AI workflow je pracovní postup, ve kterém umělá inteligence plní konkrétní roli v jednom nebo více navazujících krocích. Nejde tedy jen o to, že model odpoví na dotaz. AI workflow popisuje celý proces – od vstupu přes vyhledání dat, zpracování, kontrolu, použití nástroje až po předání výsledku člověku nebo dalšímu systému.

Rozdíl je zásadní. Jednorázový prompt může stačit, pokud chcete přeformulovat odstavec, vymyslet nadpis nebo si nechat stručně vysvětlit pojem. Jakmile má ale AI pracovat s firemními dokumenty, zákaznickými požadavky, CRM, e-mailem, fakturami, reklamacemi nebo interní znalostní bází, jedna odpověď modelu nestačí. Je potřeba řízený postup.

AI workflow určuje, co se má stát nejdřív, jaké informace se mají dohledat, jaký nástroj se smí použít, kdy má systém pokračovat automaticky a kdy má výsledek předat člověku. Díky tomu se z AI nestává volně puštěný generátor textu, ale součást konkrétního pracovního procesu.

Co znamená AI workflow

Workflow obecně znamená pracovní postup. Ve firmě to může být zpracování objednávky, vyřízení reklamace, kontrola smlouvy, příprava nabídky, odpověď zákaznické podpory nebo schválení faktury. Každý takový proces má vstup, několik kroků a výsledek.

AI workflow znamená, že do některých těchto kroků vstupuje umělá inteligence. Může přečíst e-mail, rozpoznat typ požadavku, vyhledat dokumenty, shrnout podklady, navrhnout odpověď, zkontrolovat rizika nebo připravit akci v dalším systému.

Důležité je, že AI workflow není totéž jako „zadám modelu otázku a dostanu odpověď“. Workflow má strukturu. Například u zákaznického e-mailu systém nejdřív rozpozná, zda jde o běžný dotaz, reklamaci nebo technický problém. Potom dohledá objednávku, najde interní pravidla, připraví návrh odpovědi a u citlivého případu ho pošle člověku ke schválení.

AI zde není náhrada celého procesu. Je to součást procesu, která má přesně vymezenou roli.

Proč nestačí jeden prompt

Jeden prompt je dobrý nástroj pro jednoduché úlohy. Pokud chcete opravit text, zkrátit odstavec nebo vygenerovat první návrh, není nutné stavět složitý workflow. Problém nastává ve chvíli, kdy má výstup vycházet z dat, dokumentů, oprávnění nebo firemních pravidel.

Představte si dotaz zákazníka: „Zboží přišlo poškozené, chci reklamaci.“ Model umí napsat slušně znějící odpověď. To ale neznamená, že odpověď bude správná. Systém musí zjistit, zda existuje objednávka, kdy bylo zboží doručeno, jaký je reklamační postup, zda zákazník poslal fotografii, jestli jde o standardní případ a zda odpověď neslibuje něco, co firma nemá garantovat.

To už není úloha pro jeden volný prompt. Model může pomoci s formulací odpovědi, ale samotný postup musí řídit workflow.

• Prompt – jednorázové zadání modelu, které vede k jednomu výstupu.
• AI workflow – řízený proces, ve kterém má AI konkrétní roli a výstup prochází dalšími kroky.

Čím větší dopad má výsledek na zákazníka, peníze, data nebo reputaci firmy, tím méně by měl celý proces stát jen na jednom promptu.

Jednoduchý příklad AI workflow

Nejlépe se AI workflow vysvětluje na zákaznické podpoře. Zákazník pošle e-mail. Může jít o jednoduchý dotaz, technický problém, reklamaci, fakturaci nebo situaci, která vyžaduje ruční zásah.

AI workflow může vypadat takto:

1. Příjem požadavku – systém načte e-mail, formulář, chatovou zprávu nebo ticket.
2. Klasifikace – AI určí, zda jde o reklamaci, technický dotaz, fakturaci, obchodní otázku nebo obecný požadavek.
3. Doplnění kontextu – systém dohledá zákazníka, objednávku, produkt, historii komunikace nebo stav ticketu.
4. Vyhledání podkladů – RAG nebo retrieval najde relevantní interní pravidla, návody, obchodní podmínky nebo produktovou dokumentaci.
5. Návrh odpovědi – jazykový model připraví odpověď podle nalezených podkladů.
6. Kontrola rizik – další krok ověří, zda odpověď není právně, obchodně nebo reputačně problematická.
7. Schválení člověkem – u citlivých případů systém návrh jen připraví a člověk ho zkontroluje.
8. Odeslání nebo založení úkolu – výsledek se odešle, uloží do ticketu nebo předá odpovědnému týmu.

