Co je to vlastně agentní AI?

Zatímco klasický chatbot jako ChatGPT odpovídá na jeden dotaz jednou odpovědí, agentní AI (anglicky agentic AI) dokáže samostatně plánovat více kroků, rozhodovat se, používat nástroje a iterativně směřovat k cíli. Představte si asistenta, kterému řeknete "zarezervuj mi let do Londýna na příští úterý, nejlevnější možný, a pošli itinerář mému šéfovi" — a on to celé provede.

Klíčový rozdíl proti běžným LLM je ve zpětnovazební smyčce: agent naplánuje kroky → provede akci → vyhodnotí výsledek → upraví plán → pokračuje dál. Tento cyklus se opakuje, dokud není cíl splněn, nebo dokud agent nenarazí na nepřekonatelnou překážku.

V roce 2025 a 2026 zažíváme explozi agentních systémů. OpenAI spustilo Responses API a Agents SDK, Google má Project Mariner pro ovládání prohlížeče, Anthropic nabízí tool use v Claude a open-source scéna chrlí frameworky tempem, které je těžké sledovat.

Proč "stavět", a ne jen "číst"?

Profesor Sébastien Martin z Kellogg School of Management, který agentní systémy vyučuje v rámci MBA programu, zdůrazňuje, že pasivní konzumace informací o AI nestačí. "Studenti, kteří si agenta skutečně postaví, pochopí limity technologie mnohem rychleji než ti, kteří o ní jen poslouchají přednášky," uvádí ve své výuce.

Praktický přístup má tři výhody:

1. Okamžitá zpětná vazba. Když agent selže (a že selže často), hned vidíte proč — halucinace nástroje, špatné rozhodování v cyklu, chybějící kontext. Teorie se stává realitou během minut.

2. Pochopení architektury. Stavbou agenta od nuly zjistíte, jak funguje orchestrační logika, správa paměti, volání nástrojů a řízení chyb. To jsou koncepty, které nevyčtete z tiskové zprávy.

3. Rozlišení hype od reality. Většina demo videí ukazuje agentní systémy v ideálních podmínkách. Když si je postavíte sami, zjistíte, že reálná úspěšnost autonomních úloh je výrazně nižší — podle benchmarku SWE-bench se nejlepší agenti pohybují kolem 50–70% úspěšnosti u komplexních programátorských úloh.

S čím začít: přehled frameworků

Pro začátečníka i zkušeného vývojáře dnes existuje několik cest:

LangChain a LangGraph

Nejrozšířenější open-source framework pro stavbu LLM aplikací. LangGraph přidává možnost definovat agenty jako stavové grafy — ideální pro komplexní workflow. Cena: open-source zdarma, placená verze LangSmith pro monitoring od $39/měsíc. Česká dostupnost: plně dostupný, dokumentace v angličtině.

Microsoft AutoGen

Framework od Microsoft Research zaměřený na multi-agentní konverzace — více agentů spolu komunikuje a řeší úlohu společně. AutoGen 0.4 přinesl v lednu 2026 zásadní redesign s asynchronní architekturou. Cena: open-source zdarma, platíte jen za API volání do modelů.

CrewAI

Postavený na LangChain, ale zaměřený čistě na multi-agentní systémy s rolemi (definujete "výzkumníka", "editora", "fact-checkera"). Cena: open-source zdarma, CrewAI Enterprise od $10/user/měsíc. Skvělý pro rychlé prototypování.

OpenAI Agents SDK

Oficiální SDK od OpenAI, dříve známé jako Swarm. Nabízí nejjednodušší vstupní práh, pokud už používáte OpenAI API. Agenti si mezi sebou předávají kontext (handoffs) a používají nástroje přes function calling. Cena: SDK zdarma, platíte jen za API tokeny.

Anthropic Tool Use a MCP

Anthropic razí cestu přes Model Context Protocol (MCP) — otevřený standard pro připojování agentů k externím datům a nástrojům. Místo vlastního orchestrace se agenti opírají o schopnosti modelu Claude. Cena: SDK a MCP zdarma, API tokeny dle tarifu (Claude Haiku od $0.25/milion tokenů).

Váš první agent za 30 minut

Postavíme jednoduchého agenta v OpenAI Agents SDK, který umí vyhledávat aktuální informace a odpovídat na otázky. Kód v Pythonu:

Krok 1: Nainstalujte SDK — pip install openai-agents

Krok 2: Definujte nástroj (funkci pro vyhledávání) a agenta, který ho použije.

Krok 3: Spusťte agenta s dotazem a sledujte, jak plánuje kroky, volá nástroj a vrací výsledek.

