Loni na podzim jsem viděl demo, po kterém by člověk čekal, že za rok budou kanceláře poloprázdné. Agent dostal e-mail s reklamací, sám si otevřel objednávkový systém, dohledal zásilku, zkontroloval stav vrácení peněz a odepsal zákazníkovi. Trvalo to minutu a půl a v sále bylo ticho.

Pak jsem si stejný postup postavil na vlastních datech. Agent se zasekl u druhého kroku, protože faktura byla naskenovaná nakřivo a v čísle objednávky přečetl osmičku jako trojku, zbytek úkolu odjel poslušně dál. Jen se špatným číslem.

Rozdíl mezi demem a ostrým provozem je hlavní téma téhle rubriky. Agenti opravdu umí věci, které chatbot před dvěma lety neuměl. A zároveň velká část firemních pokusů s nimi skončí v šuplíku. Obojí platí naráz a v tomhle přehledu vám ukážu proč.

Agent je jazykový model, kterému někdo dal ruce

Chatbot vygeneruje text a čeká. AI agent dostane cíl, rozdělí si ho na kroky, každý krok provede pomocí nějakého nástroje, podívá se na výsledek a podle něj se rozhodne, co udělá dál. Tuhle smyčku opakuje, dokud úkol neskončí nebo dokud nenarazí na zeď. K tomu potřebuje tři věci. Model, který rozhoduje. Nástroje, kterými sahá do světa (vyhledávač, e-mail, tabulka, API cizí aplikace). A paměť, aby si pamatoval, co už zkusil. Vnitřkům té smyčky se budu v téhle rubrice věnovat zvlášť, tenhle přehled zůstane o patro výš.

Slovo „agent“ se přitom používá na tři dost odlišné věci, za prvé agentní režim v běžném chatbotu, který si sám otevře prohlížeč. Za druhé automatizační scénář, který běží na pozadí bez vaší přítomnosti a jazykový model v něm dělá jen jedno rozhodnutí. Za třetí systém napsaný v kódu, kterému někdo dal přístup do firemních databází. Když vám někdo nabízí „agenta“, vyplatí se zeptat, o kterou z těch tří věcí jde. Ceny i rizika se liší o řád.

Hranici mezi chatbotem a agentem, včetně toho, kdy vám bohatě stačí obyčejné chatovací okno, jsem popsal zvlášť v článku Chatbot vs AI agent: kde končí odpověď a začíná čin.

Tři patra, ve kterých se dnes automatizuje

Nejnižší patro je automatizace úplně bez umělé inteligence. Přijde e-mail s určitým předmětem, systém z něj vytáhne přílohu a uloží ji do složky. Žádný model, žádné rozhodování, jen pevná pravidla. Tohle běží ve firmách dvacet let a funguje to spolehlivě, protože se tam nemá co pokazit.

Prostřední patro je automatizace s jedním modelem uvnitř. Scénář jede po pevné trati, ale v jednom místě se zeptá jazykového modelu: je tahle stížnost naléhavá, nebo počká? Model vrátí odpověď a scénář podle ní odbočí doleva nebo doprava. Kroky jsou pořád dané dopředu. Model jen doplňuje úsudek tam, kde by pevné pravidlo nestačilo.

Nejvyšší patro je skutečný agent. Kroky nejsou dané dopředu, agent si je vymýšlí za běhu. Dostane cíl a sadu nástrojů a sám rozhodne, co použije a v jakém pořadí.

Většina firem, které mi říkaly, že „nasazují agenty“, ve skutečnosti stavěla prostřední patro. A dobře dělaly. Prostřední patro je předvídatelné, dá se otestovat a když se rozbije, člověk pozná kde. Nejvyšší patro je zajímavější na konferenci a horší na údržbu.

Agent, který sedí u vás, a agent, který běží v noci

Ještě jedno dělení, které se v přehledech často vynechává, přitom v praxi rozhoduje o všem ostatním. Interaktivní agent běží, když se na něj díváte. Zadáte úkol v chatovacím okně, sledujete, jak si otevírá stránky, a když se rozjede špatným směrem, zastavíte ho. Chyba stojí pár vteřin vaší pozornosti. Takhle fungují agentní režimy v běžných chatbotech a taky programátorské nástroje.

