V poslední době jsem sledoval, jak se mění přístup k provozním službám díky kombinaci moderních modelů a promyšlené orchestrace. Výsledek, který chci představit, není pouhá automatizace rutinních úkonů. Jde o systém, kde specializovaní AI agenti přebírají celou životní dráhu tiketů od příjmu až po vyřešení, a v průměru tak vyřeší až 90 % případů bez potřeby zásahu experta. To má zásadní dopad na rychlost, náklady a zaměření lidských inženýrů na nejnáročnější problémy.
Obsah
- 🔍 Rychlý přehled
- 🤖 Jak systém funguje: role specializovaných agentů
- 🧠 Technologie pod kapotou: modely a blueprinty
- 📈 Výsledky a přínosy: co to mění pro podniky
- 🛠️ Implementace v praxi: kroky, které bych doporučil
- ⚠️ Rizika, omezení a otázky, které musíte vyřešit
- 📂 Příklady použití a scénáře
- 🧩 Složitý tiket: krok za krokem (ilustrativní scénář)
- 🔧 Metody měření úspěchu
- 💡 Doporučení pro vedení
- 📣 Závěr: proč to stojí za pozornost
🔍 Rychlý přehled
Stručně a jasně: ServiceNow nasazuje specializované agenty s definovanými rolemi. Každý agent má jedinečnou dovednost — jeden sbírá kontext z tiketů, jiný provádí triáž pomocí minulých řešení a logů, další testuje a aplikuje nápravná opatření. Když je potřeba eskalace, inženýři obdrží připravený případ včetně analýzy, logů a doporučených kroků. Pod kapotou pracují několikavedoucí modely, například Cloud Frontier modely, ServiceNow April a NVIDIA Nemotron podle blueprintu NVIDIA IQ.
Výsledek? Úspora času i kapacit: backlogy klesají, doby odezvy se zkracují a odborníci se mohou věnovat jen těm nejsložitějším incidentům.
🤖 Jak systém funguje: role specializovaných agentů
Představuji systém jako tým malých, ale vysoce zaměřených inteligentních pracovníků. Každý z nich vykonává jasně definovanou úlohu a předává kontext dalším. Tato segmentace připomíná moderní principy microservices, ale uplatněná na logiku rozhodování a opravy.
Case agent — první kontakt
První linka je agent, kterému přicházejí nové tikety. Funguje jako recepční a archivář v jednom. Jeho úlohy zahrnují:
- čtení popisu problému a přiložených screenshotů;
- ověření, že ticket obsahuje dostatečný kontext (user, systém, čas, kroky k reprodukci);
- standardizace informací a formátování pro další zpracování;
- předání kontextu dalším agentům, často s využitím sémantického shrnutí.
Jako autor tohoto přístupu považuji tento krok za klíčový. Kvalitní předzpracování velmi zvyšuje úspěšnost následujících fází.
Triage agent — identifikace a plán
Triage agent prochází dostupné zdroje: knowledge base, historická řešení, systémové logy a interní průvodce. Jeho úkolem je rychle určit pravděpodobnou příčinu a vybrat nejefektivnější akci.
Typické činnosti triage agenta:
- vyhledání podobných případů v minulosti;
- porovnání symptomů s osvědčenými opravami;
- připraví krokový plán řešení s odhadovaným rizikem a časem;
- označí, kdy je nutné okamžité eskalování.
Právě triage agent výrazně redukuje počet případů vyžadujících lidskou analýzu, protože většina incidentů má opakující se příčiny nebo snadno automatizovatelná řešení.
Resolution agent — ověření a oprava
Resolution agent poté potvrdí kořenovou příčinu, aplikuje nápravné kroky a aktualizuje záznam případu. Ten zahrnuje nejen provedenou akci, ale také ověření, že problém skutečně zmizel.
Klíčové funkce resolution agenta:
- spuštění automatických oprav nebo konfigurací;
- ověření účinnosti zásahu (kontrolní testy, sanity checks);
- dokumentace kroku po kroku v tiketovém systému;
- navrhování preventivních opatření a aktualizace knowledge base.
V mnoha případech tato úroveň agentů dokáže problém vyřešit sama. Pokud ne, připraví eskalaci s kompletním podkladem.
Eskalace — připravený případ pro inženýry
Když problém přesáhne schopnosti autonomních agentů, přichází na řadu lidský expert. Rozdíl oproti tradiční eskalaci je ten, že inženýr dostane kompletní, strukturovaný a ověřený případ:
- analýzu a důkazy o provedených krocích;
- protokoly a relevantní logy;
- navržené možné postupy a jejich rizika;
- odhadovaný dopad a priority.
Taková předpřipravenost šetří expertům desítky minut až hodiny, které by jinak strávili sháněním informací a reprodukcí problému.
🧠 Technologie pod kapotou: modely a blueprinty
Nejde jen o orchestraci agentů. Jde o to, jaké modely a architektury jim dávají inteligenci. V řešení, které popisuji, se používají kombinace proprietárních a otevřených modelů, z nichž každý hraje svou roli.
