Transformio

Manuál · kapitola 1 z 7

Čo je AI agent - a čo nie je

Slovo „agent" sa dnes lepí na takmer čokoľvek s AI vo vnútri. Predtým než sa pustíte do škály autonómie, oplatí sa mať jasno v troch veciach: čím sa agent líši od chatbotu a workflow, prečo je táto téma relevantná práve teraz a prečo autonómia nie je to isté ako agency.

Definícia · Anthropic delenie

Tri veci, ktoré sa dnes volajú „agent"

Anthropic v „Building Effective Agents" robí užitočné rozlíšenie: workflow je LLM a nástroje orchestrované cez vopred definované code paths (firma vlastní každý krok), agent je LLM, ktoré dynamicky riadi svoj vlastný proces a výber nástrojov v slučke (firma vlastní cieľ a guardrails, nie každý krok). Chatbot je najjednoduchší prípad - odpovedá, ale sám nekoná. Odporúčanie oboru znie: použite najjednoduchší pattern, ktorý prejde evaluáciou. Väčšina produkčných systémov nepotrebuje agenta - potrebuje dobrý workflow.

Chatbot

odpovedá, keď sa pýtate

Človek sa pýta
AI odpovie
Človek číta a koná sám

O ďalšom kroku rozhodujete vy. Žiadna akcia mimo konverzácie.

Príklad: ChatGPT, firemný FAQ bot

Automatizácia

vždy rovnaká cesta

Spúšťač (napr. nový e-mail)
Krok A → Krok B → Krok C
Výsledok

Cesta je nakreslená vopred človekom. AI môže pomôcť v kroku, ale mapu nemení.

Príklad: Zapier, Make, klasické workflow

AI agent

sám plánuje cestu k cieľu

Človek zadá cieľ
Agent plánuje → koná → kontroluje výsledok → preplánuje
Používa nástroje (systémy, dáta, web)
Človek dozerá podľa úrovne autonómie

O ďalšom kroku rozhoduje agent - v guardrails, ktoré nastavíte. Preto je kľúčová miera autonómie.

Príklad: Claude Code, Agentforce, autonómny SOC

Kľúčová otázka pri každom nástroji: kto rozhoduje o ďalšom kroku? Pri chatbote vy, pri automatizácii vopred nakreslená mapa, pri agentovi agent sám - a presne preto agent potrebuje guardrails a jasnú úroveň autonómie.

Detailné porovnanie

Chatbot

Plánuje kroky
Nie - odpovedá na jeden vstup naraz
Nástroje
Málo alebo žiadne
Akcia mimo chatu
Nie - zostáva v konverzácii
Príklad
FAQ bot na webe, jednoduchý support widget

Workflow

Plánuje kroky
Nie - kroky sú vopred naprogramované
Nástroje
Áno, ale po pevne danej ceste (code path)
Akcia mimo chatu
Áno, v rámci definovaného procesu
Príklad
Automatizované schvaľovanie faktúr podľa pravidiel

Agent

Plánuje kroky
Áno - sám si rozloží cieľ na kroky
Nástroje
Áno, dynamicky vyberá podľa situácie
Akcia mimo chatu
Áno - píše do CRM, posiela email, otvára PR
Príklad
Claude Code, ktorý sám opraví bug a otvorí pull request

Biznis pohľad

Čo sa zmení, keď AI dostane agentov

Väčšina firiem dnes používa AI ako asistenta: človek promptuje, AI odpovedá, človek koná. Agentické využitie je iný operating model - a preto sa aj inak riadi, meria a škáluje.

Kto ťahá prácu

Bez agentov: Človek - každý krok začína promptom

S agentmi: Agent ťahá úlohu sám, človek dozerá

Jednotka hodnoty

Bez agentov: Rýchlejší úkon - ušetrené minúty

S agentmi: Dokončený proces - hodiny až dni práce

Kedy pracuje

Bez agentov: Keď pri tom sedí človek

S agentmi: 24/7, aj na udalosti a triggery

Ako škáluje

Bez agentov: Limitované časom a počtom ľudí

S agentmi: Limitované guardrails a governance

Riziko

Bez agentov: Nízke - človek vidí každý výstup

S agentmi: Rastie s úrovňou autonómie - treba ho riadiť

Typický biznis dopad

Bez agentov: Produktivita jednotlivcov (percentá až desiatky percent)

S agentmi: Procesná úspora s dopadom na P&L

Dôležité: nejde o náhradu, ale o doplnenie. Väčšina firiem potrebuje oboje - asistentov na plošnú produktivitu a agentov na vybrané procesy, kde sa oplatí investovať do governance.


Prečo teraz

Čo sa zmenilo medzi 2024 a 2026

Tool use

Modely spoľahlivo volajú nástroje v slučke - hlavne v codingu, kde existuje automatická verifikácia (testy, kompilácia). METR meria, že najsilnejšie modely v 2026 dokončia s 50 % spoľahlivosťou úlohy v dĺžke ~16-20 hodín ľudskej práce, pri 80 % spoľahlivosti však len 3-4 hodiny.

Computer use

Agent vie ovládať obrazovku, myš a klávesnicu ako človek - vhodné pre ohraničené, opakovateľné úlohy s dozorom (vypĺňanie formulárov, presuny dát medzi systémami bez API), nie pre otvorené úlohy na voľnom webe. Hlavné neriešené riziko: prompt injection z obsahu stránok.

MCP & A2A

Model Context Protocol (MCP) sa stal de facto štandardom pre prepojenie agent↔nástroj naprieč Anthropic, OpenAI, Google, Microsoft aj AWS. Agent2Agent (A2A) pod Linux Foundation má vyše 150 organizácií a produkčné nasadenia v supply chain, financiách a IT operations už v prvom roku existencie.


Kľúčová distinkcia

Autonómia agency

Prečo je to dôležité: nízko autonómny agent so širokou agency (veľa prístupov, ale všetko schvaľované človekom) je iné riziko než vysoko autonómny agent s úzkou agency (koná sám, ale len v jednom ohraničenom systéme). Assessment aj governance kapitola manuálu hodnotia obe osi oddelene - jedno číslo „úroveň autonómie" nikdy nehovorí celý príbeh o riziku.


Slovník

Päť pojmov, ktoré budete potrebovať

Kliknite na pojem pre detail, príklady a na čo si dať pozor.

Ďalej

Teraz k tomu, čo naozaj rozhoduje o riziku

Škála autonómie 1-5 je nosná os celého manuálu. Naučíte sa ju raz a stretnete v katalógu, governance kapitole aj assessmente.

Otvoriť škálu autonómie