Tady je dobře vidět, že AI workflow není jedna odpověď. Je to celý sled kroků, ve kterém AI pomáhá, ale nemá neomezenou kontrolu nad výsledkem.

AI workflow vs. automatizace

AI workflow se často plete s automatizací. Automatizace znamená, že systém podle pravidel provede předem daný krok. Například když přijde objednávka, odešle se potvrzení. Když zákazník vyplní formulář, založí se ticket. Když faktura přesáhne určitou částku, jde ke schválení.

AI workflow je širší v tom, že některé kroky nejsou založené jen na pevném pravidle. AI může pochopit text, rozpoznat záměr, vyhledat podklady, shrnout dokument, porovnat varianty nebo připravit návrh odpovědi.

• Běžná automatizace – dobře funguje tam, kde je proces pevně daný a má jasná pravidla.
• AI workflow – hodí se tam, kde je potřeba pracovat s jazykem, dokumenty, nejasným vstupem, kontextem nebo rozhodnutím podle více faktorů.

To ale neznamená, že AI má nahradit klasickou automatizaci. Často je nejlepší kombinace. Pevné části procesu mají zůstat pevné. AI má pomoci tam, kde je potřeba porozumění textu, shrnutí, vyhledání nebo návrh rozhodnutí.

AI workflow vs. orchestrace

AI workflow je samotný pracovní postup. Orchestrace je řízení toho, jak se tento postup provede. Rozdíl je podobný jako mezi plánem a koordinací jeho provedení.

Workflow může říkat: přijmi dotaz, najdi dokumenty, připrav odpověď, zkontroluj ji a předej člověku. Orchestrace řeší, který agent nebo nástroj se spustí, jaké dostane vstupy, co se stane při chybě a kdy se proces zastaví.

• AI workflow – popisuje sled kroků od vstupu k výsledku.
• Orchestrace – řídí provedení těchto kroků, volání nástrojů, agentů, modelů a kontrol.

V jednoduchém projektu se tyto pojmy mohou překrývat. Ve firemním systému je ale užitečné je rozlišovat. Workflow říká, co se má dělat. Orchestrace zajišťuje, aby se to provedlo bezpečně, ve správném pořadí a s kontrolou.

Z čeho se AI workflow skládá

Dobře navržený AI workflow má několik částí. Ne všechny musí být v každém projektu, ale u firemních systémů se většina z nich dříve nebo později objeví.

• Vstup – dotaz uživatele, e-mail, dokument, formulář, ticket, hlasový přepis nebo záznam ze systému.
• Klasifikace požadavku – určení, o jaký typ úlohy jde a jakou cestou má pokračovat.
• Doplnění kontextu – dohledání zákazníka, objednávky, dokumentů, historie nebo metadat.
• Retrieval – vyhledání relevantních informací z dokumentů, databází nebo znalostní báze.
• Modelový krok – shrnutí, návrh odpovědi, analýza, klasifikace, porovnání nebo generování textu.
• Volání nástroje – použití CRM, helpdesku, databáze, kalendáře, e-mailu, kalkulačky nebo API.
• Kontrola výstupu – ověření, zda výstup odpovídá zdrojům, pravidlům a požadovanému formátu.
• Lidské schválení – zapojení člověka u citlivých nebo nevratných kroků.
• Akce – odeslání odpovědi, založení ticketu, aktualizace záznamu nebo předání úkolu.
• Logování – záznam toho, co systém udělal, proč to udělal a z čeho vycházel.

Bez těchto částí se AI workflow snadno změní v nepřehledný experiment. Model sice něco odpoví, ale nikdo neví, z jakých dat vycházel, jak se rozhodl, co přesně provedl a kdo za výsledek odpovídá.

Typy AI workflow

AI workflow může mít různou složitost. Někdy jde o jednoduchou posloupnost kroků. Jindy se proces větví podle typu požadavku nebo zapojuje několik agentů.

