Amplifa – Prodejní platforma s AI pro průmyslové B2B

AI agenti: Trend report pro středně velké podniky

KI-Strategie · 11. November 2026 · Anthony Filipiak

AI agenti mění procesy ve středně velkých podnicích. Přečtěte si, s jakými trendy, náklady a riziky musí jednatelé v roce 2026 konkrétně počítat.

AI agent je software, který dostane cíl a provádí pracovní kroky. Takto je to uvedeno v mnoha prezentacích a jako definice to není špatně. Jen vynechává tu část, která jednatelům nedá v noci spát: Agent již není chatbot, ale softwarový zaměstnanec bez intuice, bez právní odpovědnosti a s přístupem do systémů. Přesně proto AI agenti ve středních podnicích neselžou na kvalitě modelů, nýbrž na schvalovacích procesech, datech a nákladech na akceptovaný výsledek. Moje prognóza: Rok 2026 nebude rokem plně autonomní AI, ale rokem ohraničených workflow agentů s protokolem, tlačítkem stop a jasným vyčíslením výsledků.

Zní to méně sexy než slajdy ze San Francisca. Je to ale ekonomicky použitelnější. Každý týden mluvím s jednateli, CTO a obchodními řediteli z firem v regionu DACH o velikosti 50 až 500 zaměstnanců a téměř všichni pokládají stejnou otázku, jen v jiném balení: Kde začít, aniž bychom si do strojovny zatáhli blackbox? Moje odpověď je už docela nekompromisní: Kdo začne s maximální autonomií, nebuduje AI program. Buduje problém s právní odpovědností s přístupem přes API.

AI agenti: Překvapivá prognóza pro rok 2026

Překvapením není, že Agentic AI přichází. Překvapením je, jak nenápadně budou vypadat první vítězové. Nebudou to středně velké firmy, které oslavují digitálního kolegu se jménem, avatarem a firemním e-mailem, ale firmy jako Festo, Phoenix Contact nebo nástrojárna z východního Vestfálska, která ušetří 18 minut na zakázku a po šesti měsících zjistí: to má větší hodnotu než demo s hlasovým ovládáním.

Věřím, že do konce roku 2027 poběží v mnoha středních podnicích v regionu DACH první produktivní AI agenti – nikoli však jako nezávislí rozhodovatelé. Spíše jako směnoví mistři pro kancelářské procesy: čtou e-maily, stahují data z ERP a CRM, kontrolují pravidla, vytvářejí návrhy, eskalují hraniční případy a dokumentují každý krok. No, téměř. Člověk v systému zůstává, ale už ne jako stroj na copy-paste.

Tento rozdíl je zásadní. Copilot odpoví na otázku. Workflow agent převezme dílčí proces. Multi-agentní systém rozdělí úkoly mezi několik specializovaných agentů. Plně autonomní agent jedná bez schválení. V evropském Mittelstandu je ekonomicky smysluplným vstupem téměř vždy druhá úroveň: definovaný workflow, omezená oprávnění, Human-in-the-Loop, cíl kvality, auditní log.

Status quo: Agentic AI ve středních podnicích je v ranější fázi, než mnozí tvrdí

Veřejné vnímání předbíhá realitu. Podle vyhodnocení společnosti Lünendonk, citovaného v analýze Minglabs o hybridní organizaci, využívá pouze 1 procento dotázaných firem v Německu, Rakousku a Švýcarsku AI agenty end-to-end napříč několika klíčovými procesy. Jedno procento. To není žádná revoluce ve strojovně, je to spíše ojedinělý zkušební běh na vedlejší lince.

Ochota investovat je přitom vysoká. Průzkum KPMG z roku 2025 uvádí, že 62 procent IT lídrů agenty vyvíjelo, zavádělo nebo stavělo. Toto číslo zní působivě, ale míchá dohromady záměr, pilotní projekt a produkci. Přesně v tom spočívá manažerská past. Proof of Concept v Microsoft Teams není produktivní agent v SAP S/4HANA, který připraví položku zakázky a zdokumentuje odchylku ceny s řádným odůvodněním v Dynamics.

V březnu 2025 jsem o této mezeře mluvil s Thomasem, jednatelem dodavatelské firmy v Heilbronnu. Řekl: „Naši lidé věří, že AI už je všude. Ve zpracování zakázek z toho nevidím vůbec nic.“ Ten muž má pravdu. Mezi ChatGPT v prohlížeči a spolehlivým agentem, který si poradí s kmenovými daty artiklů, termíny dodání, logikou slev a blokacemi odběratelů, leží oprávnění, rozhraní, testovací scénáře a hromada procesních výjimek, která v zasedačce páchne starým papírem.

Status quo ve středních podnicích je proto rozporuplný. Strategicky mnozí mluví o Agentic AI. Operativně se většina nachází u pilotů, interních asistenčních systémů a poloautomatických workflow. To není ostuda. Je to normální. Ostudou se to stane až ve chvíli, kdy představenstvo v roce 2026 požaduje autonomní AI, ale nikdo nezná kvalitu kmenových dat dodavatelů.