Co je za agenty
Hlavní komponenty:
- Cloud Frontier modely — moderní velké jazykové modely optimalizované pro cloudové prostředí a škálovatelnost.
- ServiceNow April — model specificky vytrénovaný a integrovaný do ServiceNow platformy pro porozumění tiketům a interním procesům.
- NVIDIA Nemotron — model nasazený podle blueprintu NVIDIA IQ, který doplňuje výpočtový výkon a multimodální schopnosti (např. rozpoznávání screenshotů a logů).
Tento mix umožňuje využít to nejlepší z každého modelu: robustní porozumění textu, rychlé dotazy na interní knowledge base a zpracování vizuálních důkazů. Důležitou roli hraje také orchestrátor, který řídí tok informací mezi agenty a dbá na konzistenci stavu případu.
Context management a paměť
Efektivní předávání kontextu je zásadní. Agenti nepracují izolovaně — každý předává relevantní část kontextu dál v kompaktní, sémanticky bohaté formě. To zahrnuje:
- shrnutí historie incidentu;
- klíčové logy a metriky;
- relevantní postupy z knowledge base;
- metadata jako systémové verze a konfigurační detaily.
Správné uložení a indexace těchto dat umožňuje agentům rychle vyhledávat podobné případy a provádět přesné rozhodnutí.
📈 Výsledky a přínosy: co to mění pro podniky
Jako autor, který se dlouhodobě zabývá provozní efektivitou, vidím v tomto přístupu řadu hmatatelných přínosů:
- Snížení backlogů a zkrácení doby řešení — automatizované kroky zkracují čas od nahlášení k opravě.
- Strategické nasazení expertů — inženýři se soustředí na složité, high-risk incidenty, zatímco agenti řeší opakované a rutinní problémy.
- Větší konzistence v řešeních — postupy jsou aplikovány jednotně, dokumentace je kompletní a znalostní báze se průběžně aktualizuje.
- Nižší provozní náklady — méně hodin expertů strávených nad rutinními tikety znamená úsporu nákladů.
- Lepší zákaznická zkušenost — rychlejší odpovědi a opravné akce vedou k vyšší spokojenosti uživatelů.
Konkrétní metrika, o které nejčastěji mluvím, je právě ta, že až 90 % tiketů může být řešeno autonomně — což je transformační číslo pro velké podniky s vysokým objemem požadavků.
🛠️ Implementace v praxi: kroky, které bych doporučil
Pokud bych měl poradit konkrétní postup zavedení, doporučuji přístup etapický a datově řízený. Zde je rámec, kterým se řídím já a který doporučuji ostatním:
- Audit současného procesu
Zmapujte typy tiketů, časy řešení, nejčastější příčiny a existující knowledge base. Identifikujte opakující se vzory, které jsou vhodné pro automatizaci. - Definice agentních rolí
Rozdělte tok práce na jasné role: case agent, triage agent, resolution agent a eskalační agent. Určete, která rozhodnutí mohou být automatická a která vyžadují lidský souhlas. - Pilot na vybraných kategoriích
Začněte s kategoriemi tiketů, které jsou nízkorizikové a vysoce opakovatelné (např. reset hesla, restart služby, běžné konfigurace). - Integrace modelů a dat
Napojte relevantní modely (jazykové, vizuální) na knowledge base a systém logů. Zajistěte bezpečný přístup k datům a auditovatelné logování rozhodnutí. - Monitorování a metriky
Nastavte přehledy: podíl autonomně vyřešených tiketů, průměrná doba řešení, míra chybovosti, počet eskalací, spokojenost uživatelů. - Iterativní zlepšování
Analyzujte chyby, zlepšujte promptování modelů a aktualizujte knowledge base. Přidejte nové kategorie postupně. - Governance a bezpečnost
Zavést pravidla pro přístup k citlivým datům, validaci návrhů a lidské schvalování u kritických zásahů. - Školení a změna v týmu
Investujte do adaptace pracovníků: nové role, správa agentů, audit rozhodnutí a ladění modelů.
Tento postup minimalizuje rizika a umožňuje systematické škálování autonomních agentů v rámci celé organizace.
⚠️ Rizika, omezení a otázky, které musíte vyřešit
Nikdy nejde jen o techniku; jde o provozní realitu. Tady jsou klíčová rizika, na která já vždy upozorňuji:
1. Přesnost a halucinace
Modely mohou občas preferovat plausibilní, ale nesprávné odpovědi. Je nezbytné mít validační kroky a kontrolní mechanismy, které zabrání aplikaci nevhodných oprav.
2. Bezpečnost a ochrana dat
Agenti pracují s citlivými logy, konfiguracemi a někdy i osobními údaji. Musíte zajistit šifrovaný přenos, omezený přístup a auditní stopy všech rozhodnutí.
3. Soulad s pravidly a compliance
V regulačních prostředích musí být změny a zásahy auditovatelné. Každý automatizovaný krok by měl mít jasnou historii a odpovědnost.
4. Změna kultury a odpovědnosti
Implementace agentů mění roli IT týmů. Lidé musí přijmout nové úkoly — ladění modelů, validaci výstupů a řešení složitých případů. Bez tohoto posunu nelze dosáhnout dlouhodobého úspěchu.
