„AI agent vám nahradí zaměstnance a bude pracovat 24/7!“ Tuhle větu teď slyším až podezřele často. Popravdě, moc v to nevěřím.
V malé firmě vám AI agent většinou neušetří celé pracovní místo. Spíš ukrojí hodiny z opakovaných úkolů: roztřídí poptávky, dohledá informace, připraví odpověď na běžný dotaz, doplní podklady do CRM, zkontroluje objednávku nebo nachystá první verzi obsahu. Když ho postavíte rozumně, zvládne i věc, kterou obyčejný chatbot neumí. Sáhne do nástroje, zapíše změnu, pošle e-mail, založí úkol nebo připraví návrh dalšího kroku.
To je ten rozdíl.
Podle McKinsey používalo v roce 2025 AI aspoň v jedné firemní funkci 88 % dotázaných organizací. AI agenty už 23 % škálovalo a dalších 39 % s nimi experimentovalo. Jenže stejný průzkum ukazuje i méně líbivou část: skoro dvě třetiny firem pořád zůstávají u testů nebo pilotů. Tady někde leží realita roku 2026. Žádné sci-fi, žádný kouzelný zaměstnanec za pár korun. Spíš nový typ automatizace, který funguje ve chvíli, kdy mu dáte úzký úkol, dobrá data a mantinely.
AI agent není jen chytřejší chatbot
AI agent je systém, který dostane cíl, rozdělí si práci na kroky a může použít nástroje, data i paměť, aby úkol dotáhl. Google Cloud to v dubnu 2026 popisuje přes reasoning, planning, memory a autonomy; McKinsey v listopadu 2025 mluví o systémech postavených na foundation modelech, které plánují a vykonávají vícekrokové workflow.
Chatbot většinou čeká, až se ho zeptáte. Agent může dostat zadání typu: „Projděte nové poptávky z formuláře, rozdělte je podle oboru, doplňte firmu z veřejných údajů a připravte návrh odpovědi.“ K tomu potřebuje přístup k e-mailu, CRM, tabulce nebo helpdesku. A hlavně pravidla, kdy má jen navrhnout další krok a kdy smí něco opravdu odeslat.
Dle mých zkušeností se tady firmy nejčastěji střelí do vlastní nohy. Nadchnou se slovem agent a chtějí, aby „řešil obchod“. Jenže obchod není jeden úkol. Je to kvalifikace leadu, kontext, nabídka, vztah s člověkem a správné načasování. Agent zvládne třeba první dvě vrstvy: nascreenovat leady, doplnit informace a připravit podklady pro obchodníka. Rozhodnutí, jestli má člověk volat hned, poslat konkrétní nabídku nebo radši počkat, bych u menší firmy zatím nenechal celé na AI.
Krucinál, i dobrý obchodník se občas sekne. U softwaru bez mantinelů to bolí rychleji.
Tip: Když si nejste jistí, jestli potřebujete chatbota, nebo agenta, položte si jednoduchou otázku: má systém jen odpovídat, nebo má měnit data a spouštět akce? O nasazení chatbota na webu píšu víc v článku AI chatbot pro firemní web: kdy a jak ho nasadit.
Kde AI agent firmě ušetří práci nejdřív
Nejrychleji se agenti vrací u úkolů, které se opakují, mají vstupní data a člověk je může zkontrolovat před odesláním ven. McKinsey v roce 2025 zmiňuje, že agentické use-casy se často objevují v IT a knowledge managementu, třeba u service desku nebo deep research. Firemní příklady BCG z R&D a IT jdou dál: agenti tam zkrátili cyklus práce o 25 % a u modernizace legacy technologií zvýšili produktivitu až o 40 %. Beru to jako čísla z konkrétních firem. Slib pro každou firmu z nich nedělám.
U majitele menší firmy bych začal mnohem přízemněji:
-
Nechte agenta třídit poptávky. Z webového formuláře vezme jméno, firmu, obor, rozpočet, termín a urgentnost. Do CRM doplní štítek, připraví návrh odpovědi a obchodníkovi pošle jen to, co stojí za rychlou reakci.
-
Zapojte ho do podpory. Dohledá stav objednávky, najde odpověď ve znalostní bázi, navrhne reakci v helpdesku a složitý případ předá člověku. Salesforce u Agentforce pracuje s příkladem „Where is my order“, kde agent autentizuje zákazníka, najde poslední objednávku a vrátí stav doručení.
