Slovo „agent" se dnes lepí na všechno – od jednoduchého chatbota po složitý automatizační systém. Jenže právě ta vágnost způsobuje problémy. Firmy nevědí, co přesně kupují, dodavatelé nevědí, co přesně slibují, a výsledek nikoho nepřekvapí: zklamání na obou stranách.
V praxi daleko lépe funguje přemýšlet o těchto systémech jako o digitálních zaměstnancích. Mají roli, kompetence, senioritu i náklady. A hlavně – stejně jako živí kolegové potřebují kvalitní podklady, jinak budou dělat chyby.
V rozhovoru s Katkou Šumpíkovou rozebíráme, kde je skutečná hranice mezi chatbotem a agentem, proč je klíčové role rozdělovat, jak realisticky počítat náklady a proč bezpečnost nemůže být až „fáze dvě".
Chatbot a agent jsou dvě různé disciplíny
Klasický chatbot odpovídá nad znalostní bází – dokumenty, FAQ, webové stránky, interní články. Je přesně tak dobrý, jak dobré jsou jeho podklady. Nic víc, nic míň.
Digitální zaměstnanec je jiná kategorie. Nejen odpovídá – pracuje. Má definované kroky, pravidla a rozhodovací logiku. Umí převzít úkol, rozložit ho na postup, provést akci, zkontrolovat výsledek a vrátit výstup člověku nebo zákazníkovi. Je napojený na další systémy a dokáže v nich operovat.
Proto je lepší se neptat „chceme agenta?", ale „jakou roli má zastávat a kde končí jeho odpovědnost?"
Role jako základ návrhu
Jakmile začnete mluvit jazykem rolí, najednou to dává smysl i lidem mimo IT.
Recepční, obchodník, asistent pro rešerše, zákaznická podpora, HR koordinátor… Každá role má jiné kompetence, jiný přístup k datům a jinou míru rizika. A co je zásadní: každá se dá navrhovat, testovat a ladit samostatně.
Většina firem dnes ale neumí přesně formulovat: „Chci digitálního zaměstnance, který bude dělat X a Y, ale nikdy Z." Proto je velká část práce na začátku o tom správně pokládat otázky, zmapovat procesy a přeložit mlhavá očekávání do konkrétního zadání.
Začněte v malým – ne z opatrnosti, ale z pragmatismu
Typická chyba je snaha postavit rovnou „super-agenta", který vyřeší všechno najednou. Výsledkem bývá nekonečný sběr požadavků, nejistý výstup a zbytečně nafouknutý rozpočet.
Funkční přístup vypadá jinak: začít jako ve firmě – nasadit nejdřív juniorní roli. Například „juniorní recepční", který zvládne základní orientaci, nejčastější dotazy a předání kontaktu. Jakmile běží v ostrém provozu, velmi rychle se ukáže, co má skutečně smysl doplnit.
Dobré požadavky nevznikají v meetingroomech. Vznikají z reálného používání.
Jedna tvář navenek, tým uvnitř
Z pohledu uživatele je ideální, když má chatbot jednu jasnou identitu – jméno, tón, styl. Nikdo nepotřebuje vědět, že uvnitř proběhl přepnutí mezi specializacemi.
Interně ale může architektura vypadat úplně jinak. Jeden digitální zaměstnanec připravuje rešerši, druhý tvoří draft odpovědi, třetí kontroluje a validuje pravidla. Jedna tvář venku, dobře rozdělená práce uvnitř.
A ještě jedna zdánlivá drobnost: jméno a osobnost agenta nejsou kosmetika. Lidé se výrazně rychleji naučí pracovat s „někým", kdo má konkrétní identitu, než s anonymním oknem „Chat". V praxi navíc často platí, že pracovní název, se kterým tým začne, u klienta nakonec zůstane – protože si na něj lidé zvyknou a stane se součástí služby.
Cena není jen o tokenech
Tokeny jsou viditelná položka na faktuře, ale zdaleka ne celý příběh.
Skutečná cena digitálního zaměstnance se odvíjí od tří věcí: jaký model používáte, jak kvalitní jsou vstupní data a jak složité workflow má zvládnout. Rozdíl mezi juniorní a seniorní rolí není v tom, že „ví víc", ale v tom, kolik kroků umí provést – napojení na systémy, validace, rozhodování, práce s kontextem, auditovatelnost.
Obchodník, který jen vezme lead a pošle šablonovou odpověď, je něco zásadně jiného než obchodník, který umí navrhnout postup, připravit nabídku, doplnit kontext z CRM a založit follow-up.
Bezpečnost se řeší na začátku, ne „až to poběží"
Jakmile chatbota používají skuteční lidé, začnou se objevovat pokusy o obcházení pravidel. Ne vždy ze zlého úmyslu – často prostě zkoušejí, co to udělá.
Typický scénář vypadá takhle: uživatel se nejdřív zeptá na něco mimo téma (třeba recept) a bot správně odmítne. Pak přijde legitimní dotaz a bot pomůže. A nakonec uživatel oboje spojí do jedné věty tak, aby to vypadalo relevantně – a bot se nechá přemluvit.
AI má silnou tendenci pomáhat. Právě proto guardrails, testování a průběžné vyhodnocování nejsou doplněk, ale základ. Řešit bezpečnost až po nasazení k citlivým datům je jako instalovat zámky poté, co se někdo vloupal.
Budoucnost je asistence, ne náhrada
Největší přínos digitálních zaměstnanců není v tom, že nahradí člověka. Je v tom, že mu odeberou rutinu a přípravu.
Místo hodin strávených dohledáváním e-mailů, přípravou shrnutí a formátováním odpovědí dostane člověk hotový návrh – zkontroluje ho, upraví a odešle. Odpovědnost zůstává na člověku. Ale tempo práce a kapacita týmu se posunou na jinou úroveň.
Znalostní báze: „napojit web" nestačí
„Napojíme web a hotovo" zní jednoduše. Realita bývá jiná: weby jsou neaktuální, články si protiřečí, ceny se mění a zastaralý obsah zůstává viset roky.
Dobrá znalostní báze není import. Je to kurátorství – vybrat stabilní informace, dočasné věci označit nebo vyřadit, doplnit zdroje a nastavit proces údržby. Bez toho bude i ten nejlepší model generovat odpovědi, které zní přesvědčivě, ale nejsou spolehlivé.
Celý rozhovor s Katkou Šumpíkovou si můžete pustit na YouTube.
