AI agenti už dávno nejsou jen atraktivní demo. Čím dál víc se posouvají do role skutečných pracovních systémů, které umějí plánovat, používat nástroje, pracovat se soubory, komunikovat s aplikacemi a v některých případech i jednat poměrně samostatně. Právě na tomto posunu stojí i příběh společnosti LangChain, kterou Harrison Chase spoluzaložil zhruba před třemi lety.
To, co začalo jako framework pro vývoj aplikací nad velkými jazykovými modely, dnes podle Chasee pomáhá definovat další generaci produkčních agentních systémů. LangChain mezitím překonal miliardu stažení a jeho ekosystém se rozšířil od vývojářských knihoven až po nástroje pro observabilitu, evaluaci a provoz agentů ve velkém měřítku.
Na rozhovoru s Noah Kravitze v NVIDIA AI Podcastu mě nejvíc zaujalo, že se nevedl v rovině hype hesel. Místo toho šel přímo k věci: co je to „deep agent“, proč podniky neřeší jen výkon, ale hlavně důvěru a kontrolu, proč nestačí agenta pouze postavit, ale je potřeba ho neustále vyhodnocovat, a kam se celý obor podle všeho posune dál.
Pokud se dnes orientujete v tématech jako AI agents, agentic systems, LangSmith, Deep Agents, observability, evaluation-driven development nebo kombinace frontier a open models, tenhle rozhovor nabízí velmi střízlivý a praktický rámec, jak o nich přemýšlet.
Obsah
- 🧩 Jak LangChain vznikl a co Harrison Chase rozpoznal velmi brzy
- 🤖 Co jsou „deep agents“ a proč se o nich teď tolik mluví
- 🏢 Proč podniky nechtějí autonomii za každou cenu
- 🔍 Důvěra v AI agenty: proč nestačí, aby „většinou fungovali“
- 🧪 Evaluation-driven development: malá sada testů může změnit úplně všechno
- ⚙️ Iterace je nutnost, ne luxus
- 🛠️ Skills, prostředí a proč agent není jen model
- 🧠 Frontier vs. open models: proč bude důležité je kombinovat
- 🌐 Nemotron Coalition a proč na otevřených modelech záleží
- ⏱️ Co přijde dál: async subagenti, kteří běží na pozadí
- 📬 Always-on a event-driven agenti jako velký produktivní skok
- 🧠 Agent memory: proč si agenti musí pamatovat a učit se
- 🪪 Agent identity: jedna z nejzajímavějších nevyřešených otázek
- 🚀 OpenClaw změnil očekávání od agentů
- 📌 Co si z debaty o Deep Agents odnést
🧩 Jak LangChain vznikl a co Harrison Chase rozpoznal velmi brzy
LangChain nevznikl z teoretické úvahy, ale z velmi praktického pozorování. Harrison Chase si už v rané fázi rozmachu LLM všiml, že lidé kolem modelů nestaví jen jednoduché promptovací vrstvy. Ve skutečnosti vytvářeli celé systémy, které modelům dodávaly data, nástroje, workflow a rozhodovací logiku.
A právě zde viděl opakující se vzorec. Tyto systémy měly navzdory různým use caseům mnoho společného. Současně bylo zřejmé, že jejich složitost poroste. To je okamžik, kdy dává smysl vytvořit vývojářské nástroje, které společné patterny abstrahují a zjednoduší.
Jinými slovy, původní sázka LangChainu byla jednoduchá: aplikace nad LLM budou čím dál víc systémové, ne jen promptové. A pokud jsou systémové, budou potřebovat frameworky, knihovny a provozní tooling.
Dnes to zní samozřejmě. Před třemi lety to ale zdaleka nebylo tak jednoznačné.
Podle Chasee šlo od začátku o snahu pomoci lidem stavět to, čemu dnes běžně říkáme agenti. Tehdy se však spíše mluvilo o „systémech kolem LLM“. Ať už je název jakýkoli, pointa zůstává stejná: model sám o sobě nestačí. Potřebuje okolní infrastrukturu.
