AI agent nie je chatbot: automatizácia, čo spraví prácu

Slovo „AI agent” sa v roku 2026 lepí takmer na čokoľvek — od chatovacieho okna na webe po interný skript s jedným promptom. Pritom rozdiel medzi chatbotom, workflow automatizáciou a skutočným agentom je zásadný, lebo rozhoduje o tom, či technológia len hovorí, alebo reálne spraví prácu. V praxi vidíme, že firmy túto hranicu miešajú a potom sa čudujú, prečo im „agent” neušetrí ani hodinu týždenne. Poďme si to rozobrať vecne: čo je čo, čo z toho reálne vykoná úlohu a kedy má zmysel do toho ísť.

Tri úrovne, ktoré sa miešajú pod jeden názov

Najjednoduchší spôsob, ako si to usporiadať, je vidieť tri odlišné vrstvy automatizácie.

Chatbot je v jadre rozhranie pre konverzáciu. Odpovie na otázku, nájde článok v pomocníkovi, prípadne založí tiket. Aj ten najchytrejší LLM chatbot ale končí pri texte — sám nič nezmení v CRM, nevystaví faktúru, neobjedná tovar. Robí jednu vec: generuje odpoveď.

Workflow automatizácia (patrí sem aj klasické RPA) vykoná pevne daný scenár: „keď príde e-mail s prílohou, ulož ju do priečinka a prepíš údaje do tabuľky”. Je rýchla a spoľahlivá, kým sa realita drží scenára. Len čo príde výnimka — iný formát, chýbajúce pole, neočakávaný krok — proces spadne a čaká na človeka. RPA sa pýta „aké kroky mám vykonať”, zatiaľ čo agentická AI sa pýta „aký výsledok mám dosiahnuť” (Blue Prism).

AI agent je systém postavený okolo jazykového modelu, ktorý vie uvažovať o úlohe, použiť nástroje, držať si kontext naprieč krokmi a rozhodnúť, ako ďalej. Nedostane pevný scenár, ale cieľ — a sám si poskladá cestu k nemu. Práve preto zvládne aj to, na čom workflow spadne.

Čo konkrétne robí z jazykového modelu agenta

Kľúčová schopnosť sa volá tool use, alebo technicky function calling. Je to mechanizmus, ktorým model prestáva byť len generátorom textu a začne konať vo svete — volať API, čítať a zapisovať do databázy, spúšťať kód, vyhľadávať, posielať e-maily. Bez toho je aj najchytrejší model odkázaný na to, že niečo napíše a čaká, kým to človek vykoná.

Druhá vrstva je orchestrácia: agent si úlohu rozloží na kroky, tie vykoná v správnom poradí, skontroluje medzivýsledok a keď niečo nesedí, preplánuje. Nejde o jednu akciu, ale o riadený reťazec akcií s rozhodovaním medzi nimi.

Tretia vec je spôsob, akým model dosiahne na firemné systémy. Tu sa v roku 2025 usadil štandard — Model Context Protocol (MCP), otvorený protokol od Anthropicu, ktorý zjednocuje, ako sa AI pripája k dátam a nástrojom (od Slacku a GitHubu po interné databázy). Počas roka ho prijali aj OpenAI a Google, čím sa z neho stal de facto neutrálny priemyselný štandard. Praktický dôsledok: napojiť agenta na vaše nástroje už nie je zakaždým projekt na mieru od nuly.

Keď tieto tri veci — tool use, orchestráciu a štandardné napojenie na dáta — spojíte, dostanete systém, ktorý nielen odpovedá, ale siahne do reality a niečo v nej zmení.

Čo z toho reálne „spraví prácu” vo firme

Najcitovanejším príkladom je zákaznícka podpora Klarny. Ich AI asistent zvládol v prvom mesiaci 2,3 milióna konverzácií — dve tretiny všetkého chatu podpory a ekvivalent práce 700 agentov na plný úväzok. Priemerný čas vyriešenia klesol z 11 minút na menej než 2, opakované otázky sa znížili o 25 % a firma odhadovala dopad okolo 40 miliónov dolárov na zisk (Klarna). To nie je chatbot, ktorý odkáže na FAQ — je to systém napojený na objednávky, platby a účty, ktorý úkon dotiahne.

