Když automatizace potřebuje vybrat jednu hodnotu z předem daného seznamu, nemusí psát text, plánovat další kroky ani používat AI agenta. Nejprve je potřeba správně popsat rozhodnutí, které má software udělat.
E-shop Mironet podle informací Lupa.cz nahradil při automatické kategorizaci produktů agentní řešení postavené na Claude rozhodovacím modelem Jev od TypeSafe AI. Jev negeneruje volný text pro člověka. Má vracet předem definované hodnoty, skóre a pravděpodobnosti, se kterými může software pracovat přímo.
Mironet uvádí výrazný rozdíl: v jeho konkrétním procesu měly náklady klesnout až 343krát, přesnost vzrůst o 30 až 40 % a rozhodování být 19krát rychlejší. Zpracování jedné sady produktů se podle měření e-shopu zkrátilo z 32,4 na 1,7 sekundy. Jsou to zajímavá čísla, ale nejsou nezávislým benchmarkem ani příslibem stejného výsledku pro jiný e-shop.
Nejdůležitější ponaučení proto není „vyměňte model“. Je to jednodušší: neplaťte za schopnosti, které daný krok nepotřebuje.
Agent, jazykový model a rozhodovací model nejsou totéž
Pod názvem AI se často skrývají velmi odlišné nástroje. Pro provoz e-shopu je užitečné rozlišit, jaký výstup očekáváte.
| Co má automatizace udělat | Typický výstup | Co často dává smysl |
|---|---|---|
| Napsat popis produktu nebo odpověď zákazníkovi | Volný text | Jazykový model s lidskou kontrolou |
| Vytáhnout rozměr, materiál nebo EAN z dodavatelského podkladu | Předem určená pole | Extrakční pravidla, strukturovaný výstup nebo kombinace obou |
| Zařadit produkt do existující stromové struktury | Jedna kategorie nebo několik štítků | Rozhodovací či klasifikační model, případně jazykový model se striktním výstupem |
| Dohledat informace, porovnat zdroje a provést více kroků | Plán, volání nástrojů, návrh výsledku | Agentní workflow s omezenými oprávněními a kontrolou člověka |
Agent není automaticky chytřejší varianta každého úkolu. Je to způsob, jak nechat model rozdělit problém na kroky, volat nástroje, pracovat s pamětí a rozhodovat, co udělá dál. To je užitečné například při hledání informací napříč dokumenty nebo při přípravě složitějšího návrhu. Při výběru jedné položky z číselníku může ale každý další krok přidávat čas, cenu a další místo, kde se workflow může rozpadnout.
Rozhodovací model, jak jej popisuje TypeSafe AI, pracuje jinak. Z nestrukturovaného vstupu má vrátit typovanou hodnotu, pravděpodobnost a míru jistoty. Software tak nemusí čekat, až model napíše větu, a následně z textu zjišťovat, co vlastně rozhodl.
Proč je kategorizace produktů vhodný kandidát
Zařazení produktu do kategorie není vždy jednoduché. Název od dodavatele může být neúplný, parametry nejednotné a stejný produkt může patřit do více větví podle toho, jak je postavený katalog. Přesto jde často o úlohu s jasně vymezeným výsledkem: e-shop už má kategorizační strom a systém potřebuje vybrat správnou větev nebo označit případ jako nejistý.
To vytváří lepší podmínky pro rozhodovací model než pro volnou konverzaci. Místo odpovědi „Tento produkt bych pravděpodobně zařadil do…“ může automatizace dostat například:
category_id: předem existující hodnota z katalogu,confidence: číselné vyjádření jistoty,reason_code: stručný kód, proč byl produkt posouzen jako nejistý,needs_review: ano/ne pro předání člověku.
Neznamená to, že je rozhodnutí nutně správné. Znamená to, že se výstup dá bezpečněji zpracovat v dalším kroku. Rozdíl je důležitý: správný datový typ sám o sobě nezaručí správnou kategorii, ale zabrání tomu, aby systém obdržel nečekaný formát nebo neurčitou větu místo hodnoty, se kterou musí pracovat.
Kdy vám agent pravděpodobně nepomáhá
Podívejte se na krok automatizace, ne na celý proces. Agent může být zbytečný, pokud platí většina těchto podmínek:
- výstup je jedna nebo několik hodnot z předem daného seznamu,
- software zná pravidla, co má udělat po výběru hodnoty,
- vstup je krátký nebo se opakuje v podobné struktuře,
- chybný případ lze poznat podle nízké jistoty nebo předem nastavených pravidel,
- člověk může snadno zkontrolovat jen výjimky.
Příkladem může být přiřazení štítku „skladem u dodavatele“, určení typu reklamace, prvotní směrování e-mailu na správný tým nebo kontrola, zda produktový podklad obsahuje povinný rozměr. Nejde o to nahradit všechny jazykové modely. Jde o to nechat každý nástroj dělat krok, pro který je přiměřený.
Naopak agent nebo jazykový model dává větší smysl, když má připravit nový text, pracovat s neúplným zadáním, dohledávat důkazy ve více zdrojích nebo vyhodnotit situaci, kterou nelze popsat jako omezenou sadu voleb. Do této skupiny patří například návrh odpovědi zákazníkovi, shrnutí dlouhé reklamace nebo příprava produktového popisu pro člověka k úpravě.
