Umělá inteligence dnes hraje podstatnou roli v každodenní činnosti rozsáhlého spektra pracovních pozic. Firmy dnes používají umělou inteligenci na zpracování každodenních úkolů nebo při utváření reportů, analýze dat a rovněž i pro efektivní sběr informací o konkurenci. Competitive Intelligence je disciplína zaměřená na systematický sběr, analýzu a interpretaci těchto informací za účelem podpory strategického rozhodování. S rostoucím množstvím dat se však tradiční manuální analýza a hodnocení dostupných dat přestává vyplácet, jelikož je časově, a tedy i finančně velmi nákladná. I tyto procesy mohou obsloužit virtuální zaměstnanci.

Řešit tento problém mohou AI agenti, kteří díky své schopnosti automatizovat sběr dat, analyzovat trendy, interpretovat výsledky a autonomně podnikat akce v reálném čase, tak nabízejí nové možnosti pro efektivní a rychlé získávání konkurenčních výhod.

Tato práce se zaměřuje na představení a porovnání vybraných frameworků pro tvorbu AI agentů a následně na konkrétní využití AI agentů pro potřeby analýzy konkurence. Moderní frameworky, jako jsou CrewAI, LangChain, LangGraph, AutoGen nebo Microsoft Semantic Kernel, poskytují nástroje pro tvorbu a orchestraci sofistikovaných AI agentů, avšak každý framework se mírně liší a poskytuje různé rozhraní a limitace pro práci s agenty.

Cílem je popsat fungování AI agentů, identifikovat a představit často používané frameworky pro jejich orchestraci, provést jejich porovnání a zhodnotit, jak by mohly být využitelné v kontextu CI a analýzy konkurence.

Metodologie

Pro účely této práce byla provedena analýza veřejně dostupných zdrojů, přičemž z velké části se jednalo o dokumentace k samotným frameworkům pro orchestraci AI agentů. Bylo vybráno několik frameworků, které jsou stručně představeny a zmíněny jejich silné a slabé stránky. V práci je dále zpracována kapitola, jak konkrétně mohou AI agenti pomoci při analýze konkurence. Tato metodologie postupuje v souladu s principy a etickými normami Competitive Intelligence, které nabízí principy systematického získávání informací z veřejně dostupných zdrojů.

1.     Výběr frameworků

Na základě rešerše odborných článků a dokumentace bylo identifikováno několik nejčastěji používaných frameworků pro tvorbu AI agentů: CrewAI, AutoGen, LangGraph a Akira AI. Tyto frameworky byly vybrány na základě jejich relevance, dostupnosti a schopností adaptace pro účely analýzy konkurence

2.     Sběr dat a rešerše

Rešerše odborných článků, blogů, technických zpráv, veřejných statistik od společností. Veškerý sběr dat probíhal v souladu s etickými principy Competitive Intelligence.

3.     Shrnutí přínosů

Na základě zjištěných informací z literární rešerše byly popsány způsoby, jak mohou AI agenti pomáhat při analýze konkurence.

Omezení metodologie

Vzhledem k etickým principům CI byla práce závislá na veřejně dostupných zdrojích. Dále je nutné zmínit, že se jedná o dynamicky rozvíjející se obor, tudíž některé informace mohou být již neaktuální či zastaralé. Některé použité zdroje vychází z názorů odborníků z praxe, tudíž mohou být neobjektivní. Stejně tak nebylo provedeno řádné otestování frameworků, ale práce vychází pouze z recenzí a zdokumentovaných funkčností jednotlivých nástrojů.

1 AI agenti jako virtuální zaměstnanci

AI agent neboli agent umělé inteligence, je systém či program, který dokáže samostatně vykonávat úkoly pro uživatele nebo jiný systém. Navrhuje vlastní pracovní postup a využívá dostupných nástrojů k dosažení předem stanoveného cíle. AI agenti disponují širokou škálou funkcí od zpracování přirozeného jazyka, rozhodování, řešení problémů nebo interakce s vnějším prostředím a následné provádění akcí (Komenchuk, 2024).

Agenti mohou být nasazeni v různých aplikacích a doménách společnosti, přes vývoj softwaru, zákaznickou podporu až po sběr dat pro potřeby Competitive Intelligence. Agenti využívají pokročilé techniky pro zpracování přirozeného jazyka za pomoci velkých jazykových modelů (LLM) pro interakci s uživatelem a vnějším prostředím (Gutowska, 2024).