• Sekvenční workflow – kroky běží jeden po druhém. Například: načti dokument, shrň ho, zkontroluj výstup, vrať odpověď.
• Větvené workflow – systém se rozhoduje podle typu vstupu. Reklamace jde jinou cestou než obchodní dotaz nebo technická podpora.
• RAG workflow – systém nejdřív vyhledá relevantní podklady a až potom generuje odpověď.
• Agentní workflow – agent plánuje kroky, používá nástroje a podle výsledků rozhoduje, jak pokračovat.
• Multi-agent workflow – na jednom procesu spolupracuje více agentů s různými rolemi.
• Human-in-the-loop workflow – systém se v určitém bodě zastaví a čeká na schválení člověka.
• Událostmi řízené workflow – další krok se spustí podle události, například po nahrání dokumentu, změně stavu ticketu nebo přijetí e-mailu.

Neexistuje jeden nejlepší typ. Správná volba závisí na tom, jaký problém řešíte, jak citlivý je výstup, kolik datových zdrojů systém používá a zda má výsledek automaticky něco provést.

AI workflow a RAG

RAG je častou součástí AI workflow, protože mnoho firemních úloh nejde dobře řešit bez aktuálních dokumentů. Model sám o sobě nemusí znát interní metodiku, reklamační pravidla, produktové návody nebo poslední verzi obchodních podmínek.

RAG workflow funguje tak, že systém nejdřív vyhledá relevantní informace a teprve potom z nich model vytvoří odpověď. Zní to jednoduše, ale ve skutečnosti jde o několik kroků, které je potřeba řídit.

1. Uživatel položí dotaz – například se ptá na interní pravidlo, technický postup nebo zákaznickou situaci.
2. Systém určí typ dotazu – jinak se hledá právní dokument, jinak produktový návod a jinak článek nápovědy.
3. Retrieval najde podklady – použije fulltext, embeddingy, metadata nebo jejich kombinaci.
4. Výsledky se seřadí – nejrelevantnější pasáže se dostanou výše.
5. Zkontroluje se použitelnost – například aktuálnost dokumentu, oprávnění uživatele nebo shoda s dotazem.
6. Model připraví odpověď – vychází z vybraných podkladů, ne jen z obecné znalosti.
7. Výstup se ověří – zda odpověď neobsahuje domýšlení, chybějící zdroj nebo rozpor s dokumenty.

AI workflow zde chrání celý proces. Neřeší jen to, aby model psal česky a plynule. Řeší hlavně to, aby dostal správné podklady a aby výstup odpovídal tomu, co ve zdrojích skutečně je.

AI workflow a retrieval

Retrieval znamená vyhledání relevantních informací, které se potom použijí jako podklad pro odpověď. V AI workflow je retrieval často jeden z nejdůležitějších kroků, protože špatně nalezený zdroj vede ke špatné odpovědi.

Problém je, že ne každý dotaz se má hledat stejně. Pokud uživatel zadá číslo objednávky, je vhodné přesné vyhledávání v databázi. Pokud se zeptá „jak postupovat, když zákazník poslal poškozené zboží zpět“, bude pravděpodobně lepší kombinovat významové vyhledávání, interní pravidla a znalostní bázi.

AI workflow proto musí rozhodnout, jaký retrieval použít:

• Přesné vyhledávání – vhodné pro čísla objednávek, faktur, SKU, EAN nebo konkrétní identifikátory.
• Významové vyhledávání – vhodné pro dotazy přirozeným jazykem, kdy uživatel nepoužívá stejná slova jako dokument.
• Hybridní vyhledávání – kombinuje klíčová slova a významovou podobnost.
• Vyhledávání podle oprávnění – systém smí vrátit jen dokumenty, které uživatel může vidět.
• Vyhledávání podle metadat – například podle data, verze, oddělení, typu dokumentu nebo produktu.

Retrieval tedy není jen technický krok před odpovědí. Je to rozhodnutí, z jaké části firemní znalosti bude AI vycházet.

AI workflow a chunking

Chunking znamená rozdělení dlouhých dokumentů na menší části. U AI workflow je důležitý hlavně u RAG systémů, kde model nepotřebuje celý dokument, ale konkrétní relevantní pasáže.

