AI agenti pro obchodní operace v roce 2026: nákupní průvodce
Jak hodnotit, integrovat a měřit autonomní agenty, kteří vykonávají reálnou operační práci — bez hype a bez nákladových pastí.
Daniel Nikulshyn
Editor
Tržní kontext
Co se změnilo: od deterministické RPA k agentům, kteří uvažují
Během desetiletí 2010 byla automatizace operací domínována RPA (Robotic Process Automation), přístupem založeným na pravidlech, který napodobuje lidské klikání a psaní v rozhraních. Podle Wikipedie RPA replikuje opakující se akce podle pevně daných skriptů, bez schopnosti interpretovat kontext nebo se vypořádat s neočekávanými odchylkami. To fungovalo dobře pro strukturované úkoly, ale selhalo pokaždé, když se obrazovka změnila nebo formulář dorazil v nečekaném formátu. Skok z roku 2024 do roku 2026 přišel kombinací velkých jazykových modelů (LLM) s nástroji pro provádění – což komunita začala nazývat „agenty“. Na rozdíl od RPA agent IA plánuje, rozhoduje, jakou akci provést, volá nástroje (API, prohlížeče, databáze) a před dalším krokem znovu vyhodnocuje výsledek. OpenAI a Anthropic veřejně popsaly tento vzor „používání nástrojů“ (tool use / function calling) jako hlavní mechanismus, který promění chatbot na něco, co dokáže jednat ve světě. Praktické důsledky pro operace jsou obrovské. Kde dříve byl potřeba analytik, který vyplní mezery v úsudku – rozhodne, zda je faktura správná, zařadí nejasný ticket, sladí data ze dvou tabulek s odlišnými formáty – nyní tuto fázi může zkusit agent. Neznamená to, že bude perfektní; znamená to, že hranice toho, co je automatizovatelné, se posunula. Ale existuje běžná past: zaměňovat působivé demonstrace s produkční spolehlivostí. Agent, který v pilotním projektu dosáhne 90 % úspěšnosti, může být nepřijatelný ve finančním procesu, kde každá chyba stojí hodiny opravy. Tento průvodce vychází z této reality: výběr operacíního agenta je především cvičením řízení rizika, nikoli pouhým okouzlením technologií.
- Robotic process automation (Wikipedia) — Základy a omezení automatizace založené na pravidlech, které agenti usilují překonat.
- Function calling — OpenAI docs — Oficiální dokumentace k mechanismu používání nástrojů, který umožňuje agenty.
Architektura
Anatomie spolehlivého operačního agenta
Každý seriózní operační agent sdílí stejné komponenty a pochopení těchto komponent vám umožní objektivně srovnávat dodavatele. Prvním je model uvažování — LLM, který provádí plánování. Větší modely (jako rodiny GPT, Claude nebo Gemini) lépe uvažují o úlohách s více kroky, ale stojí více za token a zvyšují latenci. Mnoho produktů používá směrování: malý model rozhoduje a velký řeší složité případy. Druhou komponentou je vrstva nástrojů. Agent je užitečný jen tehdy, když dokáže komunikovat s vašimi systémy: CRM, ERP, e‑mail, tabulky, databáze, ticketové fronty. Standardem, který se pro toto uplatňuje, je Model Context Protocol (MCP), navržený společností Anthropic jako otevřený způsob propojení modelů s datovými zdroji a nástroji. Při hodnocení dodavatele se zeptejte, kolik nativních integrací existuje a zda podporuje MCP nebo vlastní konektory přes API. Třetí je paměť. Operační agenti potřebují pamatovat kontext mezi provedeními — firemní politiky, předchozí rozhodnutí, stav probíhajícího procesu. To se obvykle kombinuje s RAG (Retrieval‑Augmented Generation) na interních dokumentech a ukládáním stavu podle úkolu. Bez paměti agent vymýšlí každé rozhodnutí znovu a vytváří nekonzistence. Čtvrtý, a zároveň nejčastěji opomíjený, je řídící smyčka: jak agent rozhodne, že je hotov, kdy požádá o lidské schválení (human‑in‑the‑loop) a co udělá při selhání. Kvalitní operační produkt umožňuje nastavit povinné kontrolní body — například „nikdy neprovádět platbu nad X bez schválení“. Nedostatek takových kontrol považujte za známku nezralosti. Nakonec je zde observabilita: logy každého kroku, stopy rozhodnutí, metriky úspěšnosti a nákladů. Bez toho operujete v temnotě a nedokážete ani ladit, ani vykazovat výkonnost. Praktické pravidlo, které doporučuji čtenářům Agent Pantheon, je jednoduché: pokud dodavatel nedokáže ukázat úplnou stopu neúspěšné exekuce, neumisťujte agenta k penězům ani ke klientům.
