Najpokročilejšie firmy už AI nepoužívajú ako chatbot. Dávajú jej konkrétnu prácu

Autor: Marek Rodák

Oblasť: AI Governance Aktualizované: september 2026 Prvá vlna podnikovej umelej inteligencie bola jednoduchá. Firma nakúpila licencie.

Zamestnanci otvorili chatbot. Niekto si nechal upraviť e-mail, iný zhrnúť dokument, ďalší pripraviť prezentáciu alebo vyhľadať informácie. Takéto používanie môže priniesť reálnu úsporu času. Má však jednu zásadnú vlastnosť. AI stále čaká na človeka.

Človek zadá otázku. Človek vloží dokument. Človek prenesie výsledok do ďalšieho systému. Človek znova spustí ďalší krok.

V roku 2026 sa však v najpokročilejších firmách začína objavovať iný model. AI už nie je iba miesto, kam pracovník príde po odpoveď. Dostáva konkrétny pracovný proces. Má definovaný spúšťač, firemný kontext, prístup k nástrojom, pravidlá, kontrolné body a presne určený výsledok.

Inými slovami: firma neautomatizuje prompt. Automatizuje workflow. Práve tento rozdiel ukazuje analýza OpenAI z 1. septembra 2026, ktorá opisuje používanie agentov vo firmách Basis, Clay a Exa Labs. Ich príklady sú úplne odlišné.

Basis automatizoval časť onboardingu nových zamestnancov. Clay používa agentov pri správe obchodných účtov. Exa necháva agenta vyhľadávať príležitosti na technické integrácie a doviesť ich až k otestovanému návrhu. Spoločná je však jedna vec.

AI už nevytvára iba výstup. Posúva prácu z bodu A do bodu B.

Rozdiel medzi chatbotom a agentom nie je iba technologický

Predstavme si obchodníka. Pri klasickom použití AI ráno otvorí chatbot a napíše: „Zhrň mi poslednú komunikáciu so zákazníkom XY.“ Musí však najskôr nájsť e-maily.

Možno skopírovať poznámky z CRM. Pridať zápis zo stretnutia. Potom odpoveď prečítať. A nakoniec vykonať ďalší krok.

Agentický workflow môže fungovať inak. Systém už má oprávnený prístup k CRM, e-mailu, poznámkam a interným zdrojom. V noci skontroluje, čo sa pri účte zmenilo. Aktualizuje kontext.

Ráno obchodníkovi zobrazí nie všeobecné zhrnutie, ale napríklad: zákazník neodpovedal na technickú otázku, v nákupnom výbore chýba kontakt na finančného riaditeľa, existuje dôvod klienta znova osloviť,

a tu sú zdroje, z ktorých systém tento záver vytvoril. Človek stále rozhoduje. Ale nemusí manuálne zostavovať informačný obraz situácie. A práve to je podstata posunu od assistance k execution.

OpenAI vo svojich Enterprise Signals uvádza, že podnikové využívanie AI sa čoraz viac presúva od otázok a asistencie k delegovaniu podstatnejšej práce. Medzi podnikovými zákazníkmi tvorili v júni 2026 výstupné tokeny Codexu 64 % kombinovaných výstupných tokenov Codexu a ChatGPT, čo firma používa ako jeden zo signálov rastúcej agentickej práce. To však ešte samo osebe neznamená vyšší ekonomický prínos. Aj OpenAI výslovne upozorňuje, že tokeny sú iba nedokonalý ukazovateľ intenzity používania. Krátky výstup môže mať veľkú hodnotu a dlhý prakticky žiadnu. Pre firmu je preto dôležitá iná otázka:

Akú časť reálnej práce AI dokončila?

Najpokročilejšie firmy sa začínajú vzďaľovať ostatným

Enterprise Signals od OpenAI ukazuje zaujímavý rozdiel. Firmy v top 10 % podľa intenzity používania AI generovali v júni 2026 8,3-krát viac výstupných tokenov na aktívneho používateľa než typické firmy. V januári bol rozdiel iba 2,6-násobný. Z toho by bolo jednoduché vyrobiť titulok:

„Najlepšie firmy používajú AI osemkrát viac.“ Taká interpretácia by však bola príliš povrchná. Podstatnejšie je, ako ju používajú. OpenAI uvádza tri rozdiely:

agentom poskytujú firemný kontext, prepájajú ich s pracovnými nástrojmi, a delegujú im komplexnejšie a opakovateľné úlohy. To je dôležité.

