TL;DR: AI agent je program, který za vás autonomně dokončí úkol, ne jen vrátí odpověď jako chatbot. Postavili jsme pět agentů, kteří běží denně, a každý z nich má jasné ROI. Dohromady ušetří našemu týmu okolo 22 hodin práce týdně, což odpovídá polovině úvazku juniora. Náklady na provoz: zhruba 2 800 Kč měsíčně za API. V článku detail každého agenta, technický stack, časté chyby při budování a roadmapa pro vlastní nasazení.
Co je AI agent a co není
AI agent není ChatGPT, kterému něco napíšete. Agent je workflow, který má vstup, několik kroků s rozhodováním a výstup, který se sám vykoná nebo uloží. Mezi kroky agent volá nástroje (databázi, API, e-mail, kalendář) a podle výsledku se rozhoduje, co dál.
Zjednodušený rozdíl: chatbot vám napíše text, agent ho rovnou pošle do správného kanálu, zkontroluje, jestli dorazil, a pokud ne, zkusí to znovu jinou cestou.
Tři úrovně agentů
- Reaktivní agent | reaguje na podnět (nový e-mail, nová poptávka) a provede jednoduchý sled kroků. Příklad: triage e-mailů.
- Plánovací agent | dostane cíl, sám si rozplánuje kroky a provede je. Příklad: generování týdenního reportu z více zdrojů.
- Autonomní agent | běží dlouhodobě, řeší opakované úkoly a učí se z výsledků. Příklad: optimalizace PPC kampaní, kterou pak kontroluje seniorní specialista.
Pět agentů, kteří u nás běží denně
1. Týdenní reporting klientovi | šetří 6 h týdně
Každé pondělí ráno agent stáhne data z Google Ads, Sklik, Meta Ads, Google Analytics 4 a Google Search Console pro 12 aktivních klientů. Porovná je proti minulému týdnu a minulému roku, vyhodnotí anomálie (pokles konverzí, růst CPA, propad organické), napíše dvoustránkové shrnutí v češtině a pošle ho klientovi i nám.
Předtím to dělal account manager půl dne v pondělí. Dnes mu zbývá kontrola a komentář ke zjištěným anomáliím. Stack: n8n + Claude API + Google Sheets jako cache.
Technický detail: agent má napevno zapsaný seznam klientů i přístupy k jejich účtům (zašifrované v n8n). Pro každého klienta zavolá 5 API naráz, výsledky uloží do Sheets a z nich Claude napíše souvislý report s hlavními zjištěními. Poslední krok je člověk: account manager dostane e-mail s návrhem a teprve on ho pustí ke klientovi.
2. Generování PPC kreativ z produktového katalogu | šetří 4 h týdně
E-shop má 1 800 produktů. Z toho se každý měsíc obměňuje 200 položek. Pro každou je třeba mít 8 variant inzerátu (4 textové, 4 obrázkové) v Performance Max. Agent přečte feed, vybere 200 nových produktů, vygeneruje pro každý 8 variant textu (s rozumnými claimy podle kategorie), poskládá obrázek s názvem produktu a cenou, a nahraje to do Google Ads přes API.
Mediální specialista jen schvaluje, neprodukuje. Stack: Make + GPT-4 + Bannerbear + Google Ads API.
Kontrola kvality: agent vygeneruje 8 variant, člověk z nich schválí finální 4. Schválené se nahrají do Google Ads samy, neschválené se zapíšou a slouží k doladění agenta.
3. Triage e-mailových dotazů | šetří 5 h týdně
Do agenturního e-mailu chodí denně 30 až 60 zpráv. Část jsou poptávky, část fakturační, část technické dotazy klientů, část spam. Agent rozliší typ, přiřadí prioritu, identifikuje, ke kterému projektu se zpráva váže, a založí lístek v Notion s předvyplněnými údaji. Zprávy s nízkou prioritou odpoví automaticky šablonou, kterou ještě někdo z týmu potvrdí.
Office manager teď řeší jen zprávy, kde agent nemá dost kontextu. Stack: Postmark inbound + Claude API + Notion API.