Špatný chunking může celý workflow poškodit. Pokud jsou části příliš krátké, model dostane úryvek bez potřebného kontextu. Pokud jsou příliš dlouhé, dostane příliš mnoho textu a může přehlédnout podstatnou informaci. U právních, technických nebo interních dokumentů navíc často záleží na nadpisu, verzi dokumentu a okolních ustanoveních.

AI workflow proto musí řešit nejen to, že se dokument rozdělí, ale i jak se s jeho částmi dál pracuje:

• Velikost chunků – aby nebyly příliš krátké ani příliš dlouhé.
• Návaznost kontextu – aby model neviděl pasáž bez důležitého nadpisu nebo okolí.
• Metadata – název dokumentu, verze, datum, oddělení nebo typ zdroje.
• Priorita zdrojů – interní metodika může mít větší váhu než starý komentář v ticketu.
• Kontrola duplicit – aby systém nepracoval s několika verzemi stejné informace.

Chunking tedy není jen příprava dat. V AI workflow rozhoduje o tom, jaký kontext se k modelu dostane a jak přesná může být výsledná odpověď.

AI workflow a embeddingy

Embedding je číselná reprezentace textu, dokumentu, dotazu nebo jiného obsahu. Díky embeddingům může systém hledat podle významové podobnosti, ne jen podle přesné shody slov.

V AI workflow se embeddingy používají hlavně při vyhledávání, třídění a porovnávání informací. Pomohou najít dokument, který je významově blízký dotazu, i když používá jinou formulaci.

To je užitečné, ale neznamená to, že nejpodobnější dokument je automaticky správný. Dokument může být tematicky blízký, ale zastaralý. Může se týkat jiné verze produktu. Může být určený pro jiné oddělení. Proto musí workflow přidat další kontrolní kroky.

• Významová podobnost – embedding pomůže najít kandidáty.
• Kontrola aktuálnosti – workflow ověří, zda nejde o starou verzi.
• Kontrola oprávnění – systém zkontroluje, zda má uživatel právo dokument vidět.
• Reranking – výsledky se mohou dodatečně seřadit podle relevance.
• Kontrola odpovědi – výstup se ověří proti nalezeným zdrojům.

Embeddingy jsou tedy důležitý technický prvek, ale samy o sobě workflow neřeší. Workflow rozhoduje, co se s nalezenou podobností stane dál.

AI workflow a prompt engineering

Prompt engineering je v AI workflow důležitý proto, že každý krok potřebuje jiné zadání. Prompt pro klasifikaci požadavku nemá vypadat stejně jako prompt pro redakční výstup nebo kontrolu rizik.

Pokud dostane každý krok obecné zadání typu „vyřeš úkol co nejlépe“, výsledek bude nepřehledný. Jeden model bude shrnovat, druhý domýšlet, třetí přepisovat a čtvrtý hodnotit, aniž by bylo jasné, kdo má za co odpovědnost.

V AI workflow mají prompty odpovídat konkrétní roli:

• Klasifikační prompt – má určit typ požadavku a nepsat finální odpověď.
• Retrieval prompt – má pomoci formulovat, jaké podklady se mají hledat.
• Analytický prompt – má porovnat zdroje, najít rozdíly, nejasnosti a rizika.
• Redakční prompt – má z ověřených podkladů vytvořit čitelný výstup.
• Kontrolní prompt – má hledat chyby, nepodložená tvrzení, chybějící zdroje nebo porušení pravidel.
• Eskalační prompt – má určit, zda má výstup schválit člověk.

Smyslem není mít jeden dlouhý prompt pro všechno. Smyslem je mít jasné zadání pro každý krok workflow.

AI workflow a AI agenti

AI agent je systém, který může sledovat cíl, plánovat kroky, používat nástroje a reagovat na výsledky. Agentní workflow vzniká ve chvíli, kdy už AI neplní jen jeden pevný krok, ale může rozhodovat, jak bude pokračovat.

To je užitečné u složitějších úloh. Například agent dostane úkol připravit podklady pro obchodníka. Nejprve si zjistí informace o firmě, potom projde historii komunikace, poté navrhne další krok a nakonec připraví e-mail. Pokud něco chybí, požádá člověka o doplnění.

Takový postup ale musí mít hranice. Agent nemá automaticky posílat e-maily, měnit CRM nebo spouštět nevratné akce jen proto, že mu to připadá jako další logický krok.

