Agentní logika jako klíč k adopci AI ve firmách

IBM Research v článku na Hugging Face argumentuje, že škálovatelná adopce AI ve firmách nebude stát jen na silnějších jazykových modelech. Klíčová má být takzvaná agentní logika: vrstva, která model vede skrz konkrétní firemní workflow.

Jinými slovy, samotné LLM je schopné, ale ve firemním prostředí často potřebuje strukturované vodítko.

Co IBM myslí agentní logikou

Agentní logika podle článku znamená softwarové prvky, které fungují na úrovni agenta nebo agentního harnessu. Patří sem například:

znalostní grafy
algoritmy
knihovny pro analýzu programů
plánování a orchestrace
policy-as-code pravidla

Jejich úkolem není nahradit jazykový model. Spíš zmenšit prostor, ve kterém se model musí rozhodovat, a nasměrovat ho na relevantní část workflow.

To je důležité hlavně proto, že firemní procesy jsou často:

dynamické a dlouhotrvající
napojené na mnoho API, databází a služeb
omezené firemními pravidly, bezpečností a regulací

Model s velkým kontextovým oknem sice může pojmout hodně informací, ale větší kontext automaticky neznamená lepší výsledek. Může znamenat víc tokenů, vyšší cenu a větší prostor pro halucinace.

Co IBM ukazuje na příkladech

IBM nepopisuje agentní logiku jen teoreticky. Článek uvádí několik oblastí, kde ji testovali v konkrétních firemních scénářích.

U porozumění legacy aplikacím v Cobolu a PL/I používá IBM watsonx Code Assistant for Z statickou analýzu aplikací a předindexovanou reprezentaci ve strukturované databázi. Podle článku tento přístup u systémů až do 1 milionu řádků kódu a 1 000 programů udržel mírně lepší výkon než baseline LLM-only přístup, ale se zhruba 30× nižší spotřebou tokenů.

U generování testů IBM zmiňuje Aster, interní knihovnu založenou na program analysis a pre/post-processingu dat. V pre-production režimu na více než 75 Java aplikacích IBM CIO uvádí zlepšení line, branch a method coverage o 20–45 % a až 15× nižší spotřebu tokenů oproti silným coding agentům.

U incident response a aplikační resilience IBM pracuje se znalostními grafy, observability daty a lokálně omezeným reasoningem. Proprietární Instana I3 agent podle článku dosáhl až 4× lepšího výsledku než ReAct agent s GPT-5.1 na ITBench.

U code analysis a bug remediation IBM uvádí vícestupňový agentní systém, který měl být 3× lepší při nalezení problematické microservice a 1,6× lepší při opravě bugu, přitom se spotřebou tokenů nižší o 3,7× a 5,9×.

U compliance modernization IBM popisuje multi-agentní systém založený na adaptivním plánování, dynamické dekompozici a workflow sequencing. Podle článku byl 1,3× až 2× výkonnější než agenti s fixními plánovacími strategiemi a v některých komplexních scénářích zvedl úspěšnost ze single digits až nad 80 %.

Proč to není jen o větším kontextu

Společný motiv těchto příkladů je jednoduchý: model nedostane všechno a „nějak si poradí“. Místo toho dostane strukturu, která ho vede.

Program analysis mu pomůže pochopit vztahy v kódu. Znalostní graf omezí hledání v IT stacku. Policy-as-code pravidla oddělí autonomní reasoning od rozhodovacích práv. Orchestrace rozloží compliance úkoly na koordinované kroky.

To je hlavní rozdíl proti naivnímu přístupu „dejme modelu větší kontext“. IBM tvrdí, že agentní logika může zmenšit kontextový prostor, snížit tokenovou spotřebu a zlepšit kvalitu výsledku.

Další případové studie

Zdroj zmiňuje i další dvě oblasti mimo základní enterprise software delivery lifecycle.

První je CUGA, configurable generalist agent, v healthcare scénáři. Tam policy system vynucuje workflow, safe intent handling, tool usage a formátování výstupu nezávisle na promptu a bez fine-tuningu. IBM uvádí zlepšení přesnosti o 15–26 % napříč několika modely.

Druhý příklad je Maximo Condition Insights pro condition-based maintenance fyzických aktiv. Agent analyzuje data ze senzorů, work orders, failure modes a eventů. V interním pilotu s IBM Global Real Estate měl snížit čas analýzy assetu z 15–20 minut na 15–30 sekund a zvýšit pokrytí asset review z přibližně 1 % na 30 %.

Co z toho plyne

Článek dobře ukazuje, že firemní AI není jen otázka výběru nejsilnějšího modelu.

Ve firemním prostředí často rozhoduje to, jestli model pracuje ve správně navrženém systému:

má přístup ke správné reprezentaci dat
rozumí hranicím workflow
je vedený doménovou logikou
umí používat nástroje v kontrolovaném pořadí
a nemusí řešit celý problém jen přes dlouhý prompt

Praktický závěr je podle mě tento: škálovatelná AI adopce ve firmách nebude jen o větších kontextových oknech. Bude o tom, jak dobře dokážeme modely zasadit do agentních systémů, které jim zmenší prostor pro chyby a povedou je skrz reálné firemní workflow.