Workflowy, AI workflowy a AI agenti: kedy čo použiť

Workflowy, AI workflowy a AI agenti: kedy čo použiť

Pred výberom nástroja si ujasnite, ktoré kroky viete určiť vopred a ktoré si vyžadujú výklad alebo úsudok. Bežne sa používajú tri prístupy:

1. Tradičné workflowy
2. AI workflowy
3. AI agenti

Nasledujúce príklady ukazujú, kedy sa ktorý prístup hodí.

Tradičné workflowy

Tradičné workflowy sú automatizácia postavená na pravidlách. Určíte spúšťač, sadu podmienok a postupnosť akcií. Systém ide zakaždým tou istou cestou.

To funguje dobre, keď sú pravidlá jasné a proces sa opakuje.

Na čo sú tradičné workflowy dobré

• Procesy, ktoré prebiehajú zakaždým rovnako
• Úlohy vo veľkých objemoch, kde je konzistentnosť dôležitejšia než flexibilita
• Všetko, kde sú pravidlá jasné a nemenia sa podľa kontextu
• Regulované činnosti, pri ktorých potrebujete auditnú stopu

Príklady z praxe

Nástup nového zamestnanca: Do HR systému pribudne nový zamestnanec. Workflow mu automaticky založí e-mailový účet, pošle uvítaciu správu a pridá ho do správnych kanálov v Slacku. Potom mu naplánuje úvodné stretnutia a upozorní manažéra. Každý krok je vopred daný. Nič z toho si nevyžaduje úsudok.

Spracovanie faktúr (jednoduchý prípad): Faktúra príde e-mailom. Workflow prečíta štruktúrované polia (suma, dodávateľ, dátum), spáruje ju s objednávkou a podľa sumy ju pošle na schválenie. Faktúry pod 500 $ idú vedúcemu tímu. Nad 500 $ idú vedúcemu oddelenia. Nad 5 000 $ idú na finančné oddelenie.

Vybavenie objednávky v e-shope: Zákazník odošle objednávku. Workflow skontroluje zásoby, zarezervuje tovar, vygeneruje prepravný štítok a upozorní sklad. Zákazníkovi pošle potvrdzovací e-mail a naplánuje aktualizáciu stavu doručenia. Pri každej jednej objednávke tie isté kroky.

Prideľovanie leadov v CRM: Nový záujemca vyplní formulár na vašom webe. Workflow ho podľa regiónu a veľkosti obchodu pridelí obchodníkovi, vytvorí úlohu v CRM a pošle internú notifikáciu do Slacku. Po 24 hodinách spustí sériu nadväzujúcich e-mailov.

Eskalácia IT tiketov: Príde tiket na podporu. Ak ho do 4 hodín nikto nevyrieši, posunie sa na 2. úroveň podpory. Ak nie je vyriešený ani do 12 hodín, ide k vedúcemu tímu. Ak obsahuje kľúčové slovo súvisiace s bezpečnosťou, preskočí frontu a ide rovno bezpečnostnému tímu.

Nástroje

Zapier, Make (predtým Integromat), n8n, Power Automate, plánovače úloh v Xano, jednoduché cron joby alebo aj obyčajné, dobre navrhnuté databázové triggery.

Kde tradičné workflowy narazia

Zlyhávajú, keď:

• vstupy nie sú štruktúrované (e-maily s voľným textom, naskenované dokumenty, hlasové správy)
• pravidlá nie sú jednoznačné („použi zdravý rozum“ nie je pravidlo)
• proces sa musí prispôsobovať kontextu
• nedokážete vopred určiť každú možnú cestu

Tieto úlohy môžu potrebovať krok s AI alebo zásah človeka.

AI workflowy

AI workflowy sú stále automatizované postupnosti krokov. Stále idú po vopred určenej ceste. Jeden alebo viac krokov na nej však používa model strojového učenia. Ten zvládne to, na čo samotné pravidlá nestačia.

Samotný workflow zostáva deterministický. Poradie krokov máte stále pod kontrolou. AI krok však rieši tú časť, ktorá si vyžaduje porozumenie, klasifikáciu, extrakciu alebo generovanie.

