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.