- Model Context Protocol — Anthropic — Otevřený standard pro propojení modelů s nástroji a firemními daty.
- Retrieval-augmented generation (Wikipedia) — Technický základ paměti dokumentů používaný operačními agenty.
Metodika nákupu
Kritéria hodnocení: matice, kterou používám před podpisem smlouvy
Správná otázka není „který agent je nejlepší“, ale „který agent sníží nejvíce riziko v mém konkrétním procesu za nejnižší celkové náklady“. Abych na to odpověděl, sestavím matici s pěti váženými osami. První je spolehlivost úkolu: míra úspěšnosti měřená na vašem vlastním souboru reálných případů, nikoli na marketingovém benchmarku poskytovatele. Požádejte o dvoutýdenní pilot s vašimi daty a ručně spočítejte chyby. Druhá osa je celková cena. Cena za uživatelské místo zřídka představuje problém; náklady na tokeny při vícekrokových provedeních a lidské náklady na revizi jsou ty, které rozbíjejí rozpočty. Agent, který vyžaduje lidskou revizi u 40 % výstupů, může být dražší než analytik. Vypočítejte náklad na úspěšně dokončený úkol, nikoli na API volání. Třetí je bezpečnost a governance. Agent bude mít přístupové údaje k vašim systémům – jak jsou spravovány? Existuje princip nejmenších privilegií, auditní stopa, izolace dat a shoda (SOC 2, ISO 27001, GDPR/LGPD)? Pro regulované provozy má tato osa veto právo: selže zde, vylučte dodavatele. Čtvrtá je křivka údržby. Automatizace se degradují, když se mění podkladové systémy. Zeptejte se, jak často se toky rozbijí, kdo je opraví a jak dlouho to trvá. Nástroje, které vyžadují dedikovaného inženýra na každý tok, mají obrovské skryté náklady. Upřednostňujte ty, které nabízejí detekci poruch a asistovanou opravu. Pátá je zkušenost s každodenním provozem: kdo ve vašem týmu řídí agenta? Pokud jej mohou upravovat jen inženýři, vytvořili jste úzké hrdlo. Nejlepší nástroje v roce 2026 poskytují manažerům provozu no‑code nebo low‑code rozhraní pro úpravu pravidel, kontrolních bodů a rozsahu – čímž dávají kontrolu do rukou těch, kteří proces rozumí.
- SOC 2 (Wikipedia) — Reference o bezpečnostních kontrolách a auditech požadovaných v podnikovém softwaru.
- General Data Protection Regulation (Wikipedia) — Regulační základ pro soukromí relevantní pro agenty zpracovávající osobní údaje.
Analýza produktů
Vybrané nástroje: Workfast.ai a H Company
V této sekci hodnotím dva nástroje z adresáře Agent Pantheon, které představují odlišné – a doplňující – přístupy k automatizaci provozu. Každý řeší jinou část problému a pochopení této rozdílnosti je to, co zabraňuje překrývajícím se nákupům. Workfast.ai se prezentuje jako automatizace úkolů a řízení projektů s AI, zaměřená na rychlejší provádění týmy. V praxi to znamená, že působí na vrstvě orchestrace práce: rozděluje úkoly, automatizuje opakující se kroky v projektech a snižuje tření při koordinaci mezi lidmi. Je vhodná pro provozní týmy, které již mají definované procesy a chtějí je urychlit, aniž by najímaly další lidi na koordinační práci – typ úspory, který se projeví ve zkrácených termínech a méně přepracování. H Company přijímá jinou filozofii: „AI kolegové, kteří klikají, píší a rolí posouvají obrazovku, aby dokončili vaši práci“. Jedná se o agenty, kteří ovládají počítačové rozhraní tak, jak by to dělal člověk, což je činí výkonnými pro úkoly uvězněné v legacy systémech bez API. Pokud máte procesy závislé na webových nebo desktopových aplikacích bez dostupné integrace, tento typ „operátora počítače“ může automatizovat přesně to, kde tradiční RPA selhávala. Architektonický závěr je následující: Workfast.ai vyniká v orchestraci strukturované týmové práce, zatímco H Company vyniká v přímém provádění rozhraní, kde neexistuje integrace. Mnoho vyspělých provozů kombinuje oba logiky – jeden pro řízení toku a druhý pro provedení nejvíce „manuálních“ kroků. Před rozhodnutím si proto mapujte, které z vašich úzkých míst jsou koordinační a které jsou prováděcí na obrazovkách; odpověď vám ukáže, kde začít.