Je to vhodný začiatok, keď máte v existujúcom procese jeden krok, ktorý potrebuje AI.

Na čo sú AI workflowy dobré

• Spracovanie neštruktúrovaných dát (dokumenty, obrázky, zvuk, voľný text)
• Klasifikácia (triedenie, kategorizácia, smerovanie podľa obsahu)
• Extrakcia (vyťahovanie konkrétnych údajov z neusporiadaných vstupov)
• Preklady a zhrnutia
• Kontroly kvality, pri ktorých treba rozpoznávať vzory

Príklady z praxe

Spracovanie faktúr (zložitejší prípad): Faktúry chodia ako naskenované PDF, prílohy e-mailov alebo fotky. Žiadne dve nevyzerajú rovnako. AI model (OCR + jazykový model) z nich vytiahne názov dodávateľa, číslo faktúry, položky, sumy a dátumy. Údaje potom prejdú tým istým schvaľovacím workflowom na pravidlách ako v jednoduchom prípade. AI rieši chaotickú časť. Workflow sa postará o smerovanie.

Triedenie e-mailov v zákazníckej podpore: Zákazníci posielajú e-maily. AI model každý e-mail prečíta a zaradí ho: problém s fakturáciou, technický problém, požiadavka na novú funkciu, sťažnosť alebo spam. Podľa tohto zaradenia tradičný workflow pošle e-mail správnemu tímu, nastaví prioritu a odošle automatické potvrdenie prijatia. AI číta. Workflow posiela ďalej.

Predvýber životopisov: Na jeden pracovný inzerát prídu stovky životopisov. AI model každý prečíta a vytiahne z neho počet rokov praxe, relevantné zručnosti, vzdelanie a jazykové znalosti. Potom každý životopis oboduje podľa požiadaviek na pozíciu. Životopisy nad stanovenou hranicou idú manažérovi, ktorý pozíciu obsadzuje. Ostatní uchádzači dostanú zdvorilý e-mail so zamietnutím. AI číta a hodnotí. Workflow sa postará o ďalšie kroky.

Kontrola súladu zmlúv: Právne oddelenie dostáva zmluvy od dodávateľov. AI model prejde každú zmluvu a označí klauzuly, ktoré sa odchyľujú od štandardných podmienok firmy: nezvyčajné limity zodpovednosti, neštandardné platobné podmienky alebo chýbajúce klauzuly o ochrane údajov. Označené zmluvy idú do fronty na právnu kontrolu. Zmluvy bez výhrad idú do fronty na podpis. AI číta. Workflow posiela ďalej.

Analýza sentimentu v spätnej väzbe od zákazníkov: Recenzie chodia z viacerých kanálov. AI model každú prečíta a určí jej sentiment: pozitívny, neutrálny alebo negatívny. Negatívne recenzie, ktoré spomínajú konkrétny produkt, spustia upozornenie pre produktový tím. Pozitívne recenzie s veľkým ohlasom idú marketingu ako možné referencie.

Vizuálna kontrola kvality: Na výrobnej linke kamera odfotí každý výrobok. AI model na snímke hľadá chyby: škrabance, preliačiny, nesprávny odtieň farby alebo chýbajúce súčiastky. Chybné kusy sa označia a vyradia. Dobré pokračujú ďalej po linke. AI robí vizuálnu kontrolu. Workflow triedi.

Automatické vyťahovanie údajov z úradných formulárov: Firma dostáva rôzne formuláre od úradov a regulátorov (daňové doklady, povolenia, registračné dokumenty). Prídu naskenované alebo ako nahraté PDF. AI model z nich vytiahne potrebné polia: registračné čísla, dátumy, mená, sumy. Kontroly postavené na pravidlách potom údaje overia voči interným záznamom. Nakoniec ich workflow pošle na zaevidovanie alebo na ďalšie spracovanie.

Spoločný vzorec

AI v určenom kroku číta, triedi, vyťahuje údaje alebo tvorí obsah. Vaše pravidlá určujú, čo sa stane pred týmto krokom a po ňom.

