Každý druhý CEO dnes rieši AI agenta. Nie ako experiment, ale ako reálny nástroj, ktorý má automatizovať procesy, pracovať s dátami a vykonávať akcie naprieč systémami.
Technológia na to už existuje a neustále sa zdokonaľuje. Modely sú dostatočne presné, frameworky dostupné. Napriek tomu väčšina AI projektov v enterprise prostredí nenaplní očakávania. Nie preto, že by AI agent nefungoval, ale preto, že zlyhala jeho integrácia.
Podľa McKinsey je práve fragmentovaná dátová a integračná architektúra jednou z hlavných bariér škálovania AI v enterprise prostredí.
AI Agent bez dát je len drahý chatbot
AI agent potrebuje kontext. Vezmime si napríklad spoločnosť pôsobiacu v maloobchode. Aby sa agent mohol rozhodovať, musí vedieť, kto je zákazník a aká je jeho história, aký je stav objednávky v reálnom čase, čo máme dostupné sklade, za akú cenu, s akým dodacím termínom, ale tiež či bola faktúra zaplatená.
Toto sú dáta, ktoré žijú v ERP, CRM, e-commerce platforme, WMS, účtovníctve – každý data stream na inom mieste, v inom formáte, aktualizovaný s iným oneskorením. Ak agent nemá prístup k dátam v jednej konzistentnej vrstve, nemá kontext. A bez kontextu robí zlé rozhodnutia.
Štyri veci, ktoré musia byť hotové skôr, ako nasadíte agenta
1. Unified data layer
Agent nerobí SELECT do šiestich rôznych databáz. Potrebuje jedno miesto, kde sú dáta zjednotené, aktuálne a konzistentné. Nemusí to byť hneď data warehouse – môže ísť o event stream, cache vrstvu, alebo dobre navrhnuté API. Základom je, aby takéto miesto existovalo. Bez neho totiž agent vidí neúplný obraz a čo je ešte horšie – rozhoduje sa podľa neho.
2. Prepojené ERP + CRM + e-commerce
Integrácia nie je možnosť, ale nevyhnutnosť. AI agent má totiž hodnotu až vtedy, keď dokáže nielen odpovedať, ale aj vykonať konkrétnu akciu v systéme. Ak napríklad zákazník požiada o zmenu objednávky, agent by nemal len nájsť informáciu. Mal by vedieť overiť stav objednávky, upraviť údaje v ERP, aktualizovať informáciu v CRM a prípadne spustiť ďalší krok v e-commerce platforme.
Inak povedané: ak agent len odpovedá, je to skôr inteligentný vyhľadávač. Skutočným agentom sa stáva až vtedy, keď vie bezpečne pracovať so systémami. Práve na to sú potrebné integrácie, ktoré fungujú obojsmerne, spoľahlivo a ideálne v reálnom alebo takmer reálnom čase.
3. API-first architektúra
Ak ERP, CRM alebo e-commerce platforma nemá kvalitné API, AI agent sa k dátam dostane len komplikovane – často cez rôzne workaroundy, ktoré síce fungujú v PoC, ale v produkcii sa rýchlo stanú problémom.
V praxi však firmy väčšinou používajú existujúce enterprise riešenia a samotné API nevedia výrazne ovplyvniť. Preto sa dnes čoraz viac presadzuje MCP (Model Context Protocol), ktorý sa postupne stáva štandardom pre prepájanie AI agentov s firemnými systémami a nástrojmi. MCP funguje ako univerzálna integračná vrstva medzi AI agentom a systémami, takže nie je potrebné budovať samostatnú integráciu pre každý nástroj zvlášť.
Ani pri MCP však nestačí, aby API len „existovalo“. AI agent potrebuje spoľahlivé a predvídateľné rozhrania – dobre popísané endpointy, jasné vstupy a výstupy, bezpečnú autentifikáciu, audit logy a konzistentné chybové hlášky.
4. Orchestration layer
Viac agentov, viac akcií a viac systémov, ktoré je potrebné koordinovať. Práve na to slúži orchestration layer. Je to riadiaca vrstva, ktorá určuje, ktorý agent dostane úlohu, v akom poradí sa vykonajú kroky, čo sa stane pri chybe, kde sa loguje každá akcia.