Úroveň zralostiTypický stav v DACH MittelstanduUkazatel nebo pozorováníManažerské riziko
ZájemWorkshopy, sběr nápadů, první ukázky pro odborná odděleníKPMG 2025: 62 procent IT lídrů staví nebo plánuje agentyOčekávání rostou rychleji než schopnosti
PilotJednotlivý proces s kurátorovanými daty, často bez skutečné akce v systémuVětšina podle vyhodnocení Lünendonk stále v pilotních fázíchDemo se zaměňuje za produkci
Omezená produkceWorkflow agent se schvalováním v servisu, prodeji nebo zpracování zakázekPřípad STREIT: 40 až 50 procent automatizované přípravy zakázek podle popisu případuNáklady na kontrolu požírají přínosy
End-to-End napříč klíčovými procesyNěkolik integrovaných procesů s governance a monitoringemLünendonk/Minglabs: pouze 1 procento dotázaných DACH firemŠkálování bez modelu odpovědnosti (owner model)

Trend 1: Chatbot umírá, workflow agent zůstává

První trend je prostý: Chatboti v B2B ztrácejí svůj lesk. Ne proto, že by byli k ničemu. Jsou jen příliš často líbivým rozhraním pro stejnou starou ruční práci. Když se pracovník vnitřního obchodu zeptá chatbota, jaké náhradní díly pasují k danému stroji, pak odpověď zkopíruje, ověří v SAP, napíše zákazníkovi, vznese dotaz na technické oddělení a později vytvoří úkol v HubSpotu, pak AI nepracovala. Jen pomohla. A to je rozdíl.

Workflow agent jde dál. Interpretuje cíl, rozloží ho na kroky, využije nástroje, načte kontext, zkontroluje pravidla a připraví navazující akce. Technicky se takový systém skládá z interpretace cíle, plánování, přístupu k nástrojům, retrievalu, rozhodovací logiky a governance. Zní to suše. Také to suché je. Ale přesně tato věcnost jej dělá pro střední podniky zajímavým, protože hodnota nespočívá v konverzaci, ale ve zkrácení prostojů, eliminaci zpětných dotazů a manuálních oprav.

Vezměme si přípravu zakázek. U německé společnosti STREIT agent podle zveřejněné případové studie připravuje již 40 až 50 procent objednávek automaticky. Zmiňuje se až 120 uvolněných pracovních hodin měsíčně a dlouhodobý cíl až 80 procent automatizace. Pokud počítáme s celkovými náklady 35 až 55 eur na hodinu, odpovídá to teoreticky kapacitní hodnotě 4 200 až 6 600 eur měsíčně. Není to úplně přesné. Není to ušetřené euro, dokud není čas využit produktivně. Představuje to ale volnou kapacitu v oblasti, kde mnoho firem již dva roky nemůže najít kvalitní referenty.

V rozhovorech s obchodními řediteli dnes slýchám méně otázek typu „Dokáže AI psát dobré texty?“ a častěji „Dokáže předvybrat naše standardní případy?“ To je známka zralosti. Markus, CSO dodavatele pro strojírenství v Augsburgu, mi v dubnu 2025 řekl: „Pokud mi agent jen oddělí pět čistých případů od dvaceti chaotických, odvedl svou práci.“ Přesně tak. AI ve středním podniku nemusí kouzlit. Musí převzít třídění, aniž by vytvářela nové chybové řetězce.

Chybou mnoha firem je, že k Agentic AI přistupují jako k lepšímu chatu. Ekonomická hodnota však vzniká teprve tehdy, když agent v ohraničeném procesu připravuje reálnou systémovou práci a každá akce zůstává vysvětlitelná.

— Anthony Filipiak, CEO & Co-Founder ve společnosti Amplifa

Proč Human-in-the-Loop není brzdou

Mnoho zakladatelů v AI komunitě se tváří, jako by lidské schvalování bylo známkou nedostatku ambicí. Považuji to za nesmysl. Human-in-the-Loop není ve středním podniku brzdou, ale spojkou. Bez ní motor zhasne nebo poskočí špatným směrem. Zvláště v nákupu, servisu, zpracování zakázek a řízení kvality je schvalování mechanismem, díky kterému se agent může stát produktivním dříve, než je dokonalý.

Cílem není kontrolovat každý proces manuálně navždy. Cílem je zpočátku přesně měřit, které případy agent zpracovává spolehlivě. Pak lze standardní případy postupně uvolňovat. Nejprve návrh. Poté koncept s potvrzením. Následně autonomní provedení pro nízkorizikové případy. Dále rozhodování v rámci pevných limitů. Plná autonomie? Pouze tam, kde jsou chyby reverzibilní, náklady omezené a odpovědnost vyjasněná. Tedy mnohem vzácněji, než tvrdí některé prezentace.

Nejpřekvapivější statistika: Podle vyhodnocení Lünendonk využívá pouze 1 procento dotázaných DACH firem AI agenty end-to-end napříč několika klíčovými procesy. Trh je hlasitý, ale z hlediska reálné produkce stále na začátku.

