AI agenti v marketingu | 5 use cases, které u nás reálně šetří 22 hodin týdně.

TL;DR: AI agent je program, který za vás autonomně dokončí úkol, ne jen vrátí odpověď jako chatbot. Postavili jsme pět agentů, kteří běží denně, a každý z nich má jasné ROI. Dohromady ušetří našemu týmu okolo 22 hodin práce týdně, což odpovídá polovině úvazku juniora. Náklady na provoz: zhruba 2 800 Kč měsíčně za API. V článku detail každého agenta, technický stack, časté chyby při budování a roadmapa pro vlastní nasazení.

Co je AI agent a co není

AI agent není ChatGPT, kterému něco napíšete. Agent je workflow, který má vstup, několik kroků s rozhodováním a výstup, který se sám vykoná nebo uloží. Mezi kroky agent volá nástroje (databázi, API, e-mail, kalendář) a podle výsledku se rozhoduje, co dál.

Zjednodušený rozdíl: chatbot vám napíše text, agent ho rovnou pošle do správného kanálu, zkontroluje, jestli dorazil, a pokud ne, zkusí to znovu jinou cestou.

Tři úrovně agentů

• Reactive agent | reaguje na trigger (nový e-mail, nový lead), vykoná simple flow. Příklad: triage e-mailů.
• Planning agent | dostane cíl, naplánuje multi-step flow, vykoná. Příklad: generování týdenního reportu z více zdrojů.
• Autonomous agent | dlouhodobě běží, řeší recurring úkoly, učí se z výsledků. Příklad: optimalizace PPC kampaní s manuální revizí lidským senior.

Pět agentů, kteří u nás běží denně

1. Týdenní reporting klientovi | šetří 6 h týdně

Každé pondělí ráno agent stáhne data z Google Ads, Sklik, Meta Ads, Google Analytics 4 a Google Search Console pro 12 aktivních klientů. Porovná je proti minulému týdnu a minulému roku, vyhodnotí anomálie (pokles konverzí, růst CPA, propad organické), napíše dvoustránkové shrnutí v češtině a pošle ho klientovi i nám.

Před tím to dělal account manager půl dne v pondělí. Dnes mu zbývá kontrola a komentář ke zjištěným anomáliím. Stack: n8n + Claude API + Google Sheets jako cache.

Technický detail: agent má hardcoded klientskou listu s API přístupy (zašifrované v n8n credentials). Pro každého klienta vykoná 5 API calls paralelně, výsledky uloží do Sheets, pak Claude vygeneruje narrative report s key insights. Final review: lidský account manager dostane email s draftem, schvaluje pro publikaci ke klientovi.

2. Generování PPC kreativ z produktového katalogu | šetří 4 h týdně

E-shop má 1 800 produktů. Z toho se každý měsíc obměňuje 200 položek. Pro každou je třeba mít 8 variant inzerátu (4 textové, 4 obrázkové) v Performance Max. Agent přečte feed, vybere 200 nových produktů, vygeneruje pro každý 8 variant textu (s rozumnými claimy podle kategorie), poskládá obrázek s názvem produktu a cenou, a nahraje to do Google Ads přes API.

Mediální specialista jen schvaluje, neprodukuje. Stack: Make + GPT-4 + Bannerbear + Google Ads API.

Quality control: agent generuje 8 variant, lidský review schvaluje finální 4. Schválené variantky se upload do Google Ads automaticky, neschválené se loguje pro fine-tuning agenta.

3. Triage e-mailových dotazů | šetří 5 h týdně

Do agenturního e-mailu chodí denně 30 až 60 zpráv. Část jsou poptávky, část fakturační, část technické dotazy klientů, část spam. Agent rozliší typ, přiřadí prioritu, identifikuje, ke kterému projektu se zpráva váže, a založí lístek v Notion s pre-fillem. Zprávy s nízkou prioritou odpoví automaticky šablonou (s human review checkpointem).

Office manager teď řeší jen zprávy, kde agent nemá dost kontextu. Stack: Postmark inbound + Claude API + Notion API.

