Jednoho dne nás oslovila firma, že by potřebovala napojit AI agenta na databázi jejich informačního systému — aby se zaměstnanci mohli na skladové položky ptát normální řečí, místo aby museli znát SQL nebo se prokousávat komplikovaným ERP rozhraním.
Věděl jsem, že je to s technologiemi od Microsoftu možné. První jednání vypadalo slibně, řešení zákazníka zaujalo. Jak šel čas, firma jako celek o projekt zájem ztratila — zůstal tu ale jeden člověk, nadšenec pro AI, který přesně věděl, co potřebuje. Znovu jsme se sešli, tentokrát na hodně technickém jednání, jehož výsledkem bylo pro firmu příjemné překvapení: jejich SQL databáze může zůstat na lokálním serveru a agent k ní může přistupovat přes on-premises data gateway.
Více o využití umělé inteligence ve firmách i naší nabídce školení, implementace a podpory najdete v přehledu AI řešení Adeonu.
Jakou technologii jsem zvolil
Už nějakou dobu se věnuji vývoji agentů v prostředí Microsoft Copilot Studio a Power Automate, a i tady jsem zůstal u stejné stavby: Copilot Studio, Power Automate, on-premises data gateway, Teams.
Agent je propojený se SQL databází skladových položek — na dotaz odpovídá na základě reálných dat z databáze, ne z vlastní hlavy.
Co agent umí
Jednu z největších výhod vidím v tom, že agent běží v obyčejných MS Teams — takže je k němu přístup i z mobilu, bez nutnosti instalovat cokoliv zvláštního.
Uživatel se ptá přirozeně — "najdi vrtačku", "položky v kategorii Nářadí pod minimální zásobou", "pošli mi kód POL-000123" — a dostane odpověď postavenou na reálných datech. Kdo preferuje přesnější zadání, může místo volného textu použít strukturovaný formulář s konkrétními filtry (kategorie, dodavatel, skladové množství, aktivní/vyřazené položky).
K nalezené položce si navíc může nechat poslat přiložený technický výkres nebo dokument přímo do e-mailu — stačí říct "pošli mi to". Agent soubor sám najde na síťovém úložišti podle cesty uložené u položky a pošle ho přihlášenému uživateli, bez ručního hledání na sdíleném disku. Tohle mám zatím odladěné a funkční na předváděcím účtu, kde jsem si prostředí nastavil přesně podle svých potřeb — jak se to bude chovat v reálném prostředí konkrétního zákazníka, to teprve ukáže ostrý provoz.
A co mě u vlastního testování dost překvapilo: agent umí dohledat položku i z obrázkových dat — třeba z vyfoceného čárového kódu nebo ručně psané poznámky. Tohle jsem si nejdřív ověřil na předváděcím agentovi a následně se potvrdilo, že to funguje i v prostředí zákazníka.
Kde to bylo těžší, než vypadalo
Tohle je pro mě nejcennější část celého projektu — ne moment, kdy agent poprvé odpověděl na dotaz, ale desítky drobných iterací potom.
Architektura se posunula za pochodu. Původně jsem generoval SQL dotaz "někde v pozadí" přímo ve workflow. Ukázalo se, že je mnohem čistší přesunout tuhle logiku do konverzační vrstvy a nechat automatizované workflow, ať jen spustí už hotový, připravený dotaz. Nebyl to plán od začátku — byl to závěr, ke kterému jsem došel až po tom, co jsem viděl, jak se jednotlivé části skutečně chovají v provozu.
AI, která odpovídá "kreativně", je pro tenhle typ nástroje nebezpečná. Když necháte model, aby na základě nalezených dat sám "vygeneroval" odpověď, začne se chovat spíš jako novinář než jako databáze — z patnácti nalezených položek vybere "pár zajímavých" a zbytek vynechá. Pro běžný chat je to fajn vlastnost, pro nástroj, který má lidem hlásit přesná skladová čísla, je to chyba. Řešením bylo přestavět logiku tak, aby model data nesumarizoval, ale předával dál přesně tak, jak přišla z databáze — a teprve nad kompletními daty formuloval odpověď podle jasných pravidel: nikdy nevynechávej položky, nic si nedomýšlej, prázdnou hodnotu ohlas, neodhaduj.
Velké jazykové modely překvapivě špatně počítají. Když má model spočítat, kolik položek je ve výsledku, u delších seznamů se občas jednoduše sekne. Pro obchodní nástroj je to nepřijatelné, takže počet záznamů se dnes dopočítává deterministicky — klasickým výpočtem, ne odhadem AI — a agent ho jen přebírá jako hotové číslo.
Firemní žargon se musí agent naučit. Lidé nepíšou čísla karet a výkresů se všemi nulami a pomlčkami, hledají podle posledních číslic, popisují rozměry různě. Agent musí pochopit, že "57082" a "0000057082" je totéž číslo.
Chyba na styku systémů, kterou nevidíte, dokud si funkci nevyzkoušíte naostro. Cesta k souboru uložená v databázi procházela přes workflow a JSON formát, kde se jí "znásobila" oddělovací znaménka — technická drobnost, která ale spolehlivě rozbíjela hledání souboru na disku. První "rychlá" oprava fungovala jen pro jeden konkrétní případ, ne obecně — musel jsem to řešit znovu.
Co to firmě přináší
Výsledkem je nástroj, který zpřístupňuje data z interního systému lidem, kteří by jinak museli umět SQL nebo znát cestu k té správné obrazovce v ERP. Při vývoji jsem kladl důraz na přesnost a dohledatelnost odpovědí — agent neodpovídá z "obecných znalostí", pouze z reálných dat vrácených databází, a jasně řekne, když informaci nenašel. A protože běží v Teams a v mobilu, je po ruce i lidem mimo kancelář.
Postavit AI agenta, který "umí odpovědět", je dnes relativně snadné a rychlé. Postavit agenta, kterému firma může věřit ohledně vlastních dat, vyžaduje mnohem víc: jasně oddělit, co má dělat deterministická logika (přesné počty, kompletní výpisy, hledání souborů) a co může dělat jazykový model (formulace odpovědi, pochopení dotazu) — a nikdy tyhle role nezaměňovat.
Chcete zjistit, zda lze podobného agenta napojit na váš informační systém? Vyplňte kontaktní formulář a probereme s vámi konkrétní scénář.
Jsem vývojář ve společnosti Adeon CZ. V článcích sdílím zkušenosti z vývoje softwaru a praktického řešení technických problémů. Potkat se můžeme ve zlínské kanceláři Adeonu.

