História AI Agents

História AI Agents siaha od klasického pojmu agenta vo výskume AI (systém, ktorý vníma svoje prostredie a reaguje naň akciami) cez vzor ReAct (2022), ktorý spája Reasoning a Acting v rovnakom LLM-loope, až po dnešných Frontier-LLM agentov. Otvorené štandardy ako MCP (2025) a A2A (2025) prepájajú agentov s Tools a navzájom medzi sebou.

Najdôležitejšie míľniky na prvý pohľad:

• Klasický pojem agenta: Agent vníma svoje prostredie a koná naň cielene (Perceive-Act). Tento základný princíp je starý; nové je LLM-Core ako riadenie.
• ReAct (2022): Reasoning a Acting splývajú v rovnakom LLM-loope. Vzor Perceive-Reason-Act-Observe sa stáva stavebným plánom moderných agentov.
• Štandardizácia (2025): MCP prepája agentov s Tools, A2A prepája agentov navzájom. Oba sa stávajú otvorenými protokolmi pod záštitou Linux Foundation.

Klasický pojem agenta: vnímanie a akcia

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

Títo skorí agenti mali už v náznaku dve zo štyroch vlastností moderných AI Agents: vnímanie prostredia a cielene zameranú akciu. Chýbalo výkonné Reasoning-jadro, ktoré by dokázalo viacstupňovo plánovať a dynamicky vyberať nástroje. Práve túto medzeru uzatvárajú Large Language Models.

Zlomový bod: ReAct (2022)

Koncepčný prelom prišiel so vzorom ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct znamená Reasoning a Acting v rovnakom LLM-loope: model nielen rozmýšľa nad úlohou, ale tieto úvahy priamo prepája s akciami, napríklad Tool-Calls, a pozoruje výsledky, kým plánuje ďalej.

Tým vzniká Reasoning-loop, ktorý dodnes tvorí jadro agenta: Perceive → Reason → Act → Observe, iteratívne opakovaný, kým sa nedosiahne cieľ alebo sa beh neukončí. ReAct poskytol spojovací článok medzi starým pojmom agenta (vnímanie-akcia) a novým svetom jazykových modelov. Až teraz boli pohromade všetky štyri povinné vlastnosti AI Agenta: riadenie podporované LLM, viackrokové plánovanie, Tool-Use a cielene zameraná autonómia v Guardrails.

Od Augmented LLMs k autonómnym agentom

Po ReAct sa krajina agentov vyvíjala ďalej pozdĺž modelu úrovne zrelosti, ktorý dobre zachytáva rastúcu autonómiu:

Rozhodujúci skok leží medzi L3 a L4. Pri Workflow-agentovi je cesta vopred definovaná; LLM len vypĺňa medzery v deterministickej pipeline. Autonómny agent (L4) naopak sám rozhoduje, ktoré Tools v akom poradí použije, a iteratívne prispôsobuje svoj plán. Práve tu sa agent vypláca: keď cestu riešenia nie je možné naplánovať vopred.

Konkrétnym príkladom L4 je Coding-agent ako Claude Code. Dostane cieľ (napríklad opraviť bug), na to si samostatne číta súbory, spúšťa testy, pozoruje výsledky a na tomto základe rozhoduje, ktorý súbor zmení ako nasledujúci. Poradie krokov nie je v skripte, ale vzniká v loope. To je praktický rozdiel medzi klasickým workflow a skutočným agentom.

Frontier-LLMs ako nové jadro agenta

S Frontier-LLMs novšej generácie sa Reasoning-loop stal dostatočne robustným pre produktívne úlohy. Päť komponentov dnes tvorí agenta: LLM-Core pre Reasoning, Memory (krátkodobá ako Context, dlhodobá cez Vektor, RAG alebo súbory), Tools (Function-Calls, API, MCP servery, Browser, Code-Sandbox), Planner, ktorý rozkladá cieľ na čiastkové kroky, a Executor, ktorý vykonáva Tool-Calls a pritom dohliada na Turns, Loop-Limits a Guardrails.

Táto architektúra zároveň vysvetľuje, prečo nie je potrebný vlastný, samostatne trénovaný model: API-LLMs dodávajú Reasoning-jadro, logika agenta vzniká vo vrstve nad ním.

2025: rok štandardizácie (MCP a A2A)

Do roku 2024 bolo každé pripojenie nástrojov prevažne proprietárne. Rok 2025 priniesol rozhodujúcu štandardizáciu, a to v dvoch dimenziách.

MCP (Model Context Protocol) štandardizuje prepojenie medzi agentom a Tool. Špecifikácia nesie verziu 2025-11-25; v decembri 2025 bol MCP odovzdaný Linux Foundation, respektíve Agentic AI Foundation. Medzitým existuje viac ako 10 000 MCP serverov. MCP tým odpovedá na otázku, ako agent herstellerneutrálne (nezávisle od výrobcu) pristupuje k externým nástrojom.

A2A (Agent-to-Agent) štandardizuje prepojenie agentov navzájom a tvorí tým technický základ pre Multi-Agent systémy (L5). A2A je od júna 2025 pod Linux Foundation a podporuje ho viac ako 150 organizácií. Tým sa koordinácia viacerých špecializovaných agentov, napríklad Orchestrator plus odborní agenti, stáva prepojiteľnou cez hranice výrobcov.

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

Kde sa nachádzame dnes: hype naráža na realitu

Historický oblúk sa zatiaľ končí vo fáze vytriezvenia a konsolidácie. Rozšírenie jednoznačne stúpa, produktívna úroveň zrelosti však zostáva nízka.

Podľa McKinsey State of AI 2025 škáluje aspoň jeden agentický use case len 23 percent firiem, ďalších 39 percent experimentuje; v žiadnej obchodnej funkcii nie je podiel škálovaných use cases nad 10 percent. Gartner očakáva (stav jún 2025), že viac ako 40 percent agentických AI projektov bude do konca roka 2027 ukončených. Sprevádza to Agent-Washing: podľa Gartnera má skutočné agentické schopnosti len približne 130 poskytovateľov.

Poučenie z tejto najnovšej histórie je pragmatické: nerozhoduje framework, ale use case. Agent sa oplatí tam, kde cestu riešenia nie je možné naplánovať vopred; všade inde je workflow alebo klasická RPA lacnejšia a robustnejšia. Otvorené štandardy ako MCP a A2A pritom znižujú viazanosť na jednotlivých výrobcov a robia architektúry odolnejšími voči budúcnosti.

Poznámka: Uvedené regulačné a právne aspekty sú informačné a nepredstavujú právne poradenstvo.