Každá firma môže kúpiť rovnaký model. Konkurenčná výhoda nemusí vzniknúť z toho, kto má prístup k inteligentnejšiemu chatbotu. Môže vzniknúť z toho, kto ho lepšie zapojí do práce.

Basis: AI sa najskôr musí naučiť stabilný proces

Prvým príkladom je Basis, firma vytvárajúca AI agentov pre účtovnícke spoločnosti. Onboarding nového zamestnanca v nej predtým trval počas prvého dňa približne dve hodiny. Po prebudovaní procesu s AI sa táto časť skrátila podľa Basis približne na 30 minút. Samotné číslo však nie je najzaujímavejšie.

Zaujímavé je, ako proces navrhli. Firma raz ukázala, ako má onboarding vyzerať. Následne z neho vytvorila opakovateľnú „skill“ - súbor pokynov, zdrojov a krokov, ktorý agent dokáže znovu použiť. Má spúšťač.

Má známe kroky. Má prístup k potrebným nástrojom. A má definíciu toho, čo znamená „hotovo“. To znie banálne.

V skutočnosti je to jeden z najdôležitejších princípov podnikovej agentickej AI. Agent potrebuje proces, ktorý je možné pomenovať. Ak organizácia sama nevie vysvetliť, ako má určitá práca správne prebiehať, veľmi ťažko ju bude bezpečne delegovať na AI. To je zároveň dôvod, prečo môže zavádzanie agentov odhaliť organizačný chaos.

Firma zistí, že jednotliví ľudia robia tú istú vec rôznym spôsobom. Neexistuje jasný vlastník. Nikto presne nevie, kedy je proces ukončený. A pravidlá žijú iba v hlave skúseného zamestnanca.

Agentická transformácia sa potom začína paradoxne nie pri AI. Začína pri procesnom manažmente.

Dôležitá lekcia: automatizovať treba stabilné jadro, nie každú výnimku

Basis zároveň ukazuje rozumný model ľudského dohľadu. Bežný proces môže agent vykonať. Ak nastane neštandardná situácia, človek zasiahne. To je oveľa realistickejšie než predstava, že každý podnikový workflow musí byť od prvého dňa stopercentne autonómny.

Dobré procesy majú typicky dve vrstvy. Prvou je vysokofrekvenčné jadro: toto robíme stále a približne rovnako. Druhou sú výnimky:

toto vyžaduje úsudok, eskaláciu alebo špecifické rozhodnutie. Práve prvá vrstva je ideálny kandidát na agentizáciu. A keď sa výnimka začne opakovať, tím môže workflow upraviť. Agentický systém sa tak postupne zlepšuje nie preto, že by sa spontánne stal múdrejším, ale preto, že firma kodifikuje svoje skúsenosti.

Clay: AI bez kontextu zostáva iba šikovným cudzincom

Druhým príkladom je Clay. Firma riešila klasický problém enterprise sales. Informácie o zákazníkovi boli roztrúsené. Niečo bolo v CRM.

Niečo v e-mailoch. Niečo v Slacku. Ďalšie informácie v prezentáciách, hovoroch, správach alebo hlavách jednotlivých ľudí. To je veľmi bežná situácia.

A práve preto je klasický chatbot v podniku často menej užitočný, než sa na začiatku očakáva. Model môže byť mimoriadne schopný. Ale nepozná kontext firmy. Clay preto vytvoril pre jednotlivé účty persistentný workspace a špecializovaného subagenta. Ten kontroluje primárne zdroje, priebežne aktualizuje informácie a koordinačný agent následne pripravuje prioritné kroky.

Podľa Clay tento systém šetrí približne hodinu večerného triedenia inboxu denne. Dôležité však je niečo iné. Odporúčanie zostáva prepojené s dôkazom. Obchodník môže vidieť, prečo agent daný krok navrhol.

