Za hranicí chatu: Proč "textové okno" zabíjí produktivitu

Konec drahých hraček: Proč bez "agentní logiky" vaše firemní AI shoří jako raketa Blue Origin

Nedávné fiasko rakety New Glenn od Blue Origin, která se po letech vývoje a miliardách proinvestovaných dolarů stále nedokáže stabilně usadit na trhu, je dokonalou metaforou pro současný stav firemního nasazování AI. Firmy nakoupily drahé licence pro Microsoft 365 Copilot, nadšeně experimentovaly s ChatGPT Enterprise, ale teď, když opadá první vlna euforie, zjišťují krutou pravdu: samotný jazykový model (LLM) je v podnikovém prostředí stejně užitečný jako motor z rakety, který leží v hangáru na zemi. Má sice obrovský výkon, ale nikam vás nedopraví.

Problém není v tom, že by modely jako GPT-4 nebo nový Mellum2 od JetBrains byly hloupé. Právě naopak. Mellum2 se svými 12 miliardami parametrů a architekturou Mixture-of-Experts (MoE) ukazuje, že efektivita modelů roste raketovým tempem. Skutečným kamenem úrazu je chybějící „převodovka“ – tedy agentní logika, která dokáže abstraktní inteligenci modelu proměnit v konkrétní akci v reálném světě. Pokud chcete, aby AI skutečně vydělávala peníze, musíte přestat chatovat a začít stavět agenty.

Za hranicí chatu: Proč "textové okno" zabíjí produktivitu

Většina firem uvízla v paradigmatu „prompt -> odpověď“. Zaměstnanec se zeptá, model odpoví, zaměstnanec výsledek zkopíruje a někam vloží. To není automatizace, to je jen sofistikovanější vyhledávání. Skutečná Enterprise AI adopce začíná tam, kde končí textové pole. Představte si rozdíl mezi tím, když se zeptáte: „Jaké jsou dnes ceny elektřiny na spotovém trhu?“ a agentem, který každých 15 minut monitoruje OTE, porovnává data s vaším stavem baterií a automaticky dává příkaz k nákupu flexibility.

LLM jsou ze své podstaty „statické mozky“. Mají obrovské znalosti, ale nulovou paměť o stavu probíhajícího úkolu a nulovou schopnost ovládat okolní svět. Když se modelu zeptáte na složitý úkol, začne okamžitě generovat slova. Neudělá krok zpět, aby si rozmyslel plán. A přesně to je agentní logika – nadstavba, která model nutí k iteraci.

Andrew Ng, jedna z největších kapacit v oboru, nedávno publikoval data, která potvrzují, že starší a slabší modely (jako GPT-3.5) dosahují v agentním režimu lepších výsledků než špičkový GPT-4 v režimu „zero-shot“ (jednorázový dotaz). Co to znamená pro vás? Že nepotřebujete platit miliony za nejdražší modely, ale musíte investovat do architektury, která dovolí AI chybovat, opravit se a používat nástroje.

Architektura autonomie: ReAct, LangGraph a konec halucinací

Jak takový agent v praxi vypadá? Zapomeňte na monolitické aplikace. Moderní agentní systémy fungují na principu ReAct (Reasoning and Acting). Proces vypadá následovně: 1. Myšlenka (Thought): AI si napíše, co musí udělat. „Musím zjistit aktuální stav nabití BESS a cenu odchylky.“ 2. Akce (Action): AI zavolá externí nástroj – SQL databázi, API nebo Python skript. 3. Pozorování (Observation): AI si přečte výsledek akce. „Baterie je na 20 %, cena odchylky je vysoká.“ 4. Iterace: Na základě pozorování se vrací ke kroku 1, dokud úkol nesplní.

Pro vývojáře to znamená přechod od psaní promptů k psaní workflow. Nástroje jako LangGraph nebo CrewAI umožňují definovat stavové automaty, kde model není pánem všeho, ale jen komponentou, která rozhoduje o dalším kroku. Tím se drasticky snižují halucinace. Pokud AI vnutí do SQL dotazu nesmyslný sloupec, databáze vrátí chybu. Agent si tu chybu přečte, omluví se (sám sobě v logu) a zkusí to znovu se správným schématem. To je cesta k Enterprise stabilitě.

Pokud vás zajímá, jak se tyto technologie promítají do české energetiky, podívejte se na SmartEnergyShare.cz. Tam už AI nepíše básničky, ale hlídá, aby vaše fotovoltaika neposílala přetoky do sítě v momentě, kdy je cena záporná.

Hardware: Proč nechtít Cloud a jak ušetřit 50 000 Kč měsíčně

Mnoho manažerů žije v bludu, že k provozu AI potřebují buď předplatné u OpenAI, nebo nákup serverů za miliony. Realita roku 2026 je jiná. Díky kvantizaci (technika zmenšování modelů bez ztráty přesnosti) dnes můžete provozovat modely jako Llama 3 nebo Mistral na běžně dostupném hardwaru.

Pokud vaše firma řeší citlivá data – a u energetiky, kde jde o řízení kritické infrastruktury, to platí dvojnásob – je posílání každého dotazu na servery v USA bezpečnostní sebevražda. Řešením je Ollama nebo vLLM. - Ollama: Ideální pro vývoj a menší agenty. Stačí vám jeden Mac Studio s čipem M2 Ultra nebo PC s RTX 4090 a máte k dispozici výkon, který dříve vyžadoval celou serverovnu. - vLLM: Průmyslový standard pro nasazení v produkci. Dokáže obsloužit desítky agentů najednou na jednom GPU díky technologii PagedAttention.