🤖 Co jsou „deep agents“ a proč se o nich teď tolik mluví
Jedním z hlavních pojmů, které Harrison Chase v rozhovoru rozebírá, jsou deep agents. Nejde jen o marketingovou nálepku pro „pokročilejšího agenta“. Chase tím označuje konkrétní architektonický přístup, který se podle něj začal v posledním roce opakovaně objevovat u nejzajímavějších agentních systémů.
Jako příklady zmiňuje systémy typu Claude Code, Manus nebo Deep Research. Navenek mohou působit odlišně, ale pod povrchem sdílejí podobný základ:
- LLM běží ve smyčce
- opakovaně volá nástroje
- pracuje se souborovým systémem
- umí plánovat
- může využívat subagenty
- má vyšší míru autonomie v daném prostředí
Tohle je podle Chasee klíčové. Dříve se často kolem každého agenta stavěla nová „scaffolding“ vrstva od nuly. Dnes se ukazuje, že pro mnoho silných use caseů existuje opakovatelný agentní harness, tedy určitý rámec, do kterého se pak pouze dosazují prompty, nástroje a konkrétní úpravy.
Právě tím má být Deep Agents v podání LangChainu. Obecně použitelný, open source, modelově agnostický harness pro stavbu agentů, který není třeba pokaždé znovu vynalézat.
Zajímavé je, že Chase vyzdvihuje jednoduchost. Přestože deep agents umějí složité věci, pod kapotou podle něj stojí na relativně jednoduché myšlence. A to je výhoda. V agentních systémech totiž platí, že příliš komplexní architektura se velmi rychle stává křehkou.
Jinými slovy: deep agent není jen „agent, který toho umí hodně“. Je to agent postavený na opakovatelném architektonickém vzoru, který modelu dává více autonomie v prostředí a dovoluje mu pracovat s nástroji, soubory a plánováním bez nutnosti pokaždé celé řešení přepisovat.
🏢 Proč podniky nechtějí autonomii za každou cenu
Jedna z nejstřízlivějších částí rozhovoru se týká podnikové reality. Chase otevřeně říká něco, co v AI komunitě někdy zaniká: ne všechno potřebuje autonomního agenta.
To je velmi důležité. Když se mluví o agentic AI, snadno vzniká dojem, že cílem je vždy vytvořit co nejsamostatnější systém. Jenže podnikové prostředí funguje jinak než laboratorní demo nebo startupový experiment. Tam hrají roli riziko, compliance, auditovatelnost, bezpečnost a také to, zda je konkrétní úroveň autonomie skutečně nutná.
LangChain proto neprosazuje jediný přístup. Vedle Deep Agents nabízí také LangGraph, který je vhodný tam, kde je potřeba kombinovat schopnosti LLM s více řízenými workflow a vyšší mírou kontroly.
Chase popisuje, že část podnikových zákazníků si řekne jednoduše: Deep Agents jsou zajímaví, ale pro nás je lepší LangGraph. A podle něj je to naprosto v pořádku. Různé use casey vyžadují různé architektury.
Tohle považuji za velmi zdravý signál pro celý obor. Dospělost AI platforem se nepozná podle toho, že všude tlačí stejný model nasazení. Pozná se podle toho, že umějí rozlišit mezi:
- plně autonomním agentem,
- částečně řízeným workflow s LLM,
- a klasickou automatizací, kde model hraje jen pomocnou roli.
V praxi tedy nejde jen o otázku „co agent umí“, ale také „kolik volnosti mu chci dát“ a „jaké důsledky bude mít chyba“.
🔍 Důvěra v AI agenty: proč nestačí, aby „většinou fungovali“
Když se podnik rozhoduje o nasazení autonomnějších agentů, největší otázkou nebývá samotná technologie. Bývá to důvěra.