Nejdřív změřte cenu dokončené úlohy
Cena za milion tokenů ani cena jednoho API volání není pro e-shop konečné číslo. Důležitější je cena správně dokončené úlohy.
U produktové kategorizace si proto před změnou změřte:
- kolik produktů systém zpracuje bez zásahu člověka,
- kolik případů skončí ve správné kategorii po kontrole,
- kolik výjimek musí projít ručně,
- jak dlouho trvá zpracování běžného i složitého případu,
- cenu volání, opakování, parsování výstupu a následné lidské opravy,
- jak se výsledky změní po úpravě stromu kategorií nebo příchodu nového dodavatele.
Teprve nad těmito daty má smysl srovnávat řešení. Model, který je levný na jedno volání, může být drahý, pokud vytváří mnoho nejasných případů. Dražší model naopak může být výhodný, pokud výrazně sníží počet oprav nebo umí pracovat s tak neúplným vstupem, že levnější klasifikace selhává.
Mironetův případ je dobrým podnětem právě proto, že srovnává konkrétní provozní metriku, nikoli jen ceník. Jeho výsledek ale přenášejte opatrně: jiný sortiment, jiný strom kategorií, jiná kvalita dat i jinak nastavený agent mohou vést k úplně jinému poměru ceny, rychlosti a přesnosti.
Jak nastavit lidskou kontrolu podle jistoty
Pravděpodobnost nebo skóre má hodnotu jen tehdy, když podle něj proces skutečně jedná. Nestačí si uložit confidence do databáze a nadále automaticky publikovat všechny změny.
Praktický postup může být jednoduchý:
- Na historickém vzorku porovnejte rozhodnutí modelu s kategorií, kterou nakonec potvrdil člověk.
- Rozdělte výsledky podle míry jistoty a ověřte, zda vyšší jistota opravdu znamená méně chyb.
- Nastavte hranici, nad kterou automatizace může změnu připravit nebo provést, a pod kterou vždy vytvoří frontu pro kontrolu.
- Sledujte nové chyby a pravidelně přezkoumávejte hranici i samotné otázky, které modelu pokládáte.
Hranice nebude stejná pro všechny úlohy. U interního štítku lze přijmout více nejistoty než u kategorie, podle níž se počítá cena, povinné informace nebo výběr dopravy. Dobrý proces neschovává nejistotu; používá ji k tomu, aby člověk řešil jen případy, kde jeho rozhodnutí přináší největší hodnotu.
Pozor na data, dostupnost a marketingová tvrzení
Jev je podle TypeSafe AI v režimu early access. Dodavatel zveřejnil technické vysvětlení i vlastní evaluační výsledky a u části srovnání otevřeně popisuje jejich limity a možnou zaujatost. To je užitečné, ale stále jde o podklady dodavatele, nikoli o nezávislé srovnání na vašem katalogu.
Před nasazením jakéhokoli nového modelu ověřte obchodní podmínky, ceny, dostupnost rozhraní, lokalitu zpracování, uchovávání dat a možnost exportu nebo smazání dat. To je zvlášť důležité, pokud do vstupů posíláte dodavatelské ceníky, neveřejné produktové podklady nebo údaje o zákaznících.
Pokud jste zvyklí používat velký jazykový model, nesnažte se jeho prompt pouze beze změny přeposlat do rozhodovacího systému. Nejdřív rozdělte zadání na malé, měřitelné otázky a předem určete, jaké odpovědi software smí přijmout. V tom je hlavní práce: ne v přepnutí API klíče, ale v návrhu rozhodnutí a obsluze výjimek.
Co si z příkladu Mironetu odnést
Mironet neukazuje, že jsou AI agenti špatně. Ukazuje, že pro tisíce opakovaných a úzce vymezených rozhodnutí může být agentní workflow zbytečně široký nástroj. Když je výsledkem jedna kategorie, štítek nebo další větev procesu, vyplatí se nejdřív ověřit, zda nepotřebujete místo generování textu rychlé a kontrolovatelné rozhodnutí.
Pro e-shop je nejlepší začít jedním krokem s jasným vstupem, omezenými volbami a dostupným vzorkem správných výsledků. Až pak porovnávejte rychlost, náklad na správně dokončený případ a počet výjimek. Teprve z těchto tří čísel poznáte, zda změna opravdu šetří provozní čas a peníze.
Jak může pomoci Kodo
Kodo pomáhá e-shopům a firmám vybrat proces vhodný k automatizaci, rozdělit ho na měřitelné kroky a připravit bezpečný test před nasazením do běžného provozu. Umíme navrhnout práci s produktovými daty, prompty, pravidly, frontou pro lidskou kontrolu i napojením na e-shop a interní systémy.
U smluv, ochrany osobních údajů, bezpečnosti a konkrétních podmínek dodavatele je vhodné postup konzultovat s odpovědnými odborníky.
Související články
- Jak automatizovat přípravu cenových nabídek bez ztráty kontroly
- Jak poznat proces, který se vyplatí automatizovat
- Jak ušetřit na AI modelech: automatizace, přepínání a lokální kontrola
Zdroje
- Lupa.cz: Mironet vyměnil AI agenty za rozhodovací model Jev
- TypeSafe AI: Introducing System One Models & Jev
Článek má informativní charakter. Výsledky Mironetu i dodavatele jsou data konkrétních nasazení a metodik; před nasazením vždy ověřte kvalitu na vlastních datech, podmínky zpracování a odpovědnost za výstupy.