Trend 2: Náklady se přesouvají od tokenů ke kontrole

Druhý trend mnohé finanční ředitele (CFO) vystřízliví. Náklady na modely jsou málokdy tím hlavním problémem. Ano, agenti mohou spotřebovat mnoho tokenů. Ano, aktuální analýza agentních softwarových úloh uvádí odchylky v nákladech až třicetinásobné u podobných běhů. V reálných projektech středních firem jsou však integrace, kvalita dat, monitoring a lidská kontrola obvykle nákladnější než faktura za jazykový model.

Ilustrativní kalkulace s inženýrskými sazbami 45 až 65 eur na hodinu uvádí pro jednoduchého agenta s přístupem k nástrojům 14 400 až 31 200 eur. Vícestupňový workflow agent se schvalováním vychází zhruba na 32 400 až 62 400 eur. Agent propojený s několika podnikovými systémy pak na 54 000 až 93 600 eur. Nejsou to vymyšlená čísla, ale věrohodné řády, pokud nasadíte tři vývojáře na 6 až 12 týdnů. A to ještě nejsou přesvědčeny odbory, není vyčištěna testovací datová sada ani vyřešen noční dávkový běh v ERP.

Ještě důležitější jsou provozní náklady na akceptovaný výsledek. Zveřejněný příklad uvádí 18,90 eura za akceptovaný výsledek: 2,00 eura náklady na model a služby, 1,20 eura fixní softwarové náklady, 12,50 eura lidská kontrola a schválení, 3,20 eura běžná podpora. To je moment, kdy některé business cases v tichosti umírají. Ne s třeskem. Spíše se zvukem zavíraného Excelu.

Typ agentaTypický rozsahČasový rámecOrientační cena implementaceCo často chybí
Jednoduchý asistent s přístupem k nástrojůmJeden nástroj, omezený proces, malá systémová hloubkacca 3 až 5 týdnů14 400 až 31 200 eur podle ilustrativní kalkulace EliticsProdukční monitoring, koncept oprávnění, reálná testovací data
Workflow agent se schvalovánímVíce kroků, Human-in-the-Loop, definovaná eskalace6 až 8 týdnů se třemi vývojáři32 400 až 62 400 eurRedesign procesu, měření akceptace, schvalovací logika
Multisystémový agentIntegrované ERP, CRM, DMS nebo servisní platformy10 až 12 týdnů se třemi vývojáři54 000 až 93 600 eurHarmonizace kmenových dat, zabezpečení API, proces řešení incidentů
Multi-agentní systémSpecializovaní agenti pro analýzu, kontrolu, komunikaciV závislosti na orchestraci a rizikuVětšinou nad rámec jednoduchých workflow agentůDebugging, limity nákladů, kontrola předávání úkolů

Co konkrétně vidíme v Amplifa: V posledních 12 měsících úspěšné pilotní projekty agentů u středně velkých B2B klientů téměř nikdy neztroskotaly na odpovědi modelu. Nejtvrdším úzkým hrdlem byly v 7 z 10 případů chybějící systémové hranice: Kdo smí vidět ceny? Kdo smí připravit e-mail zákazníkovi? Od jaké výše slevy musí zasáhnout obchodní ředitel? Jakmile byly tyto hranice definovány, míra first-pass akceptace stoupla v několika projektech zhruba z každého třetího návrhu na výrazně více než polovinu. Ne proto, že by model náhle zmoudřel. Ale proto, že proces byl přesněji vymezen.

To je nepříjemná pravda pro firmy, které k AI přistupují jako k nákupu běžného softwaru. Agent není plug-in. Agent je procesní design plus přístup k datům plus kontrolní architektura. Pokud se pouze nakoupí licence, ale nikdo neroztřídí výjimky, získáte pilného stážistu s generálním klíčem od budovy. Zní to úsměvně. Ale k smíchu to není.

Náklady na akceptovaný výsledek převažují nad mírou automatizace

Nemám rád míru automatizace, pokud stojí osamoceně. 70 procent automatizace může být skvělé. Nebo to může být odpad. Pokud ze deseti automaticky připravených případů čtyři spadnou zpět do manuální opravy, práce se neušetřila, pouze se schovala. Lepší metrikou jsou náklady na akceptovaný výsledek. Akceptovaný znamená: výstup může jít do cílového procesu bez relevantní dodatečné práce. Nikoli „vypadá to dobře“. Nikoli „bylo to působivé“. Ale akceptovaný.

Pro jednatele to znamená: Před pilotem musí existovat manuální srovnávací základna. Jak dlouho trvá úkon dnes? Jak často chybí nějaké pole? Kolik vzniká zpětných dotazů? Kolik stojí chyba? Pokud tato čísla chybí, stává se business case pro agenty otázkou víry. A otázky víry patří do kostela, ne do rozpočtového jednání strojírenské firmy v Schwäbisch Hallu.

