Viac podkladov nepomôže. AI potrebuje postup, prístupy, knižnicu a skúsenosť.

Prvá reakcia pri AI býva dať jej všetko: manuály, tabuľky, históriu klientov. A potom sa čudovať, že blúdi. Sú štyri rôzne spôsoby, ako AI dostane vedomosti o vašej firme, a každý rieši iný problém.

Kopa podkladov robí z AI zmäteného nováčika.

Model AI vie veľa o svete, ale nič o vašej firme. Nevie, ako vybavujete reklamácie, kde máte objednávky ani čo sa stalo naposledy, keď sa klient sťažoval. Tieto vedomosti mu musíte dodať.

Najjednoduchšie sa zdá všetko nakopírovať do okna a nechať AI, aby si poradila. Často to však nefunguje: AI sa v tom stratí, zablúdi do slepých uličiek alebo odpovie všeobecne, nie podľa toho, ako to funguje u vás.

Prejdeme ich na jednom príklade. Zákazník e-⁠shopu píše, že mu prišiel poškodený tovar a chce peniaze späť.

Skill je návod na jeden typ úlohy. Opisuje kroky aj rozhodovanie: kedy postupovať ďalej a kedy úlohu odovzdať človeku. AI ho načíta len vtedy, keď úloha naozaj príde, takže jej zbytočne nezaberá pozornosť.

Bez skillu by AI tento postup nepoznala. Nie je v žiadnych dátach, na ktorých sa učila. Je len vo vašej firme. Skill síce AI povie „skontroluj objednávku“, do systému objednávok sa však sám nedostane.

MCP (Model Context Protocol) je spoločný spôsob, akým sa AI pripája k nástrojom. Každý systém dostane svoj MCP server, ktorý vie, ako sa s ním rozprávať, a ponúkne to AI ako akciu, ktorú môže zavolať.

MCP predstavila spoločnosť Anthropic v novembri 2024 ako otvorený štandard. Dnes ho podporujú aj OpenAI, Google a Microsoft a od decembra 2025 ho spravuje nadácia Agentic AI Foundation pod Linux Foundation. Jedno napojenie tak funguje s viacerými AI nástrojmi.

MCP server môže AI ponúknuť tri veci: nástroje, teda akcie ako nájsť objednávku alebo založiť ticket, zdroje, teda dáta na čítanie ako súbor alebo záznam, a pripravené pokyny, teda šablóny na časté úlohy.

Prečo nestačí obyčajné API? API má každý systém iné. Bez MCP treba pre každú dvojicu AI nástroja a systému postaviť samostatné napojenie. S MCP sa systém napojí raz a použije ho každý AI nástroj, ktorý MCP podporuje. Pre firmu to znamená menej vlastného kódu a jednoduchšiu výmenu modelu.

Rovnako dôležité je, čo MCP server AI dovolí. Dobrý server ponúka len akcie, ktoré úloha potrebuje, a rešpektuje práva prihláseného človeka. Agent na reklamácie vidí objednávky a zásielky, nie mzdy. Viac o tom, ako sa systémy prepájajú cez API, nájdete v článku Vaše systémy sa vedia rozprávať.

Postup teda má a vidí aj dáta. Stále však nevie, aké pravidlá platia práve u vás.

RAG (vyhľadávanie v dokumentoch pred odpoveďou) znamená, že AI si z vašich dokumentov vytiahne len tú časť, ktorú práve potrebuje. Nenahadzujete jej všetko vopred. Dokumenty do knižnice niekto vložil zámerne: obchodné podmienky, cenník, interné pravidlá.

Ako to funguje. Dokumenty sa najprv rozdelia na menšie úseky, napríklad po odsekoch. Každý úsek sa prevedie na vektor: dlhý rad čísel, ktorý zachytáva význam textu. Texty s podobným významom majú podobné čísla. Vektory sa uložia do vektorovej databázy.

Keď príde otázka, prevedie sa na vektor rovnakým spôsobom. Databáza nájde úseky, ktorých význam je otázke najbližšie, aj keď v nich nie sú tie isté slová. „Poškodený tovar“ tak nájde aj odsek o „vadnom výrobku“. AI dostane len tieto úseky a odpovie podľa nich aj so zdrojom.

Čo sa používa dnes. Hľadanie podľa významu niekedy minie presné výrazy, napríklad číslo zmluvy alebo kód produktu. Preto sa kombinuje s hľadaním podľa slov, čomu sa hovorí hybridné vyhľadávanie. Nájdené úseky potom ďalší model zoradí podľa toho, ako dobre naozaj odpovedajú na otázku. Pri otázkach, ktoré spájajú veľa dokumentov, pomáha graf vzťahov medzi pojmami (GraphRAG). A v agentoch sa z RAG stáva nástroj: AI sama rozhodne, či a kde hľadať, a keď prvé výsledky nestačia, hľadá znova.

Kvalita RAG stojí na dokumentoch. Ak sú v knižnici dve verzie cenníka, AI môže citovať tú starú. Preto má každý dokument v knižnici vlastníka, ktorý ho udržiava aktuálny. Ako presne fungujú vektory a čo dnes funguje lepšie, rozoberáme v článku Vektorová databáza a RAG.

Pamäť sa podobá RAG, ale líši sa v jednom: odkiaľ vedomosť pochádza. Do knižnice dokumenty vkladá človek. Pamäť si AI vytvára sama z predchádzajúcich prípadov.

Krátkodobá a dlhodobá pamäť. Krátkodobá pamäť je to, čo AI drží počas jedného rozhovoru alebo úlohy. Po skončení zmizne. Dlhodobá pamäť sú poznámky, ktoré si AI uloží mimo rozhovoru a nabudúce si ich prečíta: čo zabralo, čo klient uprednostňuje, kde nastala chyba.

Uložiť sa dá rôzne: ako textové poznámky, záznamy v databáze alebo, podobne ako pri RAG, vo vektorovej databáze, aby AI podľa významu našla podobnú skúsenosť.

Riziko pamäte je, že si AI zapamätá aj chybu. Zlý záver z jedného prípadu sa potom opakuje v ďalších. Pamäť preto potrebuje pravidlá: čo si AI smie zapísať, kto zápisy kontroluje a opravuje a kedy sa stará poznámka zmaže. Pri údajoch o zákazníkoch platí aj GDPR.

Prakticky: začnite pamäťou, ktorú človek vidí. Napríklad súborom poznámok agenta, ktorý si raz týždenne niekto prečíta a opraví.

Rozcestník na jednu vetu

Všetko sa dá zhrnúť do jednoduchého pravidla:

Väčšina firiem potrebuje kombináciu, nie jedno z toho. Všetky štyri však naraz potrebovať nemusíte. Začína sa tým, čo najviac chýba v práci, ktorá sa opakuje najčastejšie.

Jaro Rais

Zakladateľ itashu. Stavia agentov a prepája AI so systémami firiem.