- Workfast.ai — Automatizace úkolů a řízení projektů s AI pro rychlejší provádění týmů.
- H Company — AI kolegové, kteří klikají, píší a rolí posouvají obrazovku, aby dokončili práci.
Roadmapa adopce
Nasazení: od nízkorizikového pilota k řízené produkci
Většina selhání agentů v provozu není technická – je to selhání v sekvencování. Ambiciózní týmy začínají automatizací nejkritičtějšího a nejviditelnějšího procesu, čímž agentovi ukazují největší důsledek chyby, než si získají důvěru. Obrácený postup funguje lépe: začněte procesy s vysokým objemem, nízkým rizikem a snadno ověřitelným výsledkem, jako je třídění interních e‑mailů nebo klasifikace ticketů. Fáze pilota by měla běžet paralelně (shadow mode): agent navrhuje, člověk ověřuje a vy porovnáváte. To generuje data, která evaluační matice potřebuje – reálná úspěšnost, náklad na úkol, typy chyb. Teprve po dosažení předem definovaného prahu důvěry (např. 95 % přesnosti ve 200 po sobě jdoucích případech) můžete agenta povýšit do autonomního režimu s kontrolními body. Kontrolní body vyžadují explicitní návrh. Definujte přesně, které akce vyžadují schválení (převod peněz, komunikace s externím klientem, změna master dat) a které agent provádí sám. Standard human‑in‑the‑loop není známkou slabosti – je to to, co dělá autonomii auditovatelnou a reverzibilní. Mějte vždy „stop‑tlačítko“, schopné okamžitě pozastavit všechny agenty. Kontinuální správa uzavírá cyklus. Pojmenujte vlastníka pro každého agenta v produkci, týdenně revidujte metriky a provádějte audit rozhodovacích stop. Zacházejte s agenty jako s novým juniorským zaměstnancem: intenzivní dohled na začátku, rostoucí autonomie s dokazovanou spolehlivostí a stálá zpětná vazba. Firmy, které tuto disciplínu institucionalizují, škálují z 2 na 20 agentů bez krize; ty, které „pusťují“ agenty bez vlastníka, čelí tichým incidentům, které se projeví až při uzávěrce účetnictví.
- Human-in-the-loop (Wikipedia) — Koncept lidského dohledu v autonomních systémech aplikovaný na agenty.
- Anthropic — Building effective agents — Osvedčené postupy inženýrství pro spolehlivé agenty v produkci.
Pohled do budoucna
Trend 2026 a chyby, kterým se vyhnout
Tři trendy definují trh během roku 2026. Prvním je konvergence kolem otevřených protokolů, jako je MCP, což snižuje vázání na dodavatele a umožňuje agentům sdílet nástroje. To prospívá kupujícím: požadujte roadmapy podporující otevřené standardy a buďte podezřívaví k zcela proprietárním architekturám, které komplikují odchod. Druhým je multiagentní přístup – systémy, kde spolupracuje několik specializovaných agentů, jeden koordinuje a ostatní vykonávají. Je to slibné pro složité operace, ale násobí body selhání i náklady. Můj porad je odolat multiagentnosti, dokud si neosvojíte jediného spolehlivého agenta; předčasná složitost je hlavní příčinou projektů, které nikdy neopustí pilotní fázi. Třetím je zrání nástrojů pro observabilitu a hodnocení. Stejně jako tradiční software získal APM (monitorování výkonu), agenti získají dedikované vrstvy sledování, automatického hodnocení a detekce regresí. Považujte to za povinné, ne volitelné: v 2026 je provoz agentů bez observability jako létání bez přístrojů. Co se týče chyb, kterým se vyhnout: neautomatizujte špatně definovaný proces – jen tak automatizujete chaos. Neměřte úspěch podle „ukázek, které fungovaly“, ale podle obchodních výsledků během týdnů. Nepodceňujte lidské náklady na revizi. A nepletete nadšení dodavatele s vhodností pro váš kontext. Nejlepší agent je ten, který dokážete řídit, auditovat a vypnout – v tomto pořadí. Vyberte nástroje, které tento princip respektují, a automatizace přestane být sázkou a stane se udržitelnou provozní výhodou.
