AI agent nepotřebuje lepší model, potřebuje datový sklad

Poslední rok se v marketingu i v e-commerce mluví hlavně o jednom: jakého AI agenta nasadit. Agenta na zákaznickou podporu, agenta na cenotvorbu, agenta, který sám navrhne objednávku u dodavatele. Otázka, která se přitom skoro neřeší, je jednodušší a důležitější: má ten agent vůbec na čem stavět?

Agent, byť sebelépe navržený, je jen tak dobrý jako data, ke kterým má přístup. Když jsou rozházená po pěti systémech, neaktuální nebo si navzájem odporují, agent na nich udělá špatné rozhodnutí stejně spolehlivě jako člověk, jen rychleji a s dojmem, že jde o něco chytřejšího.

Co je vlastně AI agent

AI agent je systém postavený na jazykovém modelu, který dokáže sám provést víc kroků směrem k zadanému cíli: zavolat nástroj, přečíst data, rozhodnout se, co dál, a případně výsledek i zapsat zpátky do systému. Liší se tím od klasického chatbotu, který odpoví jednou a čeká na další zprávu. Agent běží ve smyčce, vyhodnotí situaci, vybere akci, podívá se na výsledek a rozhodne, jestli pokračovat.

Rozdíl proti prediktivnímu modelu je stejně důležitý. Model spočítá jedno číslo, třeba doporučené množství objednávky, a tím jeho práce končí, rozhodnutí dál dělá člověk. Agent jde o krok dál a jedná sám. Je to zásadní rozdíl, ne jen jiné slovo pro totéž, a v praxi se oba pojmy dost často pletou.

Proč je model teď zajímavější než infrastruktura pod ním

Je to pochopitelné. Nový model nebo nový agentní framework se dá vyzkoušet za odpoledne, výsledek je vidět hned a je to námět na demo. Datový sklad, čištění a propojení dat mezi systémy je práce, která se nedá předvést na jednom snímku a trvá týdny, ne hodiny. Jenže přesně tahle neviditelná práce rozhoduje o tom, jestli agent nad daty firmy funguje spolehlivě, nebo jen vypadá chytře v demu a v ostrém provozu selhává.

Když agent čte objednávky z e-shopu, sklad z účetního systému a náklady na reklamu ze tří různých účtů, a každý z těch zdrojů má jiné jméno produktu, jiný formát data nebo zpožděnou synchronizaci, agent nezná pravdu o firmě, zná jen to, co mu dovolí zdroje, ke kterým se dostane. Rozhodnutí, které z toho vzejde, je jen tak spolehlivé, jak spolehlivá jsou vstupní data.

Kde do toho vstupuje MCP

MCP (Model Context Protocol) je standardizovaný způsob, jak agenta napojit na externí nástroje a data, aniž by si každá AI aplikace musela stavět vlastní integraci ke každému systému zvlášť. Je to užitečný kus infrastruktury, ale je důležité vidět, co MCP řeší a co ne. MCP řeší způsob, jak se agent k datům dostane. Neřeší, jestli jsou ta data správná, aktuální nebo úplná. Technicky bezchybně postavený MCP server může stát nad zdrojem dat, kterému se nedá věřit, a problém se tím nevyřeší, jen zrychlí a zamaskuje.

Co se stane, když agent dostane špatná data

V praxi to vypadá nenápadně. Agent na cenotvorbu navrhne slevu na produkt, u kterého systém eviduje starou, už neplatnou nákupní cenu, takže sleva ve skutečnosti prodává pod náklady. Agent na doplňování skladu objedná zboží podle stavu, který je čtyři hodiny starý, protože synchronizace mezi e-shopem a skladem běží jednou denně, takže objedná něco, co mezitím doprodal jiný kanál. Agent na zákaznickou podporu odpoví na dotaz o stavu objednávky podle dat, která nezahrnují poslední change v logistice.

Žádná z těchhle chyb není chyba modelu. Je to chyba dat, na kterých model pracoval, jen se projeví jako chyba agenta, protože agent je ta viditelná vrstva navrch.

Co to znamená pro firmu, která agenta zvažuje

Než firma řeší, jakého agenta nasadit a s jakým frameworkem, dává smysl si napřed odpovědět na tři otázky. Jsou data, se kterými by měl agent pracovat, na jednom místě, nebo roztroušená po e-shopu, účetnictví a reklamních účtech zvlášť? Jsou aktuální, nebo se synchronizují jednou denně či týdně, zatímco agent by měl reagovat v reálném čase? A dá se ověřit, co agent udělal, nebo zápisy mizí bez auditní stopy?

Pokud je odpověď na první dvě otázky ne, samotný agent problém nevyřeší, jen ho zrychlí. Datový sklad, do kterého pravidelně a spolehlivě tečou data ze všech zdrojů, není hezký doplněk k AI agentovi. Je to ten skutečný předpoklad, bez kterého agent, MCP server nebo cokoliv dalšího nad daty firmy funguje jen tak dobře, jak dobrá jsou data pod tím.

Shrnutí

AI agent je jen tak spolehlivý, jak spolehlivá jsou data, ke kterým má přístup. Model a framework se dají vyměnit za odpoledne, datový základ ne. Firma, která chce mít z agenta reálnou hodnotu, ne jen demo, by měla nejdřív vyřešit tohle a teprve pak řešit, jakého agenta nasadit.