Jedným volaním LLM dosiahnete len obmedzené výsledky.
Prompt v chatovacom okne je sám osebe izolovaný, náchylný na halucinácie a uväznený na obrazovke jediného človeka. Môže síce ušetriť čas, no zároveň dokáže vygenerovať zdanlivo správny výstup, ktorý stále musí niekto overiť a dočistiť.
Vyššia hodnota neprichádza s písaním lepších promptov. Vyviera zo skladania volaní LLM do ucelenej architektúry: špecializovaných agentov, jasných hierarchií, autonómnych cyklov vykonávania úloh, zdieľaných nástrojov a schvaľovania ľuďmi v tých správnych bodoch.
Keď majú tieto časti jasne definované hranice a kontrolné mechanizmy, individuálne zrýchlenie práce sa premení na schopnosť, ktorú dokáže využiť celá organizácia. Presne takto sa náš tím v BRACKETS posunul od chatovacích okien k hybridnému tímu ľudí a AI.
1. fáza: AI sa presúva do terminálu
Začali sme presne tam, kde väčšina ostatných tímov. LLM sme využívali ako nástroje na dopĺňanie kódu, chatovacích asistentov a ako rýchly spôsob na analýzu textov či sumarizáciu dokumentov.
To sa zmenilo koncom roka 2025 a začiatkom roka 2026 s príchodom modelov s pokročilým uvažovaním. Veľkú časť našej práce sme presunuli z ChatGPT na Claude a v termináli sme začali intenzívne využívať Claude Code. Stal sa naším štandardným vývojárskym rozhraním, zatiaľ čo webové rozhranie zostalo užitočné pre iné úlohy.
Terminál od základu zmenil rolu samotného modelu. Dokázal prečítať celý repozitár, spúšťať príkazy, vykonávať testy a priamo upravovať súbory. Už neodpovedal na otázky popri práci. Pracoval priamo v nej.
Netechnickí kolegovia čoskoro uvideli rovnaký potenciál. Toto rozhranie dokázalo podporiť pravidelný výskum, tvorbu reportov o trhu a interné procesy. Nástroje ako Claude Cowork sprístupnili tieto možnosti všetkým bez toho, aby museli pracovať v termináli.
2. fáza: Nástroje a špecializovaní agenti
Model Context Protocol priniesol modelom štandardizovaný spôsob používania nástrojov. Kalendáre, e-maily, systémy CRM a databázy sa stali priamou súčasťou pracovných procesov.
Namiesto manuálneho presúvania informácií medzi systémami mohol kolega požiadať model, aby analyzoval prepis stretnutia, uložil poznámky do CRM a naplánoval ďalšie kroky. Model dokázal dokončiť celú sekvenciu prostredníctvom prepojených nástrojov.
Zároveň sme začali vytvárať špecializovaných agentov. Každý mal presne definovanú rolu, konkrétny súbor zručností, kontext daného projektu a obmedzené oprávnenia na prácu s nástrojmi. Vývojársky agent mohol byť prispôsobený konkrétnemu frameworku a repozitáru, zatiaľ čo obchodný agent pracoval s analýzami trhu a dátami v CRM.
Agenti navyše dokázali delegovať prácu. Koordinátor mohol prijať všeobecný cieľ a prideliť konkrétne úlohy agentom na prieskum, tvorbu textov, zadania pre dizajn alebo samotnú implementáciu. Kontext sa už nemusel zmestiť do jedného obrovského promptu. Mohol sa rozdeliť podľa zodpovednosti.
Toto je jeden z praktických rozdielov medzi chatovacím asistentom a agentovým inžinierstvom. Práca je rozložená na menšie časti, oprávnenia sú jasne definované a každá fáza má svojho jasného vlastníka.
3. fáza: Autonómne cykly v cloudových sandboxoch
Ďalšou prekážkou bol synchrónny cyklus: napísať prompt, počkať, skontrolovať a znova napísať prompt. Veľkú časť tohto neustáleho usmerňovania sme nahradili štruktúrovaným autonómnym vykonávaním úloh.
Agent mohol dostať backlog s 30 či 40 úlohami, spracovávať ich postupne alebo paralelne (ak boli od seba nezávislé), spúšťať testy, opravovať syntaktické chyby a pokračovať v práci, zatiaľ čo ľudský tím sa venoval niečomu inému.
Dlhotrvajúca práca nepatrí na laptop. Režim spánku, obmedzený výpočtový výkon a prístup k lokálnym súborom robili takéto nastavenie príliš zraniteľným. Spúšťanie sme preto presunuli do izolovaných cloudových sandboxov vybudovaných pre každý projekt. Agenti mohli bežať ďalej, zatiaľ čo ich prístup zostal bezpečne uzatvorený v prostredí, ktoré potrebovali.
Táto architektúra podporovala ucelené pracovné procesy. Jeden proces premenil hrubé zadanie na detailné používateľské príbehy (user stories) pripravené na kontrolu človekom. Ďalší proces potom schválené príbehy previedol fázami implementácie, testovania a bezpečnostných kontrol.