Confidence threshold: agent klasifikuje zprávu s confidence skóre. Pod 70 % eskalace na člověka, nad 70 % auto-action. Threshold ladíme čtvrtletně podle false positive rate.

4. Sledování zmínek o klientech a konkurenci | šetří 3 h týdně

Pro každého klienta sledujeme zmínky brandu a tří hlavních konkurentů na webu, v sociálních sítích a na zpravodajských serverech. Agent jednou denně stáhne nové zmínky z Google Alerts API, Mention.com a vlastního web crawleru, vyhodnotí sentiment (pozitivní, neutrální, negativní), uloží do databáze a pokud je zmínka kritická nebo příležitost, pošle Slack notifikaci.

Před tím to dělal stážista. Dnes stačí finální týdenní přehled. Stack: vlastní Python skript + Claude API + Slack.

Sentiment analysis: model vyhodnocuje zmínku v kontextu (brand jako pozitivní/negativní zmínění vs neutrální informativní). Náš model má v testech 87 % accuracy na české texty, což odpovídá průměru pro tento typ úlohy.

5. Optimalizace meta titulků pro 200 podstránek | šetří 4 h týdně

E-shop s 200 kategoriemi má v každé kategorii průměrně 15 produktů. Meta titulky se obměňují podle sezóny, dostupnosti a trendů. Agent jednou týdně analyzuje, jaké dotazy přivádějí návštěvy z Google Search Console, porovná to s aktuálními meta titulky, a navrhne 5 lepších variant pro každou kategorii. SEO specialista pak vybere.

Před tím SEO specialista zvládl 30 kategorií týdně ručně. Stack: Google Search Console API + Claude API + admin panel klienta.

A/B testing: agent navrhne titulek, lidský schválí, systém ho nasadí na 50 % traffic, druhých 50 % zůstane na starém titulku. Po 7 dnech rozhodnutí o winner based on CTR delta.

Co jsme se naučili

Náklady na API jsou marginální oproti šetřené práci

Pět agentů dohromady spotřebuje zhruba 2 800 Kč měsíčně za API (Claude + GPT + ostatní). Šetří 22 hodin týdně, což při sazbě 800 Kč za hodinu je 70 400 Kč měsíčně. ROI 25:1. Pokud agent nešetří aspoň pětinásobek nákladů, většinou se nevyplatí stavět.

Konkrétní rozpis nákladů:

• Claude API (reporting + triage + sentiment): 1 200 Kč/měsíc
• GPT-4 API (kreativy + meta titulky): 600 Kč/měsíc
• Bannerbear (image generation): 400 Kč/měsíc
• Make Pro (workflow execution): 290 Kč/měsíc
• n8n self-hosted (VPS): 200 Kč/měsíc
• Notion API + Slack API + ostatní: 110 Kč/měsíc

Human-in-the-loop je nutnost, ne nadstavba

Žádný z našich agentů neposlal nic klientovi sám. Pět z pěti má krok "kontrola člověkem" před finální akcí. Důvod: chyba v generovaném textu se klientovi špatně vysvětluje a stojí důvěru. 30 vteřin kontroly nás stojí podstatně méně než reklamace.

Výjimky kde human-in-loop přeskakujeme: interní akce (logging, monitoring), automatické odpovědi se schválenou šablonou, fully reversible akce (draft mode without publishing).

Začínejte od jednoho workflow, ne od platformy

Nejhorší chyba je rozhodnout se "postavíme si AI platformu". Funguje opačný postup. Najděte jednu úlohu, která vám žere čas (např. reporting v pondělí), postavte agenta jen na ni, ladte šest týdnů. Až funguje, jděte na další.

Lidé, kteří začínají platformou, typicky stráví 3 měsíce stavbou abstraktní infrastructure a 0 časem na actual úkoly. Pak nedostanou výsledky a opustí.

Náklady na údržbu jsou reálné

Agent není "postav a zapomeň". API se mění, ceny se mění, prompty se musí ladit, nové use cases přibývají. Počítejte s 2 až 4 hodinami údržby měsíčně na jednoho agenta. Při pěti agentech to je 10 až 20 hodin měsíčně, tedy 0,2 FTE.