-
Dejte mu administrativu. Typicky přepis podkladů z e-mailu do tabulky, sumarizaci zápisu z meetingu, kontrolu chybějících údajů ve fakturačních datech nebo přípravu úkolů po schůzce.
-
Pusťte ho k obsahu, ale nenechte ho psát finál bez kontroly. Agent může vyhledat podklady, nascreenovat konkurenční stránky, vytáhnout dotazy ze Search Console a připravit osnovu. Názor, výběr příkladů a kontrola faktů zůstává na člověku.
Tohle není glamour. Jenže právě tady sedí práce, která zaměstnancům každý týden žere hodiny a majiteli se špatně vysvětluje, proč „jen pár e-mailů“ stojí tolik času.
Jestli teď řešíte širší zapojení AI, doporučuju nejdřív přečíst Nasazení AI ve firmě: jak přejít od zkoušení k reálným úsporám. Agent patří až na další krok, po tom, co máte základní zapojení AI za sebou.
Co jde nasadit hned a kde už potřebujete stavbu na míru
Jednoduchého agenta dnes zvládnete postavit v nástrojích typu Make, Zapier, Microsoft Copilot Studio, Gemini Enterprise nebo Salesforce Agentforce. Make v roce 2026 uvádí Core plán od 9 USD měsíčně za 10 000 kreditů, přičemž jedna akce modulu ve scénáři spotřebuje jeden kredit. Zapier má Professional plán od 19,99 USD měsíčně a integrace s více než 9 000 aplikacemi. U Zapier MCP stojí jeden tool call dvě tasks z tarifu.
Na první workflow to stačí. Příklad: přijde poptávka, agent ji přečte, rozpozná typ služby, ověří web, doplní poznámku do CRM a připraví odpověď. Když máte deset poptávek týdně, často si vystačíte s no-code nástrojem a pár pravidly. Jakmile řešíte stovky interakcí měsíčně, více týmů a data v několika systémech, začne víc bolet architektura než samotný model.
Stavbu na míru bych řešil ve chvíli, kdy agent sahá do citlivých dat, dělá drahé akce nebo musí znát firemní logiku. Typicky B2B obchod, reklamace, individuální nabídky, reporting z více zdrojů, interní schvalování nebo práce s databází produktů. Tam nestačí prompt „chovej se jako náš asistent“. Potřebujete role, oprávnění, logování, testovací scénáře a jasné rozhodnutí, kdy se akce jen navrhne a kdy se provede sama.
Já jsem na tohle možná až otravně opatrný. Tahám deštník i za sucha a u automatizací dělám něco podobného: nejdřív si třikrát ověřím, kde se to může rozbít. U marketingových dat jsem se už mockrát přesvědčil, že jedna špatně namapovaná metrika v reportu vypadá nevinně, dokud podle ní někdo nezačne řídit rozpočet. U agentů je to stejné. Jen rychlejší.
Pro začátek se držte pravidla jedné obrazovky. Pokud neumíte celý proces popsat na jedné stránce, agent je moc široký. Nejdřív si rozkreslete kroky, vstupy, výstupy a výjimky. Prakticky na to navazuje článek Automatizace firemních procesů: kde začít.
Kolik AI agent stojí v roce 2026
Cena AI agenta má tři části: licenci nástroje, spotřebu za akce nebo kredity a práci na návrhu workflow, integracích a testování. Samotné předplatné je startovní čára.
Orientačně podle veřejných ceníků z července 2026:
| Platforma | Veřejná cena | Co z ní vyčíst pro menší firmu |
|---|---|---|
| Make Core | 9 USD měsíčně za 10 000 kreditů | Levný start pro interní workflow, hlídejte počet kroků ve scénáři. |
| Zapier Professional | od 19,99 USD měsíčně | Silný výběr integrací, Zapier uvádí 9 000+ aplikací. |
| Microsoft 365 Copilot | 30 USD uživatel/měsíc ročně | Dává smysl firmám, které už žijí v Microsoft 365. |
| Copilot Studio | 200 USD za 25 000 Copilot Credits | Pro externí agenty a proměnlivou spotřebu, Azure účet je potřeba. |
| Gemini Enterprise Business | od 21 USD za seat/měsíc | Google uvádí 1-300 seatů a 25 GiB pooled storage na seat. |
| Salesforce Agentforce | 2 USD za konverzaci nebo 500 USD za 100 000 Flex Credits | Zajímavé pro firmy, které už používají Salesforce. |
| Agentforce add-on | 125 USD uživatel/měsíc | Spíš pro větší obchodní a servisní týmy v Salesforce ekosystému. |
Hlídejte metriky. U Salesforce stojí zákaznická konverzace 2 USD, Flex Credits stojí 500 USD za 100 000 kreditů a jedna standardní akce bere 20 kreditů. Microsoft používá Copilot Credits, kde se agent účtuje podle konkrétní akce nebo odpovědi. Make počítá kredit za akci modulu, třeba přidání řádku do Google Sheetu. Zapier řeší tasks a u MCP volání uvádí spotřebu dvou tasks.