Chase vysvětluje, že důvěra v tomto kontextu znamená v zásadě jediné: agent dělá to, co po něm organizace chce. A aby tomu podnik mohl uvěřit, potřebuje dvě věci:
- traceability a observability, tedy možnost zpětně vidět, jak agent postupoval,
- evaluaci, tedy systematické testování na sadě scénářů.
Tohle je mimořádně důležité, protože agenti se výrazně liší od tradičního softwaru. Klasická aplikace má obvykle omezené rozhraní a poměrně předvídatelný prostor interakcí. U agenta je to jiné. Textové vstupy jsou prakticky nekonečné, UI může obsahovat mnoho možných akcí a modely jsou navíc nedeterministické.
Jeden drobný rozdíl ve formulaci může vést k odlišné odpovědi. To znamená, že ladění agentů nemůže stát jen na intuici nebo náhodném zkoušení několika promptů.
Právě tady vstupuje do hry LangSmith, který LangChain prezentuje jako platformu pro fáze build, test, run, manage. Samotné build části mohou zajišťovat open source frameworky jako LangGraph nebo Deep Agents. LangSmith se pak stará o:
- testování a evaluace,
- nasazení ve větším měřítku,
- observabilitu, tracing a správu provozu.
V agentním světě to dává velký smysl. Nestačí totiž postavit funkční demo. Potřebujete vidět, proč agent udělal konkrétní krok, kde se ztratil, jaké nástroje použil a jak si vede v čase.
🧪 Evaluation-driven development: malá sada testů může změnit úplně všechno
Jedna z nejpraktičtějších myšlenek rozhovoru se týká evaluation-driven development. Chase upozorňuje na častý omyl: mnoho týmů si myslí, že aby evaluace měly smysl, musí hned připravit stovky nebo tisíce scénářů.
Podle něj to tak není. Začít lze s pěti nebo deseti příklady. To podstatné není velikost datasetu, ale disciplína myšlení.
Vytváření evalů totiž nutí tým přesně si definovat:
- jaké otázky nebo úkoly bude agent dostávat,
- co je považováno za dobrou odpověď,
- co je špatná odpověď,
- jaké chování je žádoucí a jaké už ne.
Tohle je podle mě skvělý postřeh. V praxi totiž týmy často začínají stavět agenta dřív, než si vyjasní produktovou definici úspěchu. Výsledkem bývá systém, který „nějak funguje“, ale nikdo přesně neví, zda skutečně plní svůj účel.
Chase navíc připomíná další důležitou věc: agenti umějí dělat skoro cokoli, ale neměli by dělat všechno. Evaluace tak nejsou jen technickým měřením kvality. Jsou i nástrojem produktového rozhodování a vymezování hranic.
Jakmile eval dataset existuje, lze ho používat průběžně:
- po změně promptu,
- po úpravě nástroje,
- po výměně modelu,
- po rozšíření agentního harnessu.
Tým pak hned vidí, jestli se systém zlepšil, nebo naopak zhoršil. A to je přesně ten typ inženýrské zpětné vazby, bez níž se produkční agenti neobejdou.
Jak se evaly vyvíjejí v čase
Další důležitý detail je, že evaluace nejsou jednorázová aktivita. Jakmile se agent dostane mezi uživatele, začnou se objevovat neočekávané způsoby používání.
Některé z nich organizace vyhodnotí jako nežádoucí a nastaví guardrails. Jiné ale mohou být zcela legitimní a dokonce velmi cenné. V takové chvíli dává smysl přidat je do eval datasetu, aby budoucí změny systému tuto nově objevenou užitečnost nerozbily.
Tohle je vlastně velmi blízké modernímu produktovému vývoji. Rozdíl je v tom, že u agentů je prostor chování mnohem širší a méně předvídatelný.
⚙️ Iterace je nutnost, ne luxus
Podniky bývají opatrné, což je pochopitelné. Jenže právě u agentních systémů může být příliš pomalý cyklus vývoje zásadní problém.
