každý rok aktualizuje. Tieto čísla treba čítať ako prognózy analytikov, nie ako nameranú realitu.

Agent washing: filter na marketingové bláboly pre nákupný tím

Najdôležitejšie praktické riziko roka 2026 sa volá agent washing: prelepenie existujúcich chatbotov, RPA nástrojov alebo napevno naprogramovaných workflowov nálepkou „Agentic AI“ bez podstatnej autonómnej zložky uvažovania. Gartner odhaduje, že z tisícov dodávateľov má skutočné agentické schopnosti len približne 130 (2025). Toto číslo je odhad analytikov a nedá sa reprodukovať, ilustruje však rozsah problému.

Pri hodnotení dodávateľov pomôžu tri kontrolné otázky: rozhoduje systém za behu sám o postupe riešenia, alebo sleduje napevno naprogramovaný priebeh (potom ide o RPA)? Vyberá nástroje dynamicky, alebo volá vopred definovanú sekvenciu API? Plánuje viac ako tri kroky s opravnými slučkami, alebo ide o jedno volanie LLM s RAG? Gartner sám konštatuje, že súčasné modely ešte nie sú dosť zrelé na to, aby komplexné obchodné ciele sledovali v čase úplne autonómne; „agentic“ teda neznamená AGI.

Kontext DACH: suverenita, skepsa, regulácia

Pre región DACH neexistuje samostatný ukazovateľ adopcie Agentic AI. Bitkom Research 2025 meria AI plošne: 36 percent nemeckých firiem s 20 a viac zamestnancami používa AI, čo je takmer zdvojnásobenie oproti 20 percentám v predchádzajúcom roku (telefonický prieskum, n = 604). Ako náhradný ukazovateľ agentickej adopcie slúžia globálne hodnoty McKinsey (23 percent organizácií škáluje), čo treba výslovne takto označiť.

Charakteristická je citlivosť na reguláciu: 56 percent opýtaných firiem vníma EU AI Act ako nevýhodu a 93 percent by uprednostnilo poskytovateľa AI z Nemecka. Najväčšími prekážkami sú právna neistota (53 percent), chýbajúce know-how (53 percent) a nedostatok personálnych kapacít (51 percent). To vysvetľuje silný dopyt nemeckých firiem po suverénnych stackoch a konceptoch 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 schopnosti zachytáva cez existujúce mechanizmy. Čl. 50 (povinnosti transparentnosti) sa uplatňuje od 2. augusta 2026 a týka sa priamej interakcie človeka so strojom. Ak agent autonómne rozhoduje v citlivých oblastiach, ako je zamestnanosť, vzdelávanie, úverová bonita alebo kritická infraštruktúra, systém môže spadať pod prílohu III (vysoké riziko).

Digitálny omnibus je už platným právom. Nariadenie (EÚ) 2026/1744 vyšlo 24. júla 2026 v Úradnom vestníku EÚ a od 27. júla 2026 je účinné. Tým sa posúvajú povinnosti pre vysoko rizikové systémy: pre systémy podľa prílohy III sa podľa harmonogramu Európskej komisie uplatňujú od 2. decembra 2027 namiesto od 2. augusta 2026, pre AI vo výrobkoch podľa prílohy I od 2. augusta 2028. Povinnosti pre modely GPAI, ktoré ako základné modely tvoria chrbticu agentov, sa uplatňujú od 2. augusta 2025.

Doplnkovo relevantné: GDPR čl. 22 (zákaz výlučne automatizovaných individuálnych rozhodnutí s právnym alebo iným závažným účinkom), povinnosť zabezpečiť gramotnosť v oblasti AI podľa čl. 4 AI Act (od 2. februára 2025) a práva zamestnaneckej rady na spolurozhodovanie podľa BetrVG (DE), resp. ArbVG (AT) pri nasadení agentických systémov na pracovisku. Omnibus zmiernil čl. 4: poskytovatelia a nasadzujúce subjekty musia naďalej prijímať opatrenia na gramotnosť svojho personálu v oblasti AI, konkrétnu úroveň kompetencií však nariadenie podľa Európskej komisie už nepredpisuje. Pred každým nasadením platí: odporúča sa právne posúdenie.

Výhľad a praktická poznámka

Agentic AI je pravdepodobne ďalší stupeň po generatívnej AI, nie je to však správna architektúra pre každý prípad použitia. Najspoľahlivejšie pravidlo pochádza od Anthropic (2024): „we recommend finding the simplest solution possible, and only increasing complexity when needed. This might mean not building agentic systems at all.“ Samotné Q&A alebo tvorbu obsahu pokryje GenAI s RAG; deterministické procesy patria do workflow enginu alebo RPA. Nasadenie Agentic AI má opodstatnenie až vtedy, keď je úloha viacstupňová, vyžaduje dynamické plánovanie a spúšťa externé akcie.

Tri praktické poznámky pre manažérov v regióne DACH: po prvé, začať dátovou architektúrou; agenti postavení na izolovaných dátových silách sú známym zdrojom chýb. Po druhé, pri nezvratných akciách záväzne zaviesť Human-in-the-Loop; bezpečnostné testy nie sú voliteľné (akademický red-team test v roku 2025 zistil, že všetkých 22 testovaných LLM je zraniteľných, citované podľa Bitkom). Po tretie, staviť na otvorené štandardy ako MCP (špecifikácia 2025-11-25; protokol bol darovaný nadácii Linux Foundation) a A2A, aby sa predišlo závislosti od dodávateľa (vendor lock-in). Návratnosť investícií (ROI) by sa nemala merať znížením počtu zamestnancov, ale rýchlosťou rozhodovania, kvalitou a priepustnosťou. Kto postupuje takto, oddelí skutočný prínos agentických systémov od marketingového pojmu, a presne o to v roku 2026 ide.