5. Náklady a provozní náročnost
Výkon modelů a orchestrace přináší náklady. Je třeba zvážit poměr mezi investicí do infrastruktury a úsporami z automatizace.
📂 Příklady použití a scénáře
Pro lepší představu uvádím konkrétní scénáře, kde takový systém přináší okamžitou hodnotu.
IT helpdesk
Typický tiket: uživatel nahlásí, že se nemůže přihlásit do interní aplikace. Case agent shromáždí screenshoty a informace o uživateli. Triage agent prohledá historii podobných incidentů a zjistí, že problém je často způsobený expirovanou tokenovou službou. Resolution agent obnoví token nebo provede automatický reset session cache a otestuje přihlášení. Pokud problém přetrvává, eskaluje se s připraveným logem a návrhem.
Provoz cloudové infrastruktury
Monitorovací nástroj upozorní na spike CPU na instanci. Case agent připraví kontext, triage agent porovná metriky a nasadí dočasné škálování. Resolution agent upraví autoscaling policies nebo restartuje problematický proces a sleduje metriky. Problém většinou zmizí bez zásahu operátora.
Zákaznická podpora
V call centru agent automaticky klasifikuje dotazy a odpovídá na často kladené otázky. Komplexnější problémy jsou předány lidskému specialistovi s kompletním kontextem a historií komunikace.
HR a administrativní servis
Žádosti o přístup, nastavení pracovního stroje nebo informace o benefitech mohou být řešeny automaticky. Tím se zrychlí onboarding a odpadne rutinní administrativní zátěž.
🧩 Složitý tiket: krok za krokem (ilustrativní scénář)
Pro lepší porozumění popisuji detailní scénář, kterým bych já sám ověřil připravenost systému:
- Přijetí — nový tiket obsahuje screenshot a hlášku chyby. Case agent extrahuje metadata a normalizuje popis.
- Rychlá triáž — triage agent najde 12 podobných případů v posledních 6 týdnech. V 9 z nich pomohla obnova konfigurace služby.
- Plán akce — agent navrhne sekvenci: zálohovat konfiguraci, obnovit nastavení A, restartovat službu, ověřit stav služby.
- Automatická oprava — resolution agent provede akce v neproduktivním okně, zaznamená výsledky a ověří, že chyba se již neobjevuje.
- Dokumentace — tiket je uzavřen s podrobnou notou, která doplní knowledge base pro budoucí triáže.
- Eskalace (pokud potřeba) — kdyby testy selhaly, agent by vytvořil připravený balík pro inženýra s přesným výstřihem logů a kroky reprodukce.
Takový příběh ukazuje, proč se mnoho opakujících se tiketů stává zcela autonomními a proč experti musí zasahovat jen výjimečně.
🔧 Metody měření úspěchu
Když nasazuji nebo hodnotím takový systém, sleduji několik klíčových metrik:
- Podíl autonomně vyřešených tiketů — hlavní KPI. Cíl: postupný růst až k prahu 80–90 % u vhodných kategorií.
- Průměrná doba řešení — měřeno celkově a pro autonomní vs eskalované případy.
- Míra návratu (recurrence) — kolik tiketů se vrátí se stejným problémem po uzavření.
- Spokojenost uživatelů — NPS nebo CSAT po řešení.
- Míra chyb v zásazích — počet nevhodných nebo škodlivých automatických zásahů.
Tyto metriky dávají jasný pohled na provozní efektivitu i rizika a umožňují datově řízené rozhodování o dalším škálování agentů.
💡 Doporučení pro vedení
Když komunikuji s vedením o investici do agentního přístupu, kladu důraz na následující argumenty:
- Rychlá návratnost investice díky úsporám času expertů a snížení provozních nákladů.
- Zvýšení kapacity bez nutnosti masivního najímání — systém škáluje s rostoucím objemem tiketů.
- Zlepšení zákaznické zkušenosti prostřednictvím rychlé a konzistentní odpovědi.
- Možnost lepšího řízení rizik díky auditovatelnosti a standardizovaným postupům.
Součástí této komunikace musí být i realistický plán transformace, včetně školení týmů a zajištění bezpečnostních požadavků.
📣 Závěr: proč to stojí za pozornost
Věřím, že jsme na prahu změny, která změní operativu služeb z masivně manuální do doby, kdy inteligentní agenti převezmou většinu rutinních rozhodnutí. To, co mi přijde nejpřesvědčivější, není pouze technologická stránka, ale fakt, že tento přístup dává lidem více prostoru pro kreativitu a řešení skutečně náročných problémů.
Citace, která to podle mě vystihuje:
„Přichází nová vlna AI — AI, která umí nejen odpovídat, ale opravdu vykonávat práci.“
Pokud vaše organizace spravuje velký objem tiketů, stojí za úvahu pilotní nasazení s jasnými metrikami úspěchu. Autonomní agenti nejsou všelékem, ale při správné implementaci mohou přinést výrazné provozní a ekonomické benefity.
Rád pomohu s návrhem pilotu nebo s rozborem vašich procesů, pokud budete chtít posunout automatizaci na další úroveň.
