AI agent: co to je a jak ho využije firma

Krátká odpověď: AI agent je program, který s pomocí jazykového modelu (LLM) sám plní zadaný úkol: přečte si, co potřebuje, rozhodne se o dalším kroku a použije připojené nástroje, třeba firemní dokumentaci nebo interní systém. Od chatbota se liší tím, že nejen odpovídá, ale jedná. Ve firmě dává smysl tam, kde má agent jasně vymezenou doménu, zdroj pravdy, pravidla a lidský dozor.

Proč na tom záleží

AI agenti přestávají být tématem pro vývojářské konference a začínají být rozhodnutím pro vedení firmy. Podle Stack Overflow Developer Survey 2026, do kterého se zapojilo 30 903 lidí ze 169 zemí, už 26 % respondentů v práci používá AI agenty nebo automatizované workflow a 63 % z nich denně. Zároveň jen necelých 7 % věří AI natolik, že by jí svěřili důležitá pracovní rozhodnutí, a jen 24 % uvádí, že jejich firma má schválené AI nástroje a pravidla, jak je používat. Čísla patří k sobě: agenti se do firem dostávají rychle, důvěra a pravidla zaostávají.

Pro ředitele nebo CTO z toho plyne jedna praktická otázka. Ne „jestli“ AI agenta, ale „kde, s jakými daty a pod jakým dozorem“. Špatně zadaný agent dokáže zákazníkovi poradit nesmysl, poslat citlivá data mimo firmu nebo udělat transakci, kterou nikdo nechtěl. Dobře navržený agent vezme interní podpoře opakované dotazy a dá technikům odpověď tam, kde ji potřebují. Rozdíl mezi oběma případy není v modelu, ale v tom, co kolem něj postavíte. Přesně to u nás v MeguMethod řešíme v rámci AI Ops: nejdřív zmapovat, co ve firmě běží, pak nastavit pravidla a teprve potom stavět.

Chcete vědět, jestli má AI agent ve vaší firmě smysl a kde začít? Domluvte si 30 minut online s námi. Řekneme vám, co bychom řešili jako první. Domluvit online call

Čím se AI agent liší od chatbota a od automatizace

AI agent, chatbot a automatizace jsou tři různé věci a směšování jim škodí. Chatbot odpovídá na otázky v rozhovoru a jeho výstupem je text. Automatizace (třeba pravidla v Make nebo n8n) spouští předem dané kroky, když nastane předem daná podmínka, a nic se nerozhoduje. AI agent stojí mezi nimi: dostane cíl, jazykový model naplánuje postup a agent používá nástroje, dokud úkol nesplní nebo nenarazí na hranici, za kterou nesmí.

Jazykový model (LLM, large language model) je přitom jen jedna součást. Sám o sobě umí generovat text a ničeho se nedotkne. Agentem se stává až ve chvíli, kdy dostane nástroje: přístup k dokumentaci, k internímu API, k databázi nebo ke kalendáři. A s nástroji přichází odpovědnost: agent, který může číst data, může je i vynést; agent, který může zapisovat, může i něco rozbít.

Pro rozhodování ve firmě pomáhá jednoduchá otázka: má agent jen radit, nebo má i jednat? Agent, který radí (vyhledá odpověď v manuálu a ukáže zdroj), má malé riziko a rychlý přínos. Agent, který jedná (založí objednávku, změní splátkový kalendář, pošle e-mail), potřebuje mnohem přísnější pravidla a kontrolu. Většina firem by měla začít tím prvním.

Tři typy AI agentů, které ve firmě dávají smysl

V praxi se většina firemních nasazení vejde do tří typů a každý má jiné nároky. Nejsou to kategorie z učebnice, ale způsob, jak se rozhodovat o datech, pravidlech a riziku.

Asistent nad dokumentací. Agent dostane firemní manuály, směrnice nebo znalostní bázi a odpovídá na otázky s odkazem na zdroj. Technicky jde o RAG (retrieval-augmented generation): dokumenty se převedou na vektorová data, agent v nich vyhledá relevantní pasáže a model z nich sestaví odpověď. Takhle funguje asistent Lennie v aplikaci pro instalační techniky 2N: prohledá celou dokumentaci, odpoví na konkrétní otázku a ukáže přesné místo v manuálu, odkud odpověď bere. Je zároveň softwarově omezený jen na technickou podporu produktů 2N, takže ho nejde odvést k jinému tématu. Tenhle typ má nejnižší riziko, protože agent nic nemění, a přínos se dá změřit na opakovaných dotazech na podporu.

