Stripe ukazuje, ako nasadiť agentov na finančnú compliance bez straty kontroly

Finančná compliance je jedna z oblastí, kde sa o agentoch hovorí často, ale do ostrej prevádzky sa púšťajú opatrne. Nový technický text AWS a Stripe preto stojí za pozornosť: nejde o ukážku chatbota, ale o opis produkčného systému, ktorý pomáha kontrolovať veľký objem transakcií a pritom necháva konečné rozhodnutia na ľuďoch. Stripe podľa zdroja spracúva platby vo viac ako päťdesiatich krajinách a jeho tímy musia denne posudzovať prípady, v ktorých sa mieša regulácia, interné pravidlá, dôkazové podklady a riziko falošne pozitívnych záverov.

Jadro riešenia je agent postavený nad Amazon Bedrockom a nad vzorom ReAct, teda nad cyklom, v ktorom model nielen odpovedá, ale priebežne plánuje, volá nástroje, číta dokumenty a svoje kroky skladá do kontrolovateľného postupu. Dôležité je, že agent nie je prezentovaný ako autonómny sudca. Má pomáhať analytikom rozobrať prípad, vyhľadať relevantné informácie, pripraviť návrh odôvodnenia a skrátiť čas, ktorý by inak padol na rutinné vyhľadávanie a syntézu. V takomto nastavení je model súčasťou pracovného toku, nie náhradou zodpovednej osoby.

Najsilnejší signál z publikovaného opisu je práve infraštruktúra okolo modelu. Stripe si podľa AWS vybudoval samostatnú agentickú službu namiesto toho, aby logiku schoval do jedného promptu v existujúcej aplikácii. To umožňuje verzovať nástroje, oddeliť orchestráciu od používateľského rozhrania, sledovať latenciu a náklady a zavádzať zmeny tak, aby boli auditovateľné. Pri compliance je táto vrstva často dôležitejšia než výber konkrétneho modelu, pretože pri spore alebo kontrole musí firma spätne vysvetliť, ktoré dáta agent použil a prečo navrhol konkrétny postup.

AWS vo svojom texte zdôrazňuje aj rozklad úloh. Namiesto jedného veľkého dotazu agent rozdeľuje prípad na menšie kroky: pochopenie požiadavky, získanie kontextu, porovnanie s pravidlami, návrh záveru a odovzdanie človeku. Takýto prístup znižuje riziko, že model preskočí podstatný dôkaz alebo vymyslí odpoveď bez opory v zdrojoch. Zároveň však zvyšuje počet volaní modelu a nástrojov, takže architektúra musí riešiť limity, spätné väzby, cache a možnosť opakovania len časti procesu.

Praktický detail je prompt caching v Amazon Bedrocku. V compliance workflow sa často opakuje rovnaký stabilný kontext: interné pravidlá, šablóny rozhodnutí, definície kategórií alebo návody pre analytikov. Ak sa tento blok dá opakovane používať lacnejšie a rýchlejšie, agentický systém je realistickejší aj pri vysokom objeme prípadov. Pre podniky je to pripomienka, že ekonomika agentov nestojí iba na cene tokenov v abstraktnom cenníku, ale na tom, ako dobre sa dá oddeliť statický kontext od čerstvých informácií v konkrétnom prípade.

Rovnako podstatná je ľudská kontrola. AWS uvádza, že systém dosiahol viac než 96-percentné hodnotenie užitočnosti, no zároveň píše, že finálne rozhodnutia zostávajú pod kontrolou ľudských expertov. To je dôležité rozlíšenie. V regulovanom prostredí môže byť užitočný aj systém, ktorý nevie samostatne rozhodovať, ak zníži manuálnu záťaž, zjednotí prípravu podkladov a lepšie dokumentuje, čo analytik videl pred rozhodnutím. Hodnota teda neprichádza z úplnej autonómie, ale z kvalitnej asistencie v procese, ktorý už má zodpovednosť a kontrolné body.

Pre slovenské a európske firmy je tento príklad použiteľný ako architektonický vzor. Ak chcú agentov nasadiť v bankovníctve, poistení, účtovníctve alebo verejnej správe, mali by začať od mapy rizík: kto schvaľuje výstup, ktoré zdroje sú autoritatívne, ako sa logujú kroky agenta, ako sa rieši chyba a ako sa testuje nová verzia promptu alebo nástroja. Samotný model potom tvorí len jednu súčiastku. Bez auditného záznamu, merania kvality a jasného rozhrania medzi človekom a agentom by rovnaká technológia mohla zvýšiť riziko namiesto toho, aby ho znížila.

Zaujímavé je aj to, že príklad prichádza od platobnej infraštruktúry, nie od laboratória prezentujúceho demo. Stripe má motiváciu optimalizovať drahé a opakované procesy, ale nemôže si dovoliť stratiť dôveru regulátorov ani zákazníkov. Preto článok posúva diskusiu o agentoch od otázky „vie model odpovedať?“ k otázke „dá sa okolo modelu postaviť spoľahlivá prevádzka?“. Práve táto druhá otázka bude v roku 2026 rozhodovať o tom, ktoré agentické systémy zostanú pilotmi a ktoré sa dostanú do reálnych podnikov.