- Multi-agent system (Wikipedia) — Základy systémů, kde spolupracuje více agentů.
- OpenAI — A practical guide to building agents — Oficiální pohled na nástroje a standardy pro agenty v produkci.
Zdroje
- Robotic process automation (Wikipedia)
Historický kontext a omezení automatizace založené na pravidlech.
- Model Context Protocol — Anthropic
Otevřený standard pro připojení modelů k nástrojům a firemním datům.
- Function calling — OpenAI docs
Oficiální dokumentace o používání nástrojů modely AI.
- Multi-agent system (Wikipedia)
Základy systémů s více spolupracujícími agenty.
- Anthropic — Building effective agents
Best practices in engineering reliable agents in production.
Časté dotazy
Jaký je praktický rozdíl mezi RPA a AI agenty pro operace?
RPA řídí pevně daná pravidla a selhává, když se změní rozhraní nebo data. AI agenti plánují, rozhodují, kterou akci provést, používají nástroje a přehodnocují výsledky, čímž zvládají nejednoznačnost a variabilitu. V praxi agenti rozšiřují, co lze automatizovat, ale vyžadují více governance a observability než deterministická RPA.
Jak měřit, zda se agent vyplatí?
Měřte náklad na úspěšně dokončený úkol, ne na volání API či na licenční sedadlo. Sčítejte spotřebované tokeny při vícestupňových provedeních a, co je klíčové, lidský náklad na revizi. Agent, který vyžaduje revizi u 40 % výstupů, může stát více než analytik. Porovnejte tento celkový náklad s aktuálním baseline procesem.
Mám začít automatizací svého nejkritičtějšího procesu?
Ne. Začněte procesy s vysokým objemem, nízkým rizikem a snadno ověřitelným výsledkem, jako je třídění e‑mailů nebo klasifikace ticketů. To generuje data o spolehlivosti, aniž by vystavovalo firmu vážným důsledkům chyby. Kritický proces automatizujte až po prokázání konzistentní přesnosti.
Co je human‑in‑the‑loop a proč je důležitý?
Jedná se o model, ve kterém agent navrhne akci a člověk ji schválí před provedením, zejména u citlivých kroků jako platby nebo externí komunikace. Není to slabost, ale způsob, jak učinit automatizaci auditovatelnou a reverzibilní. Zralé nástroje umožňují přesně definovat, které akce vyžadují schválení a které agent provede samostatně.
Soutěží Workfast.ai a H Company mezi sebou?
Řeší odlišné problémy. Workfast.ai se zaměřuje na orchestraci práce a řízení týmových projektů, urychlující koordinaci a strukturované fáze. H Company operuje rozhraní jako člověk – kliká, píše a posouvá obrazovky – a je ideální pro legacy systémy bez API. Mnoho operací kombinuje obě logiky.
Co je MCP a proč se na to mám ptát?
Model Context Protocol je otevřený standard navržený společností Anthropic pro připojení modelů AI k nástrojům a zdrojům dat. Podpora MCP snižuje vendor lock‑in a usnadňuje opětovné použití integrací mezi agenty. Při hodnocení produktu se zeptejte na podporu otevřených standardů a buďte opatrní u zcela proprietárních architektur.
Jaké bezpečnostní požadavky jsou nevyjednatelné?
Princip nejmenších privilegií u přihlašovacích údajů, úplná auditní stopa, izolace dat a relevantní soulad (SOC 2, ISO 27001, GDPR/LGPD). Pro regulované operace by selhání v těchto bodech mělo vyloučit dodavatele. Agent bude mít přístup k vašim systémům, takže správa těchto přihlašovacích údajů je stejně důležitá jako schopnost samotného agenta.
Potřebuji multi‑agentní systémy hned od začátku?
Zřídka. Multi‑agentní architektura zvyšuje počet možných selhání a náklady. Doporučuji zvládnout jeden spolehlivý agent, než začnete zavádět orchestraci mezi více agenty. Předčasná komplexita je jednou z hlavních příčin projektů, které nikdy nepřekročí pilotní fázi. Rozšiřujte kapacitu až po prokázání spolehlivosti v jednoduchém nastavení.