To je kritický prvok dôveryhodného workflowu. AI nemá iba povedať: „Kontaktuj zákazníka.“ Mala by byť schopná ukázať:

„Odporúčam kontaktovať zákazníka, pretože na poslednom stretnutí ostala otvorená táto otázka, v CRM je tento stav a v e-maile z utorka bol uvedený tento termín.“ Človek môže odporúčanie preveriť.

Toto je veľmi dôležitý princíp AI Governance: evidence proximity

Pri tradičných automatizáciách často stačilo vedieť, aké pravidlo systém vykonal. Pri generatívnych systémoch je situácia komplikovanejšia. Model môže: interpretovať,

zovšeobecňovať, kombinovať viac zdrojov, a vytvoriť nové odporúčanie. Preto je veľmi užitočné, keď dôkaz zostáva čo najbližšie k rozhodnutiu.

Nie iba: odporúčanie. Ale: odporúčanie + podklady + možnosť kontroly.

To znižuje riziko, že zamestnanec začne systém slepo nasledovať. A zároveň uľahčuje audit. Ak rozhodnutie neskôr spôsobí problém, organizácia môže spätne zistiť: aké zdroje agent použil,

čo z nich vyvodil, kto výsledok schválil, a čo sa následne vykonalo.

Exa: skutočný agentický workflow nekončí analýzou

Tretí príklad je možno najzaujímavejší. Exa Labs vyvíja vyhľadávaciu infraštruktúru pre AI agentov. Firma chcela identifikovať miesta, kde by sa jej API mohlo integrovať do ďalších projektov. Predtým museli ľudia sledovať repozitáre a ekosystém, identifikovať príležitosť, získať kontext, koordinovať technickú prácu a následne pripraviť integráciu.

Exa tento proces premenila na agentický workflow. Codex podľa OpenAI: monitoruje príležitosti, zbiera kontext,

vytvára pull requesty, spúšťa testy, a pripravuje pravidelné aktualizácie. Vhodný ďalší krok môže dokonca pripraviť na kontrolu človeku.

Rozdiel oproti chatbotu je obrovský. Chatbot by mohol povedať: „Tento projekt vyzerá ako vhodný kandidát na integráciu.“ Agentický systém môže:

nájsť projekt, preskúmať ho, upraviť kód, otestovať výsledok,

a pripraviť hotový návrh. To už nie je podpora premýšľania. To je bounded execution - ohraničené vykonanie práce.

A práve slovo „ohraničené“ je kľúčové

Exa nenecháva agenta robiť čokoľvek. Ľudia stále rozhodujú: ktorá príležitosť je strategicky relevantná, aké záväzky má firma prijať,

ako má komunikovať s externými partnermi, a či sa má výsledok nasadiť. To je veľmi praktická odpoveď na jednu z najčastejších otázok agentickej AI: Koľko autonómie máme systému dať?

Nie maximum, ktoré technológia zvládne. Toľko, koľko je vhodné pre konkrétny proces. Agent môže mať vysokú autonómiu pri: zbieraní informácií,

príprave podkladov, testovaní, vytváraní návrhu. Ale oveľa menšiu pri:

finančnom záväzku, právnom rozhodnutí, publikovaní smerom von, zmene produkčného systému,

alebo inom kroku s vysokým dôsledkom.

Oprávnenia sú pri agentoch rovnako dôležité ako inteligencia

Čím výkonnejší agent je, tým viac ľudí rieši kvalitu modelu. Ale v podnikovom prostredí môže byť rovnako dôležitá otázka: K čomu má prístup? NIST v roku 2026 upozornil, že AI agenti prinášajú nové problémy identity a autorizácie práve preto, že môžu pristupovať k rôznym dátam, aplikáciám a nástrojom. Odporúča preto riešiť identifikáciu agenta, oprávnenia, auditovateľnosť a mechanizmy proti zneužitiu či prompt injection.

Predstavme si firemného agenta. Môže čítať e-mail? Môže ho odoslať? Môže čítať CRM?

Môže v ňom meniť dáta? Môže pripraviť objednávku? Môže ju aj odoslať? Môže pripraviť platbu?

Môže ju autorizovať? To sú úplne rozdielne úrovne rizika. Agentická governance preto musí používať princíp minimálnych oprávnení. Systém má dostať presne tie nástroje, ktoré potrebuje na svoju úlohu.

Nie všetko, čo by teoreticky dokázal využiť.

