História AI agentov

História AI agentov siaha od klasického pojmu agenta vo výskume AI (systém, ktorý vníma svoje prostredie a reaguje naň akciami) cez vzor ReAct (2022), ktorý spája uvažovanie a konanie v tej istej slučke LLM, až po dnešných agentov postavených na frontier LLM. Otvorené štandardy ako MCP (2024) a A2A (2025) prepájajú agentov s nástrojmi aj navzájom.

Časová os AI agentov od roku 1966 do roku 2025

• 1966 až 1972, Shakey: V SRI vzniká Shakey, prvý mobilný robot, ktorý vníma svoje okolie a uvažuje o ňom. Plánuje trasy a presúva jednoduché predmety.
• 1995, učebnicová definícia: Stuart Russell a Peter Norvig vydávajú knihu „Artificial Intelligence: A Modern Approach“. Predslov k prvému vydaniu robí z inteligentného agenta ústredný motív celej knihy: systém, ktorý prijíma vnemy zo svojho prostredia a vykonáva akcie.
• Október 2022, ReAct: Shunyu Yao a kolegovia publikujú ReAct. Uvažovanie a konanie splývajú v tej istej slučke LLM a vzor Perceive-Reason-Act-Observe sa stáva základnou schémou moderných agentov.
• Marec 2023, AutoGPT: Open-source projekt AutoGPT sám rozkladá zadaný cieľ na čiastkové úlohy a postupne ich rieši pomocou nástrojov, ako je prehliadanie webu a prístup k súborom.
• Jún 2023, function calling: OpenAI zavádza vo svojom API function calling. Modely vďaka nemu generujú štruktúrované volania externých funkcií.
• Október 2024, Computer Use: Anthropic predstavuje Computer Use: aktualizovaný model Claude 3.5 Sonnet vo verejnej beta verzii ovláda počítač, číta obrazovku, pohybuje kurzorom, kliká a píše.
• November 2024, MCP: Anthropic zverejňuje Model Context Protocol ako otvorený štandard pre prepojenie agenta s nástrojom.
• Apríl a jún 2025, A2A: Google predstavuje protokol Agent2Agent, v júni ho preberá Linux Foundation.
• December 2025, Agentic AI Foundation: Anthropic odovzdáva MCP novozaloženej Agentic AI Foundation pod záštitou Linux Foundation. Spoluzakladateľmi sú Anthropic, Block a OpenAI.

Klasický pojem agenta: vnímanie a akcia

Koncept agenta je výrazne starší ako dnešná vlna LLM. V klasickej AI sa ako agent označuje systém, ktorý vníma svoje prostredie a reaguje naň akciami, aby sledoval určitý cieľ. Najjednoduchšou formou je reflexný agent: založený na pravidlách, reaktívny, bez skutočného modelu sveta. V dnešnom zaradení podľa stupňov zrelosti to zodpovedá stupňu L1 (reflexný agent), napríklad FAQ bot alebo termostat.

Títo skorí agenti mali už v zárodku dve zo štyroch vlastností moderných AI agentov: vnímanie prostredia a akciu zameranú na cieľ. Chýbalo výkonné jadro uvažovania, ktoré by dokázalo plánovať vo viacerých krokoch a dynamicky vyberať nástroje. Práve túto medzeru zapĺňajú veľké jazykové modely.

Zlomový bod: ReAct (2022)

Koncepčný prelom prišiel so vzorom ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct znamená uvažovanie (reasoning) a konanie (acting) v tej istej slučke LLM: model priamo prepája svoje úvahy o úlohe s akciami, napríklad volaniami nástrojov, a pozoruje výsledky skôr, než plánuje ďalej.

Tak vzniká slučka uvažovania, ktorá dodnes tvorí jadro agenta: Perceive → Reason → Act → Observe, iteratívne opakovaná, kým sa nedosiahne cieľ alebo sa beh nepreruší. ReAct poskytol spojovací článok medzi starým pojmom agenta (vnímanie a akcia) a novým svetom jazykových modelov. Až teraz boli pohromade všetky štyri povinné vlastnosti AI agenta: riadenie pomocou LLM, plánovanie vo viacerých krokoch, používanie nástrojov a autonómia zameraná na cieľ v rámci guardrails.

