AI agenti v produkci: 5 lekcí z bankovního sektoru¶

Nasadit AI agenta v demo prostředí zvládne každý. Dostat ho do produkce v bance — to je jiný příběh.

Za posledních 12 měsíců jsme nasadili AI agenty pro zpracování dokumentů, customer support a interní knowledge management v regulovaném prostředí. Tady je 5 věcí, které jsme se naučili.

1. Governance není nice-to-have¶

V bance nemůžete pustit AI agenta bez audit trailu. Každá akce musí být logovatelná, reprodukovatelná a vysvětlitelná.

Co jsme udělali: - Každý agent má definované oprávnění (RBAC) - Každá akce se loguje do immutable audit logu - Kill-switch pro okamžité zastavení agenta

2. Evaluace > vibes¶

“Vypadá to dobře” není metrika. Měříme: - Accuracy — správnost odpovědí proti golden datasetu - Latence — P50, P95, P99 - Cost per task — kolik stojí jedna zpracovaná faktura

3. RAG potřebuje chunking strategii¶

Špatný chunking = špatné odpovědi. Testovali jsme 6 různých strategií a nakonec jsme skončili u hybridního přístupu: semantic chunking + overlap + metadata enrichment.

4. Human-in-the-loop je feature, ne bug¶

Agent nemá rozhodovat o všem. Eskalace na člověka u edge cases je správný design pattern. Naši agenti eskalují ~5% případů — a to je OK.

5. Monitoring je 50% práce¶

Nasadit agenta je polovina. Druhá polovina je monitoring: drift detection, quality degradation, cost spikes. Používáme vlastní dashboard s alertingem.

Závěr¶

AI v produkci není o nejnovějším modelu. Je to o governance, měření a provozní zralosti. Pokud chcete AI, které vydělává, ne AI, které demo-uje — pojďme si promluvit.