Tri základné piliere pre prevádzku agentnej AI vo veľkom meradle

Ak je agentná AI správne nasadená, môže sa stať motorom dlhodobej transformácie firmy, prinášať vyššie tržby, lepšiu zákaznícku skúsenosť (CX) a nižší odchod zákazníkov.

Výskum spoločnosti McKinsey zistil, že firmy využívajúce agentnú AI na poskytovanie personalizovaných zákazníckych interakcií naprieč viacerými kanálmi dosahujú o 15–20 % vyššiu spokojnosť zákazníkov a zároveň znižujú náklady na zákaznícku obsluhu o 20–30 %.

Popri týchto úspechoch však existuje aj druhá realita, ktorú potvrdzujú štatistiky a ktorú náš tím v Konecte pozoruje aj v oblasti zákazníckej skúsenosti (CX).

Údaje spoločnosti Deloitte ukazujú, že zatiaľ čo 38 % organizácií aktívne testuje agentnú AI, iba 11 % ju úspešne prevádzkuje v produkčnom prostredí. Podľa BCG získava 60 % firiem zo svojich investícií do AI len malú alebo žiadnu významnú obchodnú hodnotu. Prieskum McKinsey AI Trust Maturity Survey 2026 zistil, že iba približne 30 % organizácií dosiahlo vyspelú úroveň riadenia agentnej AI. Firmy, ktoré majú jasne určené vlastníctvo a zodpovednosť, pritom dosahujú výrazne vyššiu úroveň vyspelosti než tie, ktoré ich nemajú.

Jednoducho povedané: hoci ukážky dodávateľov a pilotné projekty často fungujú dobre, samotné nasadenie, prevádzka a škálovanie agentnej AI bývajú oveľa pomalšie, rizikovejšie alebo náročnejšie na meranie, než sa pôvodne očakávalo.

Nasadenie AI agenta do ostrej prevádzky je totiž iba začiatkom. Ďalší úspech do veľkej miery závisí od toho, ako dôsledne je agentná AI riadená po spustení. Práve to je výzva takzvanej prevádzky „Day 2“.

Dokážete presne vidieť, čo vaši AI agenti robia – teda zabezpečiť dostatočnú viditeľnosť a pozorovateľnosť? Rozumiete presne tomu, prečo to robia – teda viete ich rozhodovanie vysvetliť? A môžete si byť istí, že ich postup je správny a v súlade s pravidlami a predpismi?

Na základe skúseností spoločnosti Konecta, ktorá každý deň spracúva milióny zákazníckych interakcií podporovaných AI naprieč rôznymi odvetviami, uvádzame tri kľúčové faktory úspechu pre spoľahlivé riadenie agentnej AI už od prvého dňa.

Náklady na výpočtový výkon a ukladanie dát pre AI sa stávajú čoraz väčšou témou. Nepredvídateľné náklady na cloud môžu veľmi rýchlo oslabiť dôveru vedenia v celý AI program. Nedávna štúdia spoločnosti Vanson Bourne pre Tangoe zistila, že v dôsledku technológií súvisiacich s AI vzrástli cloudové náklady v priemere o 30 % a 72 % vedúcich pracovníkov uvádza, že výdavky na cloud sú čoraz ťažšie zvládnuteľné.

Nie každá úloha pritom potrebuje najdrahší dostupný model. V mnohých našich prípadoch použitia je rozdiel vo výkone medzi menším, lacnejším modelom a novším, drahším modelom iba 1–5 %. Zvýšenie nákladov o viac ako 200 % kvôli päťpercentnému zlepšeniu kvality sa väčšinou neoplatí. Existujú, samozrejme, situácie, keď je potrebné použiť najvýkonnejší model, no ide len o veľmi malú časť prípadov.

Bez spoločného prehľadu o nákladoch a kvalite organizáciám hrozí, že budú zbytočne míňať alebo naopak prehliadnu príležitosť, keď by malé zvýšenie rozpočtu mohlo výrazne zlepšiť kvalitu. Súčasťou riešenia sú FinOps dashboardy, ktoré v reálnom čase sledujú presnú spotrebu tokenov a výpočtové náklady jednotlivých modelov. Skutočná hodnota však vzniká až vtedy, keď sa tieto údaje prepoja aj so sledovaním kvality odpovedí.

Takáto úroveň prehľadu umožňuje dynamicky smerovať jednotlivé úlohy na model, ktorý pre danú úlohu ponúka najlepší pomer ceny a výkonu, a predchádzať tak prekročeniu rozpočtu ešte skôr, než k nemu dôjde.

