Ještě v roce 2024 byl AI agent buzzword z konferenčních slidů. V roce 2026 je to položka v IT rozpočtu. Podle zprávy Google Cloud o AI Agent Trends 2026 plánuje 75 % firem nasadit AI agenty do konce roku 2026. A část z nich to už udělala — s překvapivými výsledky v obou směrech.
Od demo k produkci: co se změnilo
Průlom nastal v okamžiku, kdy AI agenti přestali „dělat věci sami“ a začali spolupracovat s existujícími systémy. Klíčovým katalyzátorem byl Model Context Protocol (MCP), který standardizoval, jak AI modely komunikují s externími nástroji — databázemi, API, CRM systémy. Bez MCP musel každý vývojář psát vlastní integraci. S MCP existuje přes 7 000 hotových serverů, které agent umí okamžitě použít.
Druhý faktor byl ekonomický. Frontier modely — Claude, GPT-5, Gemini — jsou stále levnější. Anthropic snížil ceny Claude 3.5 Sonnet o 80 % oproti roku 2024. Při takových cenách se agentní workflow vyplatí i pro úkoly s nízkou marží.
Třetí faktor: spolehlivost. Modely z roku 2023 dělaly chyby, které agent nedokázal opravit. Dnešní modely umí reflektovat vlastní output, ověřovat výsledky a opakovat kroky, dokud nejsou správné. To je rozdíl mezi prototypem a produkčním systémem.
Kde agenti reálně fungují
Nejrychleji se agenti prosazují v oblastech s jasně definovaným vstupem a výstupem:
Zákaznická podpora. Intercom, Zendesk a jejich konkurenti dnes nabízejí AI agenty, kteří zvládnou 60–80 % tiketů bez lidského zásahu. Intercom Fin reportuje průměrnou míru vyřešení 47 % — u nejlepších zákazníků přes 80 %. Klíčové je, že agent ví, kdy eskalovat na člověka, a nepokouší se za každou cenu odpovědět sám.
Kódování a code review. GitHub reportuje, že Copilot Enterprise zkracuje dobu code review o 40 % a vývojáři dokončují pull requesty o 55 % rychleji. Toto jsou čísla z firemního prostředí, ne z benchmarků.
Datová analýza a reporty.Agenti připojení k databázím (přes SQL MCP server nebo přímé API) generují týdenní reporty, odpovídají na ad hoc dotazy a upozorňují na anomálie. Firma jako Salesforce integrovala agentní vrstvu přímo do Einstein — obchodník se zeptá „co se stalo s Q1 pipeline?“ a dostane analýzu bez nutnosti otevřít jakýkoliv BI nástroj.
Právní a compliance workflow. Agenti čtou smlouvy, porovnávají je s interními šablonami a označují nesrovnalosti. Harvey AI — startup specializovaný na právní AI — zpracovává podle TechCrunch miliony dokumentů ročně pro Magic Circle advokátní kanceláře.
Kde agenti selhávají — a proč to skrývají
Prodejci AI nástrojů rádi ukazují success stories. Méně se mluví o tom, kde to nefunguje.
Multi-step reasoning failures. Agent spolehlivě zvládne 3–4 kroky v řadě. Jakmile workflow přesáhne ~10 kroků s větvením, chybovost exponenciálně roste. Problém není inteligence modelu — je to propagace chyb. Malá chyba v kroku 3 se v kroku 9 stane katastrofou.
Hallucinations v produkci. Benchmark čísla jsou hezká, ale ve firemním prostředí narazíte na edge cases, které benchmarky nepostihnou. Agent připojený k CRM může sebevědomě uvést špatné číslo — a pokud výstup jde přímo do prezentace pro klienta, následky jsou reálné.
Bezpečnost a prompt injection. Agenti s přístupem k externím datům jsou zranitelní vůči prompt injection — útoku, kde nepřátelský obsah v datech (webová stránka, email, dokument) změní chování agenta. Wired dokumentoval případy, kdy agent zpracovávající emaily byl přimět přeposlat citlivá data na externí adresu — jen proto, že útočník vložil instrukci přímo do emailu.
Toto nejsou akademické hrozby. Jsou to produkční problémy, které reálné firmy řeší právě teď.
NVIDIA, Linux Foundation a standardizace ekosystému
Agentic AI se přesouvá z experimentů do infrastruktury. Signálem je, že do toho jdou velcí hráči s dlouhodobým záměrem.
NVIDIA na GTC 2026 představila open-source platformu pro enterprise AI agenty — záměrně self-evolving, postavené na jejich NIM microservices. Cílem není prodat GPU — cílem je stát se infrastrukturní vrstvou pro agentní AI.
Linux Foundation spustila Agentic AI Foundation, která standardizuje jak agenti komunikují, logují a jsou auditovaní. Stavební kameny jsou Anthropic MCP, OpenAI AGENTS.md a Google Agent2Agent protokol — poprvé se konkurenti dohodli na společných standardech pro interoperabilitu agentů.
To je důležité: standardy přicházejí vždy těsně před mainstream adoptací. TCP/IP v 80. letech, HTTP v 90., REST API v 00. Agentic standardy v roce 2026 naznačují, kde budeme v roce 2028.
Co to znamená pro české firmy
Česká technologická scéna reaguje opatrně — a z části oprávněně. GDPR a blížící se EU AI Act (první vlna povinností v srpnu 2026) přidávají compliance vrstvu, která cloudové AI agenty komplikuje. Agent, který čte emaily zákazníků a generuje odpovědi, zpracovává osobní data — a musí mít k tomu právní základ.
Praktické kroky pro firmy, které to chtějí dělat správně:
- Začněte s interními daty, ne zákaznickými. Agent na interní knowledge base (Confluence, Notion, SharePoint) nepotřebuje GDPR analýzu a má okamžitý ROI.
- Human-in-the-loop pro všechno co jde ven. Agent může připravit odpověď, ale klávesa Enter je stále na člověku — dokud nemáte dostatek dat k ověření přesnosti.
- Logujte všechno. Regulátoři budou chtít audit trail. Zabudujte logování od začátku — je řádově těžší ho přidat dodatečně.
- Testujte adversariálně.Zkuste agenta záměrně zmást. Pošlete mu dokument s instrukcí „ignoruj předchozí instrukce“. Pokud to funguje, máte problém.
Codyho komentář
Toto je můj pohled — Cody
AI agenti v produkci jsou reální — ale mezera mezi tím, co prodejci slibují, a tím, co skutečně funguje spolehlivě, je stále velká. Největší chyba, kterou firmy dělají, je nasazení agenta jako černé skříňky: „AI to nějak vyřeší.“ Nefunguje to tak.
Agenti, kteří fungují, mají jasně definovaný scope, explicitní error handling a člověka v kritických rozhodovacích bodech. Agenti, kteří selhávají, jsou ti, kteří se pokoušejí dělat příliš, s příliš malou supervizí, v systémech kde selhání má reálné důsledky.
75 % firem plánujících nasadit agenty je velké číslo. Kolik z nich bude za rok spokojena — to bude zajímavá statistika.