Naplánovaný agent běží bez vás. Spustí se ve tři ráno, projede sto e-mailů a v osm ráno se dozvíte výsledek. Nikdo ho nezastaví, nikdo mu nepotvrdí sporný krok. Když se splete u pátého e-mailu, splete se stejně i u zbylých pětadevadesáti.

Rozdíl v riziku je tady mnohem větší než rozdíl v technologii. Pod kapotou běží stejný model. Jenže u interaktivního agenta je člověk součástí smyčky a chyba se zachytí hned. U naplánovaného ne, a proto se u něj vyplatí stavět scénář na mnohem přísnějších pravidlech: menší pravomoci, jasně dané podmínky, kdy má práci raději odložit člověku, a limit na počet zpracovaných položek za jeden běh.

Většina návodů, které na internetu najdete, ukazuje interaktivního agenta, protože je vděčnější na video. Většina firemního užitku ale leží u toho naplánovaného, který nikoho nebaví natáčet.

n8n, Make a Zapier: čím se od sebe liší

Trojice, na kterou u automatizace narazíte nejdřív, si na první pohled dělá to samé. Rozdíly jsou ale poznat hned, jakmile si zkusíte postavit něco vlastního.

Zapier je z nich nejjednodušší a nejvíc svázaný. Postavíte spouštěč a k němu akce, propojíte přes devět tisíc aplikací a hotovo. Účtuje se po takzvaných úkolech (tasks), tedy po jednotlivých úspěšně provedených akcích. Zapier v dokumentaci uvádí, že spouštěče, kontroly nových dat ani vestavěné pomůcky typu Formatter se do úkolů nepočítají. Bezplatný tarif dává 100 úkolů měsíčně, jen dvoukrokové scénáře (spouštěč plus jedna akce) a data kontroluje po patnácti minutách (údaje k srpnu 2026). Agenty nabízí Zapier zvlášť pod názvem Zapier Agents a účtuje je v jiné jednotce, v takzvaných aktivitách.

Make pracuje na vizuálním plátně s kolečky a čárami. Účtovací jednotkou jsou kredity, přičemž většina akcí spotřebuje jeden kredit. Bezplatný tarif nabízí do 1 000 kreditů měsíčně, maximálně dva aktivní scénáře, patnáctiminutový nejkratší interval mezi spuštěními, soubory do 5 MB a záznamy o proběhlých spuštěních drží sedm dní. Placené tarify začínají na devíti dolarech měsíčně a odemykají mimo jiné neomezený počet aktivních scénářů a minutový interval. Funkci AI agentů má Make podle svého webu dostupnou ve všech tarifech.

n8n je z té trojice nejtechničtější a nejotevřenější. Účtuje se po celých spuštěních workflow, ne po krocích, takže scénář o čtyřiceti uzlech stojí stejně jako scénář o dvou. Cloudové tarify začínají na 20 eurech měsíčně za Starter a 50 eurech za Pro (roční platba, ceny k srpnu 2026), obojí s bezplatnou zkušební dobou bez karty.

U n8n je rozdíl mezi cloudem a vlastním serverem větší než u konkurence, tak si na to dejte pozor. Verze pro vlastní server, takzvaná Community Edition, je zdarma a bez licenčního klíče, dá se používat neomezeně dlouho. Nedostanete v ní ale přihlašování přes firemní účet (SSO), projekty, prostředí, správu tajemství, verzování přes Git ani streamování logů. Ty patří do placených tarifů. n8n také není klasický otevřený software, běží pod vlastní licencí typu fair-code, která některá komerční použití omezuje.

Praktické doporučení, když si vybíráte: Zapier vezměte, když chcete něco propojit dnes odpoledne a nechcete nic řešit. Make, když vám pomůže vizuální přehled a chystáte se scénáře větvit. n8n, když si chcete data nechat na vlastním serveru nebo počítáte s tím, že scénáře porostou do desítek kroků. Obecnější postup výběru nástroje jsem sepsal v článku Jak vybrat AI nástroj, který se vám opravdu vyplatí.

Kde automatizace s AI dnes reálně ušetří čas

Nejlíp fungují úkoly, které mají tři vlastnosti naráz: opakují se, výsledek jde rychle zkontrolovat a chyba nic nerozbije natrvalo.

Třídění příchozí pošty patří mezi nejvděčnější, model přečte e-mail, přiřadí mu kategorii a naléhavost a strčí ho do správné složky nebo do správného kanálu na Slacku. Když se splete, člověk to vidí do minuty a přesune to sám. Nic se neztratí.