Chase popisuje nebezpečný scénář poměrně jasně. Firma si vymyslí koncept agenta, několik měsíců sbírá příklady, další měsíce staví řešení a ještě další měsíce řeší interní schvalování. Když je systém konečně připraven, trh a technologie už jsou jinde.
V AI se to děje obzvlášť rychle. Mění se modely, agentní architektury, runtime prostředí i možnosti nástrojů. To, co bylo před rokem a půl považováno za slušné řešení, může dnes působit zastarale.
Chase jde dokonce tak daleko, že říká: pokud firma používá agentní architekturu starou asi rok a půl, měla by vážně uvažovat o přepisu na modernější harness.
Důvod není jen vyšší výkon. Jde také o rozsah toho, co agent dokáže. Dříve mohlo dávat smysl automatizovat jen malý úkol, protože modely a architektury na víc nestačily. Dnes už ale může být možné zvládnout větší a hodnotnější kus práce. Pokud organizace tuto možnost průběžně nepřehodnocuje, může přehlédnout největší příležitosti.
Podniková AI strategie tedy podle tohoto pohledu potřebuje něco, co některým tradičním organizacím není úplně přirozené: malé řízené experimenty s omezeným blast radiusem.
Chase jako příklady zmiňuje:
- interní rollout,
- alfa skupinu zákazníků,
- nasazení pro malé procento uživatelů.
Nejde o bezhlavé pouštění agentů do produkce. Jde o chytrou iteraci s kontrolovaným rizikem.
🛠️ Skills, prostředí a proč agent není jen model
Zajímavou částí debaty byly také tzv. skills. Chase je popisuje jako způsob, jak pro agenta zabalit znalosti, instrukce a nástroje do znovupoužitelné formy.
Ve světě kódovacích agentů může skill vypadat třeba jako markdownový soubor s instrukcemi plus skripty, které lze spouštět. To je elegantní, protože agent získá nejen vysvětlení, co dělat, ale i konkrétní vykonatelný mechanismus.
Skills mohou mít různé podoby:
- čistě informační, kdy agent čte instrukce nebo dokumentaci,
- akční, kdy spouští Python skripty, volá URL nebo využívá GPU akcelerovaný výpočet.
Tím se dostáváme k širšímu modelu, jak LangChain přemýšlí o agentech. Podle Chasee se agent skládá ze tří částí:
- model,
- harness,
- environment neboli runtime.
Právě prostředí je často podceňované. Přitom rozhoduje o tom, jaké nástroje má agent k dispozici, jak bezpečně běží, zda je izolovaný, zda pracuje v cloudu, lokálně nebo na GPU infrastruktuře.
Chase v této souvislosti zmiňuje také OpenShell od NVIDIE jako bezpečné runtime prostředí. To dobře ilustruje, že budoucnost agentů se nebude točit jen kolem lepších modelů. Stejně důležitá bude kombinace:
- schopného modelu,
- dobře navrženého harnessu,
- a bezpečného, flexibilního runtime prostředí.
🧠 Frontier vs. open models: proč bude důležité je kombinovat
Další silné téma rozhovoru se týká modelové strategie. V AI se často vede debata, zda jsou lepší frontier modely, nebo open models. Chase k tomu přistupuje praktičtěji: v mnoha agentních systémech bude nejlepší kombinace obojího.
Jako příklad uvádí víceagentní systémy typu deep research. Nad nimi může stát orchestrátor používající špičkový frontier model. Pod ním ale mohou běžet subagenti, kteří jsou specializovaní a využívají:
- open source modely,
- fine-tuned modely,
- nebo levnější modely kvůli nákladům a latenci.
Tohle je velmi racionální architektura. Ne každá část systému potřebuje nejdražší model. Někdy stačí otevřený model, pokud je dost dobrý na konkrétní dílčí úkol.