Trend 3: Data v reálném čase se stávají novou infrastrukturou pro AI

Třetí trend je nejvíce podceňovaný. Agenti nepotřebují hezčí dashboardy. Potřebují aktuální události. Průzkum IDC mezi více než 620 technologickými manažery uvádí, že 90 procent organizací pracujících s agenty zaměřilo svou pozornost na data v reálném čase. Firmy se schopností práce v reálném čase dosahovaly měřitelných výsledků více než třikrát častěji. Přední společnosti využívaly Event-Driven Architecture v 76 procentech svých workflow, zatímco opozdilci pouze v 7 procentech.

Pro výrobní střední podniky je to brutálně relevantní. Zásoby z posledního nočního běhu jsou pro agenta často příliš staré. Dodací termíny bez spolehlivého časového razítka jsou jen odhady. Hlášení strojů, která se objeví až v týdenním reportu, jsou pro prioritizaci servisu prakticky bezcenná. Agent, který informuje zákazníka o náhradních dílech, musí vědět, zda dodavatelské řetězce (podobně jako u Webasto) zrovna nevázne, zda byl díl rezervován a zda již není zakázka zablokována. Jinak bude psát zdvořilé, ale nepravdivé e-maily.

Mluvil jsem o tom s Andreou, Head of Sales u skrytého šampiona (Hidden Champion) v Bielefeldu. Její věta mi utkvěla v paměti: „Naše data jsou aktuální, jen ne současně.“ Lépe tento problém lze stěží popsat. CRM říká A, ERP říká B, excelová tabulka ve vnitřním obchodu říká C. Agent z toho automaticky pravdu nevyvodí. Vyvodí z toho konflikt, a pokud nikdo nenastaví pravidla, vytvoří z něj jen věrohodně znějící odpověď.

Proto se Event-Driven Architecture stává ve středních firmách důležitější. Ne jako architektonický buzzword. Ale jako předpoklad k tomu, aby agenti mohli reagovat na události: nová objednávka, změněný termín dodání, reklamace se sériovým číslem, odstávka stroje, e-mail od zákazníka se signálem eskalace. Kdo to myslí s Agentic AI vážně, musí se ptát, kde události vznikají, jak rychle jsou dostupné a které systémy o nich smějí vědět.

Analytik nebo zdrojTvrzeníDopad na střední podnikyMůj výklad
Vyhodnocení Lünendonk via Minglabs, 2025Pouze 1 procento DACH firem využívá agenty end-to-end napříč několika klíčovými procesyProduktivní škálování je stále vzácnéRaný trh, dobrá příležitost pro disciplinované realizátory
Průzkum KPMG, 202562 procent IT lídrů vyvíjí, staví nebo implementuje agentyVysoká ochota investovatMnozí zaměňují aktivitu při vývoji za reálný dopad
Průzkum IDC k datům v reálném čase, 2025Přední organizace využívají Event-Driven Architecture v 76 procentech workflow, opozdilci v 7 procentechDatová architektura rozhoduje o přínosu agentaDávkové procesy (batch) se stávají brzdou AI
Analýza Intelligence Strategy, 2025Agentní úlohy mohou vykazovat odchylky v nákladech až o faktor 30Limity nákladů a observability jsou povinnostíBez mantinelů se autonomie prodraží
Odhad nákladů Elitics, 2025Workflow agenti se schvalováním cca 32 400 až 62 400 eur za implementaciRozpočet na pilot musí být realistickýPod 30 000 eur jde často spíše o demo než o provoz

Co jsou AI agenti technicky doopravdy

Agentic AI nerad vysvětluji pomocí magie. Systém Agentic AI se většinou skládá ze šesti komponent. Zaprvé interpretace cílů a úkolů: model překládá požadavek do dílčích úloh. Zadruhé plánování a orchestrace: kroky jsou prioritizovány, opakovány nebo delegovány na jiné agenty. Zatřetí přístup k nástrojům: agent využívá API, ERP, CRM, DMS, e-mail, databáze nebo portály strojů.

Začtvrté přístup ke kontextu a znalostem, často prostřednictvím Retrieval-Augmented Generation, vektorového vyhledávání a strukturovaných kmenových dat. Zapáté rozhodovací logika, tedy pravidla, prahové hodnoty a směrnice, které omezují volnost modelu. Zašesté kontrola a governance: schvalování, auditní logy, správa oprávnění, testy a eskalace. Poslední komponenta zní nejnudněji. Přitom je nejdůležitější.

Trh rád mluví o multi-agentních systémech. Chápu jejich přitažlivost. Jeden agent analyzuje zakázku, další kontroluje ceny, jiný dohlíží na compliance a další píše e-mail. Čistá specializace. Lepší testovatelnost. Znovupoužitelné komponenty. Ale více agentů znamená více předávání, vyšší latenci, více tokenů, více ladění. Kdo nedokáže číst logy ani u jednoho agenta, neměl by orchestrovat pět agentů naráz.

