Agent, který nečeká na pokyn
Většina z nás zná AI jako chatbota: napíšete otázku a dostanete odpověď. Agentní AI je o krok dál. Dostane cíl a sama si rozvrhne, co musí udělat, jaké nástroje použít a jak zkontrolovat, že výsledek dává smysl. Umí pracovat v cyklu „přemýšlej, udělej, zkontroluj, oprav" — podobně jako zkušený kolega, jen bez toho, aby ho někdo u každého kroku musel vést.
Poradenská společnost McKinsey spočítala, že ve farmacii obsahuje 75 až 85 % pracovních postupů úkoly, které takoví agenti zvládnou automatizovat nebo výrazně urychlit. Firma odhaduje, že to v příštích třech až pěti letech může firmám uvolnit 25 až 40 % kapacity a přidat 5 až 13 procentních bodů k růstu tržeb. Upozorňuje ale zároveň na to, že od pilotních projektů k ostrému provozu vede ještě dlouhá cesta.
V laboratoři: z měsíců na hodiny
Nejvíc vidět je posun v rané fázi vývoje léků, která tradičně polyká nejvíc času i peněz a končí spoustou slepých uliček. Studie „AI agents in drug discovery" publikovaná letos v časopise Drug Discovery Today popisuje několik systémů, které už běží v praxi.
Firma Kiin Bio nechala svůj multiagentní systém navrhnout kompletní výzkumný program pro idiopatickou plicní fibrózu. Proces, který by lidem trval dva až tři týdny, zvládla sestava specializovaných agentů za necelé dvě hodiny. To je zrychlení zhruba o 170 až 250 krát — jednoduchý výpočet, když podělíte dva až tři týdny (336 až 504 hodin) dvěma hodinami.
Ještě výraznější je příklad agenta Tater od společnosti Happy Potato. Návrh a ověření testu qPCR, který se používá k měření genetického materiálu, zvládl za méně než dvě hodiny. Ručně přitom tato práce trvá jeden až čtyři měsíce. Autoři studie mluví o více než 400násobném zkrácení. Agent sám prošel odbornou literaturu, porovnal metody a napsal spustitelný kód pro laboratorního robota — se stopou, díky které lze každý krok zpětně ověřit.
Klinické studie: tam, kde jsou největší peníze
Klinické testování nových léků na lidech tvoří zhruba 70 % nákladů na vývoj. McKinsey v prosinci 2025 odhadla, že agentní AI může produktivitu klinického vývoje zvýšit o 35 až 45 %. Návrh studie jde podle jejích dat urychlit o polovinu a s o čtvrtinu menším počtem následných úprav. Při přípravě hlášení o studii klesl počet chyb o 50 % a doba od uzavření databáze k finální zprávě se zkrátila z dvanácti týdnů na šest.
Pro běžného čtenáře to v praxi znamená jedno: léky se k pacientům dostanou dřív. Klinické studie jsou dnes nejužším hrdlem lahve a jejich zrychlení se promítá přímo do toho, jak rychle nová léčba dorazí do ordinací a lékáren.
Úřady a regulace: digitální dvojník úředníka
Než se lék dostane k pacientům, musí ho schválit regulační úřad — v Evropě Evropská léková agentura (EMA), jejíž schválení platí i pro český trh. I tady se agentní AI prosazuje. Firmy zkoušejí koncept „virtuálního regulátora": systém, který se z minulých žádostí a připomínek úřadů naučí, co kontroloři vyžadují, a ještě před podáním žádosti upozorní na nejasné formulace nebo chybějící podklady. Podle odhadů citovaných ve zdrojové analýze to může zkrátit dobu přezkumu až o 40 dní.
Právě tady se agentní AI potkává s evropským AI aktem. Systémy, které slouží jako bezpečnostní součást zdravotnických prostředků, spadají do kategorie vysokého rizika a čekají je přísnější povinnosti — dokumentace, dohled člověka a povinné hlášení incidentů. Pro AI zabudovanou do regulovaných produktů platí pravidla od 2. srpna 2028. Farmaceutické firmy, které chtějí AI nasadit v Evropě, tedy musí počítat s tím, že kromě výkonu budou muset prokázat i spolehlivost a dohledatelnost rozhodnutí.
Výroba a hlídání bezpečnosti
Agentní AI se uplatňuje i poté, co je lék na trhu. Společnost Novartis provozuje systém nazvaný AE Brain, který nepřetržitě prochází sociální sítě, elektronické zdravotní záznamy a odbornou literaturu a hledá náznaky, že nějaký lék způsobuje nečekané vedlejší účinky. Stroj toho přečte řádově víc než člověk, ale konečné rozhodnutí o tom, jestli jde o skutečný signál, zůstává na expertech.
Ve výrobě pak agenti sledují bioreaktory a v reálném čase upravují parametry, jako je kyselost nebo teplota, aby se udržela kvalita a neplýtvalo se. McKinsey odhaduje, že agentní AI pokryje 75 až 85 % postupů ve výrobě a zkrátí klíčové úkoly v dodavatelském řetězci o 25 až 35 %.
Na co si dát pozor
Zde je však na místě varovný prst. Agentní AI je jen tak dobrá, jak kvalitní jsou data, která dostane — a farmaceutické firmy se s roztříštěnými daty a nedostatečnou správou potýkají dlouhodobě. Větší obava je takzvaná halucinace: agent postavený na jazykovém modelu může vygenerovat výsledek, který vypadá věrohodně, ale není pravdivý. V oboru, kde chyba ohrožuje zdraví, proto zůstává klíčový dohled člověka. Autoři analýzy to říkají otevřeně — u zásadních rozhodnutí se bez lidí neobejdeme.
Shrnuto: agentní AI ve farmacii není prázdný marketing. Konkrétní příklady ukazují stonásobné zrychlení rutinních úkolů. Přínos je reálný, ale teprve se ukáže, kolik z pilotních projektů přežije přechod do ostrého provozu, kde na ně čekají náročné evropské regulace i odpovědnost za každé rozhodnutí.
Může agentní AI sama vymyslet a otestovat nový lék?
Ne úplně. Umí výrazně urychlit dílčí kroky, jako je návrh testů, vyhledávání v literatuře nebo syntéza látek, ale celý vývoj léku stále vede a kontroluje člověk. Výsledky, které agent vygeneruje, vždy ověřují odborníci.
Znamená to, že léky kvůli AI zlevní?
To zatím nikdo nezaručí. Studie mluví o růstu tržeb a marží farmaceutických firem a o uvolněné kapacitě zaměstnanců, ne o cenách pro pacienty. Zlevnění léků by se muselo promítnout přes úhrady a regulaci, což je úplně jiná debata.
Je taková AI dostupná i pro české nemocnice a firmy?
Zmíněné systémy vznikají hlavně ve velkých farmaceutických firmách v USA. V Evropě, a tedy i v Česku, jejich širšímu nasazení navíc předchází AI akt, který pro zdravotnická použití vyžaduje doložitelnou spolehlivost a lidský dohled. Masové využití v českých nemocnicích je tak spíš otázka let než měsíců.