Chase zároveň upozorňuje, že otevřené modely se v poslední době zlepšují natolik, že začínají zvládat i samotné řízení harnessu. To bylo dlouho vyhrazeno hlavně frontier modelům.
Jaké vlastnosti musí mít model, aby „utáhl“ agentní harness
Na přímou otázku, co model potřebuje, aby mohl úspěšně řídit agentní harness, Chase odpovídá v zásadě jednoduše: musí být chytrý a dobrý. Pak ale přidává zajímavější a konkrétnější poznámku: pravděpodobně musí být dobrý v kódování.
To je důležitý detail. Mnoho agentních harnessů totiž připomíná svět kódovacích agentů. Obsahují souborový systém, shell, nástroje a operace, které se podobají programátorské práci. Model trénovaný nebo optimalizovaný na coding tasks proto může být překvapivě dobrým obecným agentem.
Chase dokonce říká, že například některé coding varianty modelů fungují jako lepší obecní agenti než jejich „běžné“ verze. Důvod je prostý: rozumějí nástrojům a prostředí, ve kterém se agent pohybuje.
To je velmi praktická rada pro každého, kdo agentní systémy navrhuje. Nevybírat model jen podle benchmarků na konverzaci, ale i podle toho, jak dobře zvládá práci s nástroji, strukturou úloh a prostředím podobným shellu nebo souborovému systému.
🌐 Nemotron Coalition a proč na otevřených modelech záleží
LangChain se připojil k iniciativě Nemotron Coalition, kterou NVIDIA představila kolem otevřených modelů. Pro Chasee je důvod poměrně jasný: pokud mají být agentní systémy široce nasaditelné, budou potřebovat nejen otevřené harnessy, ale i otevřené modely, které tyto harnessy dokážou kvalitně řídit.
Otevřené modely přinášejí několik strategických výhod:
- nižší náklady,
- větší kontrolu nad nasazením,
- lepší práci se citlivými daty,
- větší flexibilitu pro zákazníky.
Dokud ale za frontier modely zaostávají ve schopnosti řídit složitější agentní workloady, jejich role zůstává částečně omezená. Pokud se tato mezera zmenší, může to být podle Chasee transformační.
Zajímavé také je, že vedle otevřeného modelu a otevřeného harnessu zmiňuje i třetí pilíř: otevřený runtime. To je připomínka, že ekosystém agentů se formuje na více vrstvách najednou. Nestačí jen model. Potřebujete celý stack.
Pro orientaci v širším kontextu open modelů a podnikové AI architektury stojí za to sledovat také materiály od NVIDIA Developer nebo obecnější diskuse kolem open-source AI na Hugging Face.
⏱️ Co přijde dál: async subagenti, kteří běží na pozadí
Na otázku, co nás čeká dál, Chase vypichuje několik trendů. První z nich jsou asynchronní subagenti.
Dnes to často funguje tak, že hlavní agent spustí subagenta a čeká, až ten dokončí práci. To je v pořádku u krátkých úloh. Jenže pokud subagent řeší dlouhotrvající experiment, vývoj funkce nebo rozsáhlý výzkum, synchronní čekání přestává být praktické.
Chase si proto představuje model, kdy s člověkem komunikuje hlavně orchestrátor. Ten na pozadí spravuje více dlouho běžících subagentů a průběžně se jich dotazuje, aktualizuje je nebo shrnuje jejich stav.
To může být zásadní posun hlavně u coding agentů. Místo přímé interakce s jedním agentem, který něco kóduje, se z uživatelského pohledu objeví manažerská vrstva. Člověk se nebude ptát „co právě píšeš“, ale spíš „jak pokračuje experiment?“ nebo „v jakém stavu je tahle feature?“
Chase zároveň upozorňuje, že asynchronie sama o sobě není hlavní revoluce. Tou skutečnou změnou bude až to, že subagenti budou schopni běžet opravdu dlouho a samostatně řešit větší úlohy. Asynchronní rozhraní je pak logický důsledek.