PřístupTypické nasazeníAutonomieHlavní rizikoSmysluplný start ve středním podniku
CopilotZaměstnanec se ptá, systém odpovídáNízkáNesprávná nebo neúplná odpověďVyhledávání znalostí, koncepty textů, interní asistence
Workflow agentAgent provádí definované procesní krokyStředníChybná akce v systémuPříprava zakázek, servisní triage, návrh nabídky
Multi-agentní systémSpecializovaní agenti koordinují dílčí úkolyVysokáKaskádové chyby a obtížná kontrolaAž po stabilizaci jednotlivých agentů
Plně autonomní agentAgent rozhoduje a jedná bez schváleníVelmi vysokáRizika v oblasti compliance, odpovědnosti a provozuPouze v reverzibilních, úzce vymezených procesech

FAQ: Jsou autonomní AI agenti už zralí pro ERP procesy?

Pro ohraničené procesní kroky navázané na ERP: ano. Pro volnou end-to-end autonomii: většinou ne. Agent může připravovat objednávky, kontrolovat pole, označovat duplicity, porovnávat termíny dodání a sestavit podklad ke schválení. Neměl by však bez striktních limitů měnit ceníky, spouštět objednávky nebo upravovat smluvní podmínky. Kdo to vidí jinak, ať to prosím nejprve vysvětlí svému auditorovi, jak daný agent rozhodoval.

Lepší otázka nezní, zda jsou AI agenti zralí. Lepší otázka zní: Je váš proces dostatečně zralý pro agenta? Existují jasné vstupy? Jsou k dispozici digitální data? Existují pravidla pro výjimky? Existuje někdo, kdo za chyby zodpovídá? Pokud ne, problémem není agent. Pouze zviditelní to, co dříve vykrývali zkušení zaměstnanci.

Kde by měl střední podnik ekonomicky začít

Vhodné výchozí procesy mají vysoký objem, jasné vstupy a výstupy, nízkou až střední výši případné škody, digitální data a měřitelné doby zpracování. Zní to banálně. Přesto mnoho firem začíná špatně, protože vedení vybere ten nejefektnější proces místo toho nejvhodnějšího. Autonomní vyjednávání o cenách bez limitů? Špatný start. Bezpečnostně kritické řízení strojů? Ještě horší. Rozhodování v HR? Ruce pryč.

Mnohem lepšími kandidáty jsou příprava objednávek a zakázek, dotazy na dodavatele, klasifikace reklamací, triage servisních tiketů, identifikace náhradních dílů, kontrola dokumentů, sumarizace zpráv o údržbě a příprava nabídek. Nejsou to okouzlující procesy. Mají však objem, opakují se a mají dostatečnou strukturu. Přesně tam vzniká rychlá návratnost.

Evropská pojišťovna, která zkombinovala agenty pro znalosti, koučink, integraci a orchestraci, vykázala podle zveřejněné případové studie 2- až 3násobnou konverzi, o 25 procent kratší servisní hovory a automatizovanou analýzu 95 procent prodejních hovorů namísto dřívějších 3 procent. Analyzováno bylo více než 500 000 přepisů hovorů. To není univerzální benchmark pro každou strojírenskou firmu. Ukazuje to ale, kde jsou agenti silní: nestrukturovaná komunikace, standardizovatelné navazující akce, jasné cíle v podobě výsledků.

V obchodu vidím stejnou logiku. Kdo ještě v roce 2026 věří, že čistá inbound strategie stačí na naplnění pipeline, bude mít za pět let problém. Trhy se zužují, nákupčí porovnávají tvrději, nákupní výbory se rozrůstají. Agent, který vyhledává cílové zákazníky, vyhodnocuje signály, ověřuje data v CRM a připravuje personalizované oslovení, nenahradí dobrého obchodníka. Zabrání ale tomu, aby dobří obchodníci marnili své dny údržbou tabulek.

Amplifa ICP Playbook Praktický návod pro přesnou definici cílových zákazníků, nákupních signálů, vylučovacích kritérií a prodejních segmentů ještě předtím, než agent začne rychleji zpracovávat nekvalitní seznamy.

Co to znamená pro jednatele, CTO a vedoucí digitalizace

Pro jednatele není Agentic AI hračkou IT oddělení. Je to design organizace. Jakmile agent připravuje systémové akce, dotýká se kompetencí, kontrolních práv a výkonnostních ukazatelů. Kdo smí přepsat návrh agenta? Kdo kontroluje chybovost? Kdo rozhoduje o tom, že proces přejde ze 100procentní kontroly na namátkovou? Tyto otázky nejsou technické. Jsou to otázky vedení lidí a procesů.

Pro CTO se práce posouvá od testování modelů k provozuschopnosti. Je zapotřebí observability, limity nákladů, správa oprávnění, zabezpečená API, testovací prostředí, regresní testy a procesy pro řešení incidentů. Agent, který v pondělí funguje a po úpravě promptu ve středu rozhoduje jinak, není systém. Je to riziko s uživatelským rozhraním. Zvláště tehdy, když si nikdo nevšimne, že míra eskalace stoupla z 18 na 41 procent.