Práh jistoty: agent u každé zprávy uvádí, jak si je zařazením jistý. Pod 70 % ji dostane člověk, nad 70 % ji vyřídí sám. Práh ladíme čtvrtletně podle toho, kolik zpráv zařadil špatně.
4. Sledování zmínek o klientech a konkurenci | šetří 3 h týdně
Pro každého klienta sledujeme zmínky brandu a tří hlavních konkurentů na webu, v sociálních sítích a na zpravodajských serverech. Agent jednou denně stáhne nové zmínky z Google Alerts API, Mention.com a vlastního web crawleru, vyhodnotí sentiment (pozitivní, neutrální, negativní), uloží do databáze a pokud je zmínka kritická nebo příležitost, pošle Slack notifikaci.
Předtím to dělal stážista. Dnes stačí finální týdenní přehled. Stack: vlastní Python skript + Claude API + Slack.
Vyhodnocení nálady: model čte zmínku v kontextu, tedy odliší pochvalu a kritiku od neutrální informace. V testech na českých textech zařadil správně 87 % zmínek, což odpovídá průměru pro tento typ úlohy.
5. Optimalizace meta titulků pro 200 podstránek | šetří 4 h týdně
E-shop s 200 kategoriemi má v každé kategorii průměrně 15 produktů. Meta titulky se obměňují podle sezóny, dostupnosti a trendů. Agent jednou týdně analyzuje, jaké dotazy přivádějí návštěvy z Google Search Console, porovná to s aktuálními meta titulky, a navrhne 5 lepších variant pro každou kategorii. SEO specialista pak vybere.
Předtím SEO specialista zvládl ručně 30 kategorií týdně. Stack: Google Search Console API + Claude API + admin panel klienta.
A/B test: agent navrhne titulek, člověk ho schválí a systém ho nasadí na polovinu návštěvnosti. Druhá polovina zůstane na starém titulku. Po 7 dnech vyhrává ten s vyšší mírou prokliku.
Co jsme se naučili
Náklady na API jsou marginální oproti šetřené práci
Pět agentů dohromady spotřebuje zhruba 2 800 Kč měsíčně za API (Claude + GPT + ostatní). Šetří 22 hodin týdně, což při sazbě 800 Kč za hodinu je 70 400 Kč měsíčně. ROI 25:1. Pokud agent nešetří aspoň pětinásobek nákladů, většinou se nevyplatí stavět.
Konkrétní rozpis nákladů:
- Claude API (reporting + triage + sentiment): 1 200 Kč/měsíc
- GPT-4 API (kreativy + meta titulky): 600 Kč/měsíc
- Bannerbear (image generation): 400 Kč/měsíc
- Make Pro (workflow execution): 290 Kč/měsíc
- n8n self-hosted (VPS): 200 Kč/měsíc
- Notion API + Slack API + ostatní: 110 Kč/měsíc
Kontrola člověkem je nutnost, ne nadstavba
Žádný z našich agentů neposlal nic klientovi sám. Pět z pěti má krok "kontrola člověkem" před finální akcí. Důvod: chyba v generovaném textu se klientovi špatně vysvětluje a stojí důvěru. 30 vteřin kontroly nás stojí podstatně méně než reklamace.
Výjimky, kde kontrolu člověkem přeskakujeme: interní akce (zápis do logu, monitoring), automatické odpovědi se schválenou šablonou a kroky, které jdou kdykoli vrátit zpět (koncept bez publikování).
Začínejte od jednoho workflow, ne od platformy
Nejhorší chyba je rozhodnout se "postavíme si AI platformu". Funguje opačný postup. Najděte jednu úlohu, která vám žere čas (např. reporting v pondělí), postavte agenta jen na ni a laďte ho šest týdnů. Až funguje, jděte na další.
Kdo začíná platformou, obvykle stráví 3 měsíce stavbou abstraktní infrastruktury a nula času skutečnými úkoly. Výsledek se nedostaví a projekt umře.
Náklady na údržbu jsou reálné
Agent není "postav a zapomeň". API se mění, ceny se mění, prompty se musí ladit, nové use cases přibývají. Počítejte s 2 až 4 hodinami údržby měsíčně na jednoho agenta. Při pěti agentech to je 10 až 20 hodin měsíčně, tedy zhruba pětina úvazku.
