AI agent alebo 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. Nad OpenAI API si viete postaviť vlastného. 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 agenta nepotrebuje. Potrebuje dobre nastavenú automatizáciu. Rozdiel medzi tým dvojím rozhoduje o rozpočte aj o tom, či riešenie o pol roka ešte niekto udrží.

Čo je automatizácia a čo je agent

Automatizácia znamená "ak sa stane X, urob Y"

Nástroje ako Zapier a Make stoja na jednom 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 a predvídateľné. Presne preto je to také cenné. Viete dopredu, čo sa stane, a keď to raz nastavíte, beží to mesiace bez zásahu.

Agent si kroky vyberá sám

Agent funguje inak. Dostane cieľ, nie inštrukciu. Má prístup k nástrojom, k dátam aj k histórii a sám si volí kroky, ktorými sa k cieľu dostane.

Povedzte mu "spracuj túto zákaznícku sťažnosť" a on si prečíta správu, vyhľadá históriu zákazníka v CRM, posúdi závažnosť a rozhodne sa, či odpovie sám alebo to pošle človeku. Ak odpovie, tón aj obsah volí podľa kontextu.

Celé sa to dá zhrnúť jednou vetou. Automatizácia vykonáva inštrukcie, agent robí rozhodnutia. A s rozhodnutiami prichádza riziko, ktoré niekto musí ustrážiť.

Kedy siahnuť po čom

Po desiatich mesiacoch nasadzovania oboch prístupov u klientov sme si vytvorili jednoduchý rozhodovací rámec. Držíme sa ho aj vtedy, keď klient príde rovno s tým, že chce agenta.

Štrukturované dáta a jasné pravidlá znamenajú automatizáciu

Ak majú vaše vstupy predvídateľný formát a pravidlá sa dajú zapísať do if/then logiky, agenta nepotrebujete. Automatizácia vyjde lacnejšie, nasadíte ju rýchlejšie a udržíte ju aj bez špecialistu. Patrí sem synchronizácia CRM a účtovníctva, notifikácie na základe statusov, generovanie dokumentov zo šablón alebo pravidelné reporty z databázy.

Neštrukturované dáta a úsudok znamenajú agenta

Ak vstupy chodia v rôznych formátoch a v prirodzenom jazyku a ich spracovanie vyžaduje úsudok, agent dáva zmysel. Typicky ide o analýzu zákazníckych sťažností, klasifikáciu dokumentov podľa obsahu, odpovedanie na zložité otázky z knowledge base alebo vyhodnocovanie ponúk od dodávateľov.

V praxi vyhráva hybrid

A tu je to najzaujímavejšie. Väčšina reálnych riešení nie je čistý agent ani čistá automatizácia. Je to automatizačný workflow, ktorý na rozhodovacích uzloch volá AI. Make alebo Zapier riadi tok, AI rozhoduje tam, kde treba, a zvyšok beží deterministicky. Platíte teda za inteligenciu len v tých pár krokoch, kde ju naozaj potrebujete.

Tri praktické príklady

Triedenie emailov cez Zapier a GPT klasifikáciu

Na obchodný email chodí denne vyše 200 správ a obchodný tím strávi hodinu denne len ich triedením.

Zapier zachytí každý nový email a pošle ho na OpenAI API. To zaradí správu do jednej z piatich kategórií, či ide o novú požiadavku, existujúci deal, spam, sťažnosť alebo fakturáciu. Podľa výsledku Zapier presmeruje email do správneho kanála v Slacku, priradí tag v CRM alebo pri spame a jednoznačných otázkach rovno odpovie.

Plný agent by tu bol zbytočný. Tok je jasný a AI robí jedinú vec, klasifikuje. Zvyšok je deterministická automatizácia, takže je menej chýb aj nižšia faktúra za API.

Helpdesk s knowledge base a eskaláciou

Zákaznícka podpora odpovedá na 80 % rovnakých otázok. Odpovedať sa však nedá bez kontextu, teda bez zákazníkovho plánu, histórie komunikácie a prehľadu o aktuálnych incidentoch.

Tu nasadzujeme AI agenta pripojeného na knowledge base, CRM a monitoring. Zákazník napíše otázku, agent vyhľadá relevantnú dokumentáciu, skontroluje jeho históriu a posúdi, či dokáže odpovedať sám. Ak áno, odpovie. Ak nie, vytvorí ticket s kontextom a priradí ho správnemu človeku.

Automatizácia by to nezvládla, lebo otázky sú nepredvídateľné a kontext sa mení. Agent musí rozumieť významu, nie kľúčovým slovám. Podstatné je ale niečo iné. Agent má jasne definované hranice, kedy eskaluje na človeka, a o refundáciách, zmluvných podmienkach ani technických zásahoch nerozhoduje sám.

Reporty cez Make a AI sumarizáciu

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

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

Agent by tu nemal čo robiť. Dáta sú štrukturované a postup je každý týždeň rovnaký. AI len sumarizuje a interpretuje, nerozhoduje.

Čomu sa vyhnúť

Agent na všetko

Najčastejšia chyba. Firma si prečíta o agentoch a chce agenta na každý proces. Skončí to vysokými nákladmi na API cally, nepredvídateľným správaním a chybami, ktoré sa ťažko debugujú. Držte sa jednoduchého pravidla. Ak sa proces dá zapísať do flowchartu bez diamantov s otáznikom, agenta nepotrebujete.

Žiadny human-in-the-loop

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

Žiadne logovanie

Keď agent urobí zlé rozhodnutie, musíte vedieť prečo. Bez logu vstupov, rozhodovacieho procesu a výstupov ho nedokážete debugovať. Logujte vstupy, prompt, odpoveď modelu, vykonanú akciu aj výsledok.

Bezpečnosť nie je bonus

Pri každom nasadení AI v produkčnom prostredí držíme štyri veci.

Žiadne dáta nelietajú v plain texte. Komunikácia medzi nástrojmi, API a databázami beží cez TLS.

Agent má prístup len k tomu, čo potrebuje. Ak spracúva emaily, k finančným dátam sa nedostane. Keď sa potom pomýli, pomýli sa v ohraničenom priestore.

Každé rozhodnutie agenta ide do auditného logu. Kto, kedy, čo a prečo. Regulátor sa raz opýta a vy musíte vedieť odpovedať.

Zostáva rate limiting a nákladové stropy. Agent bez limitu na API cally je bezpečnostné aj finančné riziko, lebo zacyklený workflow vie minúť mesačný rozpočet skôr, než si to niekto všimne.

Modelový príklad pracovného postupu

Predstavte si Make workflow s AI uzlom, ktorý klasifikuje prichádzajúce objednávky podľa komplexnosti. Objednávka príde do systému, workflow ju pošle do zvoleného modelu a ten navrhne kategóriu podľa počtu položiek a špeciálnych požiadaviek.

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.

Toto je ilustrácia architektúry, nie tvrdenie o výsledku klienta. Úspech pilotu treba zmerať na skutočných dátach. Sledujte podiel správne zatriedených objednávok, počet manuálnych opráv a čas spracovania pred nasadením a po ňom.

Žiadny agent. Deterministický workflow s jedným AI rozhodovacím uzlom a jasnou cestou na manuálnu kontrolu.

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.