U agentních aplikací záleží na zvoleném modelu i prostředí, do kterého je zapojený. Stejný model může s jinými podklady, nástroji a nastavením dosáhnout jiného výsledku. Té okolní vrstvě se říká harness. Podívejme se na její principy a na otázky, které má firma položit před připojením svých dat.
Model zpracovává vstupy podle svých podporovaných modalit; nemusí jít jen o text. Agentní aplikace zapojuje model do cyklu pozorování, volby kroku, použití nástroje a kontroly výsledku. Harness tento běh organizuje: spravuje kontext, nástroje, oprávnění a podmínky ukončení. Kvalitu ovlivňuje celá konfigurace. Pro firmu je rozumné začít konkrétním procesem, daty a měřitelným výsledkem.
Model vs. agent: rozdíl je ve smyčce
Model vytváří výstup na základě vstupu a kontextu. Aplikace mu může vracet výsledky nástrojů a umožnit další krok. I chat v prohlížeči může vyhledávat, pracovat se soubory nebo používat nástroje; umístění rozhraní samo nerozlišuje chat a agenta.
Agent je model zapojený do smyčky, kterou lze popsat čtyřmi kroky:
- Pozorovat. Načíst, jak vypadá svět: obsah souborů, výstup příkazu, odpověď API, stránku v prohlížeči.
- Rozhodnout. Na základě pozorování a cíle vybrat další krok.
- Použít nástroj. Ne „napsat, co by se mělo udělat“, ale udělat to, přečíst soubor, upravit ho, spustit test, zavolat službu.
- Ověřit. Podívat se na výsledek. Prošel test? Vrátilo API chybu? A podle toho pokračovat, opravit, nebo skončit.
Takový cyklus popisuje způsob práce; sám neprokazuje, že agent výsledek skutečně ověřil. Rozhodující je dostupná evidence a podmínky ukončení, například splněný test, vyčerpání rozpočtu nebo předání člověku.
Zkuste si to představit na zpracování zákaznického dotazu. Agent nejdřív přečte zprávu, zjistí, jaké podklady mu chybí, načte je povoleným nástrojem a zkontroluje, zda z nich odpověď skutečně vyplývá. Výsledek jednoho kroku určuje ten další.
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. Kontext úlohy, poznámky a historie rozhodnutí mohou pomoci navázat na práci. U každého záznamu řešte původ, aktualizaci a dobu uchování; chybný záznam může ovlivnit další kroky.
- Kontroly. Testy, revize a schválení ověřují konkrétní výsledek. Sebejisté znění odpovědi není důkaz správnosti, ale model může také vyjádřit nejistotu nebo odmítnout pokračovat.
- 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.
Claude Code a Codex spojují modely s nástroji a řízením běhu. Anthropic i OpenAI zároveň vyvíjejí vlastní modely; nelze tvrdit, že jejich práce spočívá pouze v harnessu.
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 bez připojených nástrojů: pracuje s dostupným kontextem; výsledek ověřuje uživatel. Jiné chatové režimy už nástroje mít mohou.
- 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.
Výsledek může změnit model, jeho nastavení i harness. Jejich přínos porovnejte na stejné sadě úloh, včetně správnosti, času kontroly a ceny. Nemáme podklad pro univerzální tvrzení, že investice do harnessu přinese víc než nový model. Konkrétní postup popisuji v návodu na vývoj 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. Zaznamenávejte potřebné události, oprávnění, změny a chyby. Omezte osobní údaje, tajné hodnoty, přístup i dobu uchování. Úplná kopie všeho, co agent přečetl, není automaticky vhodný auditní záznam ani důkaz souladu.
Vstupy jako data, ne jako příkazy. E-mail či stránka může obsahovat podvržené instrukce. Oddělení nedůvěryhodného obsahu, omezená oprávnění, validace nástrojů a schvalování snižují riziko prompt injection. Žádný samotný prompt ani harness nezaručuje jeho odstranění.
Praktický rozdíl uvidíte u e-mailu: asistent může mít přístup k podkladům a vytvářet koncepty, ale oprávnění k odeslání dostane až po kontrole člověkem. Samotná věta „nikdy nic neposílej“ není náhradou za tuto hranici v nástroji.
Co si z toho má vzít firma
Tři věci, které říkám na každém školení:
1. Nejdřív popište proces. Co má nastat po přijetí poptávky, jaká data chybějí, kdo rozhoduje a podle čeho poznáte chybu? Pak porovnejte jednoduché pravidlo, běžnou automatizaci a agenta. První pilot nemusí začínat vývojem vlastního systému.
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. Posuzujte celé řešení. Vedle kvality modelu sledujte oprávnění, protokoly, ověření, náklady a možnost změnit dodavatele. Model i harness se mohou měnit; přenositelnost ověřte předem.
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 zpracovává podporované vstupy; agentní aplikace může opakovaně používat nástroje a jejich výsledky.
- Harness = pravidla, nástroje, paměť, kontroly, oprávnění. Právě on dělá z modelu použitelného pracovníka.
- Výsledek ovlivňuje model, kontext, nastavení i harness. Přínos změny měřte na stejných úlohách.
- 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; pak porovnání celého řešení podle kvality, nákladů a rizika.
Nejčastější otázky
Je AI agent chytřejší než ChatGPT?
Ne nutně. Agent označuje způsob zapojení modelu a nástrojů, nikoli stupeň inteligence. Také ChatGPT může mít agentní funkce. Porovnávejte konkrétní modely, režimy, oprávnění a výsledky.
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
- Anthropic: Building effective agents, rozlišení workflow a agentů a ověřování podle výsledků
- OpenAI Codex CLI, lokální kódovací agent od OpenAI