Svět umělé inteligence se právě posunul od éry „konverzace“ do éry „autonomie“. Zatímco před několika měsíci jsme se učili, jak psát lepší prompty pro ChatGPT nebo Claude, dnešní novinka od jihokorejské K-Bank ukazuje, že budoucnost patří systémům, které nečekají na každé vaše slovo, ale dokážou samostatně řešit komplexní úkoly.

Co je to Agentic AI a proč je to posun v paradigmatu?

Pro pochopení významu tohoto kroku je nutné definovat rozdíl mezi standardním jazykovým modelem (LLM) a tzv. agentním workflow (Agentic Workflow). Tradiční modely, jako byly například první verze GPT nebo starší systémy, fungovaly na principu „jednoprůchodového generování“. Uživatel položil otázku a model vygeneroval odpověď token po tokenu v jediném průchodu. Pokud byla úloha příliš složitá, model často selhal nebo halucinoval.

Agentic AI, kterou implementovala K-Bank, funguje jinak. Tento systém využívá schopnost plánování. Místo toho, aby okamžitě vypsal kód, nejprve si vytvoří vnitřní plán: „Co musím zjistit? Jaké knihovny použít? Jaké jsou interní bezpečnostní standardy?“ Tento proces je nyní běžný u nejmodernějších modelů, jako je OpenAI GPT-5.6 Sol nebo Claude Opus 5, které využívají nativní uvažování (reasoning) zabudované přímo do architektury pomocí posilovaného učení.

K-Bank však tento koncept vzala a aplikovala na extrémně citlivé prostředí bankovnictví. Jejich systém není jen „chytrý chat“, ale autonomní partner, který má přístup k interním předpisům, vývojářským standardům i firemním formulářům.

Výsledky pilotního provozu: Čísla, která dávají smysl

Implementace nebyla náhlá; banka prošla důkladným testováním. Během dvouměsíčního pilotního provozu se do systému zapojilo 50 vývojářů. Výsledky jsou fascinující a ukazují obrovskou škálu využití:

• Spotřeba dat: Tým během testování spotřeboval celkem 4 miliardy tokenů.
• Analytická kapacita: Systém dokázal v přepočtu analyzovat objem textu a kódu odpovídající 10 knihám o rozsahu 300 stran denně na jednoho vývojáře.
• Efektivita: AI systém převzal rutinní úkoly, jako je vyhledávání v dokumentaci nebo psaní opakujících se částí kódu, čímž uvolnil kapacitu seniorních vývojářů pro návrh komplexních architektur.

Tento přístup ukazuje, že AI už není jen nástrojem pro generování textu, ale infrastrukturním prvkem, který se stává součástí vývojového cyklu (SDLC).

Technologický stack a budoucí investice

Aby K-Bank byla schopna udržet takto náročný provoz, nehodlá se spoléhat pouze na externí cloudové služby. Banka již zahájila projekt budování vlastní dedikované GPU platformy. To je strategický krok, který má zajistit nejen vyšší výpočetní výkon pro Agentic AI, ale především maximální bezpečnost dat v rámci vnitřní sítě.

Srovnání nákladů na provoz podobných systémů je důležité pro pochopení ekonomiky tohoto kroku. Zatímco API přístup k špičkovým modelům, jako je DeepSeek-V4 Pro, stojí přibližně 0,435 USD za 1 milion vstupních tokenů, provoz vlastního agentního systému v bankovní infrastruktuře vyžaduje masivní investice do hardwaru (GPU), které se však vrátí v podobě drastického zrychlení vývoje softwaru.

Dopad na český trh a evropskou scénu

Ačkoliv je K-Bank jihokorejská, její kroky mají přímé implikace pro český finanční sektor i technologické firmy. V České republice, kde máme silnou tradici vývoje softwaru a rostoucí fintech scénu, bude tento trend nevyhnutelný.

1. Bezpečnost a EU AI Act

Pro české banky a firmy v EU je klíčovým faktorem regulace EU AI Act. Systémy používané ve finančnictví jsou často klasifikovány jako systémy „vysokého rizika“. Implementace Agentic AI přímo v intranetu, jak ji ukazuje K-Bank, je přesně tím modelem, který evropská regulace podporuje – minimalizuje se riziko úniku dat do veřejných modelů (jako je standardní ChatGPT) a zajišťuje se plná kontrola nad rozhodovacími procesy AI.

2. Dostupnost nástrojů pro české vývojáře

Zatímco bankovní systémy typu K-Bank jsou uzavřené, český vývojář má přístup k podobným technologiím skrze nástroje jako GitHub Copilot nebo open-source modely. Například model Llama 4 od Mety je volně dostupný pro lokální nasazení, což umožňuje českým startupům vytvářet vlastní agentní systémy bez nutnosti posílat citlivá data do USA.

Pokud uvažujete o implementaci podobných řešení ve vaší firmě v ČR, doporučujeme zaměřit se na modely s vysokou schopností uvažování (reasoning), které lze provozovat lokálně. Ceny za předplatné pro vývojářské nástroje se pohybují standardně kolem 20 USD měsíčně, ale pro firemní agentní systémy je třeba počítat s náklady na vlastní infrastrukturu nebo specializované API.

Závěr

Krok K-Bank signalizuje konec éry „pasivních AI“. Agentní systémy, které dokážou samostatně plánovat a jednat, se stávají standardem pro kritickou infrastrukturu. Pro český trh to znamená výzvu i příležitost: buď budeme tyto autonomní systémy implementovat v rámci bezpečných, lokálních řešení v souladu s EU regulacemi, nebo budeme pouze pasivními uživateli cizích technologií.