• Agent může navrhnout postup – nízké riziko, pokud nic sám neprovede.
• Agent může použít nástroj pro čtení dat – přijatelné, pokud má správná oprávnění.
• Agent může připravit návrh akce – například e-mail, ticket nebo změnu záznamu.
• Agent nemá automaticky provádět citlivé akce – odeslání, smazání, finanční krok nebo změna v systému má mít kontrolu.

Agentní AI workflow tedy zvyšuje schopnosti systému, ale zároveň zvyšuje nároky na řízení, oprávnění a audit.

AI workflow a multi-agent systém

U složitějších procesů může jeden agent nestačit. Multi-agent systém rozdělí práci mezi více agentů s různými rolemi. Jeden agent vyhledává podklady, druhý analyzuje, třetí připravuje text a čtvrtý kontroluje rizika.

AI workflow zde určuje, jak tito agenti spolupracují. Pokud role nejsou jasné, systém začne být nepřehledný. Agenti si mohou odporovat, předávat si neúplné informace nebo opakovat stejnou práci.

Praktický příklad u obsahu:

• Rešeršní agent – dohledá zdroje a oddělí ověřené informace od nejistých.
• Analytický agent – porovná zdroje a označí důležité závěry.
• Redakční agent – připraví text ve stylu webu.
• SEO agent – zkontroluje strukturu, interní odkazy a pokrytí tématu.
• Kontrolní agent – hledá nepodložená tvrzení, chyby a rozpory.
• Člověk – rozhodne, zda je výstup připravený k publikaci.

To může být užitečné, pokud je proces opravdu složitý. Pokud jde ale jen o krátké přeformulování textu, multi-agent workflow by byl zbytečný.

AI workflow a human-in-the-loop

Human-in-the-loop znamená, že do workflow v určitém bodě vstoupí člověk. Není to známka slabosti systému. U citlivých procesů je to naopak podmínka bezpečného nasazení.

Člověk má vstupovat tam, kde výsledek může mít právní, finanční, reputační, zdravotní nebo provozní dopad. AI může připravit návrh, dohledat podklady a upozornit na rizika. Odpovědnost za finální rozhodnutí ale může zůstat na člověku.

• Zákaznická reklamace – AI připraví návrh odpovědi, ale sporný případ schválí pracovník podpory.
• Obchodní nabídka – AI připraví e-mail, ale obchodník ho zkontroluje před odesláním.
• Smlouva – AI označí rizikové pasáže, ale právník rozhodne, co s nimi.
• CRM změna – AI navrhne úpravu záznamu, ale člověk ji potvrdí.
• Bezpečnostní incident – AI vyhodnotí signály, ale zásadní zásah schvaluje odpovědná osoba.

Dobře navržený AI workflow tedy neodstraňuje člověka za každou cenu. Používá člověka tam, kde je jeho kontrola skutečně potřeba.

AI workflow a volání nástrojů

Jedním z hlavních rozdílů mezi běžným chatbotem a AI workflow je práce s nástroji. Model nemusí jen odpovídat textem. Může použít databázi, CRM, helpdesk, kalkulačku, e-mail, kalendář, vyhledávání nebo interní API.

Právě tady je nutná opatrnost. Čtení dat, příprava návrhu a provedení akce nejsou stejné věci. Workflow musí jasně rozlišit, co systém smí udělat sám a co má pouze připravit.

• Čtení dat – systém načte dokument, objednávku nebo historii komunikace.
• Příprava návrhu – AI vytvoří odpověď, doporučení nebo návrh změny.
• Vratná akce – systém může provést krok, který lze snadno vrátit.
• Nevratná akce – například smazání dat, odeslání e-mailu nebo změna finančního údaje.
• Citlivá akce – krok s právním, finančním, reputačním nebo osobním dopadem.

Čím větší dopad má nástroj, tím přísnější musí být pravidla workflow. U citlivých kroků má AI připravit návrh, ne rozhodnout sama.

AI workflow a auditní stopa

Auditní stopa je záznam toho, co systém udělal, z jakých vstupů vycházel a proč zvolil konkrétní krok. U AI workflow je to důležité, protože výsledek často vzniká přes více kroků.

Pokud zákazník dostane špatnou odpověď, nestačí vědět, že „to napsala AI“. Je potřeba zjistit, jaký e-mail přišel, jak byl klasifikován, jaké dokumenty systém našel, jaký prompt použil, zda výstup prošel kontrolou a kdo ho případně schválil.

