AI agent vs. automatizácia – kedy stačí Zap a kedy treba agenta

Posledný rok sa nedá otvoriť LinkedIn bez toho, aby Vám niekto vysvetľoval, prečo potrebujete AI agenta. Salesforce má Agentforce. Make spustil novú generáciu AI agentov. Zapier ponúka enterprise agentov. OpenAI API umožňuje stavať vlastných. A každá druhá prezentácia na konferenciách začína slovami "agenti sú budúcnosť práce."

Možno. Ale keď sa rozprávam s CEO stredných firiem na Slovensku, väčšina z nich nepotrebuje agenta. Potrebuje dobre nastavenú automatizáciu. A to je zásadný rozdiel.

Čo je automatizácia a čo je agent

Automatizácia: "Ak sa stane X, urob Y"

Nástroje ako Zapier a Make fungujú na jednoduchom princípe: definujete trigger a akciu. Keď príde email s faktúrou, ulož prílohu na Google Drive a pošli notifikáciu do Slacku. Keď sa zmení status objednávky v CRM, aktualizuj záznam v účtovnom systéme.

Je to deterministické. Predvídateľné. Opakovateľné. A presne preto je to tak cenné. Viete presne, čo sa stane, a keď to raz nastavíte, beží to mesiace bez zásahu.

AI agent: Autonómne rozhodovanie s kontextom

Agent je niečo iné. Agent dostane cieľ, nie inštrukciu. Má prístup k nástrojom, k dátam, k histórii. A sám sa rozhoduje, aké kroky podnikne na dosiahnutie cieľa.

Príklad: "Spracuj túto zákaznícku sťažnosť." Agent si prečíta správu, vyhľadá históriu zákazníka v CRM, posúdi závažnosť, rozhodne sa, či odpovie sám alebo eskaluje na človeka, a ak odpovie, zvolí tón a obsah podľa kontextu.

Kľúčový rozdiel: automatizácia vykonáva inštrukcie. Agent robí rozhodnutia. A s rozhodnutiami prichádza aj riziko.

Rozhodovací strom: Kedy čo použiť

Po desiatich mesiacoch nasadzovania oboch prístupov u klientov sme si vytvorili jednoduchý rozhodovací rámec.

Štrukturované dáta + jasné pravidlá = automatizácia

Ak Vaše vstupy majú predvídateľný formát a pravidlá sa dajú zapísať do if/then logiky, nepotrebujete agenta. Automatizácia je lacnejšia, rýchlejšia na nasadenie a jednoduchšia na údržbu. Príklady: synchronizácia CRM a účtovníctva, notifikácie na základe statusov, generovanie dokumentov z šablón, pravidelné reporty z databázy.

Neštrukturované dáta + rozhodovanie = agent

Ak prichádzajú vstupy v rôznych formátoch, v prirodzenom jazyku, a spracovanie vyžaduje úsudok, agent dáva zmysel. Príklady: analýza zákazníckych sťažností, klasifikácia dokumentov podľa obsahu, odpovedanie na komplexné otázky z knowledge base, vyhodnocovanie ponúk od dodávateľov.

Kombinácia = hybridný prístup

A tu je to najzaujímavejšie. V praxi väčšina riešení nie je čistý agent ani čistá automatizácia. Je to automatizačný workflow, ktorý na rozhodovacích uzloch volá AI. Make alebo Zapier riadia tok. AI rozhoduje tam, kde je to potrebné. Zvyšok beží deterministicky.

Tri praktické príklady

1. Email triage: Hybridný prístup (Zapier + GPT klasifikácia)

Problém: Na obchodný email prichádza denne 200+ správ. Obchodný tím trávi hodinu denne len triedením.

Riešenie: Zapier zachytí každý nový email. Pošle ho na OpenAI API, ktoré klasifikuje správu do kategórií: nová požiadavka, existujúci deal, spam, sťažnosť, fakturácia. Na základe klasifikácie Zapier presmeruje email do správneho kanálu v Slacku, priradí tag v CRM, alebo automaticky odpovie (pri spame a jednoznačných otázkach).

Prečo nie plný agent: Tok je jasný. AI robí len jednu vec: klasifikáciu. Zvyšok je deterministická automatizácia. Menej chýb, nižšia cena, jednoduchšia údržba.

2. Helpdesk: Agent s knowledge base a eskaláciou

Problém: Zákaznícka podpora odpovedá na 80 % rovnakých otázok. Ale odpovedať treba v kontexte: zákazníkov plán, história komunikácie, aktuálne incidenty.

Riešenie: AI agent pripojený na knowledge base, CRM a monitoring systém. Zákazník napíše otázku. Agent vyhľadá relevantnú dokumentáciu, skontroluje zákazníkovu históriu, posúdi, či dokáže odpovedať sám. Ak áno, odpovie. Ak nie, vytvorí ticket s kontextom a priradí ho správnemu človeku.

