„Zkoušel jsem to přes ChatGPT a vyhazovalo mi to nesmysly.“
Slyším to skoro na každém prvním hovoru. Klient si otevře ChatGPT, zkusí mu nahrát pár dokumentů, zeptá se na něco specifického z vlastního byznysu, a odpověď přijde sebevědomá, hezky napsaná a špatná.
A dává to smysl. Samotný ChatGPT ani Claude v prohlížeči totiž nejsou AI agent. Jsou to jednotlivé role v systému, který má mít sedm rolí. Když klientovi nefunguje to, čemu říká „AI“, obvykle mu nechybí chytřejší model. Chybí mu zbytek knihovny.
Pojďme si tu knihovnu postavit.
Co se dnes prodává jako AI agent
V roce 2026 je výraz „AI agent“ na každém druhém landing page. Většinou tím firma myslí jednu ze dvou věcí.
První varianta: chatbot s pěkným promptem. V pozadí běží ChatGPT přes API, je natrénovaný na pár FAQ, a když se ho zeptáte na něco mimo skript, začne si vymýšlet. Funguje na demo, selže v produkci. Většina „AI chatbotů pro Shoptet“ patří sem.
Druhá varianta: skutečný agentní systém. Má přístup k vašim datům, umí číst faktury, psát do CRM, ověřovat sklad, posílat e-maily. Pracuje bez dohledu na rutinních krocích, předává člověku, když se dostane za svou hranici. Tohle je to, co firmám skutečně šetří čas. Postavit to ale znamená nejen vybrat dobrý model, ale mít infrastrukturu, která modelu dodává správné informace ve správný čas.
Rozdíl mezi první a druhou variantou není v inteligenci modelu. Je v tom, kolik práce se odvedlo kolem něj. Abych to ukázal, potřebujeme metaforu, která sedí.
Knihovna: sedm rolí, které musí fungovat
Představte si firemní knihovnu, která má sedm rolí. Každá dělá něco jiného. Žádnou z nich nemůžete vypustit bez toho, aby se zbytek rozsypal.
Budova
Budova jsou vaše data. Faktury, smlouvy, e-maily, ceníky, historie objednávek, zápisky z hovorů s klienty, PDF dokumentace. Všechno, co obsahuje informaci, kterou agent bude potřebovat.
Bez budovy není co číst. Agent, který nemá přístup k vašim datům, umí jenom to, co umí internetový ChatGPT - obecné odpovědi, žádnou konkrétní znalost vaší firmy.
Tady zaseknou asi dvě třetiny projektů, které vidím. Firma má data, ale mají je rozházená. Něco v Pohodě, něco v Dropboxu, něco v Gmailu, něco v hlavě účetní. Budova vypadá spíš jako čtyři garáže v různých městech.
Katalog
Knihy v knihovně musí být označené, seřazené a rozdělené do sekcí. Jinak je to kupa papíru, ne knihovna.
V praxi to znamená strukturovat a obohatit data. Fakturu rozpoznat jako fakturu, vytáhnout z ní dodavatele, částku, datum splatnosti. Smlouvu označit typem, stranami, platností. E-mail klasifikovat, komu patří a o čem je.
Tahle práce tvoří většinu projektu. Ne týdny, ale měsíce v případě většího objemu. Je to nudná, metodická, zdánlivě neviditelná práce. A je to ten důvod, proč AI projekty, které začnou nákupem licence ChatGPT Enterprise, typicky neskončí tam, kde firma chtěla.
Knihovník
Knihovník je ten, kdo se v knihovně vyzná. Zeptáte se „smlouva s Pepou Horáčkem z března“, a on vám ji přinese během několika vteřin.
Technicky je knihovník vyhledávací vrstva. Může to být vektorová databáze, full-text search, kombinace obojího, někdy doplněná o klasické SQL. Nezáleží na tom, jakou technologii zvolíte, ale na tom, jestli najde správnou knihu pro správnou otázku.
Rozdíl mezi dobrým a špatným knihovníkem je rozdíl mezi „najdu to za tři vteřiny“ a „hledám půl hodiny a nakonec přinesu něco jiného“. V AI systému to znamená rozdíl mezi přesnou odpovědí a halucinací.
Badatel
Teprve teď přichází ChatGPT, Claude, nebo jiný jazykový model. Badatel si od knihovníka vezme správnou knihu, přečte ji a odpoví: „Výpovědní lhůta tři měsíce, splatnost třicet dní, penále 0,05 procenta denně.“
Bez knihovníka by si to vymyslel. Proto ten pocit, že „ChatGPT vyhazuje nesmysly“ - není to tím, že by byl ChatGPT hloupý. Je to tím, že nemá knihovníka, co by mu přinesl správnou smlouvu.
Badatel má jedno zásadní omezení. Na stůl se mu vejde jen určité množství stránek najednou. Tomu se říká kontextové okno. Pro představu - ve free verzi ChatGPT je to zhruba třicet stran, v Plus verzi šedesát, v Enterprise variantě kolem dvou set padesáti.
