Autonomní AI agenti pro správu skladu a objednávek: realita 2026

Sklad a objednávky jsou místo, kde e-shop každý den pálí nejvíc ruční práce. Někdo kontroluje, co dochází. Někdo píše dodavatelům. Někdo řeší objednávku, která visí tři dny, protože nesedí platba, adresa nebo stav zásoby. Většinu těchto úkonů dnes řeší pravidla v ERP nebo automatizace. Zbytek, tedy výjimky a nejasné případy, zůstává lidem.

Právě na výjimky se dnes míří s AI agenty. V článku vysvětlujeme, co autonomní agent ve skladu a u objednávek reálně zvládne, jak se napojuje na ERP a WMS, proč u něj trváme na schvalování člověkem a na jaká rizika si dát pozor. Obecnější přehled o agentech najdete v článku AI agenti v ecommerce: co dnes umí a co ne.

Co je autonomní agent a čím se liší od automatizace

Klasická automatizace má postup pevně daný: když zásoba klesne pod minimum, vytvoř návrh objednávky. AI workflow do takového postupu přidá jazykový model pro jednotlivé kroky, třeba pro přečtení e-mailu od dodavatele. Postup ale pořád určuje člověk.

Agent dostane cíl a sadu nástrojů. Sám rozhodne, který nástroj zavolá a co udělá dál. U zaseknuté objednávky se podívá na platbu, pak na sklad, pak na zásilku u dopravce a podle toho, co najde, navrhne řešení. Technicky to stojí na funkci, které poskytovatelé modelů říkají function calling nebo tool use: model nevrací jen text, ale i požadavek na zavolání konkrétní funkce s parametry. Tu funkci pak spustí váš kód.

„Autonomní“ je proto spíš škála než stav. V praxi rozlišujeme tři úrovně:

Začínáme vždy první úrovní. Na třetí se u konkrétní úlohy posouváme až ve chvíli, kdy máme změřené, jak často agent rozhoduje správně.

Co agent ve skladu a u objednávek zvládne

Úlohy, kde agenti dávají smysl, mají společné to, že kombinují data z více systémů a případy se od sebe liší:

• Hlídání zásob a návrh objednávek. Agent porovná stav skladu, rychlost prodeje, otevřené objednávky u dodavatelů a dodací lhůty. Připraví návrh objednávky a u neobvyklých položek připíše zdůvodnění.
• Zaseknuté objednávky. Najde objednávky, které neodešly v obvyklém čase, zjistí příčinu a navrhne další krok. Rutinní příčiny, jako chybějící číslo zásilky od dopravce, může rovnou dořešit.
• Nesoulad stavů. Porovná zásoby v e-shopu, v ERP a ve WMS a upozorní, kde se liší. U rozdílu ukáže, které pohyby ho pravděpodobně způsobily.
• Komunikace s dodavateli. Přečte potvrzení objednávky nebo avízo o zpoždění, porovná je s objednávkou a zapíše změnu termínu. Když dodavatel potvrdí jiné množství nebo cenu, upozorní nákupčího.
• Příprava podkladů pro sklad. Seřadí objednávky podle priority, upozorní na položky, které nejsou fyzicky na pozici, nebo na objednávky s rizikem zpoždění.

Co agentovi naopak nesvěřujeme: změny cen bez kontroly, storna a vracení peněz, objednávky nad limit a cokoliv, co by bez zpětné kontroly mohlo poškodit zákazníka nebo peněženku.

Jak agenta napojit na ERP, WMS a e-shop

Agent je jen tak dobrý jako nástroje, které dostane. Každý nástroj je samostatná funkce nad REST API e-shopu, ERP, WMS nebo dopravce: přečti objednávku, přečti stav skladu, najdi zásilku, zapiš poznámku, vytvoř návrh objednávky. Na změny v systémech agent reaguje přes webhooky, nebo pravidelnou kontrolou podle plánu.

U českých ERP bývá napojení nejpracnější část. Záleží na tom, jaké rozhraní konkrétní systém a jeho verze nabízí, a někdy je potřeba mezivrstva. Pokud ERP s e-shopem ještě nesynchronizujete spolehlivě, začněte tím. Agent nad nekonzistentními daty dělá nekonzistentní rozhodnutí. Jak postavit jeden zdroj pravdy pro zásoby, popisujeme v článku Propojení ERP, e-shopu a skladu. Základní synchronizaci objednávek a skladu s ERP obvykle zvládneme za 2–4 týdny, více na stránce napojení na ERP.