Najväčšia chyba je začať agentom namiesto procesu

Agentická AI dnes pôsobí atraktívne. Firma preto ľahko začne otázkou: „Kde môžeme nasadiť agenta?“ Lepšia otázka znie:

„Ktorý workflow stojí za prebudovanie?“ OpenAI vo svojom šesťkrokovom rámci odporúča začať jednou dôležitou hodnotovou plochou - teda end-to-end procesom, ktorý sa opakuje dostatočne často, má merateľný význam a spája systémy, handoffy a kontrolné mechanizmy. To je podstatne lepšia stratégia než plošné vyhlásenie: „Od budúceho mesiaca budeme agentická firma.“

1. Vyberte proces, ktorý skutočne niečo znamená

Dobré prvé použitie by malo spĺňať dve podmienky. Musí sa opakovať. A musí mať dostatočnú hodnotu. Ak workflow firma vykonáva dvakrát ročne, investícia do komplexného agenta nemusí mať zmysel.

Ak ho vykonáva každý deň, vzniká priestor na učenie a meranie. Zároveň by však nemal byť prvým experimentom proces, pri ktorom jediná chyba spôsobí katastrofický následok. Najlepšie začiatky preto bývajú stredne významné, často opakované a dobre merateľné procesy.

2. Definujte výsledok ešte pred zavedením AI

OpenAI odporúča pomenovať: vlastníka, KPI, baseline,

guardrails a cieľový výsledok. To by malo byť samozrejmé. V praxi často nie je.

Firma nasadí AI a začne merať používanie. Koľko ľudí otvorilo nástroj? Koľko otázok položili? Koľko textu AI vyprodukovala?

Také metriky hovoria o adopcii. Nie o hodnote. Agentický workflow by mal byť hodnotený podľa výsledku. Onboarding:

koľko času trval? Koľko chýb vzniklo? Obchodný proces: skrátil sa response time?

Zlepšila sa follow-up disciplína? Technická integrácia: koľko kvalitných kandidátov systém našiel? Koľko návrhov prešlo testovaním?

Output volume ukazuje aktivitu. Outcome ukazuje hodnotu.

3. Napíšte agentovi pracovnú náplň

Toto je podľa mňa jedna z najpraktickejších myšlienok celého materiálu. OpenAI odporúča vytvoriť agentovi doslova job description. Čo spúšťa jeho prácu? Aký má byť výsledok?

Aký kontext potrebuje? Aké nástroje používa? Aké má oprávnenia? Aké dôkazy musí predložiť?

A pri ktorom kroku sa musí zastaviť a zavolať človeka? Takto formulovaná úloha je oveľa bližšie skutočnému procesnému dizajnu než prompt engineeringu. Prompt hovorí: „Urob toto.“

Job description hovorí: „Toto je tvoja rola, hranice, zdroje, výsledok a eskalačný mechanizmus.“ Agentická AI tým začína pripomínať organizačnú jednotku. A preto potrebuje governance podobne ako človek alebo softvérová služba.

4. Human-in-the-loop treba navrhnúť, nie iba deklarovať

V dokumentoch o AI sa často objavuje veta: „Výsledok skontroluje človek.“ To môže znamenať takmer čokoľvek. Ktorý človek?

Kedy? Čo presne kontroluje? Má dostatok informácií? Má reálne právo výsledok odmietnuť?

A koľko rozhodnutí denne musí skontrolovať? Ak agent vytvorí dve odporúčania denne, ľudská kontrola je jednoduchá. Ak ich vytvorí päťtisíc, človek sa stáva bottleneckom. Dobrá governance preto potrebuje presne určiť review points, nie iba všeobecne deklarovať ľudský dohľad.

OpenAI pri svojich vlastných agentických systémoch skúma aj automatizovaný druhý kontrolný agent. V apríli 2026 napríklad predstavilo experimentálny Auto-review pre Codex, kde oddelený agent posudzuje akcie prekračujúce sandboxové hranice a rozhoduje, či ich povolí alebo zastaví. To naznačuje dôležitý budúci trend. Dohľad nad agentmi nebude vždy vykonávať iba človek. Môže ísť o kombináciu:

technických pravidiel, kontrolného modelu, automatických testov a človeka pri rozhodnutiach s najvyšším dôsledkom.