Pro manažery digitalizace se change management stává konkrétnějším. Zaměstnanci se nemusí jen naučit napsat prompt. Musí se naučit kontrolovat výsledky agentů, kategorizovat chyby a předávat zpětnou vazbu tak, aby se proces zlepšoval. Zvukem úspěšných AI projektů není potlesk po demu. Je to klapání klávesnic, když odborná oddělení třídí reálné chybové případy do přesných kategorií.

Řeknu to bez obalu: Kdo deleguje Agentic AI bez jmenování Process Ownera, ten už prohrál. Agent potřebuje vlastníka. Nejen technického správce. Odborného vlastníka, který zná cíle kvality, rozhoduje o eskalacích a je připraven nekvalitní automatizaci vypnout. Vypnutí je mimochodem podceňovaná manažerská dovednost.

Sedm přípravných kroků pro nasazení AI agentů

  1. Provést inventuru procesů: Zmapujte 5 až 10 opakujících se procesů včetně objemu, doby zpracování, nákladů na chyby a zapojených systémů. Neveďte nekonečné brainstormingy. Měřte.
  2. Zvolit nízkorizikový proces s vysokým objemem: Začněte tam, kde se vyskytuje mnoho podobných případů a chyby jsou snadno ohraničitelné – například triage servisních tiketů, příprava objednávek nebo koncepty nabídek.
  3. Stanovit výchozí stav (baseline): Zdokumentujte současnou průběžnou dobu, míru dodatečných úprav, míru eskalací a náklady na případ. Bez baseline se každý pilotní projekt stává politickým bojem.
  4. Zkontrolovat data a oprávnění: Vyjasněte, které systémy smí agent číst, jaké akce smí připravovat a které akce zůstanou technicky blokovány.
  5. Definovat schvalovací body: Určete, kdy musí rozhodnout člověk, kdy stačí namátková kontrola a jaké mezní hodnoty nesmí být nikdy překročeny automaticky.
  6. Začít v režimu návrhů: Nechte agenta zpočátku generovat koncepty a denně, nebo alespoň týdně, měřte first-pass akceptaci, typy chyb a čas nutný k dopracování.
  7. Podmínit škálování kvalitou výsledků: Zvyšujte autonomii pouze tehdy, když jsou akceptované výsledky stabilně levnější nebo prokazatelně přinášejí vyšší kapacitu než manuální proces.

Tyto kroky nezní jako romantické představy o AI. A to je dobře. Střední podnik nestojí na romantice, ale na schopnosti dodávat. Viděl jsem příliš mnoho pilotů, které začaly s velkými pojmy a zemřely na chybějících číslech artiklů, duplicitách nebo nejasných schvalovacích procesech. Žádný LLM na světě neopraví organizaci, která neví, kdo má pravomoc rozhodnout o výjimce.

Amplifa Produkt Amplifa pomáhá B2B týmům realizovat AI prodejní a rešeršní procesy s jasnými workflow, datovou logikou a měřitelnými výsledky.

Governance: Bez protokolu není důvěra

AI governance je často koncipována příliš velkoryse a nakonec se nezrealizuje vůbec. Dávám přednost striktní minimální verzi: Každá relevantní akce potřebuje vlastníka, účel, zdroj dat, stopu rozhodnutí a eskalační pravidlo. Když agent připravuje e-mail zákazníkovi, musí být později dohledatelné, na základě jakých dat to udělal. Když klasifikuje reklamaci, musí být vidět, které pravidlo nebo který model zařazení vyvolal.

Příliš široká oprávnění pro agenty jsou jednou z nejčastějších chyb. „Dáme agentovi pro začátek přístup ke všemu“ zní pragmaticky, dokud nezačne měnit nesprávná kmenová data nebo stahovat důvěrné informace pro nevhodnou skupinu příjemců. Minimální práva, oddělené servisní účty, schválená API, princip čtyř očí pro finanční, smluvní a personální rozhodnutí. To není byrokracie. To je rozdíl mezi pilotem a produkčním systémem.

Ochrana osobních údajů a zapojení zaměstnaneckých rad musí přijít na řadu včas. Ne jako blokace těsně před spuštěním, ale jako designový parametr. Pokud se analyzují přepisy hovorů, pokud se zviditelňuje výkon zaměstnanců, pokud zákaznická data putují do retrieval systémů, jsou nutné jasné lhůty pro výmaz, koncepty přístupů a komunikační linie. Ještě jsem neviděl úspěšný AI rollout, který by zrychlil díky tajnůstkářství.

Proč dema ve středních podnicích vypadají nebezpečně dobře

Demo je pečlivě připravené. Produkce je špinavá. V demu se zákazníci jmenují správně, pole jsou vyplněná, dokumenty leží ve správné složce a nikdo nepřiložil ceník jako naskenované PDF z roku 2019. V produkci je realita jiná. Jsou tam duplicity, zkratky, speciální ceny, neudržované kontaktní osoby, staré rámcové smlouvy a e-maily s pěti tématy v jednom vlákně.