Auditní stopa má pomoci odpovědět na otázky:

• Jaký byl původní vstup?
• Které kroky workflow se spustily?
• Jaké dokumenty nebo data systém použil?
• Jaký model nebo agent vytvořil výstup?
• Byla zapojena lidská kontrola?
• Kde vznikla chyba, pokud výsledek nebyl správný?

Bez auditní stopy je AI workflow těžko kontrolovatelný. V ostrém firemním provozu je to problém nejen technický, ale i organizační.

AI workflow a bezpečnost

Bezpečnost AI workflow není jen o tom, zda model odpoví nevhodně. Větší problém často vzniká tam, kde se AI napojí na data a nástroje. Systém může získat přístup k dokumentům, zákaznickým záznamům, obchodním informacím nebo interním systémům.

Workflow proto musí řešit oprávnění a bezpečnostní hranice.

• Oprávnění k datům – uživatel nesmí přes AI získat dokument, ke kterému nemá přístup.
• Oprávnění k nástrojům – agent nesmí používat nástroje mimo svou roli.
• Citlivé údaje – osobní, finanční nebo obchodní data se nesmí dostat do nevhodného výstupu.
• Prompt injection – externí text nesmí změnit instrukce systému nebo obejít pravidla.
• Nevratné akce – mazání, odesílání nebo změny v systémech musí mít přísnější kontrolu.
• Logování – musí být dohledatelné, co systém udělal a proč.

AI workflow tedy není jen otázka efektivity. Je to také způsob, jak zabránit tomu, aby model s dobrými schopnostmi pracoval v procesu bez pravidel.

Kde se AI workflow používá

AI workflow dává smysl hlavně tam, kde se opakují podobné procesy, ale vstupy nejsou vždy stejné. Typicky jde o kombinaci dokumentů, komunikace, rozhodování a firemních systémů.

• Zákaznická podpora – třídění požadavků, hledání podkladů, návrh odpovědi a eskalace člověku.
• Obchod a CRM – příprava follow-up e-mailů, doplnění kontextu k leadu, návrh dalšího kroku.
• Marketing – rešerše, návrh obsahu, SEO kontrola, práce se zdroji a příprava publikačního výstupu.
• HR – odpovědi na interní dotazy podle aktuálních směrnic, ale s omezením citlivých údajů.
• Právní agenda – vyhledání smluv, porovnání ustanovení, označení rizik a předání právníkovi.
• Finance – kontrola dokladů, hledání nesrovnalostí, příprava podkladů pro schválení.
• IT a bezpečnost – třídění incidentů, návrh řešení, kontrola dopadu a eskalace odpovědnému týmu.
• Interní znalostní báze – odpovědi zaměstnancům podle aktuálních dokumentů a oprávnění.

Ve všech těchto případech AI nepůsobí jen jako textový generátor. Je zapojená do konkrétního pracovního toku.

Kdy AI workflow dává smysl

AI workflow dává smysl tam, kde je úloha složitější než jedna odpověď a kde výsledek závisí na správném pořadí kroků.

• Proces má více kroků – například vyhledání dat, analýza, návrh odpovědi a kontrola.
• Systém pracuje s firemními daty – dokumenty, CRM, helpdesk, databáze, e-mail nebo interní systémy.
• Je potřeba oprávnění – různí uživatelé mají přístup k různým informacím.
• Výstup má dopad – například zákaznická odpověď, obchodní rozhodnutí nebo změna záznamu.
• Je potřeba lidské schválení – AI připraví návrh, ale člověk rozhodne.
• Je potřeba audit – firma musí vědět, z čeho výstup vznikl a kdo ho schválil.

Pokud žádná z těchto podmínek neplatí, může být AI workflow zbytečně složitý. Někdy opravdu stačí dobře napsaný prompt.

Kdy je AI workflow zbytečný

AI workflow může být přestřelený. Někdy se z jednoduché úlohy udělá složitý systém jen proto, že se používají agenti, orchestrace a nástroje. To obvykle nepřinese lepší výsledek, ale vyšší náklady a horší údržbu.

