AI agent dnes vypadá na první pohled jako jednoduchá věc — vezmeme GPT-4, postavíme pár promptů, přidáme UI, obalíme to jako SaaS a jedeme. Realita? Složitější. A dražší.
V projektech kde pomáhám firmám se zaváděním AI vidím opakovaně stejné slepé uličky. Ne proto, že by týmy nebyly schopné — ale protože některé problémy nejsou viditelné dokud do nich nevrazíte sami.
Tady je výběr šesti fuckupů které potkávám v praxi. Sdílím je proto, abyste se jim mohli vyhnout — nebo aspoň věděli, že v tom nejste sami.
1. Rozsah: AI není všelék
Problém: Při definici AI produktu je zásadní otázka: kdy AI vůbec dává smysl? A hlavně: dává smysl v tomto konkrétním kroku?
Příklad: Klient chce automatický nabídkovač na základě katalogových listů a vstupních poptávek. Nápad super. Ale AI bez validace si vymýšlí produkty, které klient vůbec nenabízí. Výsledkem je zmatek a ztráta důvěry.
Řešení: AI nestačí. Je třeba ji kombinovat s fulltextovým vyhledáváním, filtrací a validací na úrovni byznys logiky.
2. Kvalita: garbage in, garbage out
Problém: Když máte špatná nebo nekompletní data, žádný model vám nepomůže. Stejně tak pokud použijete otevřený model místo RAG, chybí system prompt, nebo je prompt příliš obecný či naopak přepromptovaný.
Řešení: Prompty nejsou hra. Jsou produktový artefakt. Testujte, logujte, verzujte. A nebo si nechte poradit od někoho, kdo už pár AI projektů rozchodil.
3. Náklady: AI není zdarma
Problém: Vysoká spotřeba tokenů, nárůst transakcí při větších datech, reranking výstupů, multimodální AI = náklady letí nahoru. A to dřív, než si toho všimnete.
Příklad: Reranking u jednoho projektu stál původně desítky tisíc měsíčně. S přechodem na jina.ai klesl náklad na stovky.
Řešení: Nechtějte nejchytřejší AI na světě. Cílem není wow efekt, ale nejlepší poměr cena/výkon.
4. Payments: kdo to má platit?
Problém: „Ať si každý zákazník nahraje svůj OpenAI klíč." Realita? UX fail. A naopak: budovat vlastní billing a měření tokenizace je drahé a náročné.
Příklad: Tokenizační model pro SaaS s 5 tarify, desítkami scénářů a různými modely = práce na týdny. A to jste ještě nezačali škálovat.
Řešení: Na MVP zapomeňte na detailní měření. Flat-rate model a usage monitoring bohatě stačí.
5. Měření: AI bez metrik je neviditelná
Problém: Zákazník často ani neví, co mu AI přinesla. Pokud mu to neukážete, nebude vědět, proč pokračovat.
Příklad: U jednoho projektu jsme dodali AI nástroj, ale bez vysvětlení přínosu ho klienti přestali používat. Ne proto, že by nefungoval — ale protože neměli kontext.
Řešení: Dejte zákazníkovi demo prostředí, pre/post metriky a jasné vyhodnocení přínosu. A začněte edukací.
6. Aktualizace a zastarávání: AI má krátký život
Problém: Modely se mění každé dva týdny. Výsledky, latence i náklady kolísají. Co fungovalo včera, může být dnes pomalé, drahé nebo zastaralé.
Příklad: Zvažovali jsme přechod z GPT-4o na GPT-5 pro konkrétní dataset. Výsledek? GPT-5 byl příliš pomalý. Gemini 2.5 flash nakonec dal lepší poměr kvalita/rychlost.
Řešení: Architektura musí být flexibilní. Sledujte novinky, testujte modely, měňte je dle potřeby. A počítejte s tím v roadmapě.
Závěrem
Největší problémy při stavbě AI agentů nevznikají v kódu. Vznikají při špatném návrhu produktu. Nedostatečné validaci vstupů. Přecenění AI modelů. Chybějícím měření. A nedostatku zdravého rozumu.
Pokud se těmto slepým uličkám chcete vyhnout — nebo jste se v některé poznali — rád to s vámi proberu. Nebo vám aspoň ušetřím pár tisíc tokenů navíc.
/ Pojmy v článku /
