---
title: "Jak vybrat jazykový model pro firemního AI agenta"
description: "Výběr jazykového modelu se ve firmách často rozhoduje podle veřejných benchmarků a mediálního šumu. Praktičtější je posuzovat typ úlohy, kontext, latenci, cenu při objemu, spolehlivost volání nástrojů a kvalitu češtiny — a systém navrhnout tak, aby šel model vyměnit."
canonical: "https://interfase.sk/cz/novinky/jak-vybrat-jazykovy-model-pro-firemniho-ai-agenta"
lang: "cz"
last_updated: "2026-07-24"
---

# Jak vybrat jazykový model pro firemního AI agenta

> Výběr jazykového modelu se ve firmách často rozhoduje podle veřejných benchmarků a mediálního šumu. Praktičtější je posuzovat typ úlohy, kontext, latenci, cenu při objemu, spolehlivost volání nástrojů a kvalitu češtiny — a systém navrhnout tak, aby šel model vyměnit.

Publikováno: 2026-07-24

- Model nevybírejte pro celého agenta najednou, ale pro jednotlivé kroky procesu — každý krok má jiné nároky na přesnost, latenci a cenu.
- Největší dostupný model je zřídka správná výchozí volba; levnější model na směrování a třídění plus silnější model na náročné kroky bývá levnější i rychlejší při srovnatelné kvalitě.
- Hostované API a vlastní nasazení open-weight modelu se neliší hlavně kvalitou, ale tím, kde končí vaše data, jaké smluvní záruky máte a kolik provozu si berete na sebe.
- Rozhodnutí opřete o evaluační sadu z vlastních dat a navrhněte architekturu tak, aby výměna modelu byla konfigurační změna, ne přepis systému.

Otázka „jaký model použijeme" přijde v projektu s AI agentem obvykle už v prvním týdnu — a téměř vždy dostane víc pozornosti, než si zaslouží. Rozhoduje se podle toho, co bylo naposledy vidět v médiích, případně podle tabulky veřejných benchmarků, která s vaší agendou nemá společného téměř nic. V reálném provozu přitom o úspěchu rozhodují úplně jiné věci: jestli model spolehlivě volá nástroje, jestli zvládá odbornou češtinu, kolik stojí při desetitisících běhů měsíčně a jestli ho za půl roku dokážete vyměnit bez přepisování systému.

Dobrá zpráva je, že výběr jazykového modelu patří mezi snáze vratná rozhodnutí — pokud ho od začátku berete jako výběr komponenty, ne jako výběr platformy. Špatná zpráva je, že většina týmů si tu vratnost zabetonuje v prvních dvou sprintech: prompty psané na styl jednoho modelu, formát nástrojů navázaný na jedno SDK, žádná evaluační sada. Tento článek je o kritériích, která skutečně rozhodují, o rozdílu mezi hostovaným API a vlastním nasazením a o tom, jak výběr ověřit na vlastních datech. Záměrně v něm nenajdete konkrétní názvy modelů ani ceny — ty se mění rychleji, než stihnete článek dočíst. Kritéria vydrží.

## Kritéria, která skutečně rozhodují

Pokud si máte z celého textu odnést jednu věc, tak tuhle: model nevybíráte „obecně", vybíráte ho pro konkrétní krok konkrétního procesu. [Agent, který řeší firemní úlohy](/blog/co-su-ai-agenti), má uvnitř typicky pět až patnáct různých kroků a každý má jiný profil nároků.

### Typ úlohy

Klasifikace příchozího e-mailu do jedné z osmi kategorií a napsání právně citlivé odpovědi zákazníkovi jsou dvě naprosto odlišné úlohy. První potřebuje konzistenci a rychlost, druhá jazykový cit a schopnost pracovat s nuancí. Rozdělte si proces na kroky a ke každému si napište, jestli jde o třídění, extrakci, sumarizaci, generování textu nebo plánování posloupnosti akcí. Teprve pak vybírejte.

### Kontextové okno a jak s ním nakládáte

Velké kontextové okno je pohodlné, ale není náhrada za dobrý výběr dat. Pokud agentovi do každého běhu nasypete celou interní směrnici, zaplatíte za to latencí i cenou a kvalita odpovědi se často zhorší — relevantní věta se ztratí mezi tisíci nerelevantních. V praxi je levnější a přesnější postavit pořádné vyhledávání nad dokumenty, tedy [RAG nad firemní dokumentací](/blog/rag-a-firemna-dokumentacia-ako-naucit-ai-agenta-odpovedat-z-internych-dat), a modelu podat jen to podstatné. Velký kontext berte jako pojistku pro výjimečné případy, ne jako výchozí režim.

### Latence

Latence se neměří v milisekundách, ale v tom, jak působí na uživatele. Agent v chatu na webu musí začít odpovídat do sekundy, jinak návštěvník odchází. Agent, který v noci zpracuje 4 000 dokumentů, může mít odezvu i deset sekund na kus a nikomu to nevadí. U vícekrokových agentů se navíc latence sčítá: pět volání po dvou sekundách je deset sekund čekání.

