AI agent nebo automatizace? Kdy stačí Zap a kdy potřebujete agenta

Poslední rok se nedá otevřít LinkedIn, aniž by vám někdo vysvětloval, proč potřebujete AI agenta. Salesforce má Agentforce. Make spustil novou generaci AI agentů. Zapier nabízí enterprise agenty. Nad OpenAI API si postavíte vlastního. A každá druhá prezentace na konferencích začíná slovy „agenti jsou budoucnost práce."

Možná. Ale když mluvím s CEO středních firem na Slovensku, většina z nich agenta nepotřebuje. Potřebuje dobře nastavenou automatizaci. Rozdíl mezi tím dvojím rozhoduje o rozpočtu i o tom, jestli řešení za půl roku ještě někdo udrží.

Co je automatizace a co je agent

Automatizace znamená „když se stane X, udělej Y"

Nástroje jako Zapier a Make stojí na jednom principu. Definujete trigger a akci. Když přijde e-mail s fakturou, ulož přílohu na Google Drive a pošli notifikaci do Slacku. Když se změní status objednávky v CRM, aktualizuj záznam v účetním systému.

Je to deterministické a předvídatelné. Přesně proto je to tak cenné. Víte dopředu, co se stane, a když to jednou nastavíte, běží to měsíce bez zásahu.

Agent si kroky vybírá sám

Agent funguje jinak. Dostane cíl, ne instrukci. Má přístup k nástrojům, k datům i k historii a sám si volí kroky, kterými se k cíli dostane.

Řekněte mu „zpracuj tuhle zákaznickou stížnost" a on si přečte zprávu, vyhledá historii zákazníka v CRM, posoudí závažnost a rozhodne se, jestli odpoví sám nebo to pošle člověku. Pokud odpoví, tón i obsah volí podle kontextu.

Celé se to dá shrnout jednou větou. Automatizace vykonává instrukce, agent dělá rozhodnutí. A s rozhodnutími přichází riziko, které někdo musí uhlídat.

Kdy sáhnout po čem

Po deseti měsících nasazování obou přístupů u klientů jsme si vytvořili jednoduchý rozhodovací rámec. Držíme se ho i tehdy, když klient přijde rovnou s tím, že chce agenta.

Strukturovaná data a jasná pravidla znamenají automatizaci

Pokud mají vaše vstupy předvídatelný formát a pravidla se dají zapsat do if/then logiky, agenta nepotřebujete. Automatizace vyjde levněji, nasadíte ji rychleji a udržíte ji i bez specialisty. Patří sem synchronizace CRM a účetnictví, notifikace na základě statusů, generování dokumentů ze šablon nebo pravidelné reporty z databáze.

Nestrukturovaná data a úsudek znamenají agenta

Pokud vstupy chodí v různých formátech a v přirozeném jazyce a jejich zpracování vyžaduje úsudek, agent dává smysl. Typicky jde o analýzu zákaznických stížností, klasifikaci dokumentů podle obsahu, odpovídání na složité otázky z knowledge base nebo vyhodnocování nabídek od dodavatelů.

V praxi vyhrává hybrid

A tady je to nejzajímavější. Většina reálných řešení není čistý agent ani čistá automatizace. Je to automatizační workflow, které na rozhodovacích uzlech volá AI. Make nebo Zapier řídí tok, AI rozhoduje tam, kde je potřeba, a zbytek běží deterministicky. Platíte tedy za inteligenci jen v těch pár krocích, kde ji opravdu potřebujete.

Tři praktické příklady

Třídění e-mailů přes Zapier a GPT klasifikaci

Na obchodní e-mail chodí denně přes 200 zpráv a obchodní tým stráví hodinu denně jen jejich tříděním.

Zapier zachytí každý nový e-mail a pošle ho na OpenAI API. To zařadí zprávu do jedné z pěti kategorií, jestli jde o novou poptávku, existující deal, spam, stížnost nebo fakturaci. Podle výsledku Zapier přesměruje e-mail do správného kanálu ve Slacku, přiřadí tag v CRM nebo u spamu a jednoznačných otázek rovnou odpoví.

Plný agent by tu byl zbytečný. Tok je jasný a AI dělá jedinou věc, klasifikuje. Zbytek je deterministická automatizace, takže je méně chyb i nižší faktura za API.

Helpdesk s knowledge base a eskalací

Zákaznická podpora odpovídá na 80 % stejných otázek. Odpovídat se ale nedá bez kontextu, tedy bez zákazníkova plánu, historie komunikace a přehledu o aktuálních incidentech.