Príklad:
Zákazník pošle email s fotkou poškodeného produktu a textom „prišlo to takto, čo s tým“. Agent si pozrie fotku a posúdi typ poškodenia, či ide o transportné poškodenie (pomliaždený obal, prasknutý kus), výrobnú chybu alebo opotrebenie.
Na základe toho sa rozhodne, kam ísť ďalej: pri transportnom poškodení vytiahne objednávku a tracking, pri výrobnej chybe pozrie dátum nákupu a záručné podmienky, pri opotrebení posúdi, či vôbec spadá do reklamačnej lehoty.
Výstupom je buď automaticky schválená výmena, draft odpovede so žiadosťou o doplňujúce info (napr. „pošlite prosím aj fotku obalu, prípadne číslo objednávky“), alebo task pre reklamačné oddelenie s už pripraveným kontextom a hypotézou – pričom postupnosť krokov ani výsledok nie sú vopred dané, agent ich skladá podľa toho, čo na fotke uvidí a čo postupne zistí v systémoch.
Bez tejto vrstvy máte len súbor samostatných skriptov a API volaní. S ňou vzniká riadený agentský systém, ktorý je možné monitorovať, auditovať a bezpečne prevádzkovať v produkcii.
Čo sa stane, keď integrácia nie je pripravená
V PoC môže projekt vyzerať veľmi sľubne. AI agent odpovedá na otázky, generuje sumarizácie, vyhľadáva informácie a pomáha používateľom orientovať sa v systémoch.
Problém sa zvyčajne ukáže až v produkcii.
Agent dostane úlohu, pri ktorej potrebuje dáta z viacerých systémov. Dva systémy majú aktuálne dáta, tretí je synchronizovaný s oneskorením. Agent potom rozhoduje na základe neúplného obrazu reality, i keď chyba sa nemusí prejaviť okamžite.
Podobný problém vzniká pri vykonávaní akcií. Agent zavolá API, dostane timeout, ale nie je jasne definované, čo má nasledovať. Má akciu zopakovať? Má ju zastaviť? Má vytvoriť ticket alebo upozorniť človeka?
Ak tieto pravidlá neexistujú, akcia sa nemusí vykonať, nikde sa nezaloguje a nikto sa o chybe nedozvie.
Toto nie je zlyhanie AI modelu. Je to integračný dlh, ktorý sa naplno ukáže až vtedy, keď AI agent začne pracovať s reálnymi procesmi.
Kde teda teda začať
Ešte predtým, ako firma vyberie AI framework alebo podpíše licenciu na agentskú platformu, mala by si odpovedať na niekoľko praktických otázok.
Vieme presne, aké dáta agent potrebuje a kde sa nachádzajú?
Ak nie, prvým krokom nie je vývoj AI agenta, ale mapovanie dátovej architektúry.
Máme API pre každý systém, s ktorým má agent pracovať?
Ak nie, integračný projekt by mal predchádzať agentskému projektu.
Máme definované, čo sa stane pri chybe v každom kroku?
Ak nie, agent bude v produkcii nepredvídateľný. A nepredvídateľnosť v procesoch znamená náklady.
Ak na tieto otázky odpoviete áno, máte dobrý základ. Väčšina firiem tam ešte nie je – a to je v poriadku, pokiaľ s tým počítate hneď na začiatku.
Záver
AI agent vo firme nie je len otázkou výberu medzi Claude a ChatGPT, resp. alebo Anthropic a OpenAI. Jeho hodnota závisí od toho, ako dobre je napojený na firemné systémy, dáta a procesy.
To isté platí aj v súvislosti s rastúcimi nákladmi na tokeny. Ak agent pri každej úlohe pracuje s veľkým množstvom nespracovaných dát, náklady rýchlo rastú. Preto je dôležité, aby dostával len relevantný kontext a aby časť logiky riešila integračná vrstva, nie samotný model.
Úspech AI agenta preto nebude stáť len na inteligencii modelu, ale na kvalite integrácie, ktorá mu umožní konať presne, bezpečne a za udržateľné náklady.