Přepis mezi systémy, které spolu nemluví. Objednávka přijde e-mailem jako PDF, někdo ji musí přepsat do skladového systému. Model přečte PDF, vytáhne položky a scénář je zapíše. Tady už chyba bolí, takže se to obvykle staví tak, že výsledek čeká na schválení člověkem. Rešerše a shrnutí. Agent projde dvacet stránek, vytáhne z nich data a sestaví přehled s odkazy na zdroje. Odkazy jsou přitom to hlavní, co má člověk kontrolovat. Bez nich má takový přehled hodnotu nula, protože model si čísla občas domyslí. Proč se to děje, rozebírám v článku o halucinacích AI.

Programování. Tady se agentní přístup dostal nejdál z celého seznamu, protože má něco, co ostatní obory nemají: automatickou zpětnou vazbu. Agent napíše kód, spustí testy, testy mu řeknou, jestli to funguje, a on to podle toho opraví. Jak taková práce vypadá zevnitř, popisuji v návodu na Claude Code.

První úroveň zákaznické podpory. Agent dohledá stav objednávky, pošle fakturu, změní termín doručení. Funguje to na dotazech, které mají jednu správnou odpověď a jsou v databázi. Přestává to fungovat ve chvíli, kdy je zákazník naštvaný nebo kdy má případ výjimku.

Sledování a upozorňování. Kontrola ceny, hlídání zmínek o firmě, sledování změn na cizí stránce. Model tu dělá jednu věc: rozhoduje, jestli je změna dost podstatná na to, aby vás vyrušila.

Čísla, která se do dem nedávají

Teď ta méně veselá část. Poradenská firma Gartner v tiskové zprávě z 25. června 2025 předpověděla, že do konce roku 2027 bude zrušeno přes 40 procent projektů s agentní AI. Jako důvody uvedla rostoucí náklady, nejasný přínos a nedostatečné kontrolní mechanismy. Ve stejné zprávě Gartner pojmenoval jev, kterému říká „agent washing“, tedy přelepování starých produktů novou nálepkou. Podle jeho odhadu jsou z tisíců dodavatelů, kteří se dnes hlásí k agentní AI, skutečnými agenty asi jen stovka a půl. Zpráva MIT Project NANDA s názvem „The GenAI Divide: State of AI in Business 2025“ (autoři Aditya Challapally a kolektiv, červenec 2025) došla k tomu, že asi 95 procent firemních pilotů s generativní AI nepřineslo měřitelný dopad na hospodářský výsledek. Zpráva se hodně citovala a taky hodně kritizovala, protože stojí na 52 rozhovorech, 153 dotaznících a rozboru 300 veřejně popsaných nasazení. Jako přesné měření trhu bych ji nebral. Jako popis nálady mezi lidmi, kteří to zkoušeli, sedí dobře.

Zajímavější než ankety je měření. Tým kolem Franka F. Xu z Carnegie Mellon University postavil testovací sadu TheAgentCompany: simulovanou softwarovou firmu s vlastním GitLabem, chatem a úložištěm a se 175 pracovními úkoly napříč vývojem, projektovým řízením, HR i financemi. Nejlepší testovaný agent dokončil zcela samostatně kolem 30 procent úkolů. Zbytek buď nedodělal, nebo odevzdal špatně.

Třicet procent není málo na to, jak mladá ta technologie je. Je to ale strašně málo na to, abyste agenta pustili na práci bez dozoru. A přesně tenhle rozdíl je důvod, proč se piloty rozjíždějí snadno a končí ztěžka.

Kde se agenti lámou nejčastěji

Křehkost rozhraní. Agent, který ovládá web klikáním, spadne, jakmile se stránka překreslí. Přesune se tlačítko o dvacet pixelů a scénář, který včera fungoval, dnes klikne vedle. Automatizace přes API je nudnější a mnohem odolnější. Když si můžete vybrat, berte API.

Nabalování chyb. Chatbot udělá jednu chybu a vy si ji přečtete. Agent na svou vlastní chybu naváže dalším krokem, na ten dalším a po deseti krocích je výsledek úplně mimo, aniž by cestou cokoli hlásilo poplach. Můj agent s naskenovanou fakturou ten špatně přečtený znak nikdy nezpochybnil. Neměl proč. Pro něj to bylo číslo jako každé jiné.