Nástroje

LLM API (OpenAI, Anthropic, Google), ktoré voláte z nástrojov ako n8n či Make alebo z vlastného kódu. Na obrázky vizuálne modely. Na zvuk modely, ktoré prepisujú reč na text. Na skenovanie dokumentov OCR nástroje. Všetko z toho zapojíte do workflowu ako jeden krok.

Kedy AI workflowy nestačia

Zlyhávajú, keď:

• úloha si vyžaduje viac krokov uvažovania, nielen jednu klasifikáciu
• systém sa musí podľa kontextu rozhodnúť, ktoré nástroje alebo API použije
• proces nie je lineárny: vetví sa, opakuje alebo sa mení spôsobom, ktorý nedokážete vopred určiť
• úloha si vyžaduje prácu s viacerými systémami a rozhodovanie po ceste

Vtedy je čas uvažovať o agentoch.

AI agenti

AI agent si vyberá kroky vedúce k cieľu. Nemusí pritom nasledovať celý postup určený vopred.

Agent má prístup k nástrojom (API, databázy, súborové systémy, webové prehliadače, iné modely). Sám uvažuje, ktoré nástroje použije, v akom poradí a ako vyhodnotí výsledky.

Plán môže meniť podľa priebežných výsledkov. Jeho správanie je však menej predvídateľné, chyby sa hľadajú ťažšie a prevádzka stojí viac.

Na čo sú AI agenti dobrí

• Úlohy, pri ktorých vopred nepoznáte kroky
• Práca s viacerými systémami (dáta z jedného miesta stiahnuť, spracovať a podľa kontextu poslať inam)
• Úlohy, ktoré si vyžadujú plánovanie a uvažovanie vo viacerých krokoch
• Situácie, keď sa agent musí zotaviť z chyby alebo zmeniť prístup
• Náročný prieskum, analýzy alebo podpora rozhodovania

Príklady z praxe

Agent na prieskum pre obchod: Obchodník zadá názov firmy. Agent vyhľadá na webe najnovšie správy o firme a na LinkedIne nájde ľudí, ktorí v nej rozhodujú. Na BuiltWith zistí, aké technológie firma používa, a v CRM skontroluje doterajšiu komunikáciu. Nakoniec pripraví návrh personalizovaného oslovenia. Každý krok závisí od predchádzajúceho. Ak firma nemá web, agent sa prispôsobí. Ak ste s firmou už komunikovali, zohľadní to. Žiadne dva behy nie sú rovnaké.

Agent na riešenie IT incidentov: Monitoring zistí, že API vracia chyby. Agent skontroluje chybové logy a nájde službu, ktorej sa to týka. Pozrie sa, čo sa zmenilo v posledných nasadeniach, a skontroluje, či databáza nemá nezvyčajnú záťaž. Potom buď navrhne opravu, alebo vráti posledné nasadenie späť. Ak si pri probléme nie je dosť istý, posunie ho človeku.

Agent na finančnú analýzu: Analytik sa opýta: „Porovnaj naše tržby za Q3 podľa produktových línií s benchmarkmi v odvetví.“ Agent vytiahne údaje o tržbách z internej databázy, vyhľadá odvetvové reporty a vyberie z nich relevantné benchmarky. Dáta znormalizuje, aby sa dali porovnať, a pripraví zhrnutie s grafmi. Zvýrazní, kde je firma nad priemerom a kde pod ním. Každý krok závisí od toho, čo zistí v predchádzajúcom.

Agent zákazníckej podpory (zložité prípady): Zákazník napíše: „Minulý týždeň som si objednal produkt X, ale prišiel mi produkt Y a z karty mi strhli nesprávnu sumu.“ Agent dohľadá objednávku, skontroluje záznamy o preprave a overí platbu. Potom určí, či treba vrátiť peniaze alebo vymeniť tovar, spustí príslušný proces a zákazníkovi odpovie. Musí pritom pracovať s objednávkovým, platobným aj prepravným systémom. V každom kroku sa rozhoduje.

Asistent na vyjednávanie zmlúv: Firma dostane zmluvu od dodávateľa. Agent ju prečíta a článok po článku porovná so štandardnými podmienkami firmy. Nájde odchýlky a navrhne k nim vlastné znenie klauzúl. Precedensy hľadá v minulých rokovaniach s tým istým dodávateľom. Nakoniec napíše pre právne oddelenie zhrnutie s odporúčanými krokmi.