📬 Always-on a event-driven agenti jako velký produktivní skok
Ještě silněji než asynchronní subagenty Chase zdůrazňuje jiný trend: vždy zapnuté, proaktivní, event-driven agenty.
Tohle je podle něj jeden z největších budoucích produktivních unlocků. A dává to smysl. Mnoho dnešních AI workflow je stále „ručních“: člověk musí přijít, zkopírovat obsah, vložit ho do modelu, požádat o návrh a výstup zase přenést zpět.
To je použitelné pro ad hoc úkoly, ale neefektivní pro opakující se práci.
Chase uvádí jednoduchý a srozumitelný příklad s e-mailem. Agent běží na pozadí, sleduje příchozí poštu a pokud rozpozná, že by měla vzniknout odpověď, připraví návrh. Člověk pak jen schválí, upraví nebo zamítne. Human-in-the-loop zůstává zachován, ale mizí spousta mechanického přepínání mezi nástroji.
„Tyhle always-on asynchronní event-driven agenti budou opravdu velký produktivní unlock.“
V podnicích je tento princip ještě silnější, protože organizace žijí z událostí:
- příchozí e-maily,
- Slack zprávy,
- CRM změny,
- ticketing systémy,
- bezpečnostní alerty,
- změny ve workflow a dokumentech.
Pokud agenti dokážou tyto eventy poslouchat a vhodně reagovat, mohou se stát skutečnou provozní vrstvou digitální práce. To už je úplně jiná liga než jednoduchý chatbot na webu.
Právě zde také dává smysl použití otevřených modelů. Chase upozorňuje, že když agent běží neustále, náklady se rychle násobí. U workloadů, které se spouštějí každých pár minut, je ekonomika modelů zásadní.
🧠 Agent memory: proč si agenti musí pamatovat a učit se
Dalším trendem je agent memory, tedy schopnost agentů pamatovat si předchozí interakce a postupně se z nich učit.
Chase naznačuje, že nejde jen o pasivní uchovávání historie. Zajímavější je představa, že agent může:
- aktualizovat vlastní nástroje,
- měnit své skills,
- upravovat svůj popis nebo instrukce,
- přizpůsobovat se tomu, co se osvědčilo v praxi.
To zní velmi ambiciózně, ale dává to smysl. Skutečně užitečný agent nemůže být navždy statický. Pokud má dlouhodobě pomáhat v práci, musí se v nějaké podobě přizpůsobovat kontextu a zlepšovat.
Zároveň je to další důvod, proč Chase nepředpokládá plně autonomní budoucnost bez lidí. Interakce s lidmi je totiž i zdrojem učení. Human-in-the-loop tu není jen bezpečnostní pojistka. Je to součást mechanismu, díky kterému se agent může zlepšovat.
Tohle je důležitý protipól vůči představě, že cílem je lidskou kontrolu úplně odstranit. V mnoha podnikových scénářích může být naopak trvalá lidská zpětná vazba konkurenční výhodou.
🪪 Agent identity: jedna z nejzajímavějších nevyřešených otázek
Možná nejfilozofičtější, ale zároveň velmi praktické téma rozhovoru je agent identity.
Představme si podnikového agenta, se kterým komunikuje více lidí. Jaké přístupové údaje má používat? Má jednat jménem konkrétního uživatele? Má přebírat jeho oprávnění v Slacku, Gmailu nebo jiných systémech? Nebo má mít vlastní účty a vlastní identitu?
Podle Chasee se dříve často předpokládal model „on behalf of“, tedy že agent jedná jménem uživatele. To znamená, že odpovědi a akce se mohou lišit podle toho, kdo agenta právě používá, protože se propisují jeho oprávnění.
S nástupem systémů typu OpenClaw ale podle něj začíná sílit jiný pohled: agent jako samostatná entita. Tedy například marketingový agent „Tom“, který má vlastní paměť, vlastní přístupové údaje a vlastní operační roli v organizaci. Tom není prodlouženou rukou jednoho člověka. Tom je digitální kolega se specifickými schopnostmi.