Přes 64 % firem předpokládá, že využití AI zvýší produktivitu, přičemž 25 % společností aktuálně využívá AI kvůli nedostatku lidských zdrojů. V tomto ohledu mohou pomoci především AI agenti, kteří jsou daleko za virtuálními asistenty jako jsou Siri nebo Alexa. Společnosti by tak měly zvážit využití těchto nástrojů, jelikož je prokazatelné, že firmy, které tyto nástroje využívají, získávají konkurenční výhodu (Komenchuk, 2024).

1.1 Typy AI agentů

Agenti mohou být rozděleni do pěti tříd dle jejich schopností a typu využití (Komenchuk, 2024):

Simple reflex agents – nejzákladnější, reagují na vnější prostředí vzhledem k přednastaveným pravidlům

Model-based reflex agents – podobné chování jako u Simple reflex agents, avšak mají svůj vlastní model reality, podle kterého reagují

Goal-based agents – agenti jsou nakonfigurováni pro dosažení určitého cíle a samotný agent rozhoduje, jak ke splnění cíle dospěje

Utility-based agents – agent, který rozhoduje na základě maximalizace užitku a vybírá tu nejužitečnější variantu

Learning agents – jak samotný název napovídá, jedná se o samoučící se agenty, kteří rozšiřují své znalosti učením se z vnějšího prostředí. Využíváno například u spam filtrů.

V kontextu Competitive Intelligence a analýzy konkurence by pravděpodobně byl nejvhodnější Utility-based agent nebo Learning agent. U analýzy konkurence by Utility-based agent mohl posoudit různé konkurenty a jejich strategie a rozhodnout se pro nejlepší akce na základě maximálního užitku pro firmu v konkurenčním prostředí.

Learning agent by byl využitelný v případě, kde se podmínky a chování konkurence mohou rychle měnit, a je potřeba, aby systém dokázal reagovat a adaptovat se na nové informace.

1.2 Jak AI agenti fungují

Umělá inteligence a agenti na ní založeni, fungují za pomoci rozsáhlých jazykových modelů známých pod zkratkou LLM (large language model). Veškeré fungování, které agent poskytuje, tak vychází z dat, na kterých byl model natrénován. Na rozdíl od tradičních AI asistentů, mohou agenti v reálném čase využívat externí zdroje dat, nástroje nebo další agenty pro získání aktuálních informací. Výhodou AI agentů je jejich schopnost adaptace na uživatele nebo systém, který s ním pracuje. Na základě předchozí interakce je schopen se do určité míry přizpůsobit a poskytovat personalizovaný výstup vzhledem k historii interakcí.

AI agent potřebuje jasně definované cíle, které stanoví uživatel. Na základě toho si agent rozloží složitý úkol na menší dílčí kroky, pokud je to nutné. Pro jednoduché úkoly může reagovat iterativně bez předem vytvořeného plánu. Agenti získávají potřebné informace z externích zdrojů, jako jsou databáze, webové vyhledávače nebo API. Díky tomu mohou přizpůsobit svůj postup a aktualizovat svou znalostní bázi. AI agenti se zlepšují díky zpětné vazbě od uživatelů, jiných agentů a vlastním interním mechanismům (Gutowska, 2024).

AI agenti se trénují na obrovských množství dat. Data mohou být cokoliv relevantního pro službu, kterou má agent plnit – statistická data, zákaznické nákupy, návštěvnost webu, marketingové kampaně, příspěvky ze sociálních sítí konkurence a další. Poté agent nachází vzory v datech, které mu poskytují náhledy na to, jak věci fungují. Například zjistí, že konkurenti často spouštějí akce v určitých obdobích roku, jako jsou slevy během Black Friday nebo Vánočních svátků. Může také odhalit, že konkurenti mají silnou přítomnost na sociálních sítích nebo že určité produkty jsou populární v konkrétních geografických oblastech (Komenchuk, 2024).

Na základě těchto informací může AI agent automaticky generovat zprávy o výkonnosti konkurence, která shrnují jejich aktivity, cenové změny, marketingové kampaně nebo nové produkty a vytvářet grafy a vizualizace. Agent může také analyzovat sentiment zákazníků na sociálních médiích, což pomůže identifikovat silné a slabé stránky konkurence, a využít tyto informace k vylepšení vlastního produktu nebo služby.