Agent na vyhľadávanie kandidátov: Manažér zadá pozíciu: „Senior backend inžinier, 5+ rokov praxe, skúsenosti s PostgreSQL a Pythonom, z Európy.“ Agent hľadá na LinkedIne, GitHube a Stack Overflow kandidátov, ktorí spĺňajú kritériá. U každého skontroluje nedávnu aktivitu, príspevky do open source projektov a verejný profil. Kandidátov zoradí podľa toho, ako sa na pozíciu hodia. Pripraví užší výber a ku každému pripíše, prečo ho vybral.

Agent na diagnostiku dátovej pipeline: Dátový inžinier nahlási, že dashboard ukazuje neaktuálne dáta. Agent skontroluje stav ETL pipeline a zistí, ktorá úloha zlyhala. Prečíta chybové logy a skontroluje, či nie je problém s pripojením k zdrojovej databáze. Zlyhanú úlohu spustí znova a overí, že dáta sú aktuálne. Ak je skutočnou príčinou zmena schémy v zdrojovej databáze, upozorní na to a navrhne migráciu.

Riziká

Pred nasadením agenta zvážte tieto nevýhody:

• Nepredvídateľnosť: Presné poradie krokov nedokážete zaručiť. Dve rovnaké požiadavky môže agent vybaviť rôzne.
• Náklady: Agenti robia viac API volaní, minú viac tokenov aj výpočtového výkonu. Jeden beh agenta môže pokojne stáť 10- až 100-krát viac než jeden jednoduchý krok v AI workflowe.
• Debugovanie: Keď sa niečo pokazí, dohľadať, ako sa agent rozhodoval, je ťažšie ako debugovať workflow.
• Dôvera: Ak dáte agentovi prístup k reálnym systémom (databázam, platobným bránam, e-mailu), potrebujete pevné mantinely. Zlé rozhodnutie agenta môže mať skutočné následky.
• Latencia: Agenti sú pomalší. Uvažujú, plánujú, skúšajú znova. Úloha, ktorú workflow zvládne za 2 sekundy, môže agentovi trvať 30 sekúnd alebo aj dlhšie.

Kedy dávajú agenti zmysel

Agentov použite, keď:

• úloha má takú hodnotu, že sa oplatia náklady aj zložitosť
• úlohu sa naozaj nedá rozložiť na pevný sled krokov
• máte nastavené jasné obmedzenia a pravidlá schvaľovania a monitoring
• istá miera nepredvídateľnosti vám nevadí
• inak by tú istú prácu robil človek a strávil by na nej veľa času

Nepoužívajte agentov tam, kde by stačil workflow alebo AI workflow. Prekomplikovaná automatizácia je reálny problém.

Ako tieto tri vrstvy fungujú spolu

V praxi väčšina firiem skombinuje všetky tri.

Firma ich môže kombinovať napríklad takto:

Úroveň 1: tradičné workflowy. Robia väčšinu práce: smerovanie, notifikácie, plánovanie, synchronizáciu dát, jednoduché schvaľovanie.

Úroveň 2: AI workflowy. Riešia úlohy, pri ktorých treba porozumieť obsahu: spracovanie dokumentov, klasifikáciu, extrakciu, zhrnutia. Výsledok vrátia späť do workflowu.

Úroveň 3: AI agenti. Berú si zložité, premenlivé úlohy, pri ktorých treba uvažovať: prieskum, analýzy vo viacerých krokoch, riešenie incidentov, rozhodovanie, ktoré sa prispôsobuje situácii. Použite ich tam, kde pevný postup nestačí.

Konkrétny príklad, kde fungujú všetky tri spolu

Predstavte si zákaznícky servis:

1. Tradičný workflow: Zákazník pošle tiket. Workflow ho zaeviduje, pridelí mu číslo a pošle potvrdenie.

2. Krok AI workflowu: AI model tiket prečíta a zaradí ho: fakturácia, technický problém alebo všeobecný dopyt. Workflow ho podľa toho pošle správnemu tímu.

