AI agent není chatbot: automatizace, která udělá práci

Slovo „AI agent“ se v roce 2026 lepí skoro na cokoli — od chatovacího okna na webu po interní skript s jedním promptem. Přitom rozdíl mezi chatbotem, workflow automatizací a skutečným agentem je zásadní, protože rozhoduje o tom, jestli technologie jen mluví, nebo reálně udělá práci. V praxi vidíme, že firmy tuhle hranici pletou a pak se diví, proč jim „agent“ neušetří ani hodinu týdně. Pojďme to rozebrat věcně: co je co, co z toho reálně vykoná úkol a kdy má smysl do toho jít.

Tři úrovně, které se pletou pod jeden název

Nejjednodušší způsob, jak si to srovnat, je vidět tři odlišné vrstvy automatizace.

Chatbot je v jádru rozhraní pro konverzaci. Odpoví na otázku, najde článek v nápovědě, případně založí ticket. I ten nejchytřejší LLM chatbot ale končí u textu — sám nic nezmění v CRM, nevystaví fakturu, neobjedná zboží. Dělá jednu věc: generuje odpověď.

Workflow automatizace (sem patří i klasické RPA) vykoná pevně daný scénář: „když přijde e-mail s přílohou, ulož ji do složky a přepiš údaje do tabulky“. Je rychlá a spolehlivá, dokud se realita drží scénáře. Jakmile přijde výjimka — jiný formát, chybějící pole, neočekávaný krok — proces spadne a čeká na člověka. RPA se ptá „jaké kroky mám vykonat“, zatímco agentická AI se ptá „jakého výsledku mám dosáhnout“ (Blue Prism).

AI agent je systém postavený kolem jazykového modelu, který umí uvažovat o úkolu, použít nástroje, držet si kontext napříč kroky a rozhodnout, jak dál. Nedostane pevný scénář, ale cíl — a sám si poskládá cestu k němu. Právě proto zvládá i to, na čem workflow spadne.

Co konkrétně dělá z jazykového modelu agenta

Klíčová schopnost se jmenuje tool use, nebo technicky function calling. Je to mechanismus, kterým model přestává být jen generátorem textu a začne jednat ve světě — volat API, číst a zapisovat do databáze, spouštět kód, vyhledávat, posílat e-maily. Bez toho je i sebechytřejší model odkázaný na to, že něco napíše a čeká, až to člověk provede.

Druhá vrstva je orchestrace: agent si úkol rozloží na kroky, ty vykoná ve správném pořadí, zkontroluje mezivýsledek a když něco nesedí, přeplánuje. Nejde o jednu akci, ale o řízený řetězec akcí s rozhodováním mezi nimi.

Třetí věc je způsob, jak model dosáhne na firemní systémy. Tady se v roce 2025 usadil standard — Model Context Protocol (MCP), otevřený protokol od Anthropicu, který sjednocuje, jak se AI připojuje k datům a nástrojům (od Slacku a GitHubu po interní databáze). Během roku ho přijaly i OpenAI a Google, čímž se z něj stal de facto neutrální průmyslový standard. Praktický důsledek: napojit agenta na vaše nástroje už není pokaždé projekt na míru od nuly.

Když tyhle tři věci — tool use, orchestrace, standardní napojení na data — spojíte, dostanete systém, který nejen odpovídá, ale sáhne do reality a něco v ní změní.

Co z toho reálně „udělá práci“ ve firmě

Nejcitovanějším příkladem je zákaznická podpora Klarny. Jejich AI asistent zvládl v prvním měsíci 2,3 milionu konverzací — dvě třetiny veškerého chatu podpory a ekvivalent práce 700 agentů na plný úvazek. Průměrná doba vyřešení klesla z 11 minut na méně než 2, opakované dotazy se snížily o 25 % a firma odhadovala dopad okolo 40 milionů dolarů na zisk (Klarna). To není chatbot, který odkáže na FAQ — je to systém napojený na objednávky, platby a účty, který úkon dotáhne.

Vzor se ale neomezuje na velké firmy. Kde reálně vidíme dopad:

• Zpracování příchozích dokumentů. Faktura nebo objednávka v PDF přijde e-mailem, agent z ní vytáhne položky, zkontroluje je proti systému, založí záznam a nesrovnalost eskaluje člověku — místo přepisování ručně.
• Kvalifikace a routování leadů. Agent si k poptávce dohledá kontext, ohodnotí ji, zapíše do CRM a připraví návrh odpovědi — obchodník řeší jen finální krok.
• Interní „first-line“ podpora. Zaměstnanec se zeptá na dovolenou, fakturu nebo status objednávky; agent si to vyzvedne z příslušného systému a odpoví konkrétně, ne odkazem na směrnici.

Společný jmenovatel: úkol, který má jasný cíl, ale mění se v detailech případ od případu. Přesně tam pevné workflow selhává a agent přidává hodnotu.

Kde to naráží — a proč to říkám nahlas

Agentická AI není hotové řešení, které zapnete a jde. Sama Klarna v roce 2025 kurz částečně přehodnotila a začala zpět najímat lidi na složitější a citlivé případy — CEO přiznal, že řez byl příliš hluboký a u nuancovaných dotazů dávaly odpovědi obecné (Customer Experience Dive). Gartner navíc odhaduje, že do konce roku 2027 bude přes 40 % projektů agentické AI zrušeno — kvůli rostoucím nákladům, nejasnému přínosu a nedostatečné kontrole rizik (Gartner).

Data z praxe to potvrzují: podle průzkumu McKinsey sice 23 % organizací už agentickou AI škáluje aspoň v jedné funkci, ale v žádné jednotlivé funkci to nedělá víc než 10 % firem a dopad na zisk na úrovni celé firmy hlásí jen 39 %. Jinými slovy: nadšení je velké, ale plošná transformace je zatím vzácná. Trend je přesto jasný — Gartner čeká, že do konce roku 2026 bude task-specific agenty obsahovat 40 % podnikových aplikací, oproti méně než 5 % v roce 2025 (Gartner).

Jak k tomu přistoupit, aby to dávalo smysl

Praktické pravidlo: nezačínejte agentem, začněte úkolem. Vyberte jeden opakovaný proces, který má jasný cíl, měřitelný objem a dnes ho dělá člověk rutinně. Ověřte, jestli stačí jednoduché workflow — když ano, agenta nepotřebujete a ušetříte. Agent dává smysl tam, kde je moc výjimek a variant na to, aby je zvládl pevný scénář, ale úkol má stále měřitelný výsledek. A od začátku počítejte s člověkem ve smyčce u citlivých rozhodnutí — to je poučení z Klarny, ne detail.

Shrnutí

Chatbot mluví, workflow vykonává pevný scénář a AI agent díky tool use a orchestraci úkol reálně dotáhne — ale jen tam, kde je nasazený s rozmyslem. Standardy jako MCP snižují náklady na napojení a data ukazují jasný růst, zároveň ale skoro polovina projektů skončí neúspěchem kvůli nejasnému přínosu. Rozhoduje tedy volba správného úkolu, ne technologie sama.

V DIGITAL WOLF stavíme automatizace přesně tímhle způsobem — začínáme konkrétním procesem, spočítáme, jestli stačí workflow, nebo dává smysl agent napojený na vaše data, a nasazujeme s člověkem v citlivých bodech. Pokud máte proces, který dnes ručně přepisujete tam a zpět, ozvěte se — podíváme se, jestli ho jde reálně automatizovat, ne jen okecat.