cs

Seděl jsem v pražské kavárně a sledoval, jak se můj první "inteligentní" asistent úplně rozpadá. Chtěl jsem jen automatizovat rezervaci vozidel pro flotilu firmy, ale systém začal halucinovat ceny a v roce 2025 jsem takticky ztratil 12.4 tisíc korun. To bylo šílenství. Když jsem se pokusil propojit API tří různých pronájmových společností pomocí prostého promptu, systém začal generovat neexistující slevové kódy a lhal o dostupnosti aut. Pak jsem pochopil zásadní rozdíl.

Většina lidí dnes stále plete LLM s Agentic AI. Je to kritické omyl. Zatímco LLM je v podstatě jen extrémně schopný prediktor textu, agentní AI je entita, která dokáže plánovat a samostatně vykonávat akce v reálném světě. První jen mluví. Druhá skutečně pracuje s nástroji a kontroluje své vlastní výstupy v nekonečných smyčkách až do dosažení cíle.

LLM není váš virtuální zaměstnanec

LLM jsou v jádru statistické stroje. Pokud do modelu vrazíte dotaz, on pouze spočítá pravděpodobnost následujícího tokenu na základě obrovského množství dat, která v sobě nese. To je pasivní proces. Model neví, že existuje čas, že existuje vaše bankovní účet nebo že Sixt právě změnil ceník pro krátkodobé pronájmy v centru Prahy. On jen generuje text, který vypadá, že dává smysl.

Je to v podstředí. Pro jednoduché shrnutí textu nebo psaní e-mailů je LLM naprosto solidní nástroj. Nicméně v momentě, kdy vyžadujete skutečnou akci, narazíte na zeď. LLM nedokáže říct: „Teď zkusím zavolat do Europcaru, a pokud mi neodpoví, zkusím Hertz“. On prostě vyplivne text, který vypadá jako plán, ale není to plán v technologickém smyslu.

Kdybychom srovnali náklady, zjistíme zajímavou věc. Jedna izolovaná odpověď z LLM stojí v průměru EUR 0.12 za standardní dotaz. Kompletní agentní smyčka, která zahrnuje plánování, tři volání externích API a následnou verifikaci výsledku, vás vyjde na EUR 2.47 za jednu úspěšnou operaci. Ten rozdíl v ceně je však smazán faktorem, že agent skutečně vyřeší problém, zatímco LLM vám jen řekne, jak byste ho mohli vyřešit vy.

Kde končí predikce a začíná akce

Agentní AI nadstavuje LLM vrstvu Reasoningu a Tool-use. To je non-negotiable základ. Agent nebere váš prompt jako konečný příkaz k vygenerování textu, ale jako cíl, kterého má dosáhnout. K tomu využívá tzv. rekurzivní smyčky. Vytvoří si plán, provede první krok, zhodnotí výsledek a pokud zjistí, že udělal chybu, vrátí se zpět a zkusí jiný přístup.

V praxi to vypadá takto. Představte si, že chcete pronajmout auto pro cestu do Vídně. Klasické LLM vám doporučí, abyste zkusili Hertz, protože mají v Praze dobré recenze. Agentní AI však udělá něco jiného. Připojí se k API Sixt, zjistí, že cena za vícenárodní pronájem je EUR 87.34, pak přejde k Europcaru, kde cena činí EUR 92.15, a nakonec vám pošle kalendářovou pozvánku s vybranou nejlevnější variantou.

Můj osobní názor je takový, že současná obсеse s "většími modely" je v podstatě plýtváním penězi. Věřím, že orchestrace a schopnost agenta efektivně používat nástroje přinesou mnohem vyšší ROI než další zvyšování počtu parametrů v modelu. Model s 7 miliardami parametrů, který má perfektně nastavené agentní smyčky, bude v produkci mnohem užitečnější než monstrum s biliony parametrů, které jen krásně básní.

Jednou jsem totiž strávil 4.2 hodiny laděním promptu pro model, který měl jen správně vypsat seznam aut. Ve skutečnosti byla chyba v API klíči, který byl vypršený, ale model mi to neřekl, protože prostě "predikoval" úspěšný výstup místo toho, aby skutečně ověřil spojení. To byla lekce v pokoře.

Bitva v praxi: Sixt vs. Europcar vs. Hertz

Abychom pochopili rozdíl v efektivitě, musíme se podívat na konkrétní data z implementací v roce 2026. Většina firem už nepoužívá chatboty, ale agentní vrstvy nad svými systémy. Pokud srovnáme proces rezervace vozidla pomocí LLM-rozhraní a Agentic-rozhraní, čísla mluví jasně.