Agent se sám neučí. Tohle překvapí nejvíc lidí. Když agentovi dnes opravíte chybu, zítra ji udělá znovu. Model se z vašich oprav neučí, dokud ho někdo cíleně nedoladí nebo dokud mu tu opravu nezapíšete do instrukcí. Zpráva MIT NANDA to označila za hlavní důvod, proč piloty stojí. Systém, který si nepamatuje, jak to má daná firma zavedené, potřebuje pořád stejnou porci vysvětlování.

Cena roste s počtem kroků. Každý průchod smyčkou znamená další volání modelu a další zaplacené tokeny. Agent, který si na jednoduchý úkol vezme dvacet kroků, může vyjít dráž než hodina práce brigádníka. U dlouhých úkolů se to sečte rychleji, než čekáte, protože do každého dalšího kroku jde i celá dosavadní historie.

Chybí měření. Většina pilotů nemá způsob, jak zjistit, jak často agent uspěje. Bez toho se nedá říct, jestli je 30 procent chyb v pořádku, nebo katastrofa. A bez toho se projekt neobhájí před vedením, takže po půl roce tiše zmizí z rozpočtu.

Data nejsou tam, kde si všichni myslí. Nejčastější důvod, proč pilot uvázne, nemá s AI nic společného. Firma zjistí, že informace, ke které měl agent sáhnout, existuje ve třech verzích ve třech systémech a nikdo neví, která platí. Agent tenhle nepořádek nevyřeší. Jen ho zviditelní.

Co agenti zatím spolehlivě nezvládnou

Tenhle seznam se bude rok od roku zkracovat, k září 2026 ale platí a stojí za to ho číst dřív, než někomu slíbíte termín.

Dlouhé úkoly. Čím víc kroků, tím větší šance, že se něco pokazí. Když je agent v jednom kroku úspěšný z 95 procent, po dvaceti krocích má šanci na bezchybný průběh kolem 36 procent. Tohle je počítání, ne názor, a je to hlavní důvod, proč se agentům daří na krátkých úkolech a propadají na těch, které mají hodinu trvání.

Poznat, že selhali. Agent obvykle nemá jak zjistit, jestli udělal správnou věc. Programátorský agent to má snadné, spustí testy. Agent, který napsal odpověď zákazníkovi, nemá žádný test. Ohlásí úspěch a jede dál. Tichá chyba je horší než hlasitá. Vědět, co je ve firmě zvykem. Že se objednávky nad sto tisíc posílají vždycky přes paní Novákovou, nestojí nikde napsané. Model to nemá odkud vzít a sám se na to nezeptá, dokud mu to někdo nenapíše do instrukcí.

Odhadnout následky. Agent nerozliší mezi špatně přeposlaným memem a špatně odeslanou nabídkou za dva miliony. Obojí je pro něj jedna akce v seznamu. Poradit si s nepořádkem. Naskenované dokumenty, tabulky, kde je datum jednou 3. 1. a jednou 1. 3., systémy bez rozhraní, do kterých se dá jen klikat. Právě tady leží většina práce, kterou by lidi nejradši automatizovali, a právě tady jsou agenti nejslabší.

Jednat s naštvaným člověkem. Když se zákazník rozčílí, potřebuje odpověď, která uzná problém a nabídne ústupek nad rámec pravidel. Agent umí buď pravidla, nebo hezky psát. Kombinace zatím vychází nespolehlivě, o čemž se firmy přesvědčují opakovaně.

Proč pilot nedojde do produkce

K technickým důvodům se přidávají organizační a ty bývají tvrdší.

Pilot běží na deseti vybraných případech. Produkce znamená tisíc případů včetně těch divných, na které nikdo nemyslel. Ve vzorku deseti reklamací nebyla ani jedna od zákazníka, který mezitím zemřel a píše za něj dcera. V produkci taková přijde první týden. Druhá věc je odpovědnost. Dokud jde o pilot, chyby řeší nadšenec z IT. Jakmile má agent psát zákazníkům, někdo musí podepsat, že za ty odpovědi firma ručí. Právě tady spousta projektů zamrzne, protože se ta osoba nenajde.

Třetí věc jsou lidi. Automatizace bez toho, aby někdo přepsal pracovní postup, obvykle jen přidá práci navíc. Zaměstnanci pak kontrolují agenta a zároveň dělají původní úkol ručně, protože agentovi zatím nevěří. Výsledkem jsou dvě práce místo jedné a špatná pověst celého projektu.