Transakční bot nad interním API. Agent nejen radí, ale vykonává operace přes rozhraní firemních systémů: zjistí stav účtu, naplánuje splátku, založí požadavek. Na stránce o AI asistentech pro B2B popisujeme FlexiBot pro FlexiFin, bota nad interním API s historií konverzací uloženou na serverech v EU. Klíčový princip je v tom, že bot si z interních systémů bere jen ta data, která k dané operaci potřebuje, místo aby model dostal celý kontext klienta. Tady už jde o zásahy do dat, takže musí být jasné, co bot smí, co nesmí a kdo odpovídá, když se něco pokazí.

Agent v procesu. Třetí typ nemá chatové okno. Běží uvnitř firemního procesu: třídí příchozí e-maily, připravuje podklady k faktuře, kontroluje kód před nasazením, sleduje logy a hlásí anomálie. Člověk ho nevidí jako „asistenta“, ale jako krok ve workflow. Tenhle typ je nejblíž klasické automatizaci a nejvíc závisí na tom, jak dobře je proces popsaný. Pokud proces nikdo neumí popsat, agent ho neopraví.

Hlasový asistent je zvláštní případ, který má navíc vrstvu zpracování řeči. Vyzkoušeli jsme si ho sami na projektu AIGU, vlastním hlasovém asistentovi pro řidiče, který běžel nad OpenAI Realtime API s integrací do CarPlay. Udělali jsme přes 20 rozhovorů s cílovou skupinou a prototyp postavili, ale projekt jsme na podzim 2025 ukončili. Uvádíme to poctivě: architektura je otestovaná a použitelná pro klientské projekty, ale jako samostatný produkt to pro nás nedávalo smysl. Pro rozhodování ve firmě je to užitečná lekce: agent je technicky zvládnutelný, obchodní případ je ta těžší část.

Co AI agent potřebuje, aby fungoval

Funkční AI agent stojí na čtyřech věcech a žádná z nich není model. Model se dá vyměnit, zbytek si musíte postavit sami.

Data, kterým věříte. Agent je přesně tak dobrý jako zdroj, ze kterého čerpá. Zastaralé manuály, duplicitní směrnice a tabulky s ručními opravami vedou k agentovi, který sebejistě říká špatné věci. Před nasazením se vyplatí projít, které dokumenty jsou zdrojem pravdy a kdo je udržuje. Pokud takový zdroj neexistuje, je první krok ho vytvořit, ne stavět agenta.

Pravidla a hranice. Agent potřebuje vědět, co smí a co ne: jaká témata řeší, jaké nástroje má k dispozici, kdy se má zeptat člověka a kdy odmítnout. V odborném slovníku se tomu říká guardrails, česky mantinely. U Lennieho pro 2N jsou to dvě pravidla: odpovídá jen z dokumentace 2N a ke každé odpovědi dává zdroj. Pro některé nástroje (přístup k databázím, k souborům, k firemním aplikacím) se dnes používá MCP (Model Context Protocol), otevřený standard pro připojení AI nástrojů k externím datům. Pro vedení firmy je podstatné, že každé takové připojení je rozhodnutí o přístupu k datům, které má někdo schválit.

Lidský dozor. Nejde o to, aby člověk kontroloval každou odpověď, ale aby bylo jasně dané, kde agent musí člověka přizvat. Odpověď na dotaz technika může odejít rovnou. Změna splátkového kalendáře nebo smazání záznamu by měla projít potvrzením. Čím větší dopad akce, tím blíž má být člověk.

Měření. Bez čísel nepoznáte, jestli agent pomáhá. U asistenta nad dokumentací se měří, kolik dotazů vyřešil bez eskalace a jak často uživatel otevřel odkazovaný zdroj. U transakčního bota, kolik operací proběhlo a kolik se vrátilo zpět. Na stránce 2N uvádíme, že podpora zaznamenala mírný pokles opakovaných dotazů, ale na pevné závěry je brzy. Právě takhle má měření vypadat: poctivě a s datem.

Jaká rizika AI agent přináší a jak je držet pod kontrolou

Rizika AI agentů jsou známá a dají se řídit, pokud je pojmenujete dřív, než agent běží. Ignorovat je je horší než agenta nemít.

Halucinace. Model sestaví odpověď, která zní správně, ale v datech nemá oporu. U obecného chatbota je to nepříjemné, u agenta, který radí technikovi s instalací hardwaru, to může poškodit zařízení. Obrana je architektonická: agent odpovídá jen z ověřeného zdroje a odkazuje na něj. Pokud odpověď nenajde, řekne to, místo aby ji vymyslel.

