Spolupráce musí být v srdci multi‑agentního AI přístupu ve výrobě. Zde je návod.

Většina, ne-li všichni, velkorozměrní výrobci zvládají množství systémů ve svých digitálních základech. Často všechny současně fungují na výrobní ploše: agent prediktivní údržby sleduje vibrační senzory kvůli bezpečnostním vzorcům, agent vizuální kontroly kvality označuje výrobní vady a plánovací agent řeší přestavby, zatímco inventurní agent sleduje nákup. Každý má jasný operativní úkol, ale častěji než ne, tyto systémy spolu nekomunikují.

Právě tato neschopnost spolupráce podkopává agentní AI ve velkorozměrné výrobě. To, zda agent funguje, je jedna věc, ale další významný problém, kterému čelí velké výrobní společnosti, je, že fungují téměř v úplné izolaci.

A zatímco podíl velkých organizací nasazujících AI agenty alespoň v jedné funkci vzrostl z 27 % na 40 % rok od roku, zaměřují se na konkrétní funkce, jako jsou IT a softwarové inženýrství, místo aby rovnoměrně rozdělovaly agenty po celém provozu jako koordinovaný systém. Současně, ačkoliv většina organizací plánuje nasadit autonomní agenty, jen asi jedna třetina věří, že jejich infrastruktura je připravena je podpořit. Navíc výzkum z roku 2025 zjistil, že 79 % selhání systémů s více agenty LLM pramení z problémů souvisejících s koordinací a specifikací.

Výrobci přidávají autonomní rozhodovací subjekty na provozní podlahu a výrobní linku rychleji, než budují mezi nimi propojení. To zhoršuje problém koordinace a spolupráce, který podkopává výkon těchto modelů. Nakonec se to projevuje ve třech odlišných částech AI stacku. Zde je, co by výrobci měli udělat, aby zajistili spolupracující, dobře propojené agentní systémy.

Největší překážky spolupráce

Prvním a možná největším překážkou jsou data, která i nadále představují významný úzký bod pro mnoho velkých organizací usilujících o rozšíření AI. Většina výrobců pracuje na desetiletích nahromaděné infrastruktury (a souvisejících dat) ve formě MES a ERP systémů, které nesdílejí společné schéma s dalšími datovými proudy, jako jsou komunikace a lidské zdroje. Kvůli tomu mají agenty obtíže komunikovat mezi sebou, pokud vůbec; izolovaná nebo špatně formátovaná data představují téměř nepřekonatelnou bariéru mezi více agenty.

Na výrobní podlaze se to projevuje tak, že agent monitorující stav a výkon stroje na jedné lince nemá spolehlivý způsob, jak zjistit, co plánuje plánovací agent o dva systémy dál pro nadcházející přestavbu, přestože se oba rozhodnutí a pracovní postupy přímo ovlivňují.

Další překážkou je protokol. Je to prvek, který při přístupu ke spolupráci AI nedostává dostatečnou pozornost. Agentní AI je velmi nová a až donedávna neexistoval skutečný standardní způsob, jak mohou agenti postavení na různých rámcích, platformách či u různých dodavatelů komunikovat a spolupracovat.

Naštěstí se to začíná měnit. Například protokol Agent2Agent (A2A) společnosti Google, který byl spuštěn minulý rok, standardizuje, jak nezávislí agenti (potenciálně postavení na zcela odlišných platformách) objevují schopnosti ostatních a delegují úkoly. Důležité je, že je explicitně navržený tak, aby doplňoval Model Context Protocol (MCP) společnosti Anthropic, který standardizuje, jak každý agent přistupuje k nástrojům a zdrojům dat. Společným cílem je překonat izolaci a zajistit spolupráci, i v multi‑agentních prostředích, ve velkém měřítku.

Nakonec mnoho výrobců stále čelí otázce lidského dohledu. I dokonale koordinovaná síť agentů selže, pokud lidé, kteří ji dohlížejí, nedůvěřují jejím rozhodnutím nebo mají nerealistická očekávání ohledně jejích schopností. Analytici z MIT Sloan vydali varování ohledně přehnaných očekávání a erodující důvěry v agentní AI, spolu s potenciální hrozbou odklonu lidí od AI agentů. Na výrobní podlaze mohou být tyto mezery a překážky katastrofální: lidské propojení spojující agentní ekosystém je naprosto nezbytné pro bezpečný a spolehlivý provoz.

Překlenutí mezery důvěry

Je lákavé považovat lidskou stránku za čistě kulturní otázku, kterou lze vyřešit více školeními. Tyto snahy však selžou, pokud nebudou doprovázeny trvalými architektonickými řešeními. Návrh dohledu musí zohlednit, kdy by lidský úsudek měl ustoupit systému, a ne jen automaticky přepisovat návrh agenta, protože osoba v cyklu s ním nesouhlasí.

