Agent Studio ukazuje, že budoucnost podnikové AI není jen v modelech

Alibaba Cloud chce prostřednictvím Agent Studio změnit způsob, jakým firmy stavějí a provozují AI agenty. Platforma dostupná v rámci Bailianu spojuje konstrukci agentů, hostovaný běh, vyhledávání ve znalostech, paměť, nástroje i provozní rozhraní do jedné servisní vrstvy. Představena byla 14. srpna 2026 na akci Apsara. 820

Hlavní myšlenka je širší než samotný produkt: s tím, jak se modely stávají snadněji dostupnými, se nejtěžší a potenciálně nejdražší část podnikové AI přesouvá k provozu spolehlivých vícekrokových úloh. Agent Studio se proto nesnaží soutěžit pouze schopností modelu. Nabízí především infrastrukturu, která má obsloužit vše kolem něj.

Co Agent Studio nabízí

Platforma sdružuje funkce, které by jinak podnikový tým musel skládat samostatně:

• tvorbu agentů a pracovních postupů,
• hostované spouštění dlouhotrvajících úloh,
• integraci nástrojů a služeb MCP,
• vyhledávání v podnikových znalostech a agentic RAG,
• trvalou paměť a znovu použitelné Skills,
• izolované prostředí pro kód a práci se soubory,
• API pro spouštění agentů, vyhledávání, správu paměti a runtime prostředí. 117

Nejde tedy jen o vizuální editor promptů. Produkt míří na problémy, které se objeví ve chvíli, kdy agent musí plánovat, volat nástroje, pracovat se soubory, uchovávat kontext, zotavit se z přerušení a současně dodržovat bezpečnostní i rozpočtová omezení.

Tři přístupy k podnikovým agentům

Firmy dnes v zásadě volí mezi třemi modely.

1. Kompletní vlastní vývoj

Vlastní stack poskytuje největší kontrolu nad orchestracé, úložišti dat, identitou, bezpečností, monitorováním, infrastrukturou i přenositelností mezi dodavateli. Dává smysl tam, kde jsou požadavky neobvyklé nebo kde už firma provozuje vyspělou interní platformu.

Cena za tuto flexibilitu je vysoká odpovědnost. Podnik musí sám řešit spolehlivost, integrace, správu stavu, izolaci prostředí i detailní rozúčtování nákladů.

2. Vývojové frameworky

Frameworky a SDK urychlují orchestrace, používání nástrojů a napojení modelů. Jsou užitečnými stavebními bloky, samy o sobě ale obvykle neposkytují produkční hosting, sandboxy, trvalý stav, autentizaci, správu oprávnění, monitoring ani FinOps – tedy řízení a optimalizaci cloudových nákladů.

Tyto povinnosti zůstávají na aplikačním týmu.

3. Podnikové platformy pro agenty

Spravovaná služba, jako je Agent Studio, balí větší část těchto funkcí do jedné platformové vrstvy. Může zkrátit cestu od prototypu k produkčnímu nasazení a sjednotit způsob, jakým firma agenty provozuje.

Kompromisem je menší kontrola nad nízkoúrovňovými částmi systému a potenciálně silnější závislost na dodavateli – zejména pokud jsou nástroje, paměť, znalostní báze a runtime propojeny proprietárními rozhraními.

Managed Agent: základ provozní vrstvy

Managed Agent je hostovaný runtime Bailianu pro vícekrokové a dlouhotrvající úlohy, například volání nástrojů, spouštění kódu nebo zpracování souborů. Služba spravuje stav relací, sandboxy a provádění nástrojů. Agenti běží v izolovaných cloudových kontejnerech, historie událostí se ukládá na serveru a zdokumentovaný pracovní postup podporuje také přerušení a následné pokračování. 17

Jeho architekturu lze rozdělit do pěti vrstev:

1. Základ runtime: Spravovaný výpočetní výkon a životní cyklus nahrazují vlastní flotilu workerů, o kterou by se zákazník musel starat.
2. Správa kontextu: Serverové relace a trvalá historie událostí omezují množství kódu, který musí aplikace psát pro správu stavu. 17
3. Rozšíření pomocí MCP a Skills: K agentovi lze připojit standardizované nástroje i znovu použitelné schopnosti.
4. Bezpečnost sandboxu: Izolovaná prostředí umožňují spouštět příkazy, pracovat se soubory, instalovat závislosti a zpracovávat data. 17
5. API a pozorovatelnost: Programová rozhraní pokrývají životní cyklus agenta, volání aplikací, vyhledávání ve znalostech a správu paměti. 1

To je důležité proto, že agent není totéž co jednorázové volání modelu. Jeden požadavek může spustit plánování, vyhledávání, několik volání nástrojů, vykonání kódu, opakované pokusy i následné akce. Platforma, která tyto kroky zachycuje jako spravovanou historii běhu, může zjednodušit provoz i audit. Skutečné náklady a spolehlivost však stále závisejí na konkrétní úloze, modelu, nástrojích a nastavených kontrolách.

Příklad z pojišťovnictví je třeba brát s rezervou

Zprávy spojené s Alibaba Cloud popisují případ kontroly pojistných žádostí, v němž se práce při posuzování rizika zkrátila z původních tří až čtyř hodin na přibližně 15 minut. Uváděná cena činila 0,12 jüanu za jednu pojistku. 10

Jde však o výsledek popsané případové studie, nikoli o obecný benchmark nebo garanci Agent Studio. Výsledek může výrazně ovlivnit kvalita dokumentů, složitost workflow, zvolený model, počet volání nástrojů, řešení výjimek i míra nutné lidské kontroly. Příklad proto nejlépe ilustruje typ provozního zlepšení, na který platforma cílí.