MCP: jednotný způsob napojení

Stále častěji se nástroje zpřístupňují přes Model Context Protocol (MCP). Jde o otevřený standard pro napojení AI na data a služby, který Anthropic v prosinci 2025 předal nově vzniklé nadaci Agentic AI Foundation pod Linux Foundation. Jednou napsaný MCP server pro váš sklad pak můžete použít v různých AI nástrojích a frameworcích.

Pro české e-shopy je důležité, že Shoptet od července 2026 nabízí oficiální MCP server. Podle Shoptetu je pro e-shopy s tarifem Shoptet Premium zdarma, přihlašuje se přes OAuth a kromě čtení umí i omezený zápis (k 9/2026). U ostatních platforem a u ERP stavíme nástroje nad jejich API. Samotného agenta pak stavíme v n8n, nebo v kódu nad některým z frameworků pro AI agenty, podle složitosti úlohy.

Human-in-the-loop: kde musí rozhodovat člověk

Nejlépe zdokumentovaný pokus o „AI obchodníka“ udělal v roce 2025 Anthropic. V projektu Project Vend nechal model Claude asi měsíc provozovat malý obchod s občerstvením ve své kanceláři. Agent měl na starosti nákup zásob, ceny i komunikaci se zákazníky. Obchod skončil ve ztrátě, agent se nechal zaměstnanci přemluvit k nevýhodným slevám a prodával některé položky pod nákupní cenou. Anthropic sám uvedl, že by na základě tohoto pokusu agenta do takové role nenasadil. V další fázi projektu se výsledky zlepšily, mimo jiné díky novějším modelům a lepším nástrojům.

Poučení pro sklad je přímočaré. Model umí dobře číst, porovnávat a navrhovat. Hůř odolává tlaku, neobvyklým situacím a vlastním chybám. Proto do procesu vždy stavíme bod, kde rozhoduje člověk:

• vše, co odchází ven (objednávka dodavateli, e-mail zákazníkovi), agent jen připraví, dokud nemá prokázanou přesnost,
• vše, co mění peníze nebo ceny, schvaluje člověk vždy,
• automaticky smí agent provádět jen akce ze seznamu povolených, s limity na hodnotu a počet za den,
• u každého návrhu uvede, z jakých dat vycházel, aby šlo rozhodnutí rychle zkontrolovat.

Rizika a jak je hlídat

OWASP ve svém přehledu rizik aplikací s jazykovými modely pro rok 2025 řadí na první místo prompt injection, tedy podvržené instrukce ukryté v datech. Agent, který čte e-maily od dodavatelů nebo poznámky zákazníků k objednávce, na takový text dříve či později narazí. OWASP zároveň uvádí, že spolehlivá obrana zatím neexistuje. Stejný přehled popisuje i riziko nadměrných pravomocí (excessive agency): agent má víc nástrojů a práv, než úloha vyžaduje.

Druhé riziko je ekonomické. Gartner v červnu 2025 předpověděl, že víc než 40 % projektů agentní AI bude do konce roku 2027 zrušeno kvůli rostoucím nákladům, nejasnému přínosu nebo nedostatečné kontrole rizik. Nám z toho plyne jednoduché pravidlo: agent musí řešit konkrétní změřitelný problém, ne být experimentem pro experiment.

Každé volání nástroje logujeme. Když se agent rozhodne špatně, dá se zpětně dohledat proč, a upravit nástroj nebo pravidla.

Jak na to prakticky

Nasazení agenta na sklad a objednávky dělíme do kroků, které se dají zastavit, pokud data ukážou, že to nefunguje:

1. Výběr úlohy. Najdeme jednu opakovanou činnost, která dnes stojí nejvíc času a kde se případy liší. Typicky zaseknuté objednávky nebo návrhy objednávek u dodavatelů.
2. Kontrola dat. Ověříme, že stavy skladu a objednávek jsou mezi e-shopem, ERP a WMS konzistentní.
3. Nástroje jen pro čtení. Agent hledá a hlásí. Porovnáváme jeho závěry s tím, co by udělal člověk.
4. Režim návrhů. Agent připravuje akce, lidé je schvalují. Měříme podíl návrhů přijatých beze změny.
5. Omezená autonomie. Vybrané rutinní akce agent provádí sám v limitech, ostatní dál schvaluje člověk.

Pokud nevíte, kde agenta nasadit jako první, začněte AI auditem, který zvládneme do týdne. Komplexní AI agenty napojené na ERP a více systémů obvykle nasazujeme za 4–8 týdnů. Cenu připravíme po konzultaci podle rozsahu napojení a počtu úloh.