Agentická AI v práci: co data z Codexu říkají o delegování úkolů

TL;DR:

• Studie o používání Codexu ukazuje posun od krátkého promptování k delegování delších pracovních úkolů AI agentům.
• Agentická AI v práci znamená, že model nedává jen odpověď, ale prochází více kroků, pracuje v prostředí a vrací výsledek ke kontrole.
• Rozdíl AI agent vs chatbot je hlavně v typu úkolu: chat pomáhá přemýšlet, agent přebírá část pracovního postupu.
• Limitem je, že data z Codexu nejsou důkazem celé AI adopce a technická práce se agentům měří snáz než jiné oblasti.
• Zkuste u příštího AI úkolu napsat zadání s cílem, hranicemi, kritériem hotovo a bodem, kdy se má agent zastavit.

Dlouho jsme AI v práci používali hlavně jako konverzační nástroj. Napsat prompt, dostat odpověď, upravit, zkusit znovu.

Nová studie The Shift to Agentic AI: Evidence from Codex ukazuje jiný posun: lidé nezačínají AI jen používat častěji. Začínají jí zadávat delší úkoly, spouštět více agentů najednou a měnit způsob, jak organizují práci.

Studie analyzuje používání OpenAI Codexu. To je důležité omezení: nejde o mapu celé AI ekonomiky. Je to pohled na jeden konkrétní agentický nástroj. Právě proto je ale zajímavý. Codex není obecný chatbot. Je navržený tak, aby dělal úkoly v kódu, běžel delší dobu, pracoval v prostředí projektu a vracel výsledek k revizi.

To je blíž delegování práce než běžnému promptování.

Co znamená agentická AI v práci

Agentická AI není jen chatbot, který odpovídá na otázky. Je to způsob práce, kde model dostane cíl, kontext, nástroje a prostor projít více kroků.

Autoři studie uvádí, že počet aktivních uživatelů Codexu v první polovině roku 2026 vzrostl více než pětkrát. Zároveň píšou, že růst nebyl jen mezi původním publikem softwarových vývojářů, ale začal se šířit i mimo něj.

Uvnitř OpenAI se podle studie používání Codexu stalo téměř univerzální a v řadě případů nahradilo pracovní používání ChatGPT. Studie také popisuje podobný, i když nerovnoměrnější posun u externích organizací.

Zajímavá nejsou jen čísla o růstu. Důležitější je změna chování.

Autoři zmiňují, že více než 10 % uživatelů v některém týdnu spravovalo tři nebo více souběžných Codex agentů. U části uživatelů se také objevuje používání sdílených instrukcí pro složitější postupy. A narostl podíl požadavků, které odpovídají úkolům vyžadujícím mnoho hodin lidské práce.

Jinými slovy: lidé nezačínají jen psát lepší prompty. Začínají delegovat větší kusy práce.

AI agent vs chatbot: rozdíl je v typu úkolu

Pro praktické používání AI je to zásadní rozdíl.

Prompt je žádost o odpověď. Agentický úkol je delegování výsledku.

Když se ptáte chatbota, často očekáváte text, návrh, vysvětlení nebo seznam. Když zadáváte práci agentovi, očekáváte, že projde prostředí, udělá kroky, něco změní, otestuje, vrátí výsledek a nechá vás rozhodnout, zda je přijatelný.

To mění nároky na člověka.

U chatování s AI je hlavní dovednost dobře formulovat dotaz. U práce s agentem je hlavní dovednost dobře definovat úkol, hranice, kontrolní body a kritéria dokončení.

To je pro firmy i jednotlivce důležitější než otázka, který model má o pár procent lepší benchmark.

Jak používat AI v práci, když úkol předáváte agentovi

Pokud se agentické nástroje opravdu rozšiřují, mění se i praktická gramotnost kolem AI.

Nestačí umět napsat prompt typu vysvětli mi to jednoduše. Člověk bude potřebovat umět připravit zadání podobně, jako by ho dával juniornímu kolegovi nebo externímu specialistovi.