Na papíře to vypadá levně. V praxi rozhoduje počet kroků.
Když agent u jedné poptávky udělá 8 akcí a měsíčně zpracuje 300 poptávek, jste na 2 400 akcích. Když u stejného procesu necháte zbytečně běžet dohledávání, klasifikaci, zápis, dvojí kontrolu a tři varianty odpovědi, spotřeba vystřelí. Tady se vyplatí spočítat jednotku: kolik stojí jedna zpracovaná poptávka, jeden vyřešený ticket nebo jeden připravený obchodní podklad.
Za vývoj na míru veřejný ceník neexistuje. První pilot bych ale nebral jako „kupujeme AI“. Berte ho jako malý procesní projekt: zadání, napojení dat, testovací sada, nasazení, měření. Pokud neumíte říct, kolik minut dnes ručně stojí jeden případ, neumíte spočítat ani návratnost agenta.
Kde je hype a kde bych brzdil
Hype začíná ve chvíli, kdy agent dostane široký cíl, přístup k důležitým systémům a nikdo přesně neví, co udělá při chybě. NIST v roce 2024 vydal Generative AI Profile k AI Risk Management Frameworku. Řeší rizika generativní AI a doporučuje řídit je podle životního cyklu systému. U AI Actu podle Evropské komise začíná 2. srpna 2026 platit většina pravidel a enforcement pro použitelné povinnosti, včetně transparency rules a AI literacy. Pravidla pro high-risk systémy v Annex III se podle aktuální timeline posouvají na 2. prosince 2027.
Nejsem právník, takže z toho nedělám právní návod. Pro firmu z toho ale plyne praktická věc: jakmile agent pracuje se zákaznickými daty, rozhodováním o lidech, zdravotními informacemi, financemi nebo pracovním hodnocením, neberte ho jako nevinný doplněk do chatu.
U běžné malé firmy bych brzdil hlavně tady:
- Agent nemá sám posílat závazné nabídky, pokud se cena skládá z výjimek, slev a individuální domluvy. Ať připraví návrh a člověk ho schválí.
- Agent nemá mazat, přepisovat nebo slučovat data bez logu. V CRM potřebujete vědět, kdo co změnil a proč.
- Agent nemá odpovídat na právní, zdravotní nebo finančně citlivé dotazy jako autorita. Může předat podklady, ale nemá hrát odborného garanta.
- Agent nemá mít přístup „admin ke všemu“, protože se vám nechtělo nastavit role. Tahle zkratka se umí vrátit ve špatnou chvíli.
Za mě je dobrý agent nudný. Má omezené oprávnění, jasné logy, testovací případy, fallback na člověka a měří se podle výsledku, ne podle toho, jak hezky mluví.
Jak poznáte první dobrý use-case
Dobrý první use-case poznáte podle čtyř věcí: opakuje se aspoň týdně, má čitelný vstup, výsledek jde ověřit a chyba není fatální. McKinsey v roce 2025 ukazuje, že firmy s lepšími výsledky častěji redesignují workflow, místo aby jen přilepily AI na starý proces. U agentů se pracuje s plánováním, pamětí a koordinací více agentů, jak to popisuje i Google Cloud. Zní to hezky, ale bez upraveného procesu vám to jen zrychlí bordel.
Já bych si první use-case vybral takhle:
-
Sepište 10 rutinních úkolů, které se opakují každý týden. Ne velké vize. Konkrétní věci: přepsat poptávku, dohledat firmu, založit úkol, připravit odpověď, zkontrolovat chybějící fakturační údaj.
