AI agent vs. chatbot: v čom je rozdiel

Chatbot reaguje na správu používateľa textovou odpoveďou a tým končí. AI agent sleduje zadaný cieľ autonómne: plánuje v niekoľkých krokoch, samostatne vyberá a používa externé nástroje (API, dátové zdroje, kód), vyhodnocuje výsledky a iteratívne upravuje svoj plán, kým cieľ nedosiahne alebo kým sa proces neukončí. Rozdiel je štrukturálny: agent koná, chatbot odpovedá.

Tri najdôležitejšie odpovede hneď na úvod:

• Čo robia: Chatbot = textová odpoveď na správu. Agent = konanie v niekoľkých krokoch na dosiahnutie cieľa.
• Kto riadi cestu: Pri chatbote je logika vopred daná (rozpoznávanie zámerov alebo jednoduché LLM). Pri agentovi LLM dynamicky rozhoduje, ktorý krok a ktorý nástroj príde na rad ako ďalší.
• Čo dokážu: Chatboty spravidla nemajú prístup k nástrojom a majú iba pamäť v rámci relácie. Agenti kombinujú nástroje, pamäť (krátkodobú aj dlhodobú/RAG) a plánovač.

Konkrétny príklad

Požiadavka znie: „Zruš moju poslednú objednávku a vráť mi sumu.“

Chatbot rozpozná zámer (intent „zrušenie“) a odpovie textom: „Ak chceš zrušiť svoju objednávku, prejdi prosím vo svojom zákazníckom účte do časti ‚Moje objednávky‘.“ Informuje, konať musí používateľ sám.

AI agent rozloží cieľ: cez API načíta poslednú objednávku (nástroj 1), podľa dodacích údajov overí, či sa objednávka ešte dá zrušiť (reasoning), spustí zrušenie v objednávkovom systéme (nástroj 2), v platobnom systéme iniciuje vrátenie peňazí (nástroj 3) a potvrdí výsledok. Ak niektorý krok zlyhá, zmení plán, napríklad postúpi prípad človeku, keď suma na vrátenie prekročí stanovenú hranicu (guardrail / human-in-the-loop).

Kontrolný zoznam štyroch vlastností

Či ide o skutočného agenta, sa dá overiť podľa štyroch povinných vlastností. Splnené musia byť všetky štyri, inak ide o chatbot, workflow alebo asistenta:

1. Riadenie pomocou LLM: o riadení postupu rozhoduje (veľký) jazykový model, nie deterministický kód.
2. Viackrokové plánovanie: klasická slučka uvažovania (reasoning loop) Perceive → Reason → Act → Observe, často iteratívne.
3. Používanie nástrojov (tool use): samostatné volanie externých funkcií, API, databáz alebo MCP serverov.
4. Autonómia zameraná na cieľ: v rámci definovaných mantinelov (guardrails) pracuje systém samostatne smerom k cieľu.

Anthropic vystihuje architektonický rozdiel presne: pri agentoch riadi LLM cestu aj používanie nástrojov dynamicky, pri workflowoch prechádzajú LLM vopred definovanými cestami v kóde. OpenAI definuje agentov ako „systems that independently accomplish tasks on behalf of users“. Chatbot spravidla nespĺňa úplne ani jednu z týchto podmienok.

Porovnávacia matica: agent vs. chatbot vs. RPA vs. workflow vs. asistent

Matica ukazuje jadro veci: agent má najvyššiu autonómiu a zároveň najvyššiu náročnosť na údržbu a compliance. Chatbot je lacný a stabilný, pretože toho veľa nedokáže; agent je výkonný, ale drahý v prevádzke aj v riadení.

„Agent washing“: prečo je rozlíšenie dôležité pre rozhodovanie

Trh je plný riešení, ktoré sa predávajú ako „agent“, no pri bližšom preskúmaní sú to chatboty založené na pravidlách, RPA skripty alebo jednokrokoví LLM asistenti. Tento „agent washing“ je jednou z najčastejších pascí pri obstarávaní. Dôsledok: za funkcionalitu, ktorú by rovnako zvládol jednoduchý workflow, platíš ceny agenta a prípadne znášaš aj jeho záťaž v oblasti compliance.

Drahá je aj opačná chyba: ak sa agent nasadí na jednoduché vyhľadávanie informácií alebo na proces, ktorý sa dá naplánovať vopred, zbytočne sa platia náklady na tokeny, údržbu a compliance. Gartner predpovedá (jún 2025), že viac ako 40 % agentických AI projektov bude do konca roka 2027 zrušených. Ako dôvody Gartner uvádza rastúce náklady, nejasnú obchodnú hodnotu a nedostatočnú kontrolu rizík. Mnohé prípady použitia, ktoré sa dnes predávajú ako agentické, podľa Gartnera agentické riešenie vôbec nepotrebujú. Zároveň štúdia McKinsey State of AI 2025 ukazuje, že zatiaľ len 23 % firiem škáluje aspoň jeden agentický prípad použitia, kým 39 % experimentuje. Medzera medzi humbukom a produkčnou prevádzkou je reálna.

Orientačné pravidlo: agent sa oplatí až vtedy, keď cestu k riešeniu nemožno naplánovať vopred a keď je dynamické rozhodnutie LLM o poradí krokov a výbere nástrojov skutočne potrebné. Ak je cesta známa, sú automatizácia workflow alebo copilot lacnejšie, stabilnejšie a menej náročné na compliance.

Kedy má čo zmysel

• Chatbot: FAQ, jednoduché informácie, kvalifikácia leadov cez dialóg: pevne dané zámery, žiadna potreba konať na pozadí.
• Workflow / RPA: jasne definovaná, opakovateľná cesta so známymi krokmi (napr. nočné zosúladenie dát).
• Asistent / copilot: človek vedie, AI pomáha bodovo (návrhy, zhrnutia), bez autonómie pre nezvratné akcie.
• AI agent: otvorené úlohy s viacerými krokmi a neistou cestou k riešeniu, v ktorých musí LLM dynamicky plánovať a orchestrovať nástroje, s mantinelmi a human-in-the-loop pri kritických krokoch.

Poznámka: Údaje o compliance slúžia na informáciu a nie sú právnym poradenstvom.