• Krátké přeformulování textu – nepotřebuje workflow s více kroky.
• Jednoduché shrnutí – pokud nejde o citlivý dokument, může stačit jeden modelový krok.
• Pevný proces bez rozhodování – může ho zvládnout běžná automatizace.
• Nekvalitní data – workflow nezachrání neaktuální dokumenty, duplicitní znalostní bázi nebo rozbitý CRM systém.
• Chybějící vlastník procesu – pokud nikdo neví, kdo má výstup kontrolovat, AI workflow jen schová odpovědnost.

Dobré pravidlo zní: nejdřív navrhnout nejjednodušší funkční postup. AI workflow má smysl přidávat až tam, kde řeší konkrétní problém.

Časté chyby při návrhu AI workflow

AI workflow často neselhává kvůli tomu, že by model neuměl odpovídat. Selhává proto, že proces kolem modelu není dobře navržený. Systém má nekvalitní zdroje, nejasné role, chybějící kontrolu nebo příliš velká oprávnění.

• Příliš volný vstup do modelu – systém posílá modelu vše najednou a doufá, že si poradí.
• Nejasné kroky – není jasné, kdy se má vyhledávat, kdy generovat a kdy kontrolovat.
• Slabý retrieval – model odpovídá podle špatných nebo neaktuálních dokumentů.
• Chybějící oprávnění – AI může použít data, která uživatel nemá vidět.
• Žádná lidská kontrola – systém automaticky provádí i kroky, které by měl schválit člověk.
• Chybějící logování – po chybě nejde zjistit, kde problém vznikl.
• Příliš mnoho agentů – workflow je pomalý, drahý a nepřehledný.
• Testování jen na ideálních ukázkách – systém funguje v demu, ale selže na reálných okrajových případech.

Jak navrhnout AI workflow ve firmě

U firemního nasazení je největší chyba začít nástrojem. Správný postup je opačný. Nejdřív je potřeba popsat proces a teprve potom určit, kde má AI skutečně pomoci.

1. Vyberte konkrétní proces – například reklamace, obchodní e-mail, kontrola smlouvy nebo interní dotaz.
2. Popište vstup – odkud požadavek přichází a v jaké podobě.
3. Rozepište kroky – co se musí stát před tím, než vznikne výstup.
4. Určete roli AI – klasifikace, retrieval, shrnutí, návrh odpovědi, kontrola nebo příprava akce.
5. Vymezte zdroje dat – odkud systém smí čerpat a které dokumenty mají přednost.
6. Nastavte nástroje – co systém smí číst, co smí navrhnout a co smí provést.
7. Přidejte kontrolní body – kdy má výstup schválit člověk.
8. Zaveďte logování – aby bylo možné dohledat průběh a chyby.
9. Testujte na reálných případech – ne jen na jednoduchých demo dotazech.

Teprve když tento návrh dává smysl procesně, má smysl řešit konkrétní model, framework nebo integrační platformu.

Jak poznat dobrý AI workflow

Dobrý AI workflow je srozumitelný i člověku mimo technický tým. Dá se vysvětlit, co systém dělá, proč to dělá, kde bere informace, kdy používá nástroje a kdy se zastaví.

• Každý krok má důvod – ve workflow není nic jen proto, že to umožňuje framework.
• Role AI je jasná – systém neřeší všechno najednou, ale má konkrétní úkol.
• Výstupy jsou kontrolovatelné – další krok nedostává nejasný volný text, ale použitelný mezivýstup.
• Oprávnění jsou omezená – AI vidí a dělá jen to, co ke své roli potřebuje.
• Citlivé akce mají schválení – odesílání, mazání, změny záznamů nebo finanční kroky nejdou automaticky bez pravidel.
• Systém umí říct „nevím“ – když chybí data, nepokračuje sebejistě dál.
• Chyby jsou dohledatelné – je jasné, který krok selhal a proč.
• Proces lze zjednodušit – pokud některý krok nepřidává hodnotu, dá se odstranit.

AI workflow v běžném jazyce

AI workflow si můžete představit jako pracovní linku. Na začátku přijde vstup. Potom se zkontroluje, roztřídí, doplní o potřebné informace, zpracuje, ověří a předá dál.

Rozdíl proti běžné lince je v tom, že některé kroky nedělá člověk ani pevné pravidlo, ale AI. Ta umí pracovat s jazykem, nejasným vstupem, dokumenty a kontextem. Právě proto je užitečná. Zároveň ale potřebuje mantinely, protože sama od sebe nezná firemní odpovědnosti, oprávnění ani rizika.