One Key Service řeší problém s integracemi

Při nasazování agentů vzniká praktická překážka: každý externí nástroj nebo MCP služba může mít vlastní autentizaci a správu přístupových údajů. One Key Service má tento problém řešit jednotnou autentizační vrstvou pro partnery MCP tržiště. Vývojář tak nemusí pro každého partnera zvlášť integrovat jeho autorizační proces. 810

Nejde jen o pohodlnější přihlašování. MCP tržiště je pro podnik skutečně použitelné pouze tehdy, pokud lze jeho nástroje ve velkém schvalovat, autentizovat, monitorovat a řídit. Jednotný klíč se pokouší proměnit tržiště z pouhého katalogu nástrojů v součást provozního modelu.

Podle zveřejněných informací se první One Key MCP napojilo na 14 partnerů z cloudového tržiště. Pokrývají například elektronický obchod, geografická data, finance, právo, průmyslový výzkum a logistiku; později se má ekosystém rozšířit téměř na 50 poskytovatelů. 810

Private Skills převádějí interní know-how na nástroje

Reported design Private Skills pracuje se třemi úrovněmi rozsahu: široce znovu použitelnými platformovými nebo veřejnými schopnostmi, soukromými schopnostmi na úrovni organizace a užšími osobními či projektovými schopnostmi. 8

Smyslem je zabalit vlastní postupy, API a obchodní pravidla do opakovaně použitelných schopností. Tým tak nemusí interní instrukce stále znovu vkládat do promptů ani pro každého agenta budovat stejnou integraci.

V praxi se tím ale otevírají důležitější otázky: kdo Skill vlastní, kdo ho smí používat, jak se verzují, kdo schvaluje změny a nakolik je lze přenést na jiného dodavatele.

Knowledge Studio, Agentic Search a Memory Studio

Znalostní vrstva Agent Studia stojí na Knowledge Studiu, podnikové službě RAG. Ta podporuje analýzu dokumentů, jejich dělení na části, vektorizaci, indexování, vyhledávání a streamované odpovědi. Dokumentace uvádí integraci prostřednictvím API, MCP, CLI i Skills. 3

Důležitý je rozdíl mezi běžným vyhledáváním a agentic vyhledáváním. Knowledge Studio popisuje smyčku Agentic RAG, která spojuje:

• Agentic Search: plánování a iterativní vyhledávání v podnikových znalostech;
• Agentic Generation: vytvoření odpovědi po vyhledávání, včetně původu informací a citací. 46

Tento přístup je určen pro dotazy, na které nestačí jeden výsledek podobnostního vyhledávání. Agent může požadavek interpretovat, rozdělit ho, zvolit vhodný způsob hledání, hledat vícekrát a ověřit, zda jsou nalezené podklady dostatečné.

Paměť řeší jiný, ale související problém. Dokumentace Alibaba Cloud pro Agentic Memory popisuje ukládání a vyhledávání dlouhodobé, krátkodobé i kontextové paměti, stejně jako dat Skills a znalostních bází. 11 Aplikace tak nemusí při každé interakci znovu předávat všechny preference, předchozí rozhodnutí nebo opakovaně používané informace.

Paměť ale přináší vlastní nároky na správu: dobu uchovávání, mazání, přístupová práva a riziko, že agent bude dále používat chybnou informaci uloženou v minulosti.

Playground a tvorba pomocí přirozeného jazyka

Playground má sloužit jako jednotné pracovní prostředí pro Flow Agent, Managed Agent, RAG, Memory, MCP, Skills, šablony scénářů a workflow vytvářená v přirozeném jazyce pomocí funkce „Vibe Builder“. 8

Zamýšlený postup je jednoduchý: tým začne šablonou nebo popisem podnikového procesu a následně připojí potřebné znalosti, paměť, nástroje a běhové prostředí. To může snížit bariéru pro experimentování a dát technickým i obchodním týmům společné prostředí.

Neznamená to však, že odpadá testování, správa oprávnění, vyhodnocování nebo lidské schvalování. Zvlášť u agentů, kteří mohou provádět finanční, právní nebo jiné důsledkové operace, zůstávají tyto kontroly zásadní.

Proč cloudové firmy chtějí vlastnit vrstvu agentů

Konkurenční hranice podnikové AI se posouvá od samotného modelu směrem ven. Model dodává generování a určitou schopnost uvažování, produkční agent ale potřebuje také runtime, stav, nástroje, přístup k datům, identitu, izolaci, monitoring a pravidla.

Cloudové firmy tím získávají silnou strategickou pozici. Pokud se agenti stanou vstupním bodem, přes který uživatelé zadávají práci, může platforma zároveň vyhledávat a skládat cloudové služby jejich jménem. Vyhledávání, úložiště, API, databáze a podnikové systémy se pak mohou stále častěji využívat nepřímo prostřednictvím řízených akcí agenta, namísto toho, aby vývojář každý workflow ručně napojoval na jednotlivé služby.

Pro podnikové zákazníky to ale znamená několik zásadních otázek:

• Jak snadno lze agenty a Skills přenést mezi dodavateli?
• Kdo řídí oprávnění nástrojů a hranice přístupu k datům?
• Jak se rozúčtují náklady vícekrokové úlohy mezi tým nebo podnikový proces?
• Dokáže firma zpětně zjistit, co agent provedl a proč?
• Co se stane, když se změní model, nástroj nebo zdroj znalostí?

Agent Studio staví na odpovědi, že produktem už není jen model, ale celý spravovaný systém kolem něj. O úspěchu proto nerozhodne pouze atraktivní diagram platformy. Rozhodující bude, zda podniky dokážou ověřovat výstupy, kontrolovat akce, rozumět nákladům a převést kritické workflow z ukázkové prezentace do spolehlivého každodenního provozu.