Agent, který ten proces opravdu odpracuje

Chat odpovídá na otázku a tím jeho práce končí. Agent má zadaný cíl a k němu nástroje: umí si přečíst přílohu, zavolat do ERP, dohledat historii, vytvořit doklad a rozhodnout, že tenhle případ patří člověku. Výsledek se pozná na tom, že proces doběhne do konce, ne že máte pěkně napsaný odstavec.

Počítá se s tím od návrhu. U kroků s finančním dopadem agent připravuje a odesílá člověk. Kde jde samostatnost dál, měříme úspěšnost na reálných případech a nastavíme hranici, kdy si agent řekne o kontrolu, místo aby hádal. Každý krok je zaznamenaný, takže chyba se dá dohledat a opravit, ne jen zjistit z výsledku.

Komerční modely od OpenAI, Anthropic a Google, volené podle úlohy, ceny a požadavků na data. Řešení stavím tak, aby šel model vyměnit, protože ten dnes nejlepší jím za rok nebude.

Provoz infrastruktury plus spotřeba modelu podle počtu zpracovaných případů. U agenta je spotřeba vyšší než u jednoduchého dotazu, protože si sáhne na víc kroků, a to je potřeba vidět předem. Odhad pro Vaše objemy dostanete ještě před vývojem, jako součást auditu.

Výjimky jsou obvykle důvod, proč krabicové řešení nestačí. Projdeme je při auditu a rozhodneme, které agent pokryje a které je levnější nechat na člověku. Cílem není sto procent případů, ale ta většina, která žere čas.

Ne. Agent se napojuje na to, co máte, přes API, MCP server nebo bezpečnou výměnu dat. Cílem je odebrat práci, ne přidat další systém k údržbě.

V praxi to vypadá jinak: ubere se přepisování a hlídání termínů, přidá se kontrola a případy, na které dřív nebyl čas. Ve firmách, kde to zavádím, je nejčastějším důvodem to, že nejdou sehnat lidé na rutinu, ne že by je chtěl někdo poslat domů.