Agentní AI mění práci ve firmách, autonomii svěří jen 6 % z nich

Princip agentní AI

Chatbot odpoví, agent udělá. To je nejkratší dělicí čára. Klasický jazykový model přečte dotaz a vrátí text. Agentní systém si cíl rozloží na posloupnost kroků, rozhoduje, jaký nástroj kdy spustí, a kontroluje výsledek. Představte si kolegu, kterému zadáte jen cíl: zjistit, proč klesly platby, a navrhnout nápravu. On sám najde data, spočítá čísla, napíše zprávu a pošle ji.

Většina dnešních agentů stojí na takzvaných usuzovacích modelech. Ty si před odpovědí vyhradí čas na přemýšlení – odborně se tomu říká škálování výpočtu při inferenci. Místo okamžitého generování dalšího tokenu projdou mezivýpočet, který jim dovolí plánovat ve více krocích.

U agentních úloh hodně záleží na ceně. Jeden běh agenta může znamenat desítky volání modelu, takže se cena za token násobí. Proto je podstatné, že otevřené usuzovací modely zlevnily. Mistral Large 4 stojí v API 0,70 dolaru za milion vstupních tokenů, DeepSeek-V4.1-Flash dokonce 0,15 dolaru. Díky tomu dává agentní AI smysl pro rutinní firemní práci, ne jen pro drahé piloty.

Nasazení na kapitálových trzích

V bankách a na burzovních trzích se agenti prosazují tam, kde je hodně nestrukturovaných dat a opakované ruční práce. Typické scénáře: onboarding klienta, kontrola dokumentů kvůli shodě s předpisy, dohled nad transakcemi a odsouhlasování obchodů po jejich uzavření.

Rozdíl oproti běžnému firemnímu chatbotu je v architektuře. Finanční instituce nespoléhají na čistě pravděpodobnostní model. Staví hybridní systémy ze dvou vrstev. Pravděpodobnostní vrstva – jazykový model – rozpoznává vzory, čte dokumenty a formuluje úsudek. Deterministická vrstva, tedy klasický software, ověřuje výstupy, hlídá limity a zajišťuje, aby byl každý krok auditovatelný a opakovatelný.

Důvod je zřejmý. Regulátor neuzná odpověď „model to odhadl s 92% jistotou". Potřebuje dohledatelnou stopu, kdo co schválil a podle jakého pravidla. Deterministická kontrolní vrstva tuhle stopu drží.

Propast důvěry v číslech

Hlavní zjištění průzkumu HBR Analytic Services je paradox, který se opakuje napříč odvětvími. Ochota investovat roste, ochota svěřit autonomii ne.

86 % organizací plánuje v následujících dvou letech investice do agentní AI zvýšit. Plně jí ale věří natolik, aby sama řídila provozní procesy od začátku do konce, jen 6 %. Dalších 43 % ji pouští výhradně na rutinní a ohraničené úkoly, 39 % ji omezuje na procesy pod přímým lidským dohledem.

Podobně skromně to vypadá s připraveností. Jen 20 % organizací pokládá svou IT infrastrukturu a 15 % svá data a systémy za připravené na škálování agentů. Data jsou přitom nejcitlivější místo: 94 % manažerů označuje důvěryhodnost dat za nejdůležitější podmínku úspěchu, garantovat ji umí 39 %.

A měření. Přesně nastavené metriky úspěšnosti má pouze 5 % organizací. Ti, kdo už agenty pilotují, hlásí konkrétní přínosy: 36 % nárůst produktivity a 26 % lepší zákaznickou zkušenost.

Překážky přechodu do produkce

Z čísel vyplývá, že úzké hrdlo netvoří samotné modely. Ty už schopné jsou. Problém leží pod nimi: roztříštěná data, nehotová infrastruktura a chybějící metrika, podle které poznáte, zda agent pracuje dobře.

Data jsou nejtvrdší překážka. Agent se rozhoduje podle toho, co má k dispozici. Pokud podnikové systémy nejsou sjednocené, dostává neúplný obrázek. Důvěryhodnost dat, kterou 94 % manažerů pokládá za kritickou, garantuje méně než polovina z nich.

Druhá překážka je kontrola nákladů a bezpečnosti. Agent, který volá model při každém kroku, rychle spálí rozpočet na tokenech. Instituce proto zavádějí rámce typu Agent Evaluation, kdy jeden agent hodnotí výstup druhého, a hlídají spotřebu tokenů u novějších modelů. Cíl je dvojí: zabránit neřízenému prodražování a úniku interních dat.

Český a evropský rozměr

Pro tuzemské firmy a banky platí totéž plus evropská regulace. Finanční služby patří v rámci unijního AI Actu k oblastem s vysokým rizikem, takže nasazení agentů pro automatizovaná rozhodnutí podléhá přísnějším požadavkům na transparentnost, dohled a dokumentaci. Banky a investiční firmy v EU navíc svazuje nařízení DORA, které jim ukládá řízené testování a hlášení incidentů i u systémů, v nichž běží AI.

Hybridní architektura, o níž se opírají kapitálové trhy, je zároveň cestou, jak splnit evropské požadavky na auditovatelnost a lidský dohled a přitom z agentů vytěžit úsporu času. Pro menší české instituce z toho plyne jedno doporučení: nezačínat velkým autonomním systémem, ale ohraničeným úkolem pod dohledem člověka, kde se přínos dá snadno měřit.

Původní digitální studie HBR Analytic Services k tématu se prodává za 11,95 dolaru za licenci. Sama o sobě tím ukazuje, že jde o materiál mířený spíš na korporátní čtenáře než na laiky.