Prečo agent a nie automatizácia: Otázky sú nepredvídateľné. Kontext sa mení. Agent musí rozumieť významu, nie len kľúčovým slovám. Ale kritické: agent má jasne definované hranice, kedy eskaluje na človeka. Nikdy nerozhoduje o refundáciách, zmluvných podmienkach ani technických zásahoch sám.

3. Reporty z dát: Make + AI sumarizácia

Problém: Manažment chce týždenný prehľad o výkonnosti, ale dáta sú roztrúsené v troch systémoch a analytik trávi celý piatok ich zostavovaním.

Riešenie: Make workflow každý piatok o 6:00 ráno stiahne dáta z CRM, účtovníctva a project management nástroja. Agreguje ich do štruktúrovaného JSON-u. Pošle ich na OpenAI API, ktoré vygeneruje executive summary v slovenčine: kľúčové metriky, trendy, odporúčania. Výsledok ide do emailu a na Slack.

Prečo nie agent: Dáta sú štrukturované. Postup je rovnaký každý týždeň. AI robí len sumarizáciu a interpretáciu, nie rozhodovanie.

Anti-patterny: Čomu sa vyhnúť

Agent na všetko

Najčastejšia chyba. Firma si prečíta o agentoch, chce agenta na každý proces. Výsledok: vysoké náklady na API cally, nepredvídateľné správanie, ťažko debugovateľné chyby. Pravidlo: ak sa dá proces zapísať do flowchartu bez diamantov s otáznikom, nepotrebujete agenta.

Žiadny human-in-the-loop

Agent rozhoduje autonómne, nikto nekontroluje výstupy. Prvý mesiac je všetko skvelé. Druhý mesiac agent začne generovať odpovede, ktoré nie sú úplne správne. Tretí mesiac zákazníci píšu sťažnosti. Každý agent musí mať definovanú eskalačnú cestu a threshold, pri ktorom sa zapojí človek.

Žiadne logovanie

Keď agent urobí zlé rozhodnutie, musíte vedieť prečo. Bez logu vstupov, rozhodovacieho procesu a výstupov je debugging nemožný. Logujte všetko: vstupy, prompt, odpoveď modelu, akciu aj výsledok.

Bezpečnosť: Základ, nie bonus

Pri každom nasadení AI v produkčnom prostredí dodržiavame:

• TLS everywhere: Žiadne dáta nelietajú v plain texte. Komunikácia medzi nástrojmi, API, databázami je šifrovaná.
• Minimálne oprávnenia: Agent má prístup len k tomu, čo potrebuje. Ak spracúva emaily, nemá prístup k finančným dátam.
• Audit trail: Kompletný log každého rozhodnutia agenta. Kto, kedy, čo, prečo. Regulátor sa opýta. Vy musíte vedieť odpovedať.
• Rate limiting a nákladové stropy: Agent bez limitu na API cally je bezpečnostné riziko aj finančné riziko.

Ako sme to riešili u klienta

Pre jedného klienta z e-commerce sme nasadili Make workflow s AI uzlom, ktorý klasifikuje prichádzajúce objednávky podľa komplexnosti. Workflow funguje jednoducho: objednávka príde do systému, Make ju pošle na GPT-4o endpoint, model vyhodnotí komplexnosť na základe počtu položiek, špeciálnych požiadaviek a histórie zákazníka.

Jednoduché objednávky (štandardné produkty, bežná adresa, žiadne špeciálne požiadavky) idú priamo do automatického spracovania. Komplexné objednávky (veľké objemy, neštandardné požiadavky, noví zákazníci s vysokou hodnotou) sa označia na manuálnu kontrolu.

Výsledok po troch mesiacoch: 60 % objednávok sa spracuje bez ľudského zásahu. Chybovosť klesla z 8 % na 2 %. Tím, ktorý predtým trávil celý deň manuálnym triedením, sa teraz venuje zákazníckym vzťahom a riešeniu skutočne komplexných prípadov.

Žiadny agent. Deterministický workflow s jedným AI rozhodovacím uzlom. Nasadenie trvalo dva týždne.

Záver: Začnite jednoducho

Nepotrebujete agenta na všetko. Väčšina firemných procesov sa dá zautomatizovať klasickými nástrojmi. Tam, kde treba rozhodovanie, pridajte AI uzol. A plného agenta nasaďte len tam, kde je skutočná komplexnosť a kde máte pripravenú infraštruktúru na monitoring, logovanie a eskaláciu.

Ak chcete zistiť, kde vo Vašej firme dáva AI zmysel a kde stačí automatizácia, vieme to spraviť za dvojtýždňový AI Sprint. Zmapujeme procesy, navrhneme riešenie a dodáme funkčný prototyp. Ozvite sa nám a dohodneme si úvodný hovor.