Zní to jako hodně. Není. Badatel si musí pamatovat i to, co jste mu řekli předtím, jaké má instrukce, co bylo v předchozí otázce. Čím delší konverzace, tím míň kapacity zbývá na samotné listování.
A ještě jeden háček. Když badatel dostane velkou hromadu stránek, nečte pečlivě všechno. Proletí text a zapamatuje si hlavně začátek a konec. To, co je uprostřed, často přehlédne.
Badatel má stůl, ne sklad. Proto dobrý knihovník nenosí všechno. Nosí jen ty stránky, které jsou pro konkrétní otázku relevantní.
Auditor
Auditora nemá nikdo rád. Chodí kolem, dívá se všem pod ruce, hledá chyby.
Bere vzorky odpovědí a ptá se: Našel knihovník správnou knihu? Odpověděl badatel pravdivě? Kde se to rozjelo?
Na konci dne jste rádi, že ho máte. Díky němu víte, co nefunguje, a můžete to opravit. Knihovník s badatelem se díky němu zlepšují.
Bez auditora systém pomalu degraduje a nikdo si toho nevšimne, dokud se neozve první naštvaný zákazník. Většina firem, které nasadily AI řešení v roce 2024 nebo začátku 2025, zjišťuje teď, že nemá žádný způsob, jak změřit, jestli to pořád odpovídá správně. Nebo odpovídá správně, ale pomalu. Nebo odpovídá rychle, ale jinak, než odpovídalo před půl rokem. Systém se změnil, a oni o tom neví.
Písař
Badatel ví, co je v knize. Písař to zapíše do systému.
Vystaví fakturu, pošle e-mail, založí záznam v CRM, upozorní obchodníka, přiloží soubor k objednávce. Bez písaře máte mluvícího badatele, ne pracujícího agenta.
Tohle je moment, kdy „AI chatbot“ přestává stačit a začíná AI agent. Chatbot odpoví. Agent jedná. Rozdíl je v tom, jestli po odpovědi něco ve vašich systémech skutečně zapíše.
V praxi písař znamená integrace. API do Pohody, API do Shoptetu, API do Raynetu, API do Fakturoidu. Tady se projeví kvalita vašich systémů. Moderní API umožňují písaři pracovat rychle a bezpečně. Starší systémy potřebují víc práce, ale lze to postavit skoro vždycky.
Ředitel knihovny
Poslední role. Auditor kontroluje kvalitu zpětně, ředitel rozhoduje v reálném čase.
Má písař tuhle fakturu skutečně zapsat? Má agent odeslat tenhle e-mail klientovi? U kritických akcí schvaluje člověk. U rutinních stačí logy a upozornění.
Ředitel je ten, kdo říká: „Tohle ano, tohle ne, a tohle až po mně.“ Rozdíl mezi agentem, který firmu ovládá, a agentem, kterého firma ovládá, je v tom, jestli máte ředitele nebo ne.
V odborných kruzích se tomu říká „human-in-the-loop“, ale je to jen složitější název pro „u důležitých rozhodnutí je tam člověk“. Ne protože byste nemohli automatizovat úplně všechno. Ale protože u některých věcí se vám vyplatí, aby to agent dělal s vaším souhlasem, a ne místo vás.
Kde české firmy v téhle knihovně typicky zaseknou
Když si firma čte tenhle popis, obvykle zjistí, že dvě tři role má, a zbytek nemá vůbec. Pár nejčastějších situací.
Data jsou, ale nejsou v systému. Faktury v Dropboxu, smlouvy ve sdíleném Google Disku, objednávky v Outlooku, historie reklamací v hlavě zákaznické podpory. Budova existuje, ale katalog ne. Než začnete stavět knihovníka, musíte projít budovy a udělat v nich inventuru.
Systémy jsou, ale nejsou propojené. Pohoda má účetní data, Shoptet má objednávky, Raynet má klienty. Každý systém si žije vlastním životem. Knihovníka na tomhle postavit lze, ale musí umět mluvit se všemi třemi. To je integrace, ne AI projekt.
Všechno drží jeden člověk. Účetní ví, kde co je. Reklamace řeší Honza, protože Honza si pamatuje každého klienta. Objednávky schvaluje Petra, protože Petra rozumí cenám. Všichni tihle lidi jsou knihovníci. Jenom jejich knihovny jsou v hlavách, ne v systémech. Agent tady nepomůže, dokud ty procesy nepopíšete venku.
Mají chatbota, ale ne agenta. Nakoupili „AI chatbota na web“. Odpovídá na FAQ. Nikomu nepomohl konkrétně s ničím, protože nemá písaře ani ředitele. Je to badatel bez knihovny a bez rukou.
Kdy agent skutečně nedává smysl (ani s perfektní knihovnou)
Všechny články o AI tvrdí, že AI pomůže všem. Nepomůže. Jsou tři situace, kdy nejlíp postavená knihovna nepomůže.