Rozdíl AI agentů oproti AI chatbotům je shrnut v následující tabulce (Komenchuk, 2024):

AI agent	AI chatbot
Autonomní vypracování úkolů	Vyžaduje uživatelský vstup
Může fungovat bez uživatelského rozhraní	Interakce s uživatelem skrz UI nebo hlas
Provádí akce a rozhodnutí	Poskytuje informace a odpovídá na dotazy
Více komplexní, vyžaduje rozsáhlý backend	Typicky se odkazuje na knowledge base

Tabulka 1 – Porovnání AI agenta a AI chatbota (Komenchuk, 2024)

1.3 Proces tvorby AI agentů

Níže uvedený obrázek popisuje, jakým způsobem je možné vytvořit AI agenta vlastními silami a co vše je potřebné pro dosažení cíle. Proces začíná definováním potřebné funkcionality agenta, sběr a přípravy dat, vytvoření vývojářského týmu, zvolení technologií pro vývoj, tvorba agenta, testování a monitoring.

Obrázek 1 – 7 kroků, jak vytvořit AI agenta (Komenchuk, 2024)

Tento proces je složitý a není všem firmám dostupný. Firmy, které se nezabývají vývojem softwaru, nebo nemají dostatečný kapitál pro zadání takové zakázky jiné společnosti, by se potýkaly s problémem, že AI agenty nemohou využívat, jelikož budování vlastního AI agenta od základů je velmi nákladná záležitost, a ne vždy také úspěšná.

V dnešní době však existují frameworky, které poskytují prostředí pro tvorbu AI agentů bez nutnosti znalosti programování a vysokých pořizovacích nákladů. Díky těmto platformám dnes mohou společnosti bez rozdílu využívat agentů umělé inteligence, ať už se jedná o startup, nebo nadnárodní korporaci.

2 Frameworky pro tvorbu AI agentů

Framework pro tvorbu AI agentů je platforma, která je navržena pro tvorbu, trénování a správu AI agentů. Vytvoření agenti jsou programové entity, které samostatně vykonávají úkoly a učí se na základě interakcí s prostředím a vstupních dat. Díky tomu jsou AI agenti univerzální a mohou se přizpůsobit pro různé oblasti včetně potřebných funkcí Competitive Intelligence.

Klíčové funkce, které samotný framework pro tvorbu agentů poskytuje, jsou (Arya, 2024):

• tvorba struktury agentů
  • struktury pro definování vnitřní organizace AI agentů, včetně jejich rozhodovacích procesů, paměťových systémů a schopností interakce
• rozhraní pro komunikaci s vnějším prostředím
  • nástroje pro propojení agentů s jejich vnějším prostředím
• systém pro správu a přiřazování úkolů
  • systémy pro definování, přiřazování a sledování plnění úkolů jednotlivými agenty
• správa komunikačních protokolů
  • umožňující interakci mezi agenty i mezi agenty a lidmi nebo systémy
• integrační nástroje
  • nástroje pro připojení agentů k externím zdrojům dat, API a jiným systémovým rozhraním
• monitoring
  • dohled nad agenty a reportování splněných úkolů
• škálovatelnost
• znovupoužitelnost komponent
• přístupnost
• standardizace
• a v neposlední řadě rychlejší vývoj agentů

Výhodou využití existujících frameworků je možnost znovupoužití předpřipravených komponent, snadná škálovatelnost nebo uživatelská podpora. Nejsou vyžadovány hluboké znalosti programování ani technické znalosti a obvykle jsou nižší pořizovací náklady. Nevýhodou naopak bývá závislost na daném frameworku třetích stran.

Následující text obsahuje stručné představení vybraných frameworků, které se řadí mezi jedny z nejznámějších a aktuálně nejpoužívanějších.

2.1 CrewAI

CrewAI je jedním z předních frameworků, který umožňuje uživatelům vytvářet poutavý obsah díky svým pokročilým schopnostem generování textu. Je to open-source Python framework navržen pro práci s AI agenty. Nabízí funkce jako je analýza sentimentu, modelování témat a optimalizace klíčových slov pro zvýšení relevance a účinnosti obsahu. Díky CrewAI je možné vytvořit i konverzační agenty pro zákaznickou podporu. CrewAI se právě nejvíce využívá v oblasti zákaznické podpory, platformy pro výuku jazyků, virtuálních terapeutů, tvorby marketingových kampaní nebo finanční analýzy.