Únik dat. Agent s přístupem k interním systémům je nová cesta ven z firmy. Otázky, které si má vedení položit: kam odcházejí dotazy a data, u kterého poskytovatele model běží, v jaké zemi, co se z konverzací ukládá a na jak dlouho. Pro regulované firmy je to často důvod, proč volit modely s garantovaným provozem v EU nebo backend ve vlastním prostředí.

Útoky přes vstup. Agent čte text od lidí a z dokumentů, a text může obsahovat instrukce, které agenta přimějí dělat něco jiného, než má. Říká se tomu prompt injection. Zkráceně: čím víc nástrojů agent má, tím důležitější je, aby pokyn z dat nemohl přepsat pokyn od firmy.

Závislost na dodavateli. Model, který dnes vyhovuje, může za rok změnit podmínky nebo cenu. Rozumná architektura počítá s výměnou modelu, aniž by se musel přepsat celý agent. Na stránce AI asistentů tenhle princip popisujeme jako architekturu nezávislou na modelu: FlexiBot v pilotu běží nad OpenAI a pro produkci se počítá s modely s garantovaným hostingem v EU.

Regulace. AI agenti, kteří rozhodují o lidech nebo s nimi jednají, spadají do oblasti, kterou v EU upravuje AI Act. Obecně platí, že čím větší dopad na člověka, tím víc povinností. Konkrétní zařazení vašeho případu patří k právníkovi. V MeguMethod tohle bereme jako součást návrhu, ne jako dodatek na konec.

Kdy AI agent ve firmě dává smysl a kdy ne

AI agent dává smysl, když:

• máte opakované dotazy nebo úkoly, které dnes řeší lidé ručně a odpovědi existují v dokumentaci nebo v systémech,
• existuje zdroj pravdy (manuály, směrnice, interní API), který někdo udržuje,
• umíte vymezit doménu: agent řeší jedno téma a nic jiného,
• dokážete změřit přínos, třeba na počtu vyřešených dotazů bez eskalace,
• máte v týmu nebo u partnera někoho, kdo agenta sleduje a upravuje.

AI agent zatím nedává smysl, když:

• proces, který má agent převzít, nikdo neumí popsat ani pro člověka,
• data jsou roztříštěná v e-mailech a tabulkách bez jasné odpovědnosti,
• chcete agenta, který „umí všechno“: široký záběr znamená slabé mantinely,
• chyba agenta by měla přímý právní nebo finanční dopad a nemáte nastavený lidský dozor,
• hlavní motivace je mít AI, ne vyřešit konkrétní problém.

Náš pohled: první agent ve firmě má být ten, který radí, ne ten, který jedná. Naučíte se na něm, jak se chovají vaše data, jak se ptají vaši lidé a co všechno je potřeba hlídat. Transakční agent je druhý krok.

Pokud jste se našli v prvním seznamu a chcete vědět, jak by takový agent vypadal u vás, napište nám pár vět o situaci. Ozveme se s tím, jak bychom postupovali. Poslat poptávku

Jak k tomu přistupuje MeguMethod

AI agenty stavíme na dvou pravidlech, která máme ověřená z vlastních projektů: nulová tolerance halucinací a přísné omezení na doménu. U asistenta Lennie pro 2N to znamená, že model funguje jako vyhledávač nad dokumentací, odpovídá jen z ní a ke každé odpovědi připojí zdroj. U FlexiBota pro FlexiFin to znamená transakčního bota nad interním API, který si bere jen data potřebná k dané operaci, s historií konverzací uloženou na serverech v EU. Oba případy jsou popsané na stránce AI asistentů pro B2B.

Širší rámec řešíme v AI Ops: nejdřív zmapujeme, co už ve firmě běží, pak nastavíme pravidla pro stack a nasazení, vybavíme a proškolíme tým (skills, MCP, workshop) a dál dohlížíme na kód, který vzniká. Začínáme 30minutovou konzultací bez závazků, ze které odejdete s konkrétním seznamem rizik a prvních kroků.

Další krok

Chcete AI agenta, který ve firmě skutečně něco vyřeší a nerozbije? Podívejte se, jak funguje AI Ops od MeguMethod, nebo si rovnou domluvte 30 minut online a projdeme, kde by agent ve vaší firmě dával smysl.

Související čtení z našeho blogu: Report z AppParade 37: čtyři AI trendy a starší text o AI ve službách makléřských firem a pojišťoven.