Dobře navržený AI workflow tedy nestojí na otázce „co všechno může AI udělat?“. Stojí na otázce „který krok procesu má AI zlepšit a jak zajistíme, že výsledek bude správný, bezpečný a dohledatelný?“

Související pojmy

• Workflow – sled kroků, které vedou od vstupu k výsledku.
• Orchestrace – řízení kroků, agentů, nástrojů a kontrol v rámci AI systému.
• AI agent – systém, který může plánovat kroky, používat nástroje a reagovat na výsledek.
• Multi-agent systém – systém, ve kterém spolupracuje více AI agentů s různými rolemi.
• Agentic AI – AI systém zaměřený na sledování cíle, plánování kroků a používání nástrojů.
• RAG – architektura, která kombinuje vyhledání relevantních informací s generováním odpovědi.
• Retrieval – vyhledání relevantních informací, které se předají modelu jako podklad.
• Chunking – rozdělení dlouhých dokumentů na menší části pro snazší vyhledávání a práci s kontextem.
• Embedding – číselná reprezentace obsahu, která umožňuje hledat podle významové podobnosti.
• Prompt engineering – návrh zadání pro model nebo agenta tak, aby výstup odpovídal cíli, formátu a omezením.
• Velký jazykový model (LLM) – jazykový model, který může být použit jako část AI workflow.
• Multimodální modely – modely pracující s více typy vstupů, například textem, obrázky, dokumenty nebo zvukem.
• Generativní AI – AI zaměřená na tvorbu textu, obrázků, kódu, zvuku nebo jiných výstupů.
• Strojové učení – širší oblast AI, ve které se modely učí z dat, zkušeností nebo zpětné vazby.
• Human-in-the-loop – zapojení člověka do procesu tam, kde je potřeba kontrola, schválení nebo odpovědnost.
• Tool calling – schopnost modelu nebo agenta použít externí nástroj, například vyhledávání, databázi nebo API.
• Auditní stopa – záznam kroků, vstupů a rozhodnutí, podle kterého lze zpětně zjistit, co systém udělal.

Zdroje a další čtení

• What are Agentic Workflows? – ibm.com – červen 2026 – vysvětluje agentní workflow jako AI řízené procesy, ve kterých agenti rozhodují, používají nástroje a koordinují úkoly.
• Agentic workflows – ibm.com – červen 2026 – dokumentace k workflow jako znovupoužitelným strukturám s aktivitami, nástroji, vstupem od uživatele a větvením logiky.
• Workflows and agents – docs.langchain.com – červen 2026 – vysvětluje rozdíl mezi workflows s předem danými kroky a agenty, kteří dynamicky určují vlastní postup.
• LangGraph – langchain.com – červen 2026 – framework pro tvorbu agentů a workflows se stavem, pamětí, streamingem a human-in-the-loop prvky.
• Workflow orchestration agents – docs.aws.amazon.com – červen 2026 – AWS dokumentace k workflow agentům, kteří koordinují cíle a kroky v multi-agent prostředích.
• Agentic AI patterns and workflows on AWS – docs.aws.amazon.com – červen 2026 – přehled agentních vzorů a workflow pro návrh goal-oriented AI agentů.
• Guide to multi-agent systems (MAS) – cloud.google.com – červen 2026 – vysvětluje multi-agent systémy jako spolupráci více autonomních agentů ve sdíleném prostředí.
• Temporal for AI – temporal.io – červen 2026 – popisuje durable workflow přístup k AI aplikacím, práci se stavem, obnově po chybách a orchestraci nástrojů.
• What is AI Agent Orchestration? – salesforce.com – červen 2026 – vysvětluje orchestraci agentů včetně přístupu k datům, pravidel provádění a eskalace na člověka.
• RAG – krcmic.cz – červen 2026 – navazující článek k architektuře, ve které se nejdřív vyhledají podklady a teprve potom se generuje odpověď.
• Retrieval – krcmic.cz – červen 2026 – navazující článek k vyhledání relevantních informací, které model používá jako podklad.
• Embedding – krcmic.cz – červen 2026 – navazující článek k číselné reprezentaci textu, dokumentů nebo jiného obsahu pro významové vyhledávání.