Framework zahrnuje řadu nástrojů včetně webových vyhledávačů a jazykových modelů, které umožňují agentům interagovat s okolním světem, shromažďovat informace a jednat za účelem dosažení svých cílů (Arya, 2024).

Mezi hlavní funkčnosti, kterými CrewAI disponuje, patří (Pandit, 2024):

• orchestrace agentů
• role-based architektura – umožňuje přiřadit specifické role určitým agentům
• flexibilní komunikace mezi agenty
• integrace s mnoha nástroji
• škálovatelnost
• snadný vývoj

Obrázek 2 – Schéma CrewAI frameworku (Pandit, 2024)

Nevýhodou tohoto nástroje je jeho komplexnost, a tedy i náročnost naučení se práce s frameworkem. Podporuje však velké množství integrací s nástroji třetích stran. Jelikož se jedná o Python framework, je nutná alespoň základní orientace v tomto programovacím jazyce (Brennan, 2024).

2.2 AutoGen

V září 2023 byl vydán AutoGen – flexibilní open-source framework založený na Pythonu pro zakládání, konfiguraci a spolupráci AI agentů. O několik měsíců později bylo vydáno Autogen Studio, low-code rozhraní pro rychlé vytváření, testování a sdílení řešení mezi agenty. AutoGen Studio je postaveno na AutoGenu a přebírá jeho funkce a vlastnosti, přičemž poskytuje uživatelsky přívětivé a intuitivní rozhraní pro vytváření a přizpůsobení agentů s minimální nebo žádnou potřebou programování (Dibia, 2024).

Díky předpřipraveným komponentám výrazně snižuje dobu vývoje a podporuje rychlé prototypování i experimentování. Zároveň zajišťuje vysokou spolehlivost a flexibilitu při škálování od jednoduchých po složité systémy agentů. Hlavní výhodou AutoGenu je jeho multi-agentní komunikační struktura, která umožňuje spolupráci několika specializovaných agentů na řešení složitých problémů nebo provádění náročných úkolů. Tato schopnost zvyšuje adaptabilitu a umožňuje vytváření vysoce flexibilních a robustních systémů. AutoGen podporuje jak autonomní provoz agentů, tak jejich dohled člověkem, což zajišťuje univerzálnost použití v různých scénářích. AutoGen tak může sloužit jako komplexní nástroj pro průběžnou a detailní analýzu konkurence, který nejen šetří čas, ale zároveň poskytuje hlubší a přesnější vhled do konkurenčního prostředí.

Obrázek 3 – Flow spolupráce agentů na společném cíli (Aydin, 2024)

Autogen je open-source projekt, který má svůj projekt volně dostupný na portálu Github, kde má vysoké hodnocení a uživatelé mohou rovněž pokládat dotazy nebo reportovat problémy (Suard, 2024).

Jelikož je Autogen opět Python framework, při nevyužití Autogen Studio je nutná alespoň základní znalost Pythonu pro nastavení frameworku. Další nevýhodou je rovněž strmá učící křivka v porovnáním s jinými frameworky z důvodu robustnosti a dále složitější prvotní nastavení.

2.3 LangGraph

Jedná se o další AI agent framework, který se zaměřuje na vytváření škálovatelných, spolehlivých a agent-based systémů. LangGraph opět pro své agenty využívá LLM a software je vydáván pod licencí MIT. Je to uzlový a jeden z nejpopulárnějších AI frameworků pro tvorbu multi-agentů, kteří zvládají složité úkoly. Patří do ekosystému LangChain jako framework pro práci s agenty založený na grafech. S LangGraphem je možné vytvářet agenty pomocí uzlů a hran pro lineární, hierarchické a sekvenční pracovní postupy. Akce agentů jsou označovány jako uzly a přechody mezi těmito akcemi jako hrany (Aydin, 2024).

Díky LangGraph, nástavbě nad LandChain, můžeme díky znázorněným vztahům komponent pomocí grafu lépe spravovat funkce agenta. Společně s LangSmith nástrojem je možné agenty monitorovat a měřit jejich výkonnost (Kilpatrick, 2023).