Dobré zadání AI agentovi obsahuje:

• cíl,
• kontext,
• vstupy,
• hranice,
• povolené a zakázané akce,
• definici hotového výsledku,
• způsob kontroly,
• bod, kdy se má zastavit a zeptat.

Tohle je jiný typ práce. Méně připomíná vyhledávání informací a víc řízení malého procesu.

Co z dat nevyvozovat

Studie neznamená, že AI agenti už vyřešili produktivitu práce. Neznamená ani to, že každý tým má okamžitě přejít na autonomní agenty.

Je potřeba číst ji opatrně.

Zaprvé, jde o data z Codexu. Ten je silně spojený s technickou prací a s prostředím, kde je výsledek často možné testovat. Kód je pro agenty vhodnější než mnoho jiných oblastí, protože existují testy, kompilace, diffy a revize.

Zadruhé, růst používání neříká automaticky, že každý výstup byl kvalitní. Může ukazovat zájem, experimentování a změnu návyků. Skutečný dopad na kvalitu práce je složitější otázka.

Zatřetí, interní používání uvnitř OpenAI nemusí odpovídat běžné firmě. Lidé v OpenAI mají jiné znalosti, nástroje i motivaci než většina trhu.

Právě proto je dobré brát studii jako signál směru, ne jako univerzální důkaz hotové změny.

Praktický posun: od operátora k editorovi práce

Když člověk používá chat, často je pořád hlavním operátorem. AI jen pomáhá s jednotlivými kroky.

Když používá agenta, část operování předává systému. Člověk se posouvá do role zadavatele, kontrolora a editora výsledku.

To může být silné. Ale jen pokud člověk ví, co kontrolovat.

U agentických úkolů je potřeba hlídat:

• zda agent pracoval se správnými zdroji,
• zda něco nepřeskočil,
• zda nepřekročil oprávnění,
• zda výsledek odpovídá cíli,
• zda jsou změny vratné,
• zda existuje auditní stopa.

Bez toho se z delegování práce může stát jen pohodlnější způsob, jak vyrábět neověřené výstupy.

Kdy použít AI agenta a kdy chat

Jednoduché pravidlo:

Chat použijte, když potřebujete přemýšlet, vysvětlit, navrhnout nebo rychle připravit text.

AI agenta použijte, když úkol vyžaduje více kroků, práci s prostředím, kontrolu výstupu nebo opakované zpracování většího množství materiálu.

Příklad:

• vysvětlit koncept: chat,
• projít 50 souborů a najít rizika: agent,
• navrhnout strukturu článku: chat,
• projít zdroje, vytáhnout tvrzení, připravit draft a doplnit metadata: agent,
• brainstormovat možnosti: chat,
• ověřit opakující se checklist napříč dokumenty: agent.

Praktický závěr

Největší změna není v tom, že AI odpovídá lépe. Změna je v tom, že část práce začíná být zadatelná jako úkol.

To je jádro agentické AI.

Pro Agentivpraxi čtenáře z toho plyne jednoduchý závěr: učit se AI dnes neznamená jen učit se prompty. Znamená to učit se navrhovat malé pracovní systémy, kde AI něco připraví, člověk nastaví hranice a výsledek projde kontrolou.

Prakticky si z toho vezměte jednu věc: u příštího AI úkolu nepište jen prompt. Napište krátké zadání s cílem, hranicemi, kritériem hotovo a kontrolním bodem, kdy se má agent zastavit. To je první krok od chatování k delegování práce.

Kdo se naučí dobře delegovat agentům, nebude jen rychlejší v psaní dotazů. Bude mít lepší způsob, jak převádět AI do skutečné práce.

CTA: Získat týdenní přehled.

Zdroj

Zdroj: arXiv, The Shift to Agentic AI: Evidence from Codex - https://arxiv.org/abs/2606.26959