Vzor sa ale neobmedzuje na veľké firmy. Kde reálne vidíme dopad:

• Spracovanie prichádzajúcich dokumentov. Faktúra alebo objednávka v PDF príde e-mailom, agent z nej vytiahne položky, skontroluje ich proti systému, založí záznam a nezrovnalosť eskaluje človeku — namiesto ručného prepisovania.
• Kvalifikácia a smerovanie leadov. Agent si k dopytu dohľadá kontext, ohodnotí ho, zapíše do CRM a pripraví návrh odpovede — obchodník rieši len finálny krok.
• Interná „first-line” podpora. Zamestnanec sa spýta na dovolenku, faktúru alebo status objednávky; agent si to vyzdvihne z príslušného systému a odpovie konkrétne, nie odkazom na smernicu.

Spoločný menovateľ: úloha, ktorá má jasný cieľ, ale mení sa v detailoch prípad od prípadu. Presne tam pevné workflow zlyháva a agent pridáva hodnotu.

Kde to naráža — a prečo to hovorím nahlas

Agentická AI nie je hotové riešenie, ktoré zapnete a ide. Samotná Klarna v roku 2025 kurz čiastočne prehodnotila a začala späť najímať ľudí na zložitejšie a citlivé prípady — CEO priznal, že rez bol príliš hlboký a pri nuansovaných otázkach dávali odpovede všeobecné (Customer Experience Dive). Gartner navyše odhaduje, že do konca roka 2027 bude cez 40 % projektov agentickej AI zrušených — pre rastúce náklady, nejasný prínos a nedostatočnú kontrolu rizík (Gartner).

Dáta z praxe to potvrdzujú: podľa prieskumu McKinsey síce 23 % organizácií už agentickú AI škáluje aspoň v jednej funkcii, ale v žiadnej jednotlivej funkcii to nerobí viac než 10 % firiem a dopad na zisk na úrovni celej firmy hlási len 39 %. Inými slovami: nadšenie je veľké, ale plošná transformácia je zatiaľ vzácna. Trend je napriek tomu jasný — Gartner čaká, že do konca roka 2026 bude task-specific agentov obsahovať 40 % podnikových aplikácií, oproti menej než 5 % v roku 2025 (Gartner).

Ako k tomu pristúpiť, aby to dávalo zmysel

Praktické pravidlo: nezačínajte agentom, začnite úlohou. Vyberte jeden opakovaný proces, ktorý má jasný cieľ, merateľný objem a dnes ho robí človek rutinne. Overte, či stačí jednoduché workflow — ak áno, agenta nepotrebujete a ušetríte. Agent dáva zmysel tam, kde je priveľa výnimiek a variantov na to, aby ich zvládol pevný scenár, ale úloha má stále merateľný výsledok. A od začiatku počítajte s človekom v slučke pri citlivých rozhodnutiach — to je poučenie z Klarny, nie detail.

Zhrnutie

Chatbot hovorí, workflow vykonáva pevný scenár a AI agent vďaka tool use a orchestrácii úlohu reálne dotiahne — ale len tam, kde je nasadený s rozmyslom. Štandardy ako MCP znižujú náklady na napojenie a dáta ukazujú jasný rast, zároveň ale takmer polovica projektov skončí neúspechom pre nejasný prínos. Rozhoduje teda voľba správnej úlohy, nie technológia sama.

V DIGITAL WOLF staviame automatizácie presne týmto spôsobom — začíname konkrétnym procesom, spočítame, či stačí workflow, alebo dáva zmysel agent napojený na vaše dáta, a nasadzujeme s človekom v citlivých bodoch. Ak máte proces, ktorý dnes ručne prepisujete tam a späť, ozvite sa — pozrieme sa, či sa dá reálne zautomatizovať, nie len okecať.