Tento postup sme využili aj pri priamej migrácii legacy kódu jedna k jednej. Celý projekt trval iba dva týždne:
| Fáza | Trvanie | Zodpovednosť |
|---|---|---|
| Príprava a pravidlá | 4 – 5 dní | Ľudskí inžinieri definovali workflow, cieľovú architektúru, prompty a mantinely testovania. |
| Autonómne vykonávanie | 2,5 dňa | Agenti prebudovali aplikáciu a spúšťali testy prostredníctvom tisícov sekvenčných volaní LLM. |
| Kontrola a dočistenie | 5 – 6 dní | Ľudskí inžinieri otestovali hraničné prípady, zapracovali opravy a dokončili bezpečnostný audit. |
Jediný prompt by nedokázal spoľahlivo prepísať aplikáciu. Výsledok bol dosiahnutý vďaka štruktúre vybudovanej okolo modelu a vďaka práci ľudí pred autonómnym vykonávaním a po ňom.
4. fáza: Práca sa stala viditeľnou v Slacku
Technický workflow sa zlepšil, no spolupráca bola naďalej komplikovaná. Relácie s AI stále bežali na jednotlivých počítačoch. Kolegovia nemali prehľad o tom, čo agent robí, nemohli pridať kontext ani urobiť rýchle rozhodnutia bez toho, aby oslovili človeka, u ktorého táto relácia bežala.
Claude Tag preniesol tieto interakcie priamo do Slacku. Úloha mohla začať vo verejnom kanáli, agent ju prevzal a tím mohol sledovať priebeh a korigovať smerovanie v tom istom vlákne. Zdieľaný kontext eliminoval veľkú časť priebežných aktualizácií stavu a zložitého odovzdávania práce.
Ekonomická stránka však nebola ideálna. Aktivita v kanáli sa účtovala na základe spotrebovaných tokenov, a nie formou fixného predplatného pre používateľov. Pri plnom vyťažení tímom dosahovali očakávané náklady tisíce dolárov mesačne. Tento model naceňovania odrádzal od zdieľania informácií a spolupráce, ktoré robili celé riešenie hodnotným.
5. fáza: Vrstva agentov nezávislá od poskytovateľa
Chceli sme zachovať zdieľaný workflow, ale bez toho, aby sme celý systém naviazali na jedného poskytovateľa modelov. Presunuli sme preto agentov na AgentConnect, otvorenú platformu nezávislú od konkrétneho poskytovateľa. Nástroje, zručnosti aj definované hranice zostali zachované, zatiaľ čo samotný model na pozadí sa dal kedykoľvek zmeniť jednoduchou úpravou konfigurácie.
Vďaka tomu sme získali špecializovaných Slack agentov pre niekoľko typov úloh:
- Vývoj softvéru: agenti prispôsobení konkrétnym technológiám (stackom), frameworkom a repozitárom.
- Marketing a predaj: agenti zabezpečujúci prieskum, prípravu kampaní a aktualizácie CRM.
- Právne záležitosti: agenti kontrolujúci zmluvy na základe definovaných pravidiel.
- Prevádzka: univerzálni agenti na podporu pravidelných interných úloh.
Každý agent má explicitne pridelený prístup k projektom, nástrojom a Slack kanálom. Pravidlá taktiež definujú, ktorí agenti môžu komunikovať medzi sebou.
To umožňuje napríklad workflow podpory prirodzene rozdeliť. Jeden agent analyzuje hlásenie o chybe. Druhý pripraví návrh odpovede, ktorý následne skontroluje kolega. Tretí zatiaľ na pozadí začne pracovať na oprave. Pri požiadavke na novú funkciu (feature request) môžu agenti priamo v Slacku požiadať zadávateľa o vysvetlenie, pripraviť pull request, spustiť peer review a výsledok odovzdať človeku na finálne schválenie.
Celý proces rešpektuje kontrolné mechanizmy softvérového inžinierstva, na ktoré sa už dnes spoliehame: code review, automatizované testy, bezpečnostné kontroly a finálne schválenie človekom. Architektúra mení iba to, kto jednotlivé kroky vykonáva a ako rýchlo sa medzi nimi práca presúva.
Kde sme dnes
Dnes máme v celom našom pracovnom prostredí spustených 17 špecializovaných agentov, ktorí denne spracujú približne 60 miliónov tokenov. Stále testujeme ich limity, pridávame nové funkcie a sprísňujeme ich obmedzenia všade tam, kde objavíme slabé miesto.
V jedinom vlákne na Slacku tak môžu traja ľudia a dvaja agenti spoločne pracovať na tej istej funkcii. Každý jasne vidí, kto má rozhodovacie právo, do ktorých systémov má jednotlivý agent prístup a kde sa vyžaduje schválenie človekom.
Táto prehľadnosť je rovnako dôležitá ako samotný výkon modelu. Súkromný asistent dokáže zrýchliť prácu jedného človeka. Riadená architektúra agentov však zabezpečí, že vykonaná práca je opakovane použiteľná, kontrolovateľná a prístupná pre celý tím.
Nenahradili sme náš tím umelou inteligenciou. Navrhli sme systém, v ktorom ľudia a agenti nesú odlišnú zodpovednosť. Hodnota spočíva práve v tejto architektúre.