-
U každého napište odhad času. Stačí hrubě: 5 minut, 15 minut, 30 minut. Když se úkol dělá 80krát měsíčně a trvá 10 minut, řešíte 800 minut práce. To už stojí za screening.
-
Vyberte úkol s nízkým rizikem. Ideálně takový, kde agent připraví návrh a člověk ho jedním klikem schválí.
-
Měřte před a po. Počet případů, ušetřený čas, chybovost, počet zásahů člověka, náklady na nástroj. Bez toho zůstane agent jen hezká prezentace pro poradu.
U obchodu to může být kvalifikace leadů. Agent z formuláře pozná, jestli jde o SEO, PPC, web nebo obecný dotaz, doplní web firmy, přidá štítek a připraví další krok. Když používáte CRM, navazuje to i na výběr systému. Praktický základ najdete v článku CRM pro malé firmy: jak vybrat a k čemu ho reálně využijete. Pokud vám chybí práce s leady jako taková, mrkněte i na Lead management.
Příklad: agent na zpracování poptávek z webu
Agent na poptávky má jeden cíl: zkrátit čas od odeslání formuláře po smysluplnou reakci obchodníka. Neprodává za vás. Připraví půdu.
Modelový scénář pro menší B2B firmu může vypadat takhle:
| Krok | Co agent udělá | Kontrola |
|---|---|---|
| 1 | Přečte novou poptávku z formuláře nebo e-mailu | Ověří povinná pole: jméno, firma, kontakt, zpráva. |
| 2 | Zařadí typ dotazu | Například SEO audit, PPC správa, tvorba webu, konzultace. |
| 3 | Dohledá veřejné informace o firmě | Web, obor, lokalita, viditelné kontakty, případně velikost firmy. |
| 4 | Zapíše lead do CRM | Přidá štítek, prioritu a zdroj poptávky. |
| 5 | Připraví návrh odpovědi | Obchodník schválí, upraví nebo zahodí. |
Teď kotvy pro výpočet. Když máte 120 poptávek měsíčně a ruční předzpracování trvá 8 minut, je to 960 minut, tedy 16 hodin. Pokud agent zkrátí práci člověka na 2 minuty kontroly, šetříte 12 hodin měsíčně. U hodinové interní ceny 500 Kč je to 6 000 Kč času. Žádný slib výkonu kampaně, jen aritmetika z vašeho procesu.
Technicky se takový pilot dá postavit i v no-code vrstvě. Zapier má přes 9 000 integrací, Make uvádí 3 000+ standardních aplikací a Make API. Když potřebujete napojit interní systém, vlastní CMS nebo specifickou logiku kvalifikace, dává větší smysl malá aplikace na míru. Třeba nad Next.js, Supabase a napojením na e-mail, CRM a AI model. Tohle je moje druhá lajna vedle marketingu: stavět si nástroje, které neskončí jako prompt uložený v poznámkách.
Nejlepší test? Nechte agenta běžet první týden potichu. Ať zapisuje návrhy vedle ruční práce člověka. Pak porovnejte 30 reálných případů: kolik zařadil správně, kolik údajů doplnil, kde halucinoval a kolikrát by poslal nevhodnou odpověď. Třicet případů vám dá víc než tři hodiny debatování o strategii.
Kdy se AI agent nehodí
AI agent se nehodí tam, kde nemáte proces, data ani vlastní odpovědnost za výsledek. BCG píše, že agenti se onboardují podobně jako pracovníci: potřebují role, data, kontext a napojení do workflow. Microsoft u Copilot Studia rozlišuje interní agenty v Microsoft 365 a externí agenty pro weby, aplikace nebo sociální kanály. Externí kanály jsou citlivější, protože agent mluví se zákazníkem mimo vaši přímou kontrolu.
Nechal bych být hlavně tyhle situace:
- Máte pět výjimek na každé pravidlo a nikdo je neumí sepsat.
- Data jsou rozházená v e-mailech, tabulkách a hlavách lidí.
- Výstup rovnou mění peníze, smlouvu, dostupnost zboží nebo závazek vůči zákazníkovi.
- Chcete agenta jen proto, že ho má konkurence v prezentaci.
Poznáváte se? Pak nezačínejte agentem. Začněte úklidem procesu. Vezměte jeden konkrétní tok práce a sepište, co se má stát při standardním případu, co při výjimce a kdo má poslední slovo. Teprve potom řešte nástroj.
