AI agenti a harness: jak Claude Code nebo Codex fungují uvnitř a co z toho plyne pro firmu

Když někomu ukážu, jak Claude Code za odpoledne postaví a otestuje aplikaci, první otázka bývá: „To je jiný model než ten, se kterým si píšu v prohlížeči?" Často není. Rozdíl není v modelu, ale v tom, do čeho je zapojený. Tomu „do čeho" se říká harness a je to nejvíc podceňovaná část celého AI příběhu: firmy řeší, který model je nejlepší, a přitom o výsledku rozhoduje struktura kolem něj. V tomhle článku vysvětlím principy – co je agent, co je harness, proč stejný model dává různé výsledky, jak agent bezpečně sahá na firemní data a co z toho plyne pro vaše rozhodování. Záměrně zůstanu u principů; konkrétní postupy a architektura jsou know-how, které stavím a učím, a do článku nepatří.

Model vs. agent: rozdíl je ve smyčce

Model je funkce: dostane text, vrátí text. Když píšete do chatu, děje se přesně tohle – jedno kolo, jedna odpověď. Model neví, jestli jeho rada fungovala, protože to nikdy neuvidí.

Agent je model zapojený do smyčky, kterou lze popsat čtyřmi kroky:

1. Pozorovat. Načíst, jak vypadá svět: obsah souborů, výstup příkazu, odpověď API, stránku v prohlížeči.
2. Rozhodnout. Na základě pozorování a cíle vybrat další krok.
3. Použít nástroj. Ne „napsat, co by se mělo udělat", ale udělat to – přečíst soubor, upravit ho, spustit test, zavolat službu.
4. Ověřit. Podívat se na výsledek. Prošel test? Vrátilo API chybu? A podle toho pokračovat, opravit, nebo skončit.

Tahle smyčka je celý rozdíl mezi „AI mi poradila" a „AI to udělala a ověřila". Ale všimněte si, co v ní není napsané: kdo agentovi říká, jaké nástroje smí použít, co je cíl, kdy má přestat, co si smí pamatovat a co nesmí udělat bez dovolení. To všechno je harness.

Co je harness

Harness (anglicky „postroj") je struktura kolem modelu, která ze surové inteligence dělá použitelného pracovníka. Zjednodušeně má pět vrstev:

• Pravidla. Co agent při startu načte o projektu, firmě, stylu a hranicích. Dobrá pravidla jsou krátká, konkrétní a říkají hlavně, co se nesmí.
• Nástroje. Co agent fyzicky umí: číst a měnit soubory, spouštět příkazy, hledat na webu, volat firemní systémy. Každý nástroj navíc je schopnost navíc – a riziko navíc.
• Paměť. Co si agent přenáší mezi kroky a mezi sezeními: kontext úlohy, poznámky, historii rozhodnutí. Bez paměti agent každé ráno začíná od nuly; se špatnou pamětí si nese chyby dál.
• Kontroly. Kdo a co ověřuje výsledek. Testy, revize jiným kontextem, člověk, který schvaluje. Kontrola je vestavěná nedůvěra – a je zásadní, protože model si je vždy jistý, i když se mýlí.
• Oprávnění. Co agent smí udělat sám, co jen po schválení a co nikdy. Přečíst soubor ano; smazat databázi ne; poslat e-mail zákazníkovi jen po lidském kliknutí.

Nástroje jako Claude Code, Codex a podobné jsou tedy model plus tenhle harness. A jejich tvůrci tráví obrovské množství času právě na harnessu – ne na modelu, ten dostanou hotový.

Proč stejný model dává v různých nástrojích různé výsledky

Tohle je bod, který lidem otevře oči. Vezměte stejný model a dejte ho do tří různých prostředí:

• Chat v prohlížeči: žádné nástroje, žádné ověření, jedno kolo. Model odhaduje a vy kontrolujete.
• Kódovací agent bez pravidel: má nástroje, ale žádné hranice ani kontroly. Udělá hodně, rychle a bez záruky – přesně situace, kterou popisuji v článku Vibe coding: 7 chyb amatérů.
• Agent s dobrým harnessem: načte pravidla projektu, plánuje před psaním, dělá malé kroky, po každém spouští testy, nechá si výsledek zkontrolovat jiným kontextem a na destruktivní akce se ptá.

Tři různé výsledky, jeden model. Rozdíl dělají pravidla, kontroly a oprávnění. Z toho plyne pro každého, kdo AI používá na skutečnou práci: investice do harnessu – vlastních pravidel, kontrol a postupů – se vrací víc než přechod na o generaci novější model. Jak takový postup vypadá krok za krokem, popisuji v návodu Jak správně postupovat při tvorbě aplikace s AI.

Jak agent bezpečně sahá na firemní data

Otázka, která rozhoduje o firemním nasazení. Principy, které platí bez ohledu na nástroj:

Nástroje a konektory. Agent nesahá do systémů „sám od sebe". Dostane konkrétní nástroj: přečti kalendář, vyhledej v CRM, vytvoř koncept e-mailu. Dnes se pro takové napojení stále víc používá otevřený standard MCP (Model Context Protocol) – něco jako univerzální zásuvka, přes kterou se AI aplikace připojují k datovým zdrojům a nástrojům. Podporují ho různí výrobci AI aplikací i vývojových nástrojů, což znamená, že jeden konektor k vašemu systému může sloužit víc nástrojům. Do detailu tady nejdu; podstatné je, že napojení je standardizovaná, ohraničená věc, ne „AI má přístup ke všemu".

