AI Agents: FAQ pre rozhodovacích pracovníkov
AI Agent je softvérovo založený systém postavený na (Large) Language Modeli, ktorý autonómne sleduje vopred stanovený cieľ: vníma svoje prostredie, plánuje viacstupňovo, samostatne vyberá a používa externé nástroje (Tools, API, dátové zdroje), pozoruje výsledky a iteratívne prispôsobuje svoj plán, kým cieľ nedosiahne alebo sa proces nepreruší. Pre rozhodovacích pracovníkov je kľúčové: agent sa oplatí až vtedy, keď cestu k riešeniu nemožno naplánovať vopred.
Key Takeaways
- ✓AI Agent sa od chatbotov, RPA a workflow-automation odlišuje štyrmi povinnými vlastnosťami: riadením podporovaným LLM, viacstupňovým plánovaním (Perceive→Reason→Act→Observe), dynamickým Tool-Use a cieľovo orientovanou autonómiou v rámci Guardrails.
- ✓Agenti sa oplatia len vtedy, keď cestu k riešeniu nemožno naplánovať vopred. Pri pevných cestách sú workflow-automation alebo RPA lacnejšie, robustnejšie a menej náročné na compliance.
- ✓Zrelosť trhu je opatrná: podľa McKinsey State of AI 2025 škáluje aspoň jeden agentický use case len 23 percent firiem; Gartner (jún 2025) očakáva, že vyše 40 percent agentických AI projektov bude do konca roka 2027 zrušených.
- ✓Compliance patrí do procesu od prvého dňa: EU AI Act (čl. 50 transparentnosť od 02.08.2026), GDPR-DPIA (čl. 35), ako aj zamestnanecká rada podľa BetrVG §87 (DE), resp. ArbVG §96 (AT). Upozornenie: informatívne, nejde o právne poradenstvo.
- ✓Pragmatický štart: 1 až 3 use cases s jasným ROI, low-risk pilot s Human-in-the-Loop, výsledkové KPI namiesto metrík aktivity, vendor-agnostická voľba frameworku podľa use case.
- ✓Náklady sa často podceňujú: náklady na tokeny a reasoning poháňajú výdavky; podľa Bitkom 2026 hlási 33 percent firiem vyššie AI náklady, než sa očakávalo. Routing a caching ich tlmia.
AI Agent je softvérovo založený systém postavený na (Large) Language Modeli, ktorý autonómne sleduje vopred stanovený cieľ: vníma svoje prostredie, plánuje viacstupňovo, samostatne vyberá a používa externé nástroje (Tools, API, dátové zdroje), pozoruje výsledky a iteratívne prispôsobuje svoj plán, kým cieľ nedosiahne alebo sa proces nepreruší.
Pre rozhodovacích pracovníkov možno najdôležitejšie otázky zhustiť do troch kľúčových odpovedí:
- Čo je iné? Agent plánuje dynamicky a nástroje si vyberá sám, namiesto toho, aby sledoval vopred definovanú cestu. Práve to ho odlišuje od chatbota, RPA a workflow-automation.
- Kedy sa oplatí? Až vtedy, keď cestu k riešeniu nemožno naplánovať vopred. Ak je postup známy, klasická automation alebo RPA sú lacnejšie a stabilnejšie.
- Na čom záleží pri zavedení? Jasný use case s ROI, Human-in-the-Loop pri nezvratných akciách, DPIA a zamestnanecká rada od začiatku, vendor-agnostické uvažovanie.
Konkrétny príklad
Typický L4 agent (autonómny agent) je výskumný asistent, ktorý má zodpovedať otvorenú otázku. Rozloží cieľ na čiastkové kroky, samostatne spustí webové vyhľadávanie, prečíta výsledky, sformuluje nadväzujúce otázky, preverí rozpory a na záver zhrnie podloženú odpoveď. Nikto mu nezadal presné poradie vyhľadávacích dopytov. Práve toto dynamické riadenie v reasoning-loope (Perceive→Reason→Act→Observe) tvorí rozdiel oproti pevne zadrôtovanej pipeline.
Kde sa trh aktuálne nachádza?
Očakávania sú vysoké, škálovanie opatrné. Podľa McKinsey State of AI 2025 škáluje aspoň jeden agentický use case zatiaľ len 23 percent firiem, ďalších 39 percent experimentuje; v žiadnej funkcii nepresahuje podiel škálovaných use cases 10 percent. Gartner (jún 2025) očakáva, že vyše 40 percent agentických AI projektov bude do konca roka 2027 zrušených, často pre nejasný business case a podcenenú náročnosť. Pre rozhodovacích pracovníkov to znamená: triezvo prioritizovať namiesto plošného nasadzovania.
Agent, chatbot, RPA, workflow alebo asistent?
