IBM: škálovanie podnikových AI agentov nebude stáť iba na dlhšom kontexte

IBM Research v oficiálnom článku na Hugging Face, publikovanom 1. júna 2026, posúva debatu o podnikových AI agentoch od otázky, aký veľký model použiť, k otázke, ako má byť agent riadený. Text s názvom Beyond LLMs: Why Scalable Enterprise AI Adoption Depends on Agent Logic tvrdí, že škálovanie agentov v reálnych firmách nebude vyriešené len väčšími kontextovými oknami ani ďalšou generáciou jazykových modelov. Kľúčová je vrstva, ktorú IBM nazýva agent logic – explicitná logika okolo modelu, ktorá určuje, čo agent smie robiť, kedy má volať nástroje, ako má vyhodnocovať stav úlohy a kedy má odovzdať kontrolu človeku alebo inému systému.

V slovenskom preklade nejde o inteligenciu v mystickom zmysle, ale o architektonickú disciplínu: orchestráciu krokov, rozhodovacie pravidlá, kontrolné body, pamäť stavu, bezpečnostné obmedzenia a guardraily nad modelmi. Veľký jazykový model môže navrhnúť odpoveď alebo plán, no podnikový agent musí zároveň pracovať s tiketovacími systémami, databázami, API, internými pravidlami, auditnými stopami a regulačnými požiadavkami. Práve táto vrstva rozhoduje, či agent iba pôsobí presvedčivo v deme, alebo dokáže spoľahlivo bežať v produkčnom procese.

IBM argumentuje, že veľké kontextové okná sú užitočné, ale majú svoje limity. Do kontextu sa dá vložiť viac dokumentov, histórie či kódu, no podnikové workflow sú dynamické a dlhodobé. Incident sa môže meniť počas hodín, modernizácia starej aplikácie môže trvať týždne a compliance úloha môže vyžadovať opakované kontroly podľa politík, ktoré sa nesmú obísť. Ak agent stratí stav, zle vyhodnotí prioritu alebo bez kontroly zavolá nesprávne API, väčší kontext sám osebe škodu neopraví. Potrebná je riadiaca logika, ktorá priebeh práce rozdeľuje, monitoruje a obmedzuje.

Zaujímavé je, že IBM rámuje agentov cez konkrétne podnikové domény, nie cez všeobecné chatboty. Spomína budovanie agentov pre vlastné ponuky v oblastiach ako porozumenie starším aplikáciám v Cobole a PL/I, generovanie testov, incident response a takzvaná shift-left resiliencia aplikácií, ale aj modernizácia compliance procesov. V každej z týchto oblastí je samotné generovanie textu len časť problému. Agent musí vedieť, ktoré repozitáre a systémy sú relevantné, aké kroky sú povolené, aké dôkazy treba zachovať a kde je hranica medzi odporúčaním a automatickou zmenou.

Pri legacy systémoch je význam agentovej logiky obzvlášť zreteľný. Kód v Cobole alebo PL/I často nesie desaťročia obchodných pravidiel, ktoré nie sú dobre zdokumentované a sú prepojené s dávkovými procesmi, databázami a prevádzkovými výnimkami. LLM môže pomôcť vysvetliť úsek kódu, ale modernizačný agent musí postupovať po kontrolovaných krokoch: identifikovať závislosti, overiť hypotézy, navrhnúť testy, rešpektovať rizikové moduly a neprezentovať domnienky ako fakty. Bez takejto explicitnej logiky by sa modernizácia mohla zmeniť na sériu presvedčivých, no neoverených odporúčaní.

Podobne pri testovaní a incident response nestačí, aby model vedel písať testy alebo sumarizovať logy. Testovací agent musí rozumieť pokrytiu, regresným rizikám a štandardom tímu; incidentný agent musí vedieť triediť signály, eskalovať nejasné prípady, zapisovať rozhodnutia a neprekročiť oprávnenia. IBM tým naznačuje posun od jednorazových promptov k agentom ako prevádzkovým komponentom. Taký komponent má rozhrania, stav, politiky, limity, merateľné výsledky a zodpovednosť za to, čo urobí v širšom systéme.

Pre enterprise architektov je toto dôležitý signál. Trh často predáva agentov ako prirodzený dôsledok výkonnejších modelov, no IBM pripomína, že adopcia vo veľkých organizáciách je skôr otázkou systémového dizajnu. Firmy budú potrebovať katalógy nástrojov, kontrolu prístupov, modely oprávnení, auditovateľné rozhodnutia, testovacie prostredia a mechanizmy na spätné vyhodnocovanie. Agentová logika sa tak podobá integračnej a bezpečnostnej vrstve medzi modelom a podnikovou realitou. Nie je to doplnok navyše, ale podmienka, aby sa AI dala nasadiť mimo izolovaných pilotov.

Zároveň treba článok čítať realisticky. IBM prirodzene ukazuje smer, ktorý zapadá do jeho portfólia a skúseností s veľkými podnikovými zákazníkmi, takže nejde o neutrálne akademické hodnotenie všetkých prístupov. Agentová logika tiež nevyrieši základné problémy modelov: halucinácie, nedostatočné znalosti domény, náklady na inferenciu, latenciu alebo ťažké meranie kvality v otvorených úlohách. Ak sú nástroje zle navrhnuté, dáta neaktuálne a procesy nejasné, ani najlepšia orchestration vrstva nevytvorí spoľahlivý systém.

Najpraktickejší odkaz preto znie: podnikové AI agenty treba navrhovať ako softvérovú architektúru, nie ako dlhší prompt. Model je jadrom schopnosti porozumieť jazyku a generovať návrhy, no okolo neho musí byť explicitná logika, ktorá drží cieľ, stav, pravidlá a hranice. Pre firmy, ktoré dnes uvažujú o agentoch v modernizácii aplikácií, prevádzke, testovaní alebo compliance, je článok od IBM užitočnou pripomienkou, že škálovanie nepríde z jediného modelového upgradu. Príde skôr z kombinácie dobrých modelov, dobre navrhnutých nástrojov, procesnej disciplíny a transparentných guardrailov.