Každá jednotka práce je jiná. Kreativní práce, citlivá komunikace s důležitým klientem, rozhodování s mnoha proměnnými a malým počtem precedentů. V těchto případech agent v nejlepším případě šetří pět procent času a přidává riziko. Nechat to na člověku je levnější.
Data chodí ve formátech, které nelze strukturovat. Objednávky chodí v šesti různých formátech, tři z nich jsou naskenovaná PDF pootočená o třicet stupňů, jedna varianta je přes telefon. Můžete si koupit jakkoliv drahou AI platformu. Bez vyřešení zdroje dat agent neuspěje. Musíte začít u toho, odkud data přicházejí, ne u toho, kam je chcete poslat.
Proces je příliš řídký. Opakuje se třikrát týdně. Ekonomika automatizace má svůj práh. Pokud daný úkon nezabere agentovi aspoň pár desítek opakování týdně, levněji to udělá brigádník. Tohle je počítání, ne postoj.
Jak postavit první knihovnu, která funguje
Teď trochu konkrétněji, jak to reálně probíhá u klientů.
U jednoho z našich klientů byl proces kvalifikace poptávek přesně ten typ úkonu, který agent umí. Každý den přicházely stovky poptávek. Před naším zapojením musel jeden člověk každou poptávku otevřít, přečíst, kvalifikovat, rozhodnout o správném oddělení a poslat ji na konkrétního specialistu. Administrativně to byla téměř práce na plný úvazek.
Postavili jsme agenta. Knihovna obsahovala historii předchozích poptávek, seznam specialistů a jejich zaměření, interní pravidla pro kvalifikaci. Knihovník uměl najít podobné historické případy. Badatel poptávku přečetl a rozhodl. Písař ji předal do systému správnému člověku. Auditor měřil, jak často agent rozhodl správně. A ředitel znamenal, že nestandardní případy šly přes člověka.
Výsledek: co zabíralo zaměstnanci skoro celý den, běží teď automaticky do třiceti minut. Kvalifikovaný čas člověka se uvolnil na věci, které agent nezvládne - komunikaci se specialisty, řešení nestandardních případů, zlepšování samotného procesu.
Klíčové u tohoto projektu bylo, že klient měl připravenou budovu. Měl historická data, měl jasný proces, měl seznam specialistů a jejich zaměření. Katalog jsme museli pořádně dotáhnout, ale nemuseli jsme ho stavět na zelené louce.
Většina úspěšných pilotů trvá tři týdny až tři měsíce. Komplexní agent s napojením na více systémů se pohybuje mezi 80 až 150 tisíci korunami. Audit procesu, který všemu tomu předchází, stojí 15 až 25 tisíc a trvá jeden až dva týdny. Pokud někdo slibuje, že to udělá za víkend a zlomek ceny, prodává vám první variantu - chatbota s pěkným promptem.
První krok, který můžete udělat zítra
Než budete kupovat AI platformu, licence nebo podepisovat smlouvu s dodavatelem, udělejte si jedno cvičení.
Vyberte jeden proces ve vaší firmě, který se opakuje nejvíc. Projděte sedm rolí:
- Kde je budova - kde jsou data, která proces používá?
- Je tam katalog - jsou data strukturovaná a vyhledatelná?
- Kdo je teď knihovník - kdo data najde, když je potřeba?
- Co by byl badatel - jaké rozhodnutí se opakovaně dělá?
- Kdo teď dělá auditora - kdo hlídá, že rozhodnutí jsou správná?
- Kdo je písař - kam se výsledek zapisuje?
- Kdo je ředitel - kdo říká ano, ne, nebo až po mně?
Pokud u čtyř ze sedmi rolí nevíte, odkud to vzít, nejste připraveni na implementaci. Jste připraveni na audit.
Pokud chcete téma začít zvládat dřív, než budete cokoli stavět, nabízíme školení a tříměsíční program AI Ready, kde vaše firma projde všechny tyhle role u vlastních procesů a odejde s plánem, co automatizovat a jak. Je to míň náročné na investici než audit a víc zaměřené na vzdělání týmu.
Pokud už víte, že chcete konkrétně postavit agenta na konkrétním procesu, napište na david.hope@proceder.cz. Začátek u nás znamená placený audit, který končí dokumentem - víte, co automatizovat, v jakém pořadí, za kolik a kde jsou rizika.
Vrátím se k úvodu. Klient, co mi volal s „ChatGPT mi vyhazuje nesmysly“, nakonec s ChatGPT nic špatně nedělal. Badatel odváděl svou práci. Problém byl, že neměl knihovníka, neměl auditora, a neměl písaře.
Badatel bez týmu neodvede práci, kterou od něj čekáte.
Samotný ChatGPT není AI agent. Je to jeden zaměstnanec, co čeká, až ho zbytek knihovny pustí ke stolu.
