Čo sú AI Agenti?

Definícia: Čo je AI Agent?

AI Agent (KI-Agent) je softvérovo založený systém na báze (Large) Language Modelu, ktorý autonómne sleduje vopred zadaný cieľ: vníma svoje prostredie, plánuje viacstupňovo, samostatne vyberá a využíva externé nástroje (Tools, APIs, dátové zdroje), pozoruje výsledky a iteratívne prispôsobuje svoj plán, až kým cieľ nedosiahne alebo nie je prerušený.

Táto definícia sa zhoduje s kanonickými popismi vedúcich poskytovateľov. Anthropic architektonicky oddeľuje agentov (LLM dynamicky riadi cestu a Tool-Use) a Workflows (vopred definované code-cesty). OpenAI popisuje agentov ako „systems that independently accomplish tasks on behalf of users". IBM zdôrazňuje autonómne vybavovanie úloh prostredníctvom návrhu Workflows s nástrojmi, Microsoft dopĺňa aspekt „context awareness".

Štyri povinné vlastnosti

Systém je skutočným agentom len vtedy, keď spĺňa všetky štyri nasledujúce vlastnosti. Ak jedna chýba, ide o chatbot, Workflow alebo Assistant:

1. LLM-riadené riadenie, Language Model robí riadiace rozhodnutia, nie deterministický kód ako primárna kontrolná inštancia.
2. Viacstupňové plánovanie, Priebeh nasleduje vzor Perceive → Reason → Act → Observe, často počas viacerých iterácií.
3. Tool-Use, Agent samostatne využíva externé funkcie, APIs alebo databázy.
4. Cieľovo orientovaná autonómia, Agent sleduje cieľ samostatne, ale v rámci definovaných Guardrails.

Práve tento bod spôsobuje v praxi „Agent washing": mnohé produkty predávané ako „Agent" sú v skutočnosti chatboty s jediným Tool-Call alebo klasické RPA-skripty.

Odlíšenie: Agent vs. Chatbot vs. RPA vs. Workflow vs. Assistant

Nasledujúca matica ukazuje, v čom sa agent líši od príbuzných konceptov. Stĺpce popisujú vždy typické správanie, prechody sú v praxi plynulé.

Najdôležitejšia deliaca línia: Workflow alebo RPA-Bot nasleduje vopred definovanú cestu, zatiaľ čo agent dynamicky rozhoduje o poradí krokov a voľbe Tools. Chatbot reaguje primárne textom; agent koná viacstupňovo a autonómne.

5 komponentov AI Agenta

Z technického hľadiska pozostáva agent z piatich kľúčových komponentov, ktoré spolupracujú:

1. LLM-Core, Reasoning-Engine. Vyberá ďalší krok a riadi Function-Calling. Tu sa rozhoduje, či sa vôbec použije nejaký nástroj a ktorý.
2. Memory, pamäť. Krátkodobá pamäť je konverzačný context aktuálneho behu; dlhodobá pamäť je realizovaná cez vektorové databázy, RAG (Retrieval-Augmented Generation) alebo súbory.
3. Tools, ruky agenta. Patria sem Function-Calls, APIs, MCP-servery, prehliadač alebo Code-Sandboxes.
4. Planner, rozkladá cieľ na čiastkové kroky. Plánovanie môže prebiehať implicitne v LLM alebo byť modelované explicitne ako graf.
5. Executor, vykonáva Tool-Calls, riadi jednotlivé Turns ako aj Loop-Limits a presadzuje Guardrails.

Reasoning-Loop: Perceive → Reason → Act → Observe

Srdcom každého agenta je iteratívny slučkový mechanizmus. Koncepčne vychádza z ReAct-vzoru (Yao et al. 2022), ktorý spája Reasoning a Acting:

1. Perceive, Agent vníma vstup a cieľ, aktuálny context a svoju Memory.
2. Reason, LLM plánuje: ktorý nástroj alebo ktorý krok dáva zmysel ako ďalší?
3. Act, Agent vykonáva akciu (Tool-Call, volanie API, spustenie kódu).
4. Observe, Agent načíta výsledok a zapíše ho do Memory.