U obsahového marketingu je to podobné. Agent může pomoct s rešerší, clusteringem klíčovek, kontrolou interních odkazů nebo přípravou podkladů. Neměl by za vás vymýšlet zkušenost, kterou firma nemá. Tohle řeším i u recenzních a obsahových webů: hodnota vzniká tím, že text stojí na něčem ověřeném, ne tím, že vůbec existuje. Jinak jen vyrábíte další průměrný obsah, který nikdo nepotřebuje.
Jak začít během jednoho týdne
Během jednoho týdne zvládnete připravit pilot AI agenta, aniž byste překopali celou firmu. Vyberte jeden proces, spočítejte ruční práci a nastavte kontrolu člověkem.
Pondělí: vyberte jeden úkol. Ne „obchod“, ale „předzpracování poptávky z webu“. Ne „podpora“, ale „odpověď na dotaz ke stavu objednávky“.
Úterý: nasbírejte 30 reálných příkladů. Staré e-maily, tikety, formuláře, zápisy. Bez reálných vstupů agenta netestujete, jen si s ním povídáte.
Středa: napište pravidla. Jaké údaje má vytáhnout, jaké štítky použít, kdy má případ předat člověku, co nesmí nikdy udělat.
Čtvrtek: postavte první verzi v Make, Zapieru, Copilot Studiu nebo vlastním prototypu. Držte ji úzkou. Jeden vstup, pár kroků, jeden výstup.
Pátek: pusťte test proti těm 30 případům a ručně označte chyby. Měřte přesnost zařazení, čas kontroly, počet zásahů člověka a cenu běhu. Když agent ušetří 30-50 % rutinní práce a nezvyšuje riziko, má smysl řešit druhý týden.
U nás bych takový projekt neprodával jako „AI transformaci“. To zní hezky na konferenci, ale majitel firmy potřebuje vědět něco jiného: kolik času dnes pálí rutinní krok, kolik bude stát automatizace a co se stane, když se agent splete. Tečka.
Jestli už máte za sebou první experimenty s ChatGPT a chcete z toho udělat pracovní nástroj, dobrý mezikrok jsou AI nástroje pro malé firmy: co reálně používat a jak začít s ChatGPT. Agent má přijít ve chvíli, kdy víte, který úkol mu svěříte.
Krátké otázky, které u AI agentů padají pořád
Je AI agent totéž co automatizace v Make nebo Zapieru?
AI agent a automatizace se často potkají, ale nejsou totéž. Klasická automatizace běží podle předem daných pravidel: když přijde formulář, přidej řádek do tabulky. Agent přidává interpretaci, plánování a práci s neurčitým vstupem, třeba rozpoznání typu poptávky z volného textu. Make i Zapier dnes umí AI prvky, takže hranice se v praxi míchá.
Může agent odpovídat zákazníkům bez schválení?
Technicky ano, obchodně opatrně. U jednoduchých dotazů typu stav objednávky nebo odkaz na návod to může dávat smysl. U cen, reklamací, smluvních závazků a individuálních nabídek bych nechal člověka ve schvalování. Jeden špatně poslaný e-mail umí sežrat úsporu za celý měsíc.
Potřebuje malá firma vlastní vývoj?
Ne vždy. Pokud řešíte jednoduchý tok mezi formulářem, e-mailem, tabulkou a CRM, často stačí no-code. Vlastní vývoj dává smysl u napojení na interní systém, speciálních pravidel, vyššího objemu, citlivých dat nebo když chcete agenta integrovat přímo do webu či CMS.
Jak poznám, že pilot dopadl dobře?
Dívejte se na čísla před a po: čas na jeden případ, počet správně zpracovaných případů, chybovost, zásahy člověka a náklady na běh. Pocit „funguje to docela dobře“ je málo. U agenta potřebujete vědět, kdy šetří práci a kdy jen přesouvá kontrolu na někoho jiného.
AI agenti jsou v roce 2026 už dost praktická technologie na to, abyste je neignorovali. Zároveň jsou pořád dost nedospělí na to, abyste jim nedali mantinely. Začněte jedním procesem, měřte jednotku práce a držte člověka u rozhodnutí, která bolí, když se pokazí.
Chybí mi nějaký use-case z malé firmy, který teď řešíte? Hoďte mi ho do komentářů. Rád ho vezmu jako další příklad a rozeberu, jestli je to dobrý kandidát na agenta, nebo jen hezky přebarvený chaos.