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.
Většina těchto problémů nevzniká v kódu. Vzniká dřív, při byznys rozhodnutích o tom, co a jak vůbec dělat. Pro mapu těch rozhodnutí viz článek Jaká rozhodnutí vás obvykle čekají při zavedení AI.
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.
Většina těchto fuckupů se odehrává tehdy, když se firma rozhodne stavět vlastní řešení místo aby si pronajala hotové (nebo naopak). Kdy se která cesta vyplatí a co s tou rovnicí udělala AI rozebírám ve dvou navazujících dílech: článku Pronájem software vs. vlastní řešení na míru: co je lepší investice? (1. díl) a článku SaaS, nebo vlastní vývoj? Změna přes AI (2. díl).
/ Pojmy v článku /