Potom agent overuje: Je cieľ dosiahnutý? Ak nie, Loop začína znova pri Perceive. Práve toto dynamické opakovanie, a nie pevne zapojený priebeh, tvorí rozdiel oproti klasickej automatizácii. Bezpečnostné mechanizmy ako Loop-Limits, Token-Budgets a Human-in-the-Loop-body pritom zabraňujú nekonečnému zacykleniu alebo nezvratným chybným akciám.

Stupne vyspelosti: L1 až L5

Nie každý systém, ktorý využíva LLM, je rovnako autonómny. Užitočný model stupňov vyspelosti rozlišuje päť úrovní:

• L1, Reflexný agent: Založený na pravidlách, bez skutočného Reasoning (napr. FAQ-Bot).
• L2, Augmented LLM: LLM s jediným Tool-Call, čisto reaktívny.
• L3, Workflow-Agent: LLM koná v rámci deterministickej pipeline (Prompt-Chaining, Routing). Cesta je z veľkej časti vopred daná.
• L4, Autonómny agent: LLM dynamicky riadi poradie a voľbu Tools a prechádza plným Loopom (napr. Coding-agenti ako Claude Code alebo Deep-Research-systémy).
• L5, Multi-Agent-System: Viacero autonómnych agentov sa koordinuje, napríklad cez A2A-protokoly (Agent-to-Agent), s Orchestrátorom a špecializovanými agentmi.

Pre väčšinu produktívnych B2B-aplikácií leží „Sweet Spot" dnes medzi L3 a L4. L5-systémy sú mocné, ale náchylné na Compounding Errors, malé chyby jednotlivých agentov, ktoré sa naprieč reťazcom kumulujú.

Prehľad frameworkov

Pre stavbu agentov sa etabloval rozmanitý, herstellerneutrálny ekosystém. Nasledujúci výber pokrýva najbežnejšie možnosti:

• LangGraph, prístup grafu, resp. State-Machine, vhodný pre komplexné, kontrolované Workflows.
• CrewAI, zameraný na Multi-Agent-Systémy s definovanými rolami.
• OpenAI Agents SDK, minimalistický, s Tools, Handoffs, Guardrails a Tracing.
• Anthropic Claude Agent SDK, Toolkit na stavbu agentov na báze modelov Claude.
• Microsoft Agent Framework, spája AutoGen a Semantic Kernel, s natívnou MCP- a A2A-podporou.
• n8n, Low-Code-platforma, obzvlášť rozšírená v prostredí DACH-MSP.
• Pydantic AI, zameranie na typovú bezpečnosť pre robustných, dobre testovateľných agentov.

Dôležité: Voľba frameworku by mala nasledovať až po vyjasnení Use-Case, nie pred ním.

AI Agents v DACH-kontexte: Compliance a suverenita

Kto nasadzuje agentov v DACH-regióne produktívne, mal by viaceré právne rámce naplánovať včas:

• EU AI Act, čl. 50 (transparentnosť): Povinnosť zverejnenia voči používateľom (napr. že interagujú s AI-systémom) platí nezmenene od 02.08.2026.
• High-Risk (Annex III): Podľa dohody Digital-Omnibus zo 07.05.2026 by povinnosti mohli prípadne nadobudnúť účinnosť až od 02.12.2027, do formálneho prijatia však právne naďalej platí 02.08.2026.
• EU AI Act, čl. 4 (AI-kompetencia): Povinnosť školenia personálu platí už od 02.02.2025.
• GDPR, čl. 22: Pri automatizovaných individuálnych rozhodnutiach musí byť možný ľudský override.
• GDPR, čl. 28: S LLM-poskytovateľmi je potrebná zmluva o spracovaní údajov (AVV).
• GDPR, čl. 35: Pri novej technológii alebo systematickom spracovaní je spravidla potrebné posúdenie vplyvu na ochranu údajov (DSFA), pri zavádzaní agentov je väčšinou nutné.
• Spolurozhodovanie: V Nemecku platí BetrVG §87 ods. 1 č. 6, v Rakúsku ArbVG §96. Zamestnaneckú radu treba teda zapojiť včas.