Problém „čiernej skrinky“ pri AI naďalej pretrváva. Tradičný monitoring bol navrhnutý najmä na sledovanie technického stavu IT platforiem – napríklad latencie, rýchlosti, priepustnosti alebo odolnosti systému. AI agent pritom môže podľa týchto ukazovateľov fungovať bez problémov a zároveň zákazníkom sebavedomo poskytovať úplne nesprávne odpovede. Pozorovateľnosť agentnej platformy preto musí fungovať na úplne inej úrovni a využívať dáta, ktoré z agentnej AI spravia systém, ktorý možno priebežne sledovať a zlepšovať v reálnom čase.

Organizácie môžu mať obavy aj z uzavretých AI modelov dodávateľov, ktorých rozhodovanie nie je možné dostatočne vysvetliť. Tieto modely sa niekedy môžu správať nepredvídateľne alebo nevhodne, napríklad v dôsledku aktualizácií modelu alebo charakteru tréningových dát. Zároveň sa výrazne vyvíja aj oblasť pravidiel a regulácie, ktoré musia organizácie dodržiavať. Patria sem napríklad poradný orgán OSN pre AI, americké exekutívne nariadenie týkajúce sa AI a európsky AI Act.

Preto by malo byť možné každé rozhodnutie AI spätne dohľadať, zaznamenať a plne auditovať. Oplatí sa sledovať napríklad:

• Účinnosť promptov. Aj malá zmena formulácie môže výrazne ovplyvniť výsledok. Prompt, ktorý dobre funguje pri jednom modeli, môže pri inom dosahovať výrazne horšie výsledky.
• Presnosť a oporu v zdrojoch. Zodpovedá odpoveď skutočnosti a dokáže AI agent uviesť, z čoho pri svojej odpovedi vychádzal?
• Halucinácie. AI agent, ktorý sebavedomo poskytuje nezmyselné alebo nepravdivé informácie, môže rýchlo stratiť dôveru používateľov a spôsobiť firme vážne problémy s kvalitou aj reputáciou.

Výskum ukazuje, že napriek rastúcej dôvere zákazníkov v AI v zákazníckom servise považuje drvivá väčšina z nich (87 %) za nevyhnutné mať v prípade potreby možnosť hovoriť s ľudským operátorom.

Riešením je postaviť AI do úlohy skutočného kopilota pre tímy v prvej línii. Rutinné požiadavky možno plne automatizovať. Pri zložitejších prípadoch môže AI prevziať veľkú časť práce, napríklad zhrnúť potrebný kontext alebo pripraviť návrh odpovede, no finálne odoslanie by mal mať vždy pod kontrolou človek.

Ľudskú úlohu možno vnímať ako „kotvu dôvery“ – človek nastavuje hranice, rieši výnimky a dohliada na to, aby sa AI správala spôsobom, na ktorý sa môžu spoľahnúť zákazníci aj regulačné orgány. Hodnota ľudí spočíva v ich úsudku, empatii a schopnosti zasiahnuť presne tam, kde automatizácia naráža na svoje limity.

Ak je tento priebežný proces učenia správne nastavený, môže postupne zvyšovať mieru automatizácie a zároveň automaticky presmerovať emočne citlivé alebo zložité prípady späť na špecializovaných ľudských operátorov.

Rozdiel medzi pilotnou fázou a produkčnou prevádzkou v skutočnosti spočíva najmä v prevádzkovej disciplíne. Organizácie, ktoré začnú riešiť prevádzku „Day 2“ až dodatočne, budú pilotné projekty spúšťať stále dookola. Tie, ktoré už od prvého dňa začlenia do bezpečnej agentnej AI pripravenej na firemné použitie pozorovateľnosť, riadenie a ľudský dohľad, majú väčšiu šancu dostať sa medzi 11 % organizácií, ktoré už AI úspešne prevádzkujú v produkcii, a udržať sa tam.

Skutočnou víziou agentnej AI je samooptimalizujúci sa systém – spätnoväzbová slučka, v ktorej každá vyriešená, eskalovaná alebo upravená interakcia zlepšuje tú nasledujúcu. Kvalitné dáta o tom, čo funguje, spojené v jednom integrovanom pohľade, umožňujú, aby sa z dnešného efektívneho AI agenta stal zajtra ešte inteligentnejší. Výsledok sa napokon prejaví v tom najdôležitejšom ukazovateli – v spokojných zákazníkoch, z ktorých sa mnohí budú opakovane vracať.

Chcete ísť viac do hĺbky? Pozrite si náš trojkrokový sprievodca škálovaním agentnej AI v zákazníckej skúsenosti (CX).