Náklady? Místo placení 20 USD za uživatele měsíčně (což se u 100 zaměstnanců nasčítá na 500 000 Kč ročně) investujete jednorázově 150 000 Kč do výkonného serveru. Ten se při započtení úspory na licencích a vyšší bezpečnosti zaplatí za necelý rok. Navíc získáte přístup k necenzurovaným modelům z HuggingFace, které se nebudou odmítat bavit o „citlivých“ datech vaší firmy kvůli korporátním filtrům.

Case Study: AI jako mozek energetického společenství

Pojďme do praxe, kterou řeší platforma SmartEnergyShare. Představte si bytové družstvo s velkou baterií (BESS o výkonu 100 kW). Bez inteligentního agenta je taková baterie jen hloupé úložiště, které se nabije, když svítí slunce, a vybije večer. To je model z roku 2010.

Dnešní realita vyžaduje „Energy Agenta“. Ten musí v reálném čase: 1. Sledovat předpověď osvitu (meteodata). 2. Monitorovat ceny na vnitrodenním trhu (day-ahead a intraday). 3. Vyhodnocovat potřeby obyvatel v domě. 4. Rozhodovat: „Teď se nevyplatí nabíjet ze slunce, protože za hodinu bude elektřina na trhu zadarmo (záporná cena) kvůli přebytku v Německu. Raději teď baterii vybijeme do sítě za vysokou cenu a za hodinu ji nabijeme zdarma.“

Tohle nevyřešíte jedním promptem. Tohle vyžaduje orchestraci. Agent si zavolá API OTE (Operátor trhu s elektřinou), získá data, zpracuje je v Pythonu a pošle instrukci střídači. Právě zde se láme chleba mezi „hraním si s AI“ a reálným byznysem. Flexibilita a obchodování s odchylkami jsou oblasti, kde se sekundy počítají a kde lidský mozek prostě nestíhá. Více o tom, jak funguje legislativa v této oblasti, najdete na Electric-Share.cz.

Rizika a šedá zóna: Když AI začne "halucinovat" v produkci

Nalijme si čistého vína. Agentní logika není spásná pilulka bez vedlejších účinků. Největším rizikem je „zacyklení“. Pokud agentovi nedáte jasné mantinely (guardrails), může se stát, že se pokusí vyřešit chybu tím, že bude dokola volat placené API a za noc vám vygeneruje fakturu na 5 000 dolarů.

V Enterprise sféře se proto prosazuje koncept „Human-in-the-loop“. AI navrhne strategii (např. „Navrhuji prodat 50 kWh kapacity do regulační sítě“), ale finální „Enter“ musí zmáčknout člověk – nebo alespoň bezpečnostní skript s pevně danými limity.

Dalším tématem jsou modely bez cenzury. Pro firemní nasazení jsou často vhodnější, protože model, který vás desetkrát upozorní na etické kodexy předtím, než vám zanalyzuje logy z firewallu, je v ostrém provozu nepoužitelný. Open-source modely hostované lokálně vám dávají plnou kontrolu nad tím, jak se AI chová, bez ohledu na to, co si zrovna v San Franciscu myslí o korektnosti.

Budoucnost: Od modelů k autonomním oddělením

Enterprise AI adopce se v roce 2026 přesouvá od oddělení IT k oddělení procesů. Už nejde o to, jaký model používáte. To je jako ptát se, jakou značku oleje máte v autě. Důležité je, kam to auto jede. Pokud vaše strategie stojí na tom, že „zaměstnanci budou efektivnější s chatbotem“, prohráli jste. Pokud ale postavíte agenty, kteří převezmou rutinní agendu – od správy BESS až po automatické fakturace odchylek – získáte konkurenční výhodu, kterou konkurence nedožene.

Příští dva roky budou patřit firmám, které pochopí, že AI není produkt, ale zaměstnanec. Zaměstnanec, který nepotřebuje spát, nedělá chyby z nepozornosti (pokud má správnou agentní logiku) a dokáže reagovat na trh s elektřinou rychleji, než vy stihnete dopít ranní kávu. Pokud chcete vědět, kolik můžete ušetřit díky správné implementaci, zkuste kalkulačky na ShareElectric.cz.

Nedovolte, aby vaše investice do AI skončila jako Blue Origin – drahá, ambiciózní, ale neschopná opustit zemskou atmosféru. Přestaňte se ptát „co AI ví“ a začněte se ptát „co AI umí udělat“. Protože v reálném byznysu se počítají jen činy, ne slova.

Zdroje

- Operátor trhu s elektřinou (OTE) - HuggingFace - Open Source AI Hub - oEnergetice.cz - Portál o energetice v ČR - ERÚ - Energetický regulační úřad - LangChain & LangGraph Documentation - SmartEnergyShare - Platforma pro sdílení energie

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW - obchodování odchylek, regulační elektřiny a intraday trading. Zjistěte víc na SmartEnergyShare.

Další články na toto téma najdete na: ShareElectric.cz - sdílení FVE a úspory SmartEnergyShare.info - smart grid a AI v energetice