Obrázek 4 – Příklad grafu agenta v LangGraph (Aydin, 2024)

Na rozdíl od CrewAI se ale jedná o low-level framework. Předpokládá se tedy složitější implementace než u CrewAI, na druhou stranu je zde větší prostor pro modifikace a přizpůsobení než u high-level frameworků, kde není taková svoboda při tvorbě agentů.

2.4 Akira AI

Akira AI je další z nástrojů, který poskytuje tvorbu AI agentů a jejich orchestraci. Nabízí přívětivé uživatelské rozhraní s možností kolaborativní práce mezi agenty a již předpřipravené šablony pro tvorbu pomocníků umělé inteligence. Svým způsobem se jedná o high-level framework, který je určen pro technicky méně zdatné uživatele. Klíčovou funkcí je prediktivní analýza, která umožňuje organizacím efektivně využívat velká data k identifikaci trendů a přijímání informovaných rozhodnutí.

Obrázek 5 – Diagram multi-agent systému (Gill, 2024)

Kromě toho Akira AI optimalizuje pracovní postupy analýzou procesů a odstraňováním úzkých míst, což vede ke zkrácení cyklů a vyšší provozní efektivitě. Tato kombinace technologií pomáhá podnikům lépe reagovat na výzvy a zlepšovat jejich výkon (Gill, Automating Workflows with Agentic AI: Techniques and Benefits, 2024). Oproti ostatním frameworkům vyžaduje dle dokumentace Akira AI nejmenší znalost programování.

3 Využití AI agentů pro analýzu konkurence

Provádět manuálně analýzu konkurence je v dnešní době zdlouhavý proces, který stojí firmy nemalé úsilí, velké finanční i časové náklady, a ne vždy analýza končí úspěšně. Je potřeba procházet velké množství dat a následně data analyzovat a vybrat z nich to podstatné. Technologické firmy dnes stále více využívají umělou inteligenci pro vývoj softwaru a podpůrných procesů, což je doloženo i několika nezávislými průzkumy (Taylor, 2024). Stejně tak může být umělá inteligence využita i pro potřeby Competitive intelligence, konkrétně pro analýzu konkurence.

AI agenti jsou schopni autonomně a bez nutnosti zásahu člověka monitorovat konkurenci, předpovídat trendy a vykonávat potřebné akce. Cílem CI je nejen informace sbírat, ale také je systematicky využít ve správnou chvíli. Zde mohou výrazně pomoci AI agenti, kteří mají definovaný úkol, který musí splnit a provádí ho v reálném čase, 24 hodin denně, 7 dní v týdnu.

Pro práci s AI agenty je vhodné využít již existující frameworky, z nichž jsou některé popsány v předchozí kapitole této práce. Následující text se věnuje oblastem, ve kterých mohou AI agenti pomoci při analýze konkurence.

3.1 Benefity AI agentů při analýze konkurence

Oproti lidským analytikům mají AI agenti nespočet výhod, které by jen stěží mohl člověk nahradit. Konkurenční výhodou je především cena za provoz agentů umělé inteligence v porovnání se sazbou analytiků a jiných specialistů.

Monitorování trhu 24/7: AI agenti neustále analyzují širokou škálu datových zdrojů, od zpráv po sociální sítě konkurentů, a dokáží tak zachytit i ty nejjemnější změny na trhu. Výhodou AI agentů oproti lidským zdrojům je, že umělá inteligence nikdy nespí a je možné analyzovat v reálném čase i konkurenci, která podniká v jiném časovém pásmu, který se vylučuje s místní standardní pracovní dobou.

Identifikace trendů ve velkém rozsahu: AI asistenti jsou schopni odhalit vzory a trendy, které by mohli přehlédnout lidští analytici. Propojují různé informace, čímž odhalují skryté příležitosti nebo hrozby na trhu. Lidský analytik většinou tráví velké množství času na samotném utřídění myšlenek a dat, přičemž tento krok trvá umělé inteligenci jednotky sekund včetně nacházení vzorů.

Předpovědi založené na datech: Pomocí historických dat a analýzy současné tržní situace mohou AI agenti předvídat chování konkurence nebo tržní trendy, což firmám umožňuje reagovat dříve než ostatní. Agenti mohou okamžitě vyhotovit report nebo vykonat definované akce jako je třeba spuštění kampaně, snížení ceny nebo změna poskytovaného sortimentu. To stejné samozřejmě může udělat i člověk, ale reakční doba bude pravděpodobně o dost delší.