3. Krok AI workflowu: Z tiketov o fakturácii AI model vytiahne hlavné údaje: číslo účtu, spornú sumu, obdobie.

4. Tradičný workflow: Porovná vytiahnuté údaje s fakturačným systémom. Ak ide len o jednoduchý preplatok do 50 $, systém automaticky vráti peniaze a dá zákazníkovi vedieť.

5. AI agent: Zložité spory o fakturáciu (viacnásobné platby, nezhody o zmluve, eskalácie od nespokojných zákazníkov) preberá agent. Prejde celú históriu účtu, skontroluje zmluvné podmienky a pozrie sa na predchádzajúcu komunikáciu. Potom pripraví návrh riešenia, ktorý posúdi človek.

Ako sa rozhodnúť

Keď sa rozhodujete, ktorý prístup použiť, položte si tieto otázky:

Viem vopred určiť každý krok? Áno → tradičný workflow.

Sú vstupy štruktúrované a predvídateľné? Áno → tradičný workflow.

Potrebujem spracovať neštruktúrované dáta (text, obrázky, zvuk), ale zvyšok procesu je predvídateľný? Áno → AI workflow.

Potrebuje úloha jeden „múdry“ krok (zaradiť, vytiahnuť údaje, zhrnúť) v inak pevne danom procese? Áno → AI workflow.

Vyžaduje úloha viac krokov uvažovania, pri ktorých ďalší krok závisí od toho, čo systém zistí? Áno → zvážte AI agenta.

Je úloha taká hodnotná, že sa oplatia náklady a zložitosť agenta? Áno → AI agent s jasnými obmedzeniami a pravidlami schvaľovania. Nie → rozdeľte ju na menšie časti a použite workflowy alebo AI workflowy.

Časté chyby

1. Agent tam, kde by stačil workflow

Ak poznáte kroky vopred, môže stačiť tradičný workflow alebo workflow s AI. Agent pri pevnom postupe zvyšuje náklady a zložitosť bez jasného prínosu.

2. Preskočenie vrstvy AI workflowov

Niektoré firmy skočia z „nemáme žiadnu automatizáciu“ rovno na „chceme AI agentov“. Celú strednú vrstvu preskočia. Výsledkom je zvyčajne predimenzovaný a drahý systém na úlohy, ktoré by vyriešil jednoduchý workflow s jedným AI krokom.

3. Agenti bez mantinelov

Agenti bez mantinelov sú nebezpeční. Ak má váš agent prístup k produkčnej databáze, e-mailovému systému a platobnej bráne, musíte mu jasne vymedziť hranice: čo smie, čo nesmie a kedy musí prípad odovzdať človeku.

4. Zamieňanie AI workflowov s agentmi

AI workflow, ktorý zaraďuje e-maily, nie je agent. Je to workflow s AI krokom. Ten rozdiel je dôležitý, lebo workflowy sú predvídateľné a agenti nie. Ak postavíte niečo, čo je v skutočnosti workflow, a nazvete to agentom, budíte nesprávne očakávania.

5. Automatizácia skôr, než procesu rozumiete

Toto platí pre všetky tri vrstvy. Ak proces nepoznáte natoľko, aby ste ho vedeli jasne vysvetliť, nie ste pripravení ho automatizovať. Najprv proces zmapujte. Až potom sa rozhodnite, ktorá vrstva sa naň hodí.

Kde začať

Ak s automatizáciou len začínate:

1. Začnite tradičnými workflowmi. Najprv zautomatizujte to, čo sa opakuje a je predvídateľné. Za najmenšiu námahu tak dostanete najväčší úžitok.

2. Kde sú vstupy neusporiadané, pridajte kroky s AI. Ak niektorý krok procesu vyžaduje čítanie neštruktúrovaných dát, zverte ho AI modelu. Všetko ostatné nechajte ako workflow.

3. Agentov stavajte len na úlohy, ktoré ich naozaj potrebujú. Teda na zložité viackrokové úlohy, ktoré si vyžadujú veľa uvažovania a pri ktorých cestu vopred nepoznáte. Aj vtedy začnite s úzkym rozsahom a rozširujte ho postupne.

Vyberte najjednoduchší postup, ktorý úlohu spoľahlivo zvládne.