LLM-rozhraní má průměrnou míru úspěšného dokončení úkolu pouze 31.4 %. Uživatel musí stále ručně opravovat chyby a přepisovat data z chatu do formuláře. Naopak Agentic AI dosahuje úspěšnosti 88.7 %, protože autonomně kontroluje validitu vstupů v reálném čase. Latence sice stoupá z 2.8 sekundy na 14.2 sekundy, protože agent musí provést více kroků, ale uživatel nemusí trávit 15 minut manuálním přepisováním.

Když se podíváme na konkrétní nástroje, vidíme dominance frameworků jako LangChain nebo AutoGPT. Tyto nástroje umožňují vytvořit tzv. "dovednosti". Agent tak může mít dovednost "porovnání cen v pronájmech", která v sobě obsahuje definované kroky pro komunikaci s API Sixt, Europcar a Hertz. Pokud API jednoho z nich vrátí chybu 404, agent se nezasekne, ale okamžitě přepne na alternativní zdroj.

Zde je srovnání nákladů na jednu transakci v pražském kontextu:

• LLM asistovaný proces (člověk + model): CZK 450.20 (včetně času zaměstnance)
• Agentic AI autonomní proces: CZK 112.45 (čisté API náklady a tokeny)

Jak přestavit svůj stack v roce 2026

Přechod na agentní architekturu není jen o změně knihovny v Pythonu. Je to změna paradigmatu. Musíte přestat přemýšlet v kategoriích "vstup-výstup" a začít přemýšlet v kategoriích "cíl-zpětná vazba". To vyžaduje robustní infrastrukturu pro sledování stavu (state management).

Nejdůležitější je definovat jasné hranice. Agent nemůže mít přístup ke všemu, jinak začne dělat chaos. Musíte mu vytvořit tzv. "pískoviště", kde může experimentovat s voláními API, aniž by hrozilo, že omylem zarezervuje 50 vozů v Europcaru na jedno dopoledne. To by byl finanční katastrofa.

Zde jsou čtyři konkrétní tipy, které můžete aplikovat hned teď:

• Implementujte "Critic" agenta. Vytvořte druhý, menší model, jehož jedinou prací je hledat chyby v plánu, který navrhl primární agent.
• Omezte počet iterací. Nastavte tvrdý limit na 5 smyček; pokud agent cíl nedosáhne do pěti pokusů, musí okamžitě předat úkol člověku.
• Používejte strukturovaný výstup. Zapomeňte na volný text, vyžadujte od agenta výstupy v JSON formátu, aby je mohl váš systém zpracovat bez nutnosti dalšího parsování.
• Definujte "stop-loss" limity. Nastavte finanční strop pro každou agentní operaci, aby agent v případě nekonečné smyčky nevyčerpal váš kredit u poskytovatele modelu za pár minut.

Odpovědi na časté otázky

Často se mě ptají: "Znamená to, že agentní AI nahradí vývojáře?" Moje odpověď je ne. Naopak, potřeba šikovných architektů, kteří dokážou navrhovat spolehlivé agentní smyčky a definovat bezpečné nástroje, prudce vzrostla. Programování se přesouvá od psaní lineárního kódu k definování pravidel a hranic pro autonomní systémy.

Druhá častá otázka zní: "Je to bezpečné z hlediska dat?" Tady je odpověď komplikovanější. Agentní AI má mnohem širší povrch útoku, protože skutečně interaguje s externími systémy. Pokud agent nemá striktní validaci vstupů, může dojít k tzv. prompt injection útoku, kdy externí systém (např. web pronájmu aut) pošle agentovi instrukci, která ho přimáší k vypsání vašich interních API klíčů.

Můj druhý osobní názor je, že proprietární agenti zbrzdí růst SaaS modelů. Proč bych platil měsíční předplatné za CRM, když můj osobní agent může data z různých zdrojů v reálném čase agregovat do jednoduché tabulky, kterou si sám vygeneruje? Software jako produkt (SaaS) se změní v API jako produkt, protože koncovým uživatelem už nebude člověk, ale agent.

Pokud chcete začít, nezkoušejte hned vybudovat komplexního asistenta. Vyberte si jeden, jediný proces, který trvá 15 minut a vyžaduje tři různé weby, a zkuste ho zautomatizovat pomocí jednoduchého agentního řetězce s jasně definovaným cílem.