Proto u pilotů agentů vyžaduji reálné, anonymizované případy. Ne deset. Spíše několik stovek, podle procesu i tisíc. Oddělená testovací, validační a produkční data. Adversariální testy. Regresní testy po každé změně promptu, modelu nebo procesu. Zní to jako softwarová kvalita? Přesně tak. Protože to softwarová kvalita je.

Agent, který funguje pouze na oblíbených příkladech projektového týmu, není agent. Je to divadlo. A divadlo má ve střední firmě místo možná na letním večírku, ale ne při zpracování zakázek u dodavatelů Schaeffleru nebo v servisním procesu partnera firmy Kärcher.

Které metriky skutečně rozhodují

Když posuzuji business case agenta, málokdy se ptám nejdříve na míru automatizace. Ptám se na míru akceptace napoprvé (first-pass acceptance rate), míru eskalací, chybovost na procesní krok, čas nutný k dopracování, průběžnou dobu, náklady na akceptovaný případ, chybovost nástrojů a míru nedokončených úloh. Míra halucinací k tomu patří také, ale je jen částí celkového obrazu. Agent může být fakticky přesný, a přesto může proces obsloužit špatně.

Příklad: Agent správně rozpozná, že náhradní díl je skladem. Přehlédne však, že zákazník má zablokovanou dodací adresu. Věcně správná odpověď, operativně chybná akce. Proto musí být metriky kvality měřeny pro každý procesní krok zvlášť. Načtení dat. Kontrola pravidel. Návrh. Schválení. Akce v systému. Každá fáze má své vlastní chyby.

U prodejních procesů přistupují další ukazatele: podíl kvalifikovaných cílových zákazníků, míra domluvených schůzek, kvalita odpovědí, úplnost CRM, čas do prvního oslovení, dodržování termínů opětovného kontaktování. Markusův tým v Augsburgu připravil za devět měsíců třikrát více relevantních úvodních schůzek, aniž by přijal nového obchodníka. Pákou nebyl kouzelný předmět e-mailu. Pákou bylo to, že rešerše, kontrola nákupních signálů a příprava v CRM už každé ráno nebraly dvě hodiny času.

Vlastní vývoj, platforma, nebo multi-agentní systém?

Existují zhruba tři cesty implementace. Vlastní vývoj s open-source komponentami, platformní přístup nebo multi-agentní architektura. Vlastní vývoj často využívá Python nebo TypeScript, LangGraph, Semantic Kernel nebo podobnou orchestraci, API gateway, vektorovou databázi, workflow engine, observability a auditní logování. Výhoda: kontrola nad daty, právy a provozem. Nevýhoda: potřebujete inženýrské kapacity a někoho, kdo v noci pochopí, proč selhává volání nástroje (tool call).

Platformy z prostředí CRM, ERP nebo servisu slibují rychlejší piloty. O Salesforce Agentforce se diskutovalo například s cenami od cca 2 USD za konverzaci a kreditovými modely podle využití. Tyto ceny ale nepředstavují celkové náklady. Přistupuje k nim integrace, konfigurace, lidská eskalace, monitoring a procesní práce. Kdo zaměňuje ceny platformy za náklady celého business case, nakupuje levně a provozuje draze.

Multi-agentní systémy dávají smysl tehdy, když jsou funkce jasně oddělené a samostatně testovatelné. Jeden agent analyzuje zakázku, jeden ověřuje dostupnost, jeden hodnotí compliance, další připravuje komunikaci. Málokdy bych s tím ale začínal. Nejprve musí stabilně běžet jeden workflow agent. Teprve potom lze specializovat. Nikoli naopak.

Implementační přístupVýhodaNevýhodaVhodné pro
Vlastní vývoj s open sourceVysoká kontrola nad daty, právy a architekturouVysoká náročnost na vývoj a provozFirmy s vlastním vývojem softwaru a požadavky na datovou suverenitu
Agent na bázi platformyRychlý pilot, existující konektory, známá správa uživatelůVendor lock-in, licenční náklady, omezená procesní volnostOdborná oddělení s jasnými standardními procesy v CRM, servisu nebo ERP
Multi-agentní architekturaSpecializace a znovupoužitelnostVyšší latence, chyby při předávání a náročnost na laděníZralejší organizace se stabilními jednotlivými agenty

90 dní k podloženému rozhodnutí

Dobrý pilot agenta nepotřebuje strategický dokument na 18 měsíců. Potřebuje ale 90 dní disciplíny. Ve dnech 1 až 15 se zmapují procesy, změří se objemy a náklady na chyby, vybere se výchozí proces a definuje se baseline. Ne pět procesů současně. Jeden. Soustředění není nedostatkem ambicí, ale předpokladem pro učení.

Ve dnech 16 až 30 následuje prověrka procesů a dat. Zdroje dat, oprávnění, výjimky, cílové systémy, schvalovací body, testovací scénáře a pravidla pro přerušení. To je fáze, kdy euforie utichá. Dobře. Pokud pilotní projekt nevydrží tuto fázi, produkce by jej rozcupovala.