Pre organizácie s vysokými nárokmi na digitálnu suverenitu existujú EU-založené možnosti, napríklad Aleph Alpha Pharia (na STACKIT), Mistral, IONOS alebo OVHcloud.

Typické chyby (Pitfalls)

V praxi agentické projekty zriedka stroskotávajú len na technike. Najčastejšie úskalia:

• Agent washing: Chatbot alebo RPA-Bot sa predáva ako „Agent".
• Voľba frameworku pred jasnosťou Use-Case: Vedie do „Pilot Purgatory", približne dve tretiny pilotov nedosiahnu škálovanie.
• Podcenená príprava dát a preskočená DSFA.
• Ignorované spolurozhodovanie (BetrVG / ArbVG).
• Explózia Token-nákladov v dôsledku nekontrolovaných Reasoning- a Tool-Loops.
• Zaobchádzanie s agentmi ako s deterministickými, hoci pracujú probabilisticky.
• Chýbajúca Observability a žiadny Audit-Trail.
• Vendor-Lock-in ako aj nasadenie „agenta" pre jednoduchý Retrieval, kde sa lepšie hodí Workflow alebo Assistant.
• Žiadny Human-in-the-Loop pri nezvratných akciách a Compounding Errors v Multi-Agent-Systémoch.

Že sú tieto riziká reálne, ukazujú trhové dáta: Podľa Gartner (jún 2025) bude vyše 40 % agentických AI projektov do konca roka 2027 prerušených. Súčasne podľa Bitkom (2026) hlási 33 % podnikov vyššie náklady, ako sa očakávalo.

Kedy sa agent oplatí?

Centrálne rozhodovacie pravidlo znie: Agent sa oplatí až vtedy, keď cesta riešenia nie je vopred plánovateľná a je potrebné LLM-rozhodnutie. Ak sa priebeh dá kompletne vopred namodelovať, je Workflow-Automation alebo Copilot lacnejší, rýchlejší a robustnejší.

Pragmatický nástup vyzerá takto:

• Vybrať 1 až 3 Use Cases s jasným, merateľným ROI.
• Začať s Low-Risk-, resp. Read-only-pilotom.
• Predvídať Human-in-the-Loop pre všetky nezvratné akcie.
• Myslieť na DSFA a zamestnaneckú radu od 1. dňa.
• Staviť na vendor-agnostický stack, aby sa predišlo Lock-in.

Stupeň vyspelosti trhu podčiarkuje túto opatrnosť: Podľa McKinsey State of AI 2025 škáluje zatiaľ len 23 % podnikov aspoň jeden agentický Use Case, ďalších 39 % experimentuje, spolu teda 62 %. V žiadnej jednotlivej funkcii však podiel škálovaných agentov nepresahuje 10 %.

Výhľad

Agentic AI sa rýchlo vyvíja z fázy experimentovania do fázy štandardizácie. Dva protokoly poháňajú interoperabilitu: Model Context Protocol (MCP) bol v Spec-verzii 2025-11-25 ďalej rozvinutý a v decembri 2025 darovaný Linux Foundation, resp. Agentic AI Foundation; počíta už vyše 10 000 aktívnych MCP-serverov. A2A-protokol (Agent-to-Agent) je od júna 2025 takisto pri Linux Foundation a podporuje ho vyše 150 organizácií.

Táto štandardizácia znižuje prekážky pre Multi-Agent-Systémy a vendor-agnostické architektúry. Súčasne stúpa regulačný stupeň vyspelosti, práve v DACH-regióne s EU AI Act a GDPR. Pre rozhodovateľov to znamená: Kto dnes začne s jasne vymedzenými, dobre governovanými pilotmi, vytvára základ na to, aby pri ďalšom skoku vyspelosti neuviazol v „Pilot Purgatory".