CO JE AGENTNÍ AI A JAK SE LIŠÍ OD CHATBOTŮ A GENERATIVNÍ AI

MICHALA BENEŠOVSKÁ

Agentní AI (agentic AI) označuje systémy umělé inteligence, které dokážou autonomně plnit úkoly, samostatně se rozhodovat a interagovat s okolním prostředím s minimálními zásahy člověka. Jak se liší od generativní AI a jak je používat?

AI agenti jsou další stupeň AI. Přejímají iniciativu – po úvodním zadání cíle si sami navrhnou postup, dělí úkoly na podúkoly a postupně je řeší pomocí dostupných nástrojů či zdrojů dat. Tím se podstatně liší od běžných chatbotů či generativní AI typu ChatGPT. Tradiční chatboti (AI asistenti) zpravidla čekají na pokyny uživatele a odpovídají na jednotlivé dotazy; vyžadují jasně formulované zadání při každé interakci a nejednají nad rámec toho, co jim uživatel přímo zadá. Naproti tomu agentní AI může po počáteční instrukci pokračovat bez dalšího dohledu, proaktivně reagovat na průběžné výsledky a přizpůsobovat svou strategii aktuálním datům. Chatbot, jako je ChatGPT, generuje textové odpovědi na základě vzorců z tréninkových dat, ale sám od sebe nezačne plnit vícestupňový úkol – vždy čeká na další prompt uživatele. Agentní AI naopak disponuje mechanismy, které mu umožňují samostatně „promptovat sám sebe“ a posouvat řešení vpřed až k dosažení cíle.

Dalším rozdílem je, že generativní AI (např. velké jazykové modely nebo systémy pro tvorbu obrázků) primárně generují obsah (texty, obrázky, kód apod.) na základě zadaného vstupu. Agentní AI generativní modely často využívá „pod kapotou“, ale obohacuje je o další vrstvy logiky a paměti, aby generovaný obsah dokázala prakticky využít k akci. Například čínský autonomní agent Manus AI kombinuje více specializovaných AI modelů a disponuje pamětí pro ukládání zkušeností – díky tomu nejde jen o další konverzační model, ale o plně autonomního agenta schopného nezávislého rozhodování a provádění komplexních úkolů. Zatímco běžné chatboty či LLM typu ChatGPT vyžadují průběžný lidský vstup, Manus AI již zvládá sám analyzovat data, generovat reporty, nebo dokonce objednat potraviny přes internet bez pokynu člověka. Tento příklad ilustruje hlavní posun: agent není jen pasivní odpovídač, ale aktivní virtuální „pracovník“.

Shrneme-li to, chatbot odpovídá, agent koná. Díky tomu agenti s umělou inteligencí na rozdíl od tradičních chatbotů vyžadujících přesné instrukce nebo předem naprogramované reakce dynamicky reagují na živá data a měnící se požadavky. Jak si ukážeme dále, tato vlastnost otevírá zcela nové možnosti využití AI v byznysu.

Jak agentní AI funguje a proč budí takový zájem

Základem agentní AI je schopnost samostatného plánování a řetězení akcí (tzv. task chaining). Po zadání cíle agent vyhodnotí, jaké kroky k jeho splnění potřebuje, a sestaví si plán. K tomu často využívá velký jazykový model jako „mozek“, ten na základě promptů navrhuje další akce. Důležité je, že agent si tyto prompty generuje sám – například open-source projekt Auto-GPT umožňuje modelu GPT-4 si iterativně pokládat dotazy a odpovídat na ně, čímž de facto sám sebe promptuje, dokud nedokončí zadaný úkol. Odpadá tím nutnost, aby člověk do detailu specifikoval každý dílčí krok. Agentní AI také často kombinuje více modelů a funkcí: může využívat specializované modely pro různé úkoly (viz zmíněný Manus AI kombinující jazykové modely Claude a Qwen), má perzistentní paměť (uchovává si výsledky předchozích kroků a poučení z nich) a umí volat externí nástroje či služby. Například agent může použít vyhledávač k dohledání informací, spustit kalkulaci v tabulkovém procesoru nebo volat API různých aplikací – a to vše autonomně na základě svého plánu.