Ve dnech 31 až 60 startuje řízený pilot v režimu návrhů se 100procentní lidskou kontrolou. Typy chyb se evidují odděleně: chyby promptu, chyby nástroje, chyby dat, chyby procesu. Prosím, neházejte vše do škatulky „AI udělala chybu“. To je analyticky líné. Ve dnech 61 až 90 se standardní případy částečně automatizují, výjimky eskalují, zavádějí se namátkové kontroly a počítají se náklady na akceptovaný výsledek. Pak existují tři čestné možnosti: škálovat, upravit, nebo ukončit.

Kdy smí být AI agent škálován

Agent by měl být škálován pouze tehdy, pokud je míra akceptace stabilně nad manuální srovnávací základnou, náklady na akceptovaný výsledek jsou nižší nebo prokazatelně vytvářejí kapacitu, kritické akce jsou technicky ohraničeny a každé rozhodnutí je dohledatelně protokolováno. Ochrana osobních údajů, informační bezpečnost a zapojení zaměstnanců musí být vyřešeny. Součástí musí být záložní procesy pro případ výpadku. A přínos nesmí viset na jediné verzi modelu.

Tento poslední bod se podceňuje. Modely se mění. Ceny se mění. Kontextová okna se mění. Poskytovatelé mění názvy produktů rychleji než některé střední firmy svou telefonní ústřednu. Kdo postaví agenta tak, že funguje pouze s konkrétním modelem a konkrétním promptem, staví křehký systém. Lepší jsou modulární vrstvy nástrojů, evaluační sady, vyměnitelné modely a pevná procesní pravidla stojící vně LLM.

Očekávám, že přesně zde mohou zabodovat evropští dodavatelé a IT týmy středních podniků. Ne většími modely, než mají OpenAI, Anthropic nebo Google. Tento závod nevyhrají. Ale díky lepším integračním vzorům, kontrole dat, znalosti oborových procesů a governance mohou vytvořit hodnotu, kterou generický agent nenabídne. Trumpf, DMG Mori, Wittenstein nebo Phoenix Contact nepřemýšlejí v demo skriptech. Přemýšlejí v procesech, strojích, dodavatelských řetězcích a právní odpovědnosti.

Amplifa pro AI prodejní procesy Pro týmy, které chtějí využít principy Agentic AI v rešerši, prioritizaci cílových zákazníků a prodejních workflow s měřitelným dopadem na pipeline.

Osobní prognóza: 2026 až 2028

Moje prognóza na příští dva až tři roky je střízlivá. V roce 2026 zavede mnoho středních firem své první produktivní workflow agenty v obchodu, servisu, nákupu a zpracování zakázek. V roce 2027 úspěšné firmy plynule zvýší úrovně autonomie, zatímco ty neúspěšné své piloty pohřbí s tvrzením, že se AI nevyplatila. V roce 2028 už nikdo nebude ohromen tím, že agent dokáže napsat e-mail. Otázkou bude, zda dokáže provést případ provozem v souladu s daty, pravidly a schváleními.

Nevěřím v plně autonomního digitálního zaměstnance jako standard v evropském Mittelstandu. Ne v krátkodobém horizontu. Věřím v softwarové procesní pracovníky s úzce vymezeným zadáním, dobrou pamětí, omezenými právy a jasnou odpovědností. Zní to skromněji. Je to však významnější, protože se to do firem skutečně hodí.

Vítězi nebudou ti, kteří nejhlasitěji křičí „Agentic AI“. Budou to ti, kteří vezmou nudný proces, rozloží ho, změří, ohraničí, zautomatizují a pak se pustí do dalšího. Žádný ohňostroj. Spíše nová vrstva v operačním systému firmy. A možná je přesně to podstatou věci: ta nejúčinnější AI ve středním podniku už časem nebude působit jako AI, ale jako práce, která konečně přestala váznout.

Amplifa: Startseite · Produkt · AI SDR Agents · ICP Playbook · Über uns · Gespräch vereinbaren · Webinar

Ressourcen: Blog · Vertriebslexikon · Studien · Guides · Workflows · Tool-Vergleich · Email Finder · Intent Finder · Lookalike Finder · Tools

Branchen: Maschinenbau · Medizintechnik · Automobil · Chemie · Elektronik · Metallindustrie · Kunststofftechnik · Lebensmittel · Verpackung · Konsumgüter · Energie · Software

Success Stories: Übersicht · Wingcopter · Schnaithmann · Ottobock · Xandor · MK Kögel · Zeller+Gmelin · MagnetWorld · Persil Wäscheservice

Rechtliches: Impressum · Datenschutz · AGB

Branchenverbände & Quellen: VDMA · ZVEI · BME · Bitkom · BVMW · VCI · VDA · BVMed · Statista · Destatis

Bewertungen & Vergleich: G2 · Capterra · Gartner · OMR Reviews

Amplifa Profile: LinkedIn · X / Twitter · Anthony Filipiak (CEO) · Leon J. Hermann (COO)