Zaradenie dnes: päť stupňov zrelosti agentov

Nasledujúci model zrelosti zaraďuje dnešné systémy podľa miery ich autonómie. Ide o klasifikáciu, nie o časovú os: reflexní agenti stupňa L1 existovali dávno pred vznikom vzoru ReAct.

Rozhodujúci skok je medzi L3 a L4. Pri workflow agentovi je cesta definovaná vopred; LLM len vypĺňa medzery v deterministickom reťazci spracovania. Autonómny agent (L4) naopak sám rozhoduje, ktoré nástroje použije a v akom poradí, a svoj plán iteratívne prispôsobuje. Práve tu sa agent oplatí: keď sa cesta k riešeniu nedá naplánovať vopred.

Konkrétnym príkladom L4 je agent na programovanie, ako je Claude Code. Dostane cieľ (napríklad opraviť chybu), sám si na to číta súbory, spúšťa testy, pozoruje výsledky a na tomto základe rozhoduje, ktorý súbor zmení ako ďalší. Poradie krokov nie je zapísané v žiadnom skripte, vzniká v slučke. To je praktický rozdiel medzi klasickým workflow a skutočným agentom.

Frontier LLM ako nové jadro agentov

S frontier LLM novšej generácie sa slučka uvažovania stala dostatočne spoľahlivou na produkčné úlohy. Function calling a Computer Use preniesli používanie nástrojov priamo do API poskytovateľov modelov. Z akých piatich komponentov sa agent dnes skladá, vysvetľuje článok o komponentoch AI agenta.

Na agenta nepotrebuješ vlastný model, ktorý si sám natrénuješ: jadro uvažovania poskytujú LLM dostupné cez API, logika agenta vzniká vo vrstve nad nimi.

2024 a 2025: štandardizácia cez MCP a A2A

Až do zverejnenia MCP v novembri 2024 bolo každé pripojenie nástroja prevažne proprietárne: každý nový zdroj dát potreboval vlastnú integráciu. V roku 2025 nasledovali široké prijatie, A2A a odovzdanie oboch protokolov Linux Foundation. Štandardizácia sa týka dvoch prepojení: agenta s nástrojom a agenta s agentom.

MCP (Model Context Protocol) štandardizuje prepojenie medzi agentom a nástrojom. Špecifikácia má verziu 2025-11-25; v decembri 2025 bol MCP odovzdaný Agentic AI Foundation pod záštitou Linux Foundation. Dnes už existuje viac ako 10 000 MCP serverov. MCP tak odpovedá na otázku, ako agent pristupuje k externým nástrojom nezávisle od výrobcu.

A2A (Agent-to-Agent) štandardizuje prepojenie agentov navzájom a tvorí tak technický základ pre multiagentové systémy (L5). A2A je od júna 2025 pod Linux Foundation a podporuje ho viac ako 150 organizácií. Koordinácia viacerých špecializovaných agentov, napríklad orchestrátora a odborných agentov, tak funguje aj naprieč hranicami výrobcov.

Tieto dva protokoly predstavujú prechod od izolovaných jednotlivých agentov k otvorenému ekosystému.

Kde sme dnes: humbuk naráža na realitu

Historický oblúk sa zatiaľ končí vo fáze vytriezvenia a konsolidácie. Rozšírenie jasne rastie, zrelosť v produkcii však zostáva nízka.

Podľa McKinsey State of AI 2025 škáluje aspoň jeden agentický prípad použitia len 23 percent firiem, ďalších 39 percent experimentuje; v žiadnej obchodnej funkcii nepresahuje podiel škálovaných prípadov použitia 10 percent. Gartner očakáva (stav k júnu 2025), že viac ako 40 percent projektov agentickej AI bude do konca roka 2027 zrušených. Sprevádza to agent washing: podľa Gartnera má skutočné agentické schopnosti len približne 130 poskytovateľov.

Poučenie z tejto najnovšej histórie je pragmatické: rozhoduje prípad použitia, framework je až druhoradý. Agent sa oplatí tam, kde sa cesta k riešeniu nedá naplánovať vopred; všade inde je workflow alebo klasická RPA lacnejšia a spoľahlivejšia. Otvorené štandardy ako MCP a A2A pritom znižujú závislosť od jednotlivých výrobcov a lepšie pripravujú architektúry na budúcnosť.