Z technického hlediska stojí za úspěchem agentů několik principů: jednak pokročilé zpracování přirozeného jazyka a strojové učení, jednak metody jako RAG (Retrieval Augmented Generation), kdy má agent přístup k externí znalostní bázi a dokáže do promptu dynamicky vkládat relevantní data z firemních dokumentů či databází. Právě RAG spolu s LLM umožňuje agentům operovat s aktuálními informacemi a kontextem nad rámec původních tréninkových dat modelu. Dále se využívají koncepty multimodality – moderní agenti dokážou pracovat nejen s textem, ale i s obrázky, zvukem či strukturou tabulek. Například Google Gemini poskytuje agentům možnost porozumět obrazovým a zvukovým vstupům a řešit komplexnější multimodální úkoly. Nezbytná je také integrace do okolního softwarového ekosystému (např. přístup k CRM systému, e-mailu, kalendáři, interním databázím atd.), aby agent mohl skutečně provádět užitečné akce v rámci firemních procesů.

Proč je o agentní AI takový zájem? Protože slibuje posunout možnosti automatizace na novou úroveň. O agentní AI se hovoří jako o další fázi vývoje umělé inteligence a o jednom z klíčových technologických trendů roku 2025. Prakticky všechny velké firmy vyvíjející AI na tento koncept soustředí pozornost. Už v roce 2024 jsme mohli vidět „humbuk“ kolem experimentů typu AutoGPT (mnozí jej označili za první krůček k obecné AI, ačkoli šlo spíše o dílčí demonstraci možností). V odborné komunitě zazněly odvážné predikce –například hlavní vědec OpenAI Ilya Sutskever prohlásil, že příští generace AI modelů bude skutečně agentní a schopná logicky uvažovat krok za krokem podobně jako člověk. Takové systémy budou méně předvídatelné (což je u inteligentního chování žádoucí vlastnost) a dokážou řešit komplexnější problémy než dnešní modely, které spíše jen doplňují vzorce naučené z dat.

Z byznysového pohledu budí agenti nadšení hlavně proto, že mohou automatizovat celou třídu rutinních a znalostních úkolů, které dosud museli vykonávat lidé. Firmy vidí v agentech příslib výrazného zvýšení efektivity – agent může pracovat 24/7, paralelně obsluhovat mnoho požadavků, konzistentně dodržovat nastavené postupy a učit se z každé interakce. Podle nedávného průzkumu Salesforce/MuleSoft 93 % IT lídrů ve firmách již implementovalo nebo do dvou let plánuje implementovat AI agenty, což dokládá obrovská očekávání v podnikovém sektoru. Řada podniků vkládá do agentní AI naděje, že pomůže řešit tlak na produktivitu a nedostatek kvalifikovaných pracovníků. Agenti slibují novou úroveň personalizace a proaktivity při interakci se zákazníky i zaměstnanci. Místo pasivních nástrojů můžeme mít AI kolegy, kteří sami navrhují další krok, hlídají termíny, vyhledávají příležitosti a upozorňují na problémy dřív, než nastanou.

Nástroje a platformy pro agentní AI

Ekosystém agentní AI se rychle rozvíjí. Objevila se řada nástrojů a platforem, které umožňují vytvářet a nasazovat AI agenty v praxi.