5. Úspešný experiment sa musí zmeniť na firemnú schopnosť

Veľa AI pilotov umrie spolu s človekom, ktorý ich vytvoril. Jeden zamestnanec si postaví perfektný workflow. Šetrí mu hodinu denne. Nikto iný o ňom nevie.

Po jeho odchode firma začne od začiatku. Práve tu vzniká rozdiel medzi individuálnou produktivitou a organizačnou schopnosťou. Basis premenil onboarding na opakovateľnú skill. Clay vytvoril persistentnú štruktúru účtov.

Exa definovala proces od identifikácie príležitosti po otestovaný technický výstup. To znamená, že know-how sa neuchováva iba v človeku. Je kodifikované. A práve toto môže byť jeden z najväčších ekonomických efektov agentickej AI.

Firmy možno prvýkrát začnú ukladať pracovné postupy ako softvér

Klasická firma má: procesné mapy, smernice, checklisty,

návody, interné wiki. Problém je, že dokument sám nič neurobí. Zamestnanec ho musí prečítať a podľa neho postupovať.

Agentický workflow môže časť tohto know-how priamo vykonávať. Firma tak môže postupne vytvárať knižnicu schopností. Onboarding nového človeka. Príprava ponuky.

Kontrola dokumentov. Monitoring zákazníka. Príprava mesačného reportu. Kontrola marketingovej kampane.

Technická integrácia. Nie iba dokumentácia procesu. Ale proces, ktorý dokáže konať. To je veľká organizačná zmena.

Vzniká však aj nové riziko: firma môže automatizovať zlý proces

Ak je workflow zlý, agent ho môže vykonávať veľmi efektívne. To nie je výhra. Je to zrýchlenie chyby. Pred automatizáciou preto treba rozlišovať tri otázky:

Máme proces správne navrhnutý? Je vhodné ho automatizovať? A až potom: Dokáže ho vykonať AI?

Inak sa môže stať, že firma investuje veľké peniaze do agentického systému, ktorý len rýchlejšie reprodukuje historickú byrokraciu.

Bezpečnosť sa stáva súčasťou workflow dizajnu

Čím viac systém koná, tým väčšie riziko vzniká. NIST v máji 2026 zhrnul odpovede expertov na bezpečnosť AI agentov a uviedol široký konsenzus, že agentické systémy prinášajú nové bezpečnostné riziká. Klasické princípy kybernetickej bezpečnosti zostávajú relevantné, ale musia byť prispôsobené systémom, ktoré samostatne používajú nástroje a pristupujú k dátam. Pre firmu z toho vyplývajú veľmi praktické požiadavky. Agent potrebuje identitu.

Potrebuje obmedzené oprávnenia. Jeho kroky sa musia logovať. Musí existovať možnosť revokovať jeho prístup. Treba monitorovať neštandardné správanie.

A pri kritických krokoch musí existovať eskalačný bod. Governance teda nemožno pridať až po vytvorení agenta. Musí byť súčasťou workflow architektúry od začiatku.

Väčšina firiem nebude trénovať vlastný frontier model. Budú používať podobné technológie od rovnakých poskytovateľov. Ak majú dve firmy prístup k rovnako schopnej AI, kde vznikne rozdiel? V dátach.

V kontexte. V integráciách. V procesoch. V oprávneniach.

V kvalite merania. A v schopnosti premeniť individuálny experiment na opakovateľnú firemnú prax. OpenAI preto vo svojej analýze odporúča úspešný workflow zachovať ako prevádzkový vzor - vrátane kontextu, povolení, hodnotení, kontrolných bodov, vlastníkov a metrík - a až následne tento model prenášať do ďalších oblastí. To je podľa mňa podstatná myšlienka.

Budúca AI transformácia firmy nemusí vyzerať tak, že jedného dňa kúpi „superagenta“, ktorý bude robiť všetko. Oveľa pravdepodobnejšie bude vyzerať ako postupné budovanie desiatok konkrétnych schopností. Každá bude riešiť presne definovaný proces. Každá bude mať vlastné oprávnenia.

Vlastné metriky. Vlastné kontrolné body. A jasného vlastníka.