Tady nasazujeme AI agenta připojeného na knowledge base, CRM a monitoring. Zákazník napíše otázku, agent vyhledá relevantní dokumentaci, zkontroluje jeho historii a posoudí, jestli dokáže odpovědět sám. Pokud ano, odpoví. Pokud ne, vytvoří ticket s kontextem a přiřadí ho správnému člověku.

Automatizace by to nezvládla, protože otázky jsou nepředvídatelné a kontext se mění. Agent musí rozumět významu, ne klíčovým slovům. Podstatné je ale něco jiného. Agent má jasně definované hranice, kdy eskaluje na člověka, a o refundacích, smluvních podmínkách ani technických zásazích nerozhoduje sám.

Reporty přes Make a AI sumarizaci

Management chce týdenní přehled o výkonnosti, jenže data jsou roztroušená ve třech systémech a analytik tráví jejich sestavováním celý pátek.

Make workflow stáhne každý pátek v 6:00 ráno data z CRM, účetnictví a project management nástroje. Agreguje je do strukturovaného JSONu a pošle na OpenAI API, které z nich vygeneruje executive summary ve slovenštině, tedy klíčové metriky, trendy a doporučení. Výsledek jde do e-mailu a na Slack.

Agent by tu neměl co dělat. Data jsou strukturovaná a postup je každý týden stejný. AI jen sumarizuje a interpretuje, nerozhoduje.

Čemu se vyhnout

Agent na všechno

Nejčastější chyba. Firma si přečte o agentech a chce agenta na každý proces. Skončí to vysokými náklady na API cally, nepředvídatelným chováním a chybami, které se těžko debugují. Držte se jednoduchého pravidla. Pokud se proces dá zapsat do flowchartu bez diamantů s otazníkem, agenta nepotřebujete.

Žádný human-in-the-loop

Agent rozhoduje autonomně a nikdo nekontroluje výstupy. První měsíc je všechno skvělé. Druhý měsíc začne agent generovat odpovědi, které nejsou úplně správné. Třetí měsíc píšou zákazníci stížnosti. Každý agent proto musí mít definovanou eskalační cestu a hranici, při které se zapojí člověk.

Žádné logování

Když agent udělá špatné rozhodnutí, musíte vědět proč. Bez logu vstupů, rozhodovacího procesu a výstupů ho nedokážete debugovat. Logujte vstupy, prompt, odpověď modelu, provedenou akci i výsledek.

Bezpečnost není bonus

Při každém nasazení AI v produkčním prostředí držíme čtyři věci.

Žádná data nelétají v plain textu. Komunikace mezi nástroji, API a databázemi běží přes TLS.

Agent má přístup jen k tomu, co potřebuje. Pokud zpracovává e-maily, k finančním datům se nedostane. Když se pak splete, splete se v ohraničeném prostoru.

Každé rozhodnutí agenta jde do auditního logu. Kdo, kdy, co a proč. Regulátor se jednou zeptá a vy musíte umět odpovědět.

Zbývá rate limiting a nákladové stropy. Agent bez limitu na API cally je bezpečnostní i finanční riziko, protože zacyklené workflow umí utratit měsíční rozpočet dřív, než si toho někdo všimne.

Modelový příklad pracovního postupu

Představte si Make workflow s AI uzlem, které klasifikuje příchozí objednávky podle komplexnosti. Objednávka přijde do systému, workflow ji pošle do zvoleného modelu a ten navrhne kategorii podle počtu položek a speciálních požadavků.

Jednoduché objednávky (standardní produkty, běžná adresa, žádné speciální požadavky) jdou přímo do automatického zpracování. Komplexní objednávky (velké objemy, nestandardní požadavky, noví zákazníci s vysokou hodnotou) se označí k manuální kontrole.

Tohle je ilustrace architektury, ne tvrzení o výsledku klienta. Úspěch pilotu je potřeba změřit na skutečných datech. Sledujte podíl správně zařazených objednávek, počet manuálních oprav a čas zpracování před nasazením a po něm.

Žádný agent. Deterministické workflow s jedním AI rozhodovacím uzlem a jasnou cestou na manuální kontrolu.

Začněte jednoduše

Nepotřebujete agenta na všechno. Většina firemních procesů se dá zautomatizovat klasickými nástroji. Tam, kde je potřeba rozhodování, přidejte AI uzel. A plného agenta nasaďte jen tam, kde je skutečná komplexnost a kde máte připravenou infrastrukturu pro monitoring, logování a eskalaci.

Pokud chcete zjistit, kde ve Vaší firmě dává AI smysl a kde stačí automatizace, umíme to udělat za dvoutýdenní AI Sprint. Zmapujeme procesy, navrhneme řešení a dodáme funkční prototyp. Ozvěte se nám a domluvíme si úvodní hovor.