První spuštění většinou odhalí překvapivé chování — agent může volat nástroj opakovaně, interpretovat výsledky chybně nebo se zacyklit. Právě tyto momenty jsou nejcennější lekcí: zjistíte, že orchestrační logika (kdy přestat, jak vyhodnotit výsledek) je mnohem důležitější než samotný model.

Kompletní tutoriály pro jednotlivé frameworky najdete na oficiálních webech — LangChain nabízí interaktivní LangGraph tutoriály, OpenAI má přehledné Agents quickstart a CrewAI poskytuje step-by-step průvodce.

Co se naučíte stavbou agenta

Tool calling není magie. Zjistíte, že definice nástroje (jeho popis, parametry, návratová hodnota) zásadně ovlivňuje, jak dobře agent nástroj používá. Špatně popsaný nástroj = agent ho ignoruje nebo používá chybně.

Kontextové okno je vzácné. Každý krok agenta spotřebovává tokeny. Agent, který provede 15 iterací s plným kontextem, může stát v API poplatcích $2–5 za jedinou úlohu. Optimalizace paměti a kontextu je klíčová dovednost.

Evaluace je těžší než stavba. Jak poznáte, že agent splnil úkol správně? Na rozdíl od klasického softwaru, kde testujete deterministický výstup, agentní systémy vyžadují nový přístup k testování — od LLM-as-a-judge po specializované eval platformy jako Braintrust.

Bezpečnost není volitelná. Agent s přístupem k API, databázi nebo souborovému systému musí mít sandbox a omezená oprávnění. Prompt injection útoky, kdy uživatel přesvědčí agenta k nechtěné akci, jsou reálnou hrozbou.

Náklady na provoz agentů: realistická čísla

Pojďme na konkrétní čísla. Jednoduchý agent volající GPT-4o (nebo Claude 4 Sonnet) spotřebuje na jednu úlohu o 3–5 krocích přibližně 5 000–15 000 vstupních tokenů a 500–1 500 výstupních tokenů. Při současných cenách (červenec 2026) to vychází na:

• GPT-4o: $2.50/1M vstup, $10/1M výstup → cca $0.02–0.05 na úlohu
• Claude 4 Sonnet: $3/1M vstup, $15/1M výstup → cca $0.03–0.07 na úlohu
• Gemini 2.5 Pro: $1.25/1M vstup (do 200K tokenů) → cca $0.01–0.03 na úlohu
• Open-source modely (Llama 4, DeepSeek V3): vlastní GPU/server, od $0.50/hod na RunPod

Pro experimentování a učení doporučuji začít s GPT-4o mini ($0.15/1M vstup) nebo Claude Haiku ($0.25/1M vstup) — učení vás bude stát doslova centy.

Česká a evropská stopa

V Česku je agentní AI zatím v počátcích, ale první vlaštovky už létají. České firmy jako Apify (web scraping agenti), Keboola (datoví agenti) nebo Rossum (dokumentoví agenti) integrují agentní prvky do svých produktů. Pro vývojáře je klíčová znalost angličtiny — veškerá dokumentace, tutoriály i komunitní fóra jsou v angličtině. Čeština jako jazyk pro prompt engineering u agentů funguje, ale u složitějších úloh doporučuji angličtinu — modely mají s českými instrukcemi stále vyšší chybovost.

Evropská regulace skrze EU AI Act se na agentní systémy vztahuje od srpna 2026 — agenti provádějící rozhodnutí s právními nebo finančními dopady spadají do kategorie "vysokého rizika" a vyžadují lidský dohled. Pro firmy v EU to znamená, že plně autonomní agentní systémy bez možnosti lidské kontroly nebudou v souladu s regulací.

Kde je agentní AI dnes: úspěchy a limity

Agentní systémy excelují v úlohách s jasnou strukturou: zákaznická podpora (agent prohledá znalostní bázi, najde relevantní články, navrhne řešení), code review a debugging (agent analyzuje kód, spouští testy, navrhuje opravy), research asistenti (agent prohledá více zdrojů, syntetizuje informace, vytvoří report).

Naopak selhávají v úlohách vyžadujících dlouhodobé plánování (více než 20 kroků), nejednoznačné cíle ("udělej to co nejlépe"), nebo práci s nestrukturovanými vizuálními daty (ovládání GUI aplikací).

Podle posledních dat z benchmarku GAIA (General AI Assistant benchmark) dosahují nejlepší agentní systémy úspěšnosti kolem 50–60 % — oproti 92% úspěšnosti lidí. Je to obrovský pokrok proti roku 2024, kdy se agenti pohybovali kolem 15 %, ale stále je před námi dlouhá cesta.