V komunitě získaly pozornost projekty jako Auto-GPT, BabyAGI, AgentGPT a další. Jde o otevřené experimentální aplikace, které propojují výkonné LLM (zejm. GPT-4) s pamětí a možností volat nástroje. Například Auto-GPT, popsaný jako autonomní „AI asistent“, umí na základě cíle zadaného v přirozeném jazyce sám generovat dílčí kroky a plnit je bez lidských zásahů. Tyto open-source agenti běží většinou na vlastním hardwaru či cloudu uživatele a jsou skvělou platformou pro experimenty, byť zatím trpí různými omezeními (stabilita, bezpečnost…). Přesto odstartovaly vlnu zájmu o autonomní AI v široké komunitě vývojářů.

Frameworky pro vývoj agentů (LangChain, IBM, Microsoft)

Pro usnadnění tvorby agentních aplikací vznikají frameworky jako LangChain – ten nabízí knihovnu komponent pro propojení LLM s různými nástroji a pamětí, takže vývojář může snadno postavit vlastního agenta (např. takového, který zvládá dotazy na firemní dokumenty, vyhledá odpovědi a sepíše zprávu). Velcí hráči také nezůstávají pozadu: IBM Watsonx Orchestrate je platforma zaměřená na podnikové využití agentů, umožňuje rychlé sestavení vlastního agenta (podle IBM „během pár minut“) a obsahuje katalog předpřipravených agentů pro HR, prodej, nákup a další oblasti. Tyto agenty lze napojit na přes 80 podnikových aplikací (Salesforce, SAP, Oracle, ServiceNow aj.) a orchestrátor dokáže koordinovat i více agentů najednou, což řeší situace, kdy v komplexním procesu spolupracuje více specializovaných AI agentů. Microsoft ve spolupráci s výzkumníky představil koncept zvaný Jarvis (HuggingGPT), kde LLM plní roli řídicího mozku, který si podle potřeby povolává další AI modely z knihovny (vidění, převod řeči, překlady atd.). Výsledkem je agent schopný vyřešit komplexní úkol kombinací různých AI služeb. Microsoft také integruje AI napříč svými produkty formou Copilotů (např. GitHub Copilot, Microsoft 365 Copilot); tito asistenti jsou zatím spíše interaktivní než plně autonomní, ale postupně získávají pokročilejší schopnosti (např. Windows Copilot s vizuální funkcí „rozhlížet se“ umí analyzovat, co je na obrazovce, a po vyhodnocení jednat). Dá se očekávat, že Microsoft časem spojí své copiloty s agentním přístupem, aby mohli samostatně provádět akce napříč aplikacemi.

Podnikové platformy agentní AI (Salesforce, SAP, Google)

Významným trendem je, že dodavatelé velkých podnikových aplikací zabudovávají agentní AI přímo do svých platforem. Salesforce uvedl platformu Agentforce, která umožňuje do podnikových procesů nasadit důvěryhodné autonomní agenty přímo propojené s daty a logikou Salesforce ekosystému. Agentforce zahrnuje nástroje pro vývoj agentů (low-code i pro-code) a marketplace AgentExchange se stovkami šablon a akcí, díky nimž mohou partneři i zákazníci rychle sestavit vlastního agenta pro různé profese. SAP oznámil nasazení vlastních AI agentů napříč svým produktovým portfoliem a rozšíření chytrého asistenta Joule –cílem je zvýšit produktivitu firem až o 30 % díky agentům integrovaným do SAP aplikací. Google vedle vývoje pokročilých modelů (Gemini) představil i protokol A2A (Agent-to-Agent) pro spolupráci více agentů a integruje agentní schopnosti do svých cloudových služeb. Například Google Cloud ve spojení se Salesforce umožní agentům přístup k vyhledávání v reálném čase (Vertex AI Search) a multimodálním funkcím – agenti tak mohou jednat na základě aktuálních poznatků z internetu a pracovat i s obrazovými či audiovstupy.

