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".