V prvej fáze podnikovej AI stačila mnohým organizáciám smernica. Nevkladajte citlivé údaje. Overujte výstupy. Nepoužívajte AI na zakázané účely.

Pri agentoch to už nestačí. Pretože systém môže vykonávať akcie bez toho, aby pri každom kroku sedel používateľ pred obrazovkou. Governance preto musí odpovedať na nové otázky. Kto vytvoril agenta?

Kto vlastní jeho proces? Aké systémy môže používať? Aké údaje smie čítať? Čo môže meniť?

Koľko môže minúť? Čo musí logovať? Ktoré rozhodnutie potrebuje schválenie? Ako sa testuje jeho nová verzia?

Ako sa zastaví? A kto nesie zodpovednosť, keď urobí chybu? To už nie je iba politika používania AI. Je to operačný model.

A práve tu sa podľa mňa bude v najbližších rokoch lámať rozdiel medzi firmami, ktoré majú AI nástroje, a firmami, ktoré si pomocou AI vytvoria novú organizačnú schopnosť. Pretože samotný chatbot konkurencia kúpi tiež. Dobre navrhnutý workflow nie.

O autorovi

Marek Rodák sa venuje oblasti AI Governance, teda praktickému riadeniu používania umelej inteligencie v organizáciách so zameraním na AI audit, agentické systémy, identifikáciu use cases, oprávnenia, zodpovednosť a bezpečné zavádzanie AI do podnikových procesov. Aktualizované: september 2026

Metodika článku

Hlavným východiskom je článok OpenAI _How AI-native companies turn workflows into operating capability_, publikovaný 1. septembra 2026. Zdroj opisuje tri konkrétne prípady podnikových agentických workflowov vo firmách Basis, Clay a Exa Labs. Ide o materiál spoločnosti OpenAI, ktorá zároveň poskytuje technológiu použitú v opisovaných workflowoch. Tvrdenia o úsporách času či praktických výsledkoch jednotlivých firiem preto prezentujem ako údaje pripisované daným spoločnostiam, nie ako výsledky nezávislej experimentálnej štúdie. Údaje o rozdiele medzi „frontier“ a typickými firmami pochádzajú z OpenAI Enterprise Signals, ktoré analyzujú podnikovú klientsku bázu OpenAI. Frontier firmy sú definované ako top 10 % podnikov podľa výstupných tokenov na aktívneho používateľa, zatiaľ čo typické firmy predstavujú prostredných 10 %. V júni 2026 dosahoval rozdiel 8,3-násobok oproti 2,6-násobku v januári. OpenAI zároveň výslovne upozorňuje, že token volume je iba proxy intenzity používania a nie priamy ukazovateľ obchodnej hodnoty.

Bezpečnostné a governance závery som porovnal s materiálmi NIST National Cybersecurity Center of Excellence a NIST CAISI, ktoré v roku 2026 osobitne riešia identitu, autorizáciu, auditovateľnosť a bezpečnostné riziká AI agentov pristupujúcich k firemným systémom.

Hlavné zdroje

OpenAI: _How AI-native companies turn workflows into operating capability_, 1. september 2026. Prípadové štúdie Basis, Clay a Exa Labs a šesťkrokový rámec pre agentické workflowy. OpenAI Enterprise Signals: _What frontier firms are doing differently_, aktualizované 12. augusta 2026. Analýza rozdielov v intenzite používania AI a prechodu od asistencie k delegovanej agentickej práci.

OpenAI: _From assistance to execution: How enterprises put AI to work_, august 2026. Materiál zdôrazňuje prepojenie agentov s firemným kontextom a nástrojmi, jasné oprávnenia, governance a ľudskú kontrolu. NIST National Cybersecurity Center of Excellence: _Accelerating the Adoption of Software and Artificial Intelligence Agent Identity and Authorization_, február 2026. Rámec pre identitu, autentifikáciu, autorizáciu a auditovateľnosť agentov pristupujúcich k podnikovým dátam a aplikáciám.

NIST CAISI: _Summary Analysis of Responses to the Request for Information Regarding Security Considerations for AI Agents_, máj 2026. NIST uvádza širokú zhodu respondentov, že agentické systémy prinášajú nové bezpečnostné riziká a vyžadujú adaptáciu tradičných kybernetických kontrol.