AWS přistupuje k podnikové AI trochu jinak než Microsoft. Zatímco Microsoft má velmi viditelnou uživatelskou vrstvu v podobě Copilotu, síla AWS spočívá především v možnosti stavět vlastní AI aplikace, agenty a AI služby přímo nad cloudovou platformou AWS.Centrem tohoto světa je Amazon Bedrock.
Zjednodušeně:
Amazon Bedrock → Knowledge Bases → Agents → AgentCore → podnikové AI řešení
Pro firmy, které už mají významnou část infrastruktury a aplikací v AWS, tak lze AI přidávat přímo k existujícím datům, službám, API a podnikovým procesům.
Amazon Bedrock je základní platforma AWS pro vytváření generativních AI aplikací.Důležitý rozdíl oproti jednoduchému používání jednoho AI modelu spočívá v tom, že firma nestaví řešení pouze kolem chatovacího okna. Vytváří vlastní aplikaci, ve které je AI jednou z jejích služeb.
Prakticky může jít například o aplikaci pro:
Velkou výhodou tohoto přístupu je možnost oddělit samotný AI model od celkové architektury aplikace. Organizace tak může navrhovat AI řešení jako standardní součást své podnikové architektury.
Samotný jazykový model zná informace, na kterých byl vytvořen, ale nezná automaticky interní dokumentaci konkrétní organizace. Proto je jedním z důležitých scénářů propojení AI s vlastními podnikovými znalostmi. Typickým příkladem je RAG, Retrieval-Augmented Generation.
Princip může být například:
Uživatel položí otázku → systém vyhledá relevantní interní informace → předá je AI modelu → model vytvoří odpověď založenou na nalezeném kontextu
Praktický příklad: Zaměstnanec se zeptá:
„Jaký je u nás postup při reklamaci zákazníka?“
Místo toho, aby model odpovídal pouze ze svých obecných znalostí, může systém najít relevantní interní směrnici nebo proces a použít nalezené informace při vytvoření odpovědi.
To je zásadní rozdíl mezi obecným chatbotem a podnikovým AI řešením pracujícím s firemními znalostmi.
Dalším krokem je přechod od AI, která pouze odpovídá, k AI, která dokáže provádět konkrétní úlohy. K tomu slouží agentní služby v Amazon Bedrock. Agent může kombinovat jazykový model, znalostní zdroje a nástroje nebo podnikové funkce. AWS dokumentace například umožňuje definovat action groups, používat AWS Lambda, pracovat s Knowledge Bases nebo vyžadovat potvrzení uživatele před provedením určité akce.
To je důležité, protože agent už nefunguje pouze stylem:
otázka → odpověď, ale může fungovat: požadavek → pochopení úkolu → získání dat → výběr nástroje → provedení akce → kontrola výsledku → odpověď
Zákazník zadá:
„Chci reklamovat poslední objednávku, protože mi přišlo poškozené zboží.“
Jednoduchý chatbot může pouze vysvětlit reklamační proces.AI agent může podle navrženého řešení udělat více:
AI se tím mění z informačního nástroje na aktivní součást podnikového procesu.
U experimentálního AI agenta je relativně jednoduché vytvořit působivou demonstraci. Mnohem obtížnější je dostat agenty bezpečně do produkčního prostředí. Právě zde přichází do hry Amazon Bedrock AgentCore. AWS ho rozšiřuje o enterprise schopnosti pro řízení produkčních agentů. Například AgentCore Policy může řídit, jaké akce je agent oprávněn provádět, a observability poskytuje podklady pro monitoring a audit.
To řeší jeden z největších problémů agentní AI: Nestačí vědět, co agent umí. Potřebujeme vědět, co smí udělat.
AWS je zajímavé především pro organizace, které nechtějí používat AI pouze jako hotového asistenta, ale chtějí ji zabudovat do vlastních aplikací a procesů. Amazon Bedrock poskytuje základ pro práci s generativní AI. Nad ním lze stavět znalostní systémy, RAG, AI agenty a komplexnější agentní architektury. Produkční vrstvu lze dále doplnit o AgentCore a bezpečnostní mechanismy, jako jsou Guardrails. Technologie ale sama o sobě nestačí.
Klíčová otázka není: „Jak vytvoříme AI agenta?“ Mnohem důležitější je: „K jakým datům a systémům bude mít agent přístup, jaké akce mu dovolíme provádět, jak je budeme kontrolovat a kde musí rozhodnutí převzít člověk?“ Právě rozdíl mezi jednoduchou AI demonstrací a skutečným enterprise AI řešením leží v architektuře, integraci, bezpečnosti a governance.