Nasledujúca matica zaraďuje pojmy, ktoré sa na trhu často zamieňajú:
Kritérium | AI Agent | RPA | Workflow-Automation | Asistent | |
|---|---|---|---|---|---|
Trigger | cieľová udalosť | správa | časové pravidlo | udalosť | |
Reasoning | LLM, viacstupňové | intent-matching | žiadne (pravidlový skript) | podmienená logika | LLM, jednostupňové |
Tool-Use | dynamický, mnoho | väčšinou žiadny | UI-boty, screen-scraping | predpripravené konektory | obmedzený |
Memory | krátkodobá a dlhodobá | session | žiadna | workflow-state | session |
Autonómia | vysoká | veľmi nízka | stredná, skriptovaná | nízka | nízka až stredná |
Údržba | vysoká | nízka až stredná | stredná až vysoká (zlomy UI) | nízka | nízka |
Pravidlo: workflow-automation a RPA sledujú vopred definovanú cestu, agent rozhoduje o ceste dynamicky za behu. Z toho vyplýva aj vyššia náročnosť agenta na údržbu a compliance.
Aký zrelý je „môj" agent? Stupne L1–L5
- L1 Reflex: pravidlovo založený, bez LLM (FAQ-bot, termostat).
- L2 Augmented LLM: LLM plus jeden tool-call, reaktívny (napr. ChatGPT s webovým vyhľadávaním).
- L3 Workflow-Agent: LLM v deterministickej pipeline (Prompt-Chaining, Routing).
- L4 Autonómny agent: LLM dynamicky riadi poradie a voľbu nástrojov, plný loop (napr. Claude Code, Deep Research).
- L5 Multi-Agent-System: viacero autonómnych agentov sa koordinuje cez A2A (orchestrátor plus špecialisti).
Táto škála pomáha pri rozhovore s dodávateľom: kto hovorí „autonómny agent", ale dodáva len L2/L3, prevádzkuje „agent washing". Podľa Gartnera disponuje skutočnými agentskými schopnosťami len asi 130 z tisícok poskytovateľov.
Štandardy: MCP a A2A
Dva otvorené štandardy štruktúrujú ekosystém. MCP (Model Context Protocol) štandardizuje prepojenie agent↔tool; špecifikácia 2025-11-25 bola v decembri 2025 odovzdaná Linux Foundation, existuje vyše 10 000 MCP serverov. A2A (Agent-to-Agent) štandardizuje komunikáciu agent↔agent a od júna 2025 spadá pod Linux Foundation s vyše 150 zúčastnenými organizáciami. Pre rozhodovacích pracovníkov sú oba argumentom pre vendor-agnostické architektúry, ktoré znižujú lock-in.
Compliance: Čo musia DACH rozhodovacie pracovníci včas vyjasniť
Upozornenie: informatívne, nejde o právne poradenstvo; právne lehoty sčasti provizórne.
- EU AI Act: Povinnosti transparentnosti podľa čl. 50 platia od 02.08.2026. Povinnosť AI-kompetencie (čl. 4) platí už od 02.02.2025. Zaradenia do high-risk podľa Annex III sa môžu podľa Digital-Omnibus (07.05.2026) posunúť na 02.12.2027, do formálneho prijatia zostáva právne rozhodujúci 02.08.2026.
- GDPR: Pri agentických systémoch je posúdenie vplyvu na ochranu údajov (čl. 35) väčšinou nevyhnutné; relevantné sú navyše čl. 22 (automatizované rozhodnutia) a čl. 28 (spracovanie poverenými spracovateľmi).
- Spolurozhodovanie: Pred zavedením treba zapojiť zamestnaneckú radu, v Nemecku podľa BetrVG §87, v Rakúsku podľa ArbVG §96.
Časté chyby pri zavádzaní
Najdrahšie pitfalls sú zriedka technické. Často sa framework volí pred use case, podceňuje sa príprava údajov, preskakuje sa DPIA alebo sa vynecháva Human-in-the-Loop pri nezvratných akciách. Rovnako rizikové: explózia nákladov na tokeny bez routingu a cachingu, zaobchádzanie s agentmi ako s deterministickými a chýbajúca observability. Pragmatický štart adresuje práve tieto body: 1 až 3 use cases s merateľným ROI, low-risk pilot s ľudským schválením, výsledkové KPI namiesto metrík aktivity, ako aj DPIA a zamestnanecká rada od prvého dňa.
Často kladené otázky
Aký je rozdiel medzi AI Agentom a chatbotom?
Aký je rozdiel medzi Agentic AI a AI Agentom?
Potrebujeme vlastný LLM, aby sme mohli nasadiť agentov?
Kedy sa oplatí agent oproti workflow-automation alebo RPA?
Ako vyberieme správny agent-framework?
Čo sú MCP a A2A a prečo sú pre nás relevantné?
Aké právne povinnosti platia v DACH? (informatívne, nejde o právne poradenstvo)
Je pre agentické systémy potrebné posúdenie vplyvu na ochranu údajov (DPIA)?
Musí byť zapojená zamestnanecká rada?
Prečo sú agenti často drahší, než sa očakáva, a ako sa náklady tlmia?
Prečo zlyháva toľko agent-projektov?
Ako meriame úspech agenta?
Ísť hlbšie?
Získajte nové analýzy priamo do schránky – alebo sa pozrite, ako tieto poznatky nasadzujeme pre firmy.