Specializovaná infrastruktura pro agenty (Nvidia, HPE)

Rozvoj agentní AI klade nové nároky na infrastrukturu – zejména na práci s daty. Výrobci hardwaru a enterprise platforem proto uvádějí řešení na míru agentům. Nvidia například hovoří o éře agentní AI a Nvidia AI Enterprise ve svém softwarovém stacku nabízí moduly pro plánování, paměť a reasoning agentů (včetně nových modelů uvažování označovaných jako Nvidia Llama Nemotron). HPE ve spolupráci s Nvidií představila jednotnou inteligentní datovou vrstvu pro AI, která má zajistit, že agenti budou mít rychlý a snadný přístup ke všem potřebným podnikovým datům napříč cloudy. Podle HPE je pro úspěch v éře agentní AI nezbytná transformace správy dat – agenti musejí umět využít vědomosti podniku v reálném čase. HPE/Nvidia platforma tak propojuje vysokovýkonná úložiště, datová jezera a AI software, aby data byla připravena ke „krmení“ modelů a agentů v průběhu jejich inferencí. Zjednodušeně řečeno: vzniká technologické zázemí pro to, aby agenti mohli bezpečně a efektivně fungovat ve velkých organizacích (od rychlých GPU serverů po datové pipeliny).

Výše uvedené příklady zdaleka nejsou vyčerpávající – ekosystém agentů zahrnuje i desítky startupů (např. Adept.ai s agentem ACT-1 ovládajícím počítač, různá řešení AI agentů pro zdravotnictví, finance atd.) a open-source knihovny.

Zavádění agentní AI ve velkých firmách

Velké technologické firmy jsou tahouny agentní AI –každá k tomu však přistupuje trochu jinak. IBM například v květnu 2025 oznámila sadu nástrojů pro budování a orchestraci AI agentů pomocí platformy Watsonx, čímž reaguje na trend agentních platforem od cloudových gigantů Google, Microsoft či Salesforce. Salesforce již od roku 2023 postupně zavádí autonomní AI agenty do svého CRM ekosystému; nejnovější generace s názvem Agentforce 2dx umožňuje agentům pracovat proaktivně na pozadí bez neustálého dohledu člověka. Pro Salesforce je agentní AI přirozeným rozšířením dosavadních AI asistentů – firma v ní vidí další evoluci automatizace. Místo aby agenti jen čekali na příkaz uživatele, samostatně vykonávají úkoly a optimalizují procesy.

Microsoft se soustředí na integraci agentních schopností do široké škály produktů: od kancelářského balíku přes operační systém až po vývojářské nástroje a cloud (Azure AI služby). Ačkoli Microsoft zatím nepředstavil jednoho univerzálního „agenta“ pro vše, postupně buduje komponenty – například napojení Copilota na kameru a mikrofon (multimodální vstupy), integrace pluginů a nástrojů do ChatuGPT (ve spolupráci s OpenAI) atd. Lze očekávat, že vyústěním bude ekosystém spolupracujících agentů: jeden v roli osobního asistenta v PC, jiný jako podpůrný AIOps nástroj v cloudu, další jako specialista v podnikové aplikaci, přičemž spolu dokážou komunikovat. Microsoft se také spolupodílel na výzkumu HuggingGPT, což je koncepce, která se dá označit za multiagentní systém řízený LLM – i to naznačuje směr, kterým se firma ubírá.

Google vedle zmíněného protokolu Agent to Agent a modelu Gemini investuje do praktických agentních aplikací zejména prostřednictvím svého cloudu. Například ve finančním sektoru experimentuje s autonomními agenty pro simulaci uživatelského chování (pro účely kyberbezpečnosti či fintech inovací). Také v oblasti vyhledávání a e-commerce Google testuje agentní přístup: místo aby uživatel jen dostal odkazy, mohl by mu agent rovnou zarezervovat letenku či objednat zboží na základě rozhovoru. Tyto funkce zatím nejsou veřejně nasazeny, ale Google na nich dle dostupných informací pracuje, aby udržel náskok. Zajímavou iniciativou je i partnerství Salesforce a Googlu – Salesforce Agentforce bude podporovat modely Google Gemini, což umožní agentům pracovat s obrázky, videem a dalšími médii a zároveň čerpat z real-time vyhledávání Google. Je vidět, že i velcí konkurenti spojují síly, aby agentní AI posunuli kupředu.

