Švýcarský nůž a otevírák na konzervy: Kdy je AI agent to špatné řešení
Přibližně před měsícem jsem si pořídil AI agenta všeuměla. Takového, který zvládne všechno — plánovat, psát, spouštět skripty, napojit se na API, hlídat kalendář, odpovídat na Slacku.
Byl jsem nadšený. Zhruba dva týdny.
Pak jsem si začal uvědomovat, že to, co dělám, je ekvivalent otevírání konzervy švýcarským nožem. Funguje to. Ale otevírák na konzervy to udělá lépe, rychleji a předvídatelněji.
Příběh první: FVE a spotové ceny elektřiny
Doma mám fotovoltaickou elektrárnu. Chtěl jsem automatizaci, která bude sbírat data ze senzorů, sledovat spotové ceny elektřiny, počítat s předpovědí počasí a řídit nabíjení baterie — aby se baterie nabíjela, když je elektřina levná, a vybíjela, když je drahá.
Prvně jsem to zkusil s AI agentem všeumělem. Nastavil jsem mu přístupy k API, napojil ho na senzory, dal mu instrukce. Fungovalo to — ale choval se jako člověk, ne jako stroj. Jednou zareagoval příliš pomalu. Jindy přemýšlel nahlas místo toho, aby prostě spustil výpočet. Výsledky byly nepředvídatelné.
Nakonec jsem zvolil jiný přístup. Napsal jsem jednoduchý skript v Pythonu, který sbírá data (senzory, spotové ceny, počasí) a jednou za hodinu je posílá do Claude s konkrétním promptem: “Na základě těchto dat doporuč optimální nastavení baterie na příštích 6 hodin.” Výsledek je přesný JSON, který skript rovnou zpracuje.
Výsledek? Lepší. Předvídatelnější. Levnější.
Agent všeuměl byl švýcarský nůž. Python skript + cílený Claude prompt byl otevírák na konzervy.
Příběh druhý: HubSpot ticket triage
V jednom projektu jsem řešil automatizaci zákaznické podpory. Příchozí tikety z HubSpotu bylo potřeba třídit, přiřazovat prioritu a routovat na správné lidi.
Původní plán: AI agent všeuměl napojený na Slack, HubSpot, knowledge base a databázi zákazníků. Bude “žít” v systému, sledovat tikety a reagovat.
Zvládl to? Ano. Byl to švýcarský nůž? Taky ano.
Problém nebyl v tom, že by nefungoval. Problém byl v tom, že systém, který “žije” v Slacku a čeká na tikety, je zbytečně složitý na to, co potřebujeme. Každý tiket prošel zbytečně dlouhým myšlenkovým procesem. Výsledky nebyly konzistentní — stejný tiket mohl dostat jinou prioritu podle toho, co asistent dělal předtím.
Nové řešení: jednoduchý webhook z HubSpotu spouští skript, který tiket zpracuje přes Claude s přesně definovaným promptem a strukturovaným výstupem. Výsledek jde rovnou do HubSpotu jako akce.
Žádný Slack. Žádné “žití” v systému. Žádná paměť mezi tikety, která by ovlivňovala výsledky.
Konzistentní, předvídatelné, snadno debugovatelné.
Proč to tak funguje
AI agent všeuměl exceluje v úkolech, kde potřebujete:
- Kontext z více zdrojů najednou
- Schopnost improvizovat a přizpůsobit se neočekávanému
- Zpracování nestrukturovaných vstupů od lidí
- Interakci, kde záleží na tónu a kontextu
Specializovaná automatizace (skript + cílený model) exceluje tam, kde potřebujete:
- Konzistentní, opakovatelný výsledek
- Nízkou latenci
- Snadné debugování
- Předvídatelné náklady
Praktické pravidlo
Než nasadíte AI na jakýkoli firemní proces, položte si jednu otázku:
Kdybych tento úkol zadal třem různým lidem se stejnými informacemi, očekávám, že všichni tři dorazí ke stejnému výsledku?
Pokud ano — máte před sebou deterministický úkol. Zpracování faktury má jeden správný výsledek. Triage tiketu podle definovaných pravidel taky. Výpočet optimálního nabíjení baterie na základě dat taky. Tady agent všeuměl zbytečně přemýšlí nad věcmi, které jsou dávno rozhodnuté. Použijte specializovaný nástroj — skript, webhook, cílený prompt se strukturovaným výstupem. Výsledek bude konzistentnější a levnější.
Pokud ne — máte před sebou úkol, kde záleží na kontextu, tónu a schopnosti improvizovat. Komplexní zákaznická konverzace, kde zákazník píše rozhořčeně a potřebujete správně odhadnout jak odpovědět. Strategické rozhodnutí, kde vstupuje víc proměnných než jste schopni předem popsat. Kreativní práce. Tady agent všeuměl dává smysl — právě proto, že umí pracovat s nejednoznačností.
Problém nastane, když použijete agenta všeuměla na deterministický úkol. Dostanete výsledky, které jsou většinou správné. A “většinou” je u automatizace firemních procesů jiné slovo pro “nespolehlivé”.
Nejdražší chyba při implementaci AI není špatný model. Je to špatný výběr nástroje pro daný úkol.
Co to znamená pro firmy
Když k nám přijde firma s požadavkem na “AI agenta pro zákaznickou podporu”, první otázka není jaký model zvolíme. Je to co přesně chceme automatizovat?
Pokud je odpověď “třídit a routovat tikety podle definovaných pravidel” — to je otevírák na konzervy. Jednoduchý, spolehlivý, levný.
Pokud je odpověď “vést komplexní konverzace se zákazníky, eskalovat na základě emocí a kontextu celé history” — to je jiný úkol. A možná jiný nástroj.
Správná implementace AI začíná tím, že víte, co chcete. Pak teprve volíte nástroj.
Pokud si nejste jistí, kde začít, přečtěte si náš průvodce implementací AI agenta — nebo se ozvěte přímo.