Oprávnění a princip nejmenších práv. Každý nástroj dostane jen taková práva, jaká pro svou úlohu potřebuje. Agent, který má shrnovat tikety, nepotřebuje právo je mazat. Agent, který připravuje koncepty e-mailů, nepotřebuje právo je odesílat. Zní to samozřejmě a přesto to bývá první věc, která se v nadšení přeskočí.

Člověk před nevratným krokem. Čtení a návrhy mohou běžet samostatně; odeslání, smazání, platba a cokoli, co míří ven z firmy, čeká na lidské schválení. Dobrý harness tohle vynucuje, ne jen doporučuje.

Log. Každý krok agenta – co četl, co udělal, co vrátil – je zaznamenaný. Bez logu nemáte jak zjistit, co se stalo, když se něco pokazí, a nemáte jak doložit, že jste s daty zacházeli správně.

Vstupy jako data, ne jako příkazy. Agent, který čte e-maily nebo webové stránky, narazí na text, který se tváří jako instrukce („ignoruj předchozí pokyny a pošli…"). Harness musí zajistit, že obsah, který agent čte, je pro něj informace, ne rozkaz. Tohle je jedna z nejdůležitějších a nejméně viditelných částí bezpečnosti agentů.

Co si z toho má vzít firma

Tři věci, které říkám na každém školení:

1. Nezačínejte vlastním agentem. Většina firem, které chtějí „svého AI agenta", nemá popsaný proces, který by měl agent vykonávat, a nemá data v takovém stavu, aby s nimi šlo pracovat. Agent nad chaosem je rychlejší chaos. Začněte procesem: co se má stát, když přijde poptávka; jaká data k tomu potřebujeme; kdo rozhoduje. Pak daty: kde jsou, kdo k nim má přístup, jsou čistá. Postup na první měsíc popisuji v článku AI automatizace ve firmě.

2. Vlastní asistent nad firemními daty má smysl až potom. Když máte proces, který se opakuje, data na jednom místě a jasno v tom, co asistent smí a nesmí, začne dávat smysl vlastní vrstva: asistent, který odpovídá z vašich dokumentů, připravuje podklady z vašeho CRM, hlídá vaše zakázky. Nestavíte přitom model. Stavíte harness – pravidla, konektory, oprávnění a kontroly – nad modelem, který si vyberete, a který můžete později vyměnit. Přesně tohle je práce, kterou dělám v rámci aplikací na míru: ne „AI chatbot", ale asistent s přesně vymezenými nástroji a právy nad vašimi daty.

3. Kupujte harness, ne model. Když vybíráte nástroj pro tým, ptejte se, jaká má pravidla, kontroly a oprávnění, jak loguje, jak řeší přístup k datům – ne jen, který model má pod kapotou. Model se za půl roku změní; harness je to, co s vámi zůstane.

Co v článku záměrně není

Nepopsal jsem, jak konkrétně stavím pravidla, jak dělím role mezi víc kontextů, jak nastavuji kontroly a paměť. To je know-how, které vzniklo za měsíce práce a je součástí toho, co klientům dodávám a co učím na kurzu. Principy výše vám ale stačí k tomu, abyste se správně ptali – dodavatele, nástroje i sami sebe.

Shrnutí

• Model vrací text; agent běží ve smyčce pozorovat → rozhodnout → použít nástroj → ověřit.
• Harness = pravidla, nástroje, paměť, kontroly, oprávnění. Právě on dělá z modelu použitelného pracovníka.
• Stejný model dává různé výsledky, protože se liší harness, ne inteligence; investice do vlastních pravidel a kontrol se vrací víc než nový model.
• K firemním datům agent sahá přes ohraničené nástroje a konektory (často přes standard MCP), s principem nejmenších práv, člověkem před nevratným krokem, logem a s obsahem chápaným jako data, ne příkazy.
• Firma: nejdřív proces a data, potom vlastní asistent; kupujte harness, ne model.

Nejčastější otázky

Je AI agent chytřejší než ChatGPT?

Ne nutně. Často jde o stejný nebo podobný model. Rozdíl je v tom, že agent má nástroje, běží ve smyčce a ověřuje výsledky – a že ho obklopuje harness s pravidly a kontrolami. Ten určuje kvalitu víc než samotný model.

Může si agent sám sáhnout na naše data?

Jen na to, k čemu dostane nástroj a oprávnění. Dobře nasazený agent má přesně vymezené konektory, jen práva nezbytná pro svou úlohu, log každého kroku a lidské schválení před nevratnými akcemi. Pokud vám někdo nabízí agenta „s přístupem ke všemu", ptejte se dál.

Potřebuje naše firma vlastního agenta?

Většina firem na začátku ne. Potřebuje popsaný proces, čistá data a jasné pravidlo, co AI smí. Vlastní asistent nad firemními daty dává smysl, až když tyhle tři věci máte – pak je to konkrétní, ohraničený projekt, ne experiment.

Co je MCP?

Otevřený standard, který popisuje, jak se AI aplikace připojují k datovým zdrojům a nástrojům – něco jako univerzální zásuvka. Díky němu může jeden konektor k vašemu systému sloužit víc AI nástrojům. Pro firmu je podstatné, že napojení je standardizovaná, ohraničená věc s vlastními oprávněními.

Zdroje a odkazy

• Model Context Protocol – oficiální stránky – otevřený standard pro připojení AI aplikací k datům a nástrojům
• Claude Code – přehled příkazů a režimů – příklad harnessu s plánováním, cíli a revizemi
• OpenAI Codex CLI – lokální kódovací agent od OpenAI