### Cena při reálném objemu

Cena za jedno volání je zavádějící údaj. Zajímavá je cena za dokončenou úlohu — včetně opakovaných pokusů, volání nástrojů, případných oprav a kontrolního kroku. Model, který je na jednotku dražší, ale dokončí úlohu napoprvé, bývá v součtu levnější než levný model, který se potřebuje třikrát opravit. Přesně tohle je jeden z faktorů, které ovlivňují [cenu a náročnost AI agenta na míru](/blog/ai-agent-na-mieru-co-ovplyvnuje-jeho-cenu-a-narocnost).

### Spolehlivost volání nástrojů

Toto kritérium podceňuje téměř každý, kdo model vybírá podle benchmarků. Firemní agent obvykle nic „neví" sám — čte z CRM, zapisuje do ERP, zakládá tikety. Klíčové je, jestli model konzistentně trefí správný nástroj, dodrží schéma parametrů, nevymyslí si pole, které neexistuje, a umí se zastavit, když mu chybí vstup. Rozdíly mezi modely jsou tady větší a praktičtější než rozdíly v „inteligenci".

### Kvalita češtiny a slovenštiny

Modely, které působí výborně v angličtině, dokážou v češtině tvořit neobratné věty, chybně skloňovat jména nebo míchat slovakismy. Pokud agent píše zákazníkům nebo generuje texty pro interní dokumenty, otestujte to na reálných vzorcích — včetně odborného slovníku vašeho oboru, který bývá nejslabším místem.

| Kritérium | Proč záleží | Jak to ověřit |
| --- | --- | --- |
| Typ úlohy | Jiný krok, jiné nároky | Rozpad procesu na kroky a jejich klasifikace |
| Kontextové okno | Ovlivňuje cenu i přesnost | Test s reálnými dokumenty, ne s ukázkami |
| Latence | Rozhoduje o použitelnosti v chatu | Měření end-to-end, ne jednoho volání |
| Cena při objemu | Rozhoduje o návratnosti | Cena za dokončenou úlohu, včetně opakování |
| Volání nástrojů | Bez něj agent nic neudělá | Sada testů na dodržení schématu |
| Čeština a slovenština | Ovlivňuje vnímání značky | Slepé srovnání výstupů s lidským hodnocením |

## Hostované API, nebo vlastní nasazení open-weight modelu

Druhé velké rozhodnutí není o kvalitě, ale o tom, kde končí vaše data a kolik provozu si berete na sebe. Modely s otevřenými váhami dnes zvládnou většinu běžných firemních úloh; otázka je, jestli je chcete provozovat.

| Aspekt | Hostované API | Vlastní nasazení open-weight modelu |
| --- | --- | --- |
| Čas do první verze | Dny | Týdny až měsíce |
| Umístění dat | Podle regionu a smlouvy poskytovatele | Plně pod vaší kontrolou |
| Smluvní záruky (GDPR) | Zpracovatelská smlouva, závisí na dodavateli | Řešíte interně, bez třetí strany |
| Nákladový profil | Variabilní, roste s objemem | Fixní, výhodný až při vysokém vytížení |
| Provozní režie | Minimální | GPU, monitoring, aktualizace, kapacita |
| Přístup k nejsilnějším modelům | Ano | Omezený na to, co je veřejně dostupné |

Rozhodování je jednodušší, než se zdá. Pokud zpracováváte běžnou firemní agendu a poskytovatel umí garantovat zpracování v EU a nepoužívání vašich dat k trénování, hostované API je pro většinu firem rozumná volba — pravidla a povinnosti jsme rozepsali v textu o tom, [na co si dát pozor u AI agentů a GDPR](/blog/ai-agenti-a-gdpr-na-co-si-dat-pozor-pri-spracovani-osobnych-udajov). Vlastní nasazení dává smysl ve třech situacích: máte regulatorní nebo interní požadavek, který třetí stranu nepřipouští; máte takový objem, že fixní náklady na infrastrukturu vyjdou lépe; nebo potřebujete model doladit na vlastních datech způsobem, který hostovaná služba nenabízí.

:::callout info
**Zkratka:** Nezačínejte vlastním nasazením „pro jistotu" — začněte hostovaným API s pořádnou smlouvou a vlastní hosting řešte až tehdy, když si to vyžádá regulace nebo objem.
:::

## Proč největší model bývá špatná výchozí volba

Typický první návrh vypadá tak, že celý agent běží na nejsilnějším dostupném modelu. Funguje to a na demo je to nejrychlejší cesta. Při přechodu do provozu se ukáže, že 80 % volání jsou triviální kroky — rozhodnutí, do které větve proces pokračuje, extrakce tří polí z formuláře, kontrola, jestli přišla odpověď zákazníka — a na ty platíte prémiovou sazbu i prémiovou latenci.