Personalizované výstupy: AI agenti mohou ze stejných dat generovat odlišné materiály a výstupy pro různé role napříč organizací a výstupy rovněž automaticky odeslat nebo umístit na požadované místo.

Okamžité reakce: Největším přínosem AI agentů je samozřejmě rychlost, která hraje klíčovou roli v digitálním světě. Jak říká známé rčení, že čas jsou peníze, tak v kontextu CI je výrazně znatelné.

Redukce lidského zkreslení: Lidský analytik může mít tendenci k selektivnímu vnímání informací. Správně navržení AI agenti mohou poskytovat objektivnější a přesnější analýzu tržního prostředí. AI agenti rovněž nerozhodují na základě subjektivních úsudků (RelevanceAI, 2024).

Gill na webu nástroje Akira AI, který se rovněž zabývá problematikou AI agentů a poskytuje jakýsi framework pro tvorbu agentů, publikovala porovnání tradiční analýzy konkurence a analýzy konkurence s využitím AI agentů. Následující tabulka zahrnuje srovnání několika vybraných aspektů (Gill, 2024):

Aspekt	Tradiční analýza konkurence	Analýza konkurence s AI agenty
Zpracování dat	Ruční a pomalé	Automatizované, v reálném čase možnost procesovat rozsáhlé datasety
Zdroje dat	Průzkumy a historická data	Historická data + real-time data (sociální sítě, blogy, média)
Generování přehledů	Často brzy zastaralé	Rychlejší reakce na změnu prostředí
Škálovatelnost procesu	Náročné na zdroje (především lidské)	Snadno škálovatelné automaticky (pouze další část softwaru)
Doba zpracování	Většinou dlouhá vzhledem k náročnosti domény a množství dat	Téměř okamžitá
Analýza zákaznického sentimentu	Často založena na historicky nasbíraných datech, snadno může být neaktuální	Monitoring v reálném čase
Integrace s dalšími nástroji	V závislosti na používaných technologiích v organizaci	Často snadná integrace s ostatními systémy

Tabulka 2 – Srovnání vybraných aspektů analýzy konkurence bez a s využitím AI agentů (Gill, 2024)

3.2 Příklady využití AI agentů pro analýzu konkurence

Dle Gill může AI agent pomoci v mnoha oblastech analýzy konkurence, což je patrné i z tabulky rozdílů výše. Postup práce agenta se většinou skládá z činností, které mají definovanou určitou posloupnost – od získání dat, přes benchmarking, analýzu sentimentu, monitoringu až po samotný reporting (Takyar, 2024).

AI agenti mohou například pomoci s analýzou konkurence v bankovním sektoru následujícími aktivitami (Gill, 2024):

• sledování trendů – AI agent monitoruje zprávy, reporty a publikace pro odhalení strategických kroků konkurence
• sledování finančních výkazů – ať už se jedná o monitoring vývoje ceny na burze nebo samotného hospodaření bankovní instituce, agent dokáže informace v reálném čase získávat a zpracovávat
• analýza sentimentu – AI agent sleduje uživatelské recenze a odhaluje, na co si uživatelé stěžují nebo naopak chválí u konkurence
• sledování podílu na trhu – stejně jako u sledování finančních výkazů může agent monitorovat aktivity na trhu a přizpůsobit tomu své další kroky
• monitoring spouštění nového produktu
• web scraping
• tvorba cenové strategie
• analýza UX/UI konkurence
• tvorba SWOT analýzy

Závěr

V dnešní době existuje nespočet frameworků pro práci s AI agenty a každým dnem se vyvíjí nové a vylepšují stávající. Veškeré zde zmíněné frameworky jsou pro základní používání téměř totožné, co se týče základních dostupných funkcí. Rozdíly mezi nimi určitě existují, avšak nejsou na první pohled patrné z dokumentací a veřejně dostupných zdrojů, ze kterých tato práce čerpá. Pro porovnání jednotlivých frameworků by pravděpodobně byla potřeba jednotlivé nástroje pečlivě otestovat a zhodnotit výstupy pro konkrétní úkoly. Pro experimentování s AI agenty však člověk neudělá chybu ani s jedním frameworkem, avšak záleží na konkrétních úkolech a schopnostech jedince. Není tedy úplně jednoduché pouze z otevřených dat určit, který framework je ten nejlepší a který naopak nejhorší. Každý nástroj má zkrátka své silné a slabé stránky.