To otevírá celou řadu praktických i koncepčních otázek:
- budou existovat speciální typy účtů pro agenty?
- jak se bude řešit audit a odpovědnost?
- jak se budou dědit oprávnění?
- jak oddělit identitu agenta od identity člověka?
Chase přiznává, že na to dnes nikdo v oboru nemá definitivní odpověď. A právě to z toho dělá jedno z nejzajímavějších témat příštích let. Technologický pokrok totiž nutí podnikové systémy přemýšlet o tom, jak vůbec digitální pracovník právně a provozně existuje.
🚀 OpenClaw změnil očekávání od agentů
V závěru rozhovoru se Chase vrací k OpenClaw, který podle něj výrazně změnil vnímání toho, co by agenti měli umět. Označuje ho za nový north star, tedy cíl nebo referenční bod pro celý sektor.
OpenClaw ukázal, že agent může být mnohem univerzálnější, akčnější a samostatnější, než si dříve mnoho lidí představovalo. To má obrovský dopad na očekávání vývojářů i podnikových zákazníků. Najednou už nejde jen o pomocníka na jednotlivé úkoly. Jde o systém, který může aktivně vykonávat složitou práci.
Zároveň ale Chase upozorňuje na druhou stranu mince. To, co je atraktivní u víkendových experimentů a komunitních projektů, nemusí být samo o sobě vhodné pro enterprise prostředí. Čím víc toho agent umí, tím silnější musí být i kontrolní mechanismy:
- bezpečnost,
- observabilita,
- řízení identity,
- omezení oprávnění,
- hodnocení kvality.
Jinými slovy, OpenClaw posunul laťku možností. Podniky teď musí dohnat laťku governance.
📌 Co si z debaty o Deep Agents odnést
Když si celé Chaseovo uvažování shrnu, nevychází mi z toho jen příběh jedné firmy. Vychází mi z toho velmi užitečný rámec pro současnou etapu agentní AI.
Ten rámec bych zjednodušil do několika bodů:
- Agent není jen model. Je to kombinace modelu, harnessu a runtime prostředí.
- Autonomie není univerzální cíl. Některé use casey potřebují deep agents, jiné spíš řízené workflow.
- Důvěra je stejně důležitá jako schopnosti. Bez observability, tracingu a evaluací se podnikové nasazení neobejde.
- Evaluace nemusí být obří, aby měly smysl. I malá sada scénářů může zásadně zlepšit vývoj.
- Iterace musí být rychlá. Příliš pomalý vývojový cyklus v agentní AI snadno zastará.
- Open a frontier modely se budou kombinovat. Každá vrstva agentního systému může mít jiné požadavky na cenu, latenci a kvalitu.
- Budoucnost patří vždy zapnutým agentům. Proaktivní, event-driven systémy mohou být největším skokem v produktivitě.
- Identita agenta bude velké téma. Jakmile se agent stane stabilní digitální rolí, bude potřeba řešit jeho účty, oprávnění i odpovědnost.
Na tom všem je zajímavé, že to nepůsobí jako vzdálená sci-fi. Naopak. Chase mluví o věcech, které už dnes vznikají v reálných produktech, jen ještě nejsou definitivně usazené.
Jestli tedy hledáte praktický způsob, jak přemýšlet o budoucnosti AI agentů v podniku, tenhle pohled je velmi cenný. Neoslavuje autonomii pro autonomii. Místo toho staví na architektuře, měření, iteraci a postupném rozšiřování důvěry.
A možná právě to je dnes nejrealističtější definice pokroku v agentní AI.
Další informace o LangChainu lze najít na oficiálním blogu blog.langchain.com. Pro širší kontext k agentním systémům a podnikové AI se hodí sledovat také Anthropic, OpenAI nebo technické zdroje od NVIDIA Research.