Praktičtější vzor je odstupňování. Levný a rychlý model dělá směrování, klasifikaci a jednoduché extrakce. Silný model nastupuje jen na kroky, kde se opravdu uvažuje: syntéza z více zdrojů, formulace citlivé odpovědi, plánování posloupnosti akcí. Mezi nimi stojí explicitní rozhodovací pravidlo, ne náhoda.

> Větší model není strategie. Strategie je vědět, které kroky si ho zaslouží.

Tento přístup má i vedlejší efekt: nutí vás proces pořádně rozepsat. Když umíte pojmenovat, který krok je „těžký" a proč, obvykle zjistíte, že polovina těžkých kroků jde zjednodušit lepším promptem nebo lepším nástrojem. A pokud se vám kroky začnou přirozeně dělit do více rolí, stojí za zvážení i to, jestli nejde o případ pro [multiagentní systém místo jednoho agenta](/blog/multi-agentove-systemy-kedy-ma-zmysel-viac-ai-agentov-namiesto-jedneho).

## Navrhujte na výměnu modelu, ne na jednoho dodavatele

Trh se mění v měsících. Model, který je dnes nejlepší poměr ceny a kvality pro vaši úlohu, jím za dva kvartály být nemusí. Proto je důležitější než samotný výběr to, aby výměna byla levná.

V praxi to znamená čtyři věci. Za prvé, volání modelu má být za vlastní vrstvou abstrakce — jedno místo v kódu, kde se mění dodavatel, ne stovky míst. Za druhé, definice nástrojů si držte ve vlastním formátu a mapujte je na formát konkrétního poskytovatele až na hranici. Za třetí, prompty pište spíš strukturovaně a explicitně než „vyladěné na zvláštnosti jednoho modelu" — čím víc triků, tím bolestivější migrace. A za čtvrté, mějte evaluační sadu, kterou nového kandidáta proženete za jedno odpoledne.

Tak stavíme [AI agenty a automatizace](/riesenia/ai) i my: model je konfigurace, ne základ architektury.

## Jak vyhodnotit modely na vlastních datech

Veřejné benchmarky měří něco jiného, než potřebujete vy. Měří průměr napříč úlohami, které jsou většinou anglické, akademické a nezávislé na vašich systémech. Vaše otázka zní jinak: zvládne tenhle model třídit naše reklamace a volat naše API?

Postup, který se osvědčil, je nenáročný a dá se zvládnout za pár dní:

1. **Posbírejte 50 až 200 reálných případů** z produkce nebo archivu. Vyberte je tak, aby odpovídaly rozložení běžného provozu, a přidejte ty nepříjemné — nejasná zadání, překlepy, přílohy ve špatném formátu.
2. **Definujte, co je správná odpověď.** U klasifikace je to jednoduché. U generování textu potřebujete kritéria, která posoudí člověk, nebo alespoň kontrolní seznam typu „obsahuje číslo objednávky, neuvádí cenu, oslovuje formálně".
3. **Pouštějte kandidáty přes stejný prompt a stejné nástroje.** Měňte jen model, nic jiného, jinak nevíte, co rozdíl způsobilo.
4. **Vyhodnoťte tři věci najednou:** kvalitu, cenu za dokončenou úlohu a procento běhů, kde model porušil schéma nástroje nebo se zacyklil.
5. **Otestujte i to, co se má stát při neúspěchu.** Model, který řekne „na tohle nemám podklad", je v podpoře užitečnější než model, který sebevědomě vymyslí odpověď.

:::callout warning
**Pozor:** Evaluační sada není jednorázová úloha. Pokud ji po nasazení neaktualizujete o nové reálné případy, za půl roku měříte něco, co se už vašemu provozu nepodobá.
:::

### Kdy tento postup nedává smysl

Pokud řešíte jednorázovou interní pomůcku pro pět lidí, budování evaluační sady je zbytečná režie — vezměte rozumný model, otestujte to ručně a hotovo. Formální evaluace se vyplatí až tam, kde agent běží v objemu, dotýká se zákazníka nebo peněz, nebo kde chyba něco stojí.

## Shrnutí

Výběr jazykového modelu pro firemního AI agenta není otázka „který je nejlepší", ale „který je dost dobrý na tenhle konkrétní krok při této ceně a latenci". Rozepište proces na kroky, posuďte typ úlohy, práci s kontextem, latenci, cenu za dokončenou úlohu, spolehlivost volání nástrojů a kvalitu češtiny. Mezi hostovaným API a vlastním nasazením rozhodujte podle regulace a objemu, ne podle pocitu. Nedávejte nejsilnější model na všechno — odstupňujte. A hlavně: postavte systém tak, aby výměna modelu byla konfigurační změna, protože za rok ji téměř jistě dělat budete.

Pokud zvažujete nasazení agenta a chcete si výběr modelu ověřit na vlastních datech ještě před vývojem, [ozvěte se nám a projdeme si váš případ](/kontakt).


---

Webová verze: https://interfase.sk/cz/novinky/jak-vybrat-jazykovy-model-pro-firemniho-ai-agenta
llms.txt: https://interfase.sk/llms.txt