Amazon integruje agentní AI do své hlasové asistentky Alexa. V březnu 2025 představil Alexu+, která je poháněná generativní AI a cílí na to stát se osobním AI agentem pro domácnost. Alexa+ má být konverzačnější, chytřejší a schopná sama provádět složitější úkoly (např. aktivně spravovat nákupní seznamy, rezervace, rutiny v chytré domácnosti). Amazon však naráží i na překážky – při nasazování agentních funkcí v tak velkém měřítku (Alexa běží na půl miliardě zařízení) řeší problémy s halucinacemi modelu, latencí, spolehlivostí a hlavně náklady. Vedoucí AGI týmu Amazonu Rohit Prasad uvedl, že halucinace musejí být „prakticky nulové“, protože agentická Alexa by jinak mohla například objednat nesprávný produkt nebo množství. Dostat AI agenta na takovou úroveň spolehlivosti a zároveň jej provozovat nákladově efektivně na stovky milionů požadavků je velká výzva, na které Amazon intenzivně pracuje. Cílem je, aby Alexa již nejen odpovídala na dotazy, ale vykonávala úkoly automaticky.

Za zmínku stojí i IBM, které – jak bylo řečeno –nabízí Watsonx Orchestrate pro budování vlastních agentů. IBM sází na svou zkušenost v integraci podnikových systémů a propaguje vizi, že ve firmách budou v budoucnu možná tisíce až miliony agentů běžících současně. Klíčové proto bude jejich řízení, správa a zajištění bezpečnosti, aby se tento „roj“ agentů dal udržet pod kontrolou. IBM už v roce 2024 upozorňovalo na nutnost řešit orchestraci a koordinaci agentů – nyní tuto schopnost nabízí jako svou konkurenční výhodu.

Kromě technologických firem zavádějí agentní AI i společnosti v dalších odvětvích. Například finanční instituce experimentují s AI agenty pro zákaznický servis nebo detekci podvodů; výrobní podniky s agenty pro optimalizaci dodavatelských řetězců; e-commerce hráči s agentními nákupními asistenty atd. Hranice mezi chatbotem a agentem se v praxi někdy stírá – mnoho dnešních asistentů se agentům přibližuje.

Shrnutí výhod agentní AI

Agentní AI přináší výrazné úspory času a kapacit díky automatizaci rutinních úkolů, jako je vyplňování formulářů, třídění e-mailů či plánování schůzek. Uvolňuje ruce zaměstnancům, kteří se tak mohou věnovat činnostem s vyšší přidanou hodnotou. Podle dat Salesforce stráví pracovníci až 41 % času málo hodnotnou rutinou –agenti to dokážou zásadně změnit.

Díky nepřetržitému provozu a paralelnímu zpracování agenti zrychlují procesy a zvyšují produktivitu. V zákaznické podpoře například zvládnou obsloužit stovky dotazů najednou. SAP odhaduje, že agenti mohou zvýšit firemní efektivitu až o 30 %. Navíc minimalizují chyby způsobené únavou a dodržují nastavené postupy.

Agentní AI efektivně využívá data v reálném čase napříč interními i externími systémy. Uživatelům nabízí kontextově relevantní výstupy bez nutnosti hledání v různých aplikacích. Manažer tak obdrží rovnou doporučený postup i s vysvětlením, bez ruční analýzy reportů. Agenti umějí reagovat i na aktuální změny v datech, což zvyšuje agilitu rozhodování.

Další silnou stránkou je personalizace – agenti si pamatují historii interakcí a přizpůsobují komunikaci i nabídky. V B2C i B2B prostředí tak zajišťují lepší zákaznickou zkušenost, pečují o leady a připravují podklady pro obchodníky. Díky tomu dochází k rychlejší, efektivnější a osobnější komunikaci.