Versioning: každá změna promptu nebo workflow je commitnuta do git repo. Rollback v případě regrese.

Konkrétní stack, který používáme

• n8n self-hosted | hlavní orchestrace workflow. Self-hosted na Hetzner VPS (200 Kč/měsíc).
• Make Pro | pro klienty, kteří chtějí hosted řešení. Cena 290 Kč/měsíc.
• Claude API (Anthropic) | pro text generation, reporting, sentiment. Default volba.
• GPT-4 / GPT-5 (OpenAI) | pro structured output, function calling, kreativy.
• Bannerbear | image generation pro PPC kreativy.
• Notion API | databáze pro tickets, projects, klienty.
• Slack API | notifikace a triage.
• Supabase | persistent storage pro agent state.
• Sentry | monitoring chyb agentů.

Kde to nedělat

AI agent se nevyplatí, pokud:

• Úloha probíhá méně než třikrát týdně
• Vstupní data jsou v 20 různých formátech a každý měsíc se mění struktura
• Výstup vyžaduje empatii (např. odpovědi na osobní stížnosti)
• Existuje regulatorní riziko (právní rady, lékařské doporučení)
• Klient explicitně očekává lidský kontakt (premium B2B vztahy)
• Náklady na chybu jsou vysoké (finance, zdraví, právo)

Roadmap pro nasazení vlastního agenta

Týden 1 | inventura úkolů

Týden si zapisujte, co děláte rukama každý den. Po týdnu vyberte 3 nejčastější úkoly. Tam je nejvyšší ROI.

Týden 2 | první workflow

Začněte v Make nebo n8n s nejjednodušším workflow z vašeho seznamu. Nepokoušejte se hned o komplikované automatizace. Cílem prvního workflow je naučit se nástroj.

Týden 3 až 4 | iterace

Postavte 2 až 3 další workflow podle priority. Sledujte, kolik času vám reálně šetří. Měřte před a po.

Týden 5+ | škálujte

Když máte 5+ workflow, začnete vidět overhead údržby. Investujte do dokumentace, error handling, monitoring. Nyní můžete uvažovat o vlastní platformě.

Časté otázky

Potřebuju developera pro AI agenty?Pro jednoduché workflow ne (Make a n8n nabízí no-code interface). Pro komplexní s custom logikou ano. Threshold je obvykle 5 nodes ve workflow nebo nutnost vlastního API endpointu.

Jak dlouho trvá vidět ROI?Pro úlohy nad 3 hodiny týdně už po 2 týdnech. Pro úlohy 1 až 2 hodiny týdně typicky 6 až 8 týdnů.

Co když agent udělá chybu?Logování + monitoring + human-in-loop. Každá akce by měla být reversible. Pokud agent něco pokazí, musíte to umět vrátit zpět rychle.

Můžu používat AI agenty pro citlivá data (GDPR)?Ano, ale s opatřeními. Self-hosted infrastructure (n8n), anonymizace dat před odesláním do LLM API, kontrakty s providery (Anthropic, OpenAI mají enterprise GDPR agreements).

Jaký je rozdíl mezi AI agentem a automatizací?Klasická automatizace (Zapier basic) je deterministická. AI agent má v sobě LLM, který rozhoduje. Agent je flexible, automatizace je rigid.

Kolik stojí postavit vlastního AI agenta?Self-built (interní developer): 8 až 20 hodin práce per agent = 8 000 až 30 000 Kč. Pomocí agentury: 40 000 až 150 000 Kč podle komplexity. Plus měsíční provoz 500 až 3 000 Kč.

Závěr

AI agenti jsou v 2026 to, čím byly e-mailové sekvence v 2015. Nový základ produktivity, který se rok od roku stane standardem. Otázka už není, jestli je nasadit, ale který workflow je první. Začněte tam, kde vás dnes nejvíc bolí ruční práce. Šest týdnů a uvidíte ROI. Pokud nevidíte, refactorujte workflow nebo zvolte jiný úkol.