Zavést transparentnost uvažování, což znamená, že je vždy zajištěna viditelnost a možnost rozebrat, proč agent učinil rozhodnutí nebo označil návrh, nejen pouhým sledováním výstupu. A když operátoři nesouhlasí, zajistit jasnou a efektivní eskalační cestu, která zakotví transparentnost a sledovatelnost procesů rozhodování.

Obnovení pocitu celistvosti

Agenti, podobně jako týmy, které mají podporovat, potřebují víc než jen přístup k úzkému, specifickému úkolu. Potřebují něco, co lze nazvat pocitem celistvosti; fungující model toho, jak jejich část operace souvisí se vším ostatním. Plánovací agent optimalizující čas přestavby bez jakéhokoli přehledu o tom, co údržbový agent vidí ohledně stárnoucích zařízení, činí jen zhruba přijatelné rozhodnutí, které nemusí být správné, když se postaví proti dalším požadavkům pracovního postupu.

Právě zde se protokolová vrstva a problém pocitu celistvosti setkávají. Sdílený kontext je praktickým prostředkem, jak je individuální úkol agenta zakotven v širším skutečném stavu závodu. Ve výrobě existuje částečná odpověď v podobě standardů, jako je ISA-95, které definují společné prostředky pro komunikaci mezi podnikovými a řídícími systémy napříč závodem. Novinkou je nyní rozšíření této myšlenky sdílené operační slovní zásoby z lidsky čitelné integrace na informace, které mohou agenti zpracovávat.

Bez tohoto sdíleného modelu každý další nasazený agent přidává nový izolovaný bod uvažování a rozhodování, který není součástí koherentního celku. Přesně tak se šíření agentů zhoršuje místo toho, aby se samořešilo, jak se adopce rozšiřuje.

Udržování pulsu na správných měřeních pro úspěch

Další pastí je měřit agentní AI stejným způsobem, jakým se monitoruje jakýkoli jiný nasazení softwaru: zaměřovat se na čísla efektivity a ujistit se, že stále rostou. Pro koordinované a spolupracující multi‑agentní systémy to však nemusí být prospěšné a může to dokonce vést k opačnému efektu, pokud se stane jedinou metrikou výkonnosti.

První věc, kterou je třeba potvrdit, není jen to, kolik peněz agent ušetří, ale zda je bezpečný a spolehlivý při provozu podle návrhu. Zajistěte, aby jednal v rámci svých zamýšlených hranic, měl předvídatelné selhání a umožňoval lidský zásah a eskalaci podle potřeby. Teprve když je to vyřešeno, by měla kvalita vstoupit do popředí, například zda je výstup agenta skutečně správný a konzistentní, a ne jen okamžitý.

Toto je pořadí priorit, které by měli výrobci dodržovat. Rychlost, propustnost a úspory nákladů jsou nejnižší priority. Zisk produktivity postavený na nebezpečném nebo nespolehlivém agentovi představuje zátěž pro týmy, technologie, výrobní linky, vztahy i pověst podniku.

Testujte v malém měřítku, než přejdete k většímu. Jeden agent řešící jeden dobře definovaný úkol může poskytnout čisté srovnání před a po. Když se však pohled rozšíří tak, aby zahrnoval desítky vzájemně působících agentů v celém závodě, aniž by byl kterýkoli z nich individuálně ověřen, je mnohem obtížnější určit, která část systému výsledek způsobuje. Složitost by se měla do měřicího přístupu přidávat jen v takovém tempu, v jakém se přidává do samotného nasazení.

Zde začíná koexistovat spolupráce a měření. Výstup agenta bude důvěryhodný jen tehdy, když měl přístup k relevantnímu kontextu při svém jednání. To znamená, že výše zmíněný problém sdíleného kontextu je ve skutečnosti předpokladem pro měření. Výrobci, kteří nevyřešili jednotný obraz operací napříč systémy, nemají spolehlivý způsob, jak zjistit, zda pozitivní nebo negativní výsledek odráží soud agenta nebo mezeru v tom, k čemu má přístup. Metriky, na kterých záleží, jsou čitelné, když jsou sekvence a sdílený kontext uzamčeny.

Koordinace a spolupráce v centru schopností

Nakonec jsou strukturální výhody velkých výrobců (jejich obrovské objemy výroby, historické datové sady, procesní konzistence a lidské i technologické zdroje) nepopiratelné. Tyto výhody se však jen umocňují, pokud výrobci nejprve nevyřeší problém spolupráce.

Když se díváme do budoucna, jak se schopnosti AI vyvíjejí směrem k možnému úplnému autonomnímu provozu a jak systémy i výrobní linky rostou, je tato spolupráce a koordinace naprostou nutností. Považovat interoperabilitu, protokolové standardy, sdílený kontext, kalibrovaný lidský dohled a pocit celistvosti za architektonické předpoklady před škálováním a nasazením je nezbytné. Je to rozdílová čára mezi výrobci, kteří úspěšně a bezpečně škálují agentní AI, a těmi, kteří uvízli v pilotních projektech.