Agentní AI je také vysoce škálovatelná a flexibilní – nové instance lze přidat podle potřeby bez nutnosti najímat další personál. Navíc se agenti průběžně zlepšují učením z provozu.

V neposlední řadě agenti podporují spolupráci člověka a AI – přebírají rutinu a nechávají prostor pro kreativní a strategickou práci. Lidé tak mohou lépe inovovat, rychleji reagovat a zvyšovat svou pracovní spokojenost.

Slabiny a rizika agentní AI

Agentní AI nabízí velký potenciál, ale zároveň přináší řadu omezení a rizik, na která je nutné při jejím nasazení myslet.

Jedním z hlavních problémů je nespolehlivost výstupů – tzv. halucinace. Agenti založení na velkých jazykových modelech si mohou vymýšlet informace, které znějí věrohodně, ale nejsou pravdivé. To je u agentů s přístupem k důležitým systémům, kde nesprávné rozhodnutí může mít finanční, právní nebo reputační dopady, zvlášť rizikové. Důraz se proto klade na ověřování faktů, testování a nasazování bezpečnostních pojistek.

Další slabinou je nestabilní chování – agenti se mohou zasekávat ve smyčce, opakovat neúčinné kroky nebo nedojít ke správnému výsledku. Bez efektivních mechanismů sebe-kontroly a možnosti zásahu člověka může agent spotřebovávat zdroje bez užitku.

Rizikem je i přílišná autonomie. Pokud má agent volný přístup k API nebo možnost měnit data bez dozoru, může dojít k neúmyslnému poškození –například smazání důležitých dat nebo provedení transakce na základě chybného vstupu. Řešením jsou schvalovací mechanismy, auditní logy a sandbox testování. V praxi se často uplatňuje konzervativní přístup: agent navrhne akci, ale finální rozhodnutí provede člověk.

Zásadní je ochrana dat. Agenti často pracují s citlivými informacemi, a je tedy nutné ošetřit, aby data nebyla neoprávněně sdílena, uchovávána nebo použita k trénování externích modelů. Rostoucí důraz na soulad s GDPR a dalšími regulacemi vede firmy k preferenci privátních nebo on-premise řešení.

Ekonomicky může být provoz agentů náročný. Výpočetní náklady na běh pokročilých modelů jsou značné, obzvlášť ve větším měřítku. Firmy musejí zhodnotit návratnost investice: ušetří agent dost práce či peněz, aby se vyplatil?

Poslední a často opomíjený faktor je lidská důvěra. Nasazení agentů mění způsob práce – zaměstnanci se musejí sžít s novými nástroji, pochopit jejich možnosti i limity. Kdo odpovídá za chybu, kterou způsobí AI? A jsou lidé ochotni přijmout doporučení od ne-lidského kolegy? Úspěšná adopce agentní AI vyžaduje nejen technologii, ale i školení, změnu procesů a budování důvěry.

Agentní AI zatím není zralá pro zcela autonomní provoz bez dohledu. Každé nasazení vyžaduje opatrnost, testování a jasně nastavené mantinely. Důležité je mít realistická očekávání: agentní AI je výkonný pomocník, nikoli neomylný rozhodovací automat.

Závěr

Agentní AI je další krok na cestě k digitální transformaci podniků. Jak trefně poznamenal Sam Altman z OpenAI, tím, po čem opravdu toužíme, je „superkompetentní kolega, který o nás ví vše potřebné a neustále pomáhá“. AI agenti k tomuto ideálu musejí ujít ještě kousek cesty, ale už nyní dokážou být užitečnými kolegy – a je jen na nás, jak dobře je naučíme spolupracovat ve svých týmech.

Zdroje: ibm.com, techtarget.com, pymnpts. com, salesforce.com, SAP