Pro experimentování s AI agenty by bylo vhodné zvolit nástroje, které na svých webech nabízí využití přímo pro potřeby CI, jelikož už disponují šablonami pro agenty vykonávající práci CI specialisty anebo se přiklonit k variantě, kde je vyžadována co nejmenší znalost programování. Příkladem může být Akira AI nebo Autogen v kombinaci s Autogen Studio, uživatelským rozhraním pro Autogen.

AI agent může společnostem ušetřit mnoho času a nákladů, jelikož je schopen autonomně vykonávat činnosti, které donedávna uměl pouze člověk. Umělá inteligence se stále více rozšiřuje mezi nejen softwarové společnosti a pokud chceme, aby i naše společnost prosperovala, neměli bychom na tyto dostupné vymoženosti dnešní doby zapomínat.

Použitá literatura

Arya, S. (22. Listopad 2024). Top 5 Frameworks for Building AI Agents in 2025. Načteno z Analytics Vidhya: https://www.analyticsvidhya.com/blog/2024/07/ai-agent-frameworks/

Aydin, K. (16. Listopad 2024). Which AI Agent framework should i use? (CrewAI, Langgraph, Majestic-one and pure code). Načteno z Medium: https://medium.com/@aydinKerem/which-ai-agent-framework-i-should-use-crewai-langgraph-majestic-one-and-pure-code-e16a6e4d9252

Brennan, R. (21. Květen 2024). Use AI agents to collaborate and create a business plan for a proposed product. Načteno z Medium: https://medium.com/@therobbrennan/use-ai-agents-to-collaborate-and-create-a-business-plan-for-a-proposed-product-92004cc19ea1

Dibia, V. (17. Červen 2024). Introducing AutoGen Studio: A low-code interface for building multi-agent workflows. Načteno z Microsoft: https://www.microsoft.com/en-us/research/blog/introducing-autogen-studio-a-low-code-interface-for-building-multi-agent-workflows/

Gill, J. K. (3. Listopad 2024). Automating Workflows with Agentic AI: Techniques and Benefits. Načteno z Akira AI: https://www.akira.ai/blog/automating-workflows-with-agentic-ai-techniques-and-benefits

Gill, J. K. (18. Říjen 2024). Elevating Banking Insights: Agentic AI for Competitor Analysis. Načteno z akiraAI: https://www.akira.ai/blog/agentic-ai-for-competitive-analysis

Gutowska, A. (3. Červenec 2024). What are AI agents? Načteno z IBM: https://www.ibm.com/think/topics/ai-agents

Kilpatrick, L. (24. Červenec 2023). What is LangSmith and why should I care as a developer? Načteno z Medium: https://medium.com/around-the-prompt/what-is-langsmith-and-why-should-i-care-as-a-developer-e5921deb54b5

Komenchuk, O. (4. Září 2024). How to Build an AI Agent: 7 Main Steps. Načteno z uptech: https://www.uptech.team/blog/how-to-build-an-ai-agent#what-is-an-ai-agent

Pandit, B. (12. Září 2024). CrewAI: A Guide With Examples of Multi AI Agent Systems. Načteno z datacamp: https://www.datacamp.com/tutorial/crew-ai

RelevanceAI. (2024). Competitive Intelligence AI Agents. Načteno z RelevanceAI: https://relevanceai.com/agent-templates-tasks/competitive-intelligence-ai-agents

Suard, T. (20. Červen 2024). A Quick Review of The Most Popular AI Agent Frameworks (June 2024). Načteno z Medium: https://medium.com/@ceo_44783/a-quick-review-of-the-most-popular-ai-agent-frameworks-june-2024-ce53c0ef809a

Takyar, A. (4. Červen 2024). AI for competitive analysis: Applications, architecture, benefits, implementation, technologies, best practices, and future trends. Načteno z LeewayHertz: https://www.leewayhertz.com/ai-for-competitive-analysis/

Taylor, K. (30. Červen 2024). Top Benefits of AI in Modern Software Development. Načteno z New Horizons: https://www.newhorizons.com/resources/blog/benefits-of-ai-in-software-development