Verzování: každou změnu promptu nebo workflow ukládáme do gitu. Když se něco zhorší, vrátíme předchozí verzi.
Konkrétní stack, který používáme
- n8n self-hosted | hlavní orchestrace workflow. Self-hosted na Hetzner VPS (200 Kč/měsíc).
- Make Pro | pro klienty, kteří nechtějí provozovat vlastní server. Cena 290 Kč/měsíc.
- Claude API (Anthropic) | pro text generation, reporting, sentiment. Default volba.
- GPT-4 / GPT-5 (OpenAI) | na strukturovaný výstup, volání funkcí a kreativy.
- Bannerbear | image generation pro PPC kreativy.
- Notion API | databáze pro tickets, projects, klienty.
- Slack API | notifikace a triage.
- Supabase | trvalé úložiště pro stav agentů.
- Sentry | monitoring chyb agentů.
Kde to nedělat
AI agent se nevyplatí, pokud:
- Úloha probíhá méně než třikrát týdně
- Vstupní data jsou v 20 různých formátech a každý měsíc se mění struktura
- Výstup vyžaduje empatii (např. odpovědi na osobní stížnosti)
- Existuje regulatorní riziko (právní rady, lékařské doporučení)
- Klient explicitně očekává lidský kontakt (premium B2B vztahy)
- Náklady na chybu jsou vysoké (finance, zdraví, právo)
Plán nasazení vlastního agenta
Týden 1 | inventura úkolů
Týden si zapisujte, co děláte rukama každý den. Po týdnu vyberte 3 nejčastější úkoly. Tam je nejvyšší ROI.
Týden 2 | první workflow
Začněte v Make nebo n8n s nejjednodušším workflow z vašeho seznamu. Nepokoušejte se hned o komplikované automatizace. Cílem prvního workflow je naučit se nástroj.
Týden 3 až 4 | iterace
Postavte 2 až 3 další workflow podle priority. Sledujte, kolik času vám reálně šetří. Měřte před a po.
Týden 5+ | škálujte
Když máte pět a víc workflow, začne být znát režie údržby. Investujte do dokumentace, ošetření chyb a monitoringu. Teprve teď má smysl uvažovat o vlastní platformě.
Časté otázky
Potřebuju developera pro AI agenty?
Pro jednoduché workflow ne, Make i n8n se ovládají myší bez programování. Pro složitější s vlastní logikou ano. Hranice bývá kolem pěti kroků ve workflow nebo potřeba vlastního API.
Jak dlouho trvá vidět ROI?
Pro úlohy nad 3 hodiny týdně už po 2 týdnech. Pro úlohy 1 až 2 hodiny týdně typicky 6 až 8 týdnů.
Co když agent udělá chybu?
Logování, monitoring a kontrola člověkem. Každá akce musí jít vrátit zpět. Pokud agent něco pokazí, musíte to umět vrátit zpět rychle.
Můžu používat AI agenty pro citlivá data (GDPR)?
Ano, ale s opatřeními. Vlastní server (n8n), anonymizace dat před odesláním do jazykového modelu a smlouvy o zpracování s dodavateli (Anthropic i OpenAI je pro firemní zákazníky nabízejí).
Jaký je rozdíl mezi AI agentem a automatizací?
Klasická automatizace jede podle pevných pravidel. AI agent má v sobě jazykový model, který rozhoduje. Agent je pružný, automatizace svázaná.
Kolik stojí postavit vlastního AI agenta?
Vlastními silami (interní vývojář): 8 až 20 hodin práce na jednoho agenta, tedy 8 000 až 30 000 Kč. S dodavatelem: 40 000 až 150 000 Kč podle složitosti. Plus měsíční provoz 500 až 3 000 Kč.
Závěr
AI agenti jsou v roce 2026 to, čím byly e-mailové sekvence v roce 2015. Nový základ produktivity, ze kterého se rok od roku stává standard. Otázka už není, jestli je nasadit, ale který workflow je první. Začněte tam, kde vás dnes nejvíc bolí ruční práce. Šest týdnů a uvidíte ROI. Pokud ne, workflow přepracujte nebo si vyberte jiný úkol.
