„6 fuckupů při stavbě AI agentů“

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 Utima.cz stavíme AI produkty pro klienty i pro sebe, a i když máme know-how i infrastrukturu, narazili jsme při vývoji agentů na víc slepých uliček, než bychom čekali.

Tady je výběr 6 problémů, které jsme potkali v praxi. Sdílíme 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:
Původní reranking stál v našem případě 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:
Poskytli jsme 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 nám 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 – klidně nám napište. Můžeme vám pomoct to postavit lépe. Nebo vám aspoň ušetříme pár tisíc tokenů navíc. 😅