Jak začít, aby to přežilo první měsíc

Vyberte si úkol, který děláte aspoň desetkrát týdně a u kterého vás mrzí, kolik času sežere. Ne ten nejzajímavější. Ten nejotravnější. Napište si na papír kroky, které při něm děláte ručně. Když je nedokážete napsat, agent je nedokáže udělat. Nejasné zadání je nejčastější příčina rozbité automatizace a žádný model to za vás nespraví.

Postavte první verzi úplně bez umělé inteligence. Hodně úkolů jde vyřešit pevnými pravidly a takový scénář běží roky bez údržby, model přidejte až do místa, kde je opravdu potřeba úsudek.

Nechte scénář týden běžet naprázdno. Ať dělá práci, ale výsledek jen zapisuje do tabulky a nikam ho neodesílá. Po týdnu máte v ruce čísla, jak často se trefil. To je ten údaj, který vám nikdo jiný nedá.

Teprve pak mu dovolte jednat, a napřed jen u té části případů, kde si je jistý. Zbytek posílejte člověku. Poměr se dá postupně posouvat, jakmile čísla vydrží.

A spočítejte si to. Kolik stojí měsíční tarif, kolik stojí volání modelu, kolik hodin práce to ušetří. U některých úkolů vyjde, že se to nevyplatí, a je lepší to zjistit v Excelu než po čtvrt roce vývoje.

Na co si dát pozor

Oprávnění dávejte po kapkách. Většina nástrojů umí přístup jen pro čtení. Agent, který smí číst objednávky, ale nesmí je měnit, nadělá mnohem míň škody než agent s plným přístupem, a pro první měsíc provozu bohatě stačí. U nevratných akcí si nechte poslední krok. Odeslání zprávy zákazníkovi, platba, smazání dat, změna ve mzdovém systému. Návrh připraví agent, tlačítko zmáčkne člověk. Tenhle jeden krok navíc vás jednou zachrání.

Hlídejte, co posíláte modelu. Automatizace zpracovávající faktury a životopisy posílá do cizí služby osobní údaje. Než to spustíte, musíte vědět, kde ta služba běží a co s daty dělá. U nástrojů, které se dají provozovat na vlastním serveru, je tohle jeden z hlavních důvodů, proč si lidi vyberou právě je.

Počítejte s tím, že agentovi může poroučet cizí text. Organizace OWASP, která vydává známé žebříčky bezpečnostních chyb, vede pod označením LLM01 útok zvaný prompt injection. V nepřímé podobě funguje tak, že útočník schová instrukci do obsahu, který agent zpracuje: do textu webové stránky, do patičky e-mailu, do komentáře v dokumentu. Model mezi vaším zadáním a přečteným textem nerozlišuje tak spolehlivě, jak by bylo potřeba, a instrukci může vzít vážně. U chatbota z toho vyleze nesmyslná odpověď. U agenta s přístupem do pošty z toho může vylézt přeposlaná korespondence. Praktická obrana je nudná a funguje: dávat agentovi jen ta oprávnění, která pro daný úkol opravdu potřebuje, a nepouštět jeden a tentýž scénář zároveň k citlivým datům i k odesílání ven.

Nastavte si limity a upozornění. Scénář zacyklený ve smyčce dokáže za noc spálit měsíční limit tarifu. Většina platforem umí poslat varování, když spotřeba přeskočí nastavenou hranici.

A nastavte si vypínač. Kdo ho může zmáčknout, jak rychle a co se stane s úkoly, které zrovna běží. Když tohle nevíte, nemáte automatizaci, máte jen zapnutý stroj.

Co si vzít do příští schůzky o agentech

Až vám někdo příště ukáže demo, ve kterém agent za minutu a půl vyřídí reklamaci, položte tři otázky. Na kolika reálných případech to běželo. Jak často se to netrefilo. A co se stane, když se netrefí u zákazníka. Když na to má odpovědi včetně čísel, mluvíte s někým, kdo tu věc opravdu provozuje. Když místo čísel přijde ukázka toho, jak hladce to jde, viděli jste reklamu.

Sám na agenty nezanevřel. Ten scénář s fakturami mi nakonec běží, jen jsem mu ubral svobodu. Nečte skeny, čte strukturovaná data z e-shopu. Nerozhoduje o vrácení peněz, jen připraví podklad. Není to tak působivé jako to demo z podzimu.

Zato to funguje každý den a já se nemusím dívat.