Klikli jste, protože podcast řekl, že Azure AI Foundry je past, že? Dobře – jste na správném místě. Zde je slib předem: Kopiloti se hroutí bez uzemnění (groundingu), ale nástroje jako generování rozšířené o získávání (RAG) s Azure AI Search – hybridní a sémantické – plus hodnotitele pro uzemněnost, relevanci a koherenci jsou skutečné opravy, které vám zabrání v odesílání halucinací maskovaných jako odpovědi. Probojujeme se skrz marketingové prezentace a ukážeme vám manuál pro přežití s reálnými příklady z praxe. Přihlaste se k odběru newsletteru M365.Show a sledujte živé přenosy s MVP experty – tam se skrývají jizvy a opravy. A protože se první trhliny obvykle objevují v multimodálních aplikacích, začněme tam. 2. Proč multimodální aplikace selhávají v reálném světě Když vidíte multimodální demo na pódiu, vypadá bezchybně. Přednášející zadá textový dotaz, čistý obrázek, možná i rychlý hlasový vstup, a model dodá perfektní graf nebo přesný souhrn smlouvy. Všechno působí jako kouzlo. Ale ve chvíli, kdy zkusíte to samé uvnitř skutečné společnosti, lesk rychle opadne. Dema běží na čistých vstupech. Pracoviště běží na odpadu. To je skutečné rozdělení: v produkci nikdo nedává vašemu modelu pečlivě připravené snímky obrazovky nebo CSV soubory formátované normotvornou komisí. HR oddělení ho krmí rozmazanými státními průkazy. Oddělení nákupu přetahuje PDF soubory, které jsou pátou generací faxu. Někdo z financí fotí fakturu prasklým fotoaparátem telefonu Android. Multimodální modely dokážou zpracovat text, obrázky, hlas a video – ale potřebují dobře indexovaná data a vyhledávání, aby fungovaly v chaotických podmínkách. Jinak jen žádáte model, aby improvizoval na základě smetí. A žádné množství výdajů na GPU neopraví přísloví „smetí dovnitř, smetí ven“. Zde by vás mělo zachránit generování rozšířené o získávání, neboli RAG. Jednoduše řečeno: model nezná vaše podnikání, takže ho napojíte na zdroj znalostí. Získá úsek dat a kolem něj tvaruje odpověď. Když je shoda přesná, dostanete užitečné, uzemněné odpovědi. Když je nedbalá, model volně tvoří a chrlí sebevědomé nesmysly. Tak se stane, že chatbot přísahá, že vaše společnost má novou „politiku slev pro Q3“, která neexistuje. Nestal se vnímavým – jen vytáhl špatná data. Azure AI Studio a Azure AI Foundry se oba opírají o tento vzor a podporují všechny typy modalit. Ale háček je v tom, že RAG je jen tak dobrý, jak dobrá jsou jeho data. Zde je klíčový bod, který většina týmů přehlédne: nemůžete jen zapojit jednu metodu vyhledávání a říct, že je dobrá. Pokud chcete, aby výsledky držely pohromadě, potřebujete hybridní vyhledávání klíčových slov plus vektorové vyhledávání, zakončené sémantickým přeřazovačem (re-rankerem). Ten je zabudován do Azure AI Search. Umožňuje systému vyvážit doslovné shody klíčových slov se sémantickým významem a poté přeřadit výsledky tak, aby správný kontext seděl nahoře. Když to zapojíte do svého multimodálního nastavení, model najednou dokáže přežít křivé skeny a rozmazané obrázky místo toho, aby si vymýšlel vaši politiku shody z ničeho nic. Nyní si promluvme o tom, proč tolik implementací selže. Podniky očekávají vycizelované výsledky hned první den, ale nezahrnují do rozpočtu hodnotící smyčky. Bez kontrol uzemněnosti, relevance a koherence běžících na pozadí si nevšimnete odchylky, dokud uživatelé již nejsou zklamaní. Mnoho raných nasazení rychle selže přesně z tohoto důvodu – výstup zní správně, ale nikdo ho neověřil proti zdrojové pravdě. Nemusí to skončit neúspěchem. Carvana je jedním z příběhů zákazníků Foundry, který to dokazuje. Udělali samoobslužnou AI skutečně užitečnou tím, že vyladili získávání, správně uzemnili své agenty a investovali do pozorovatelnosti (observability). Takže zde je tvrdý závěr: Multimodální AI se nezhroutí proto, že AI není „dostatečně chytrá“. Zhroutí se, protože data nejsou připravená, indexovaná nebo monitorovaná. Krmte smetí do systému vyhledávání, přeskočte hodnocení a sledujte, jak důvěra shoří. Ale s hybridním vyhledáváním, sémantickým přeřazováním a neustálým spouštěním hodnotitelů, můžete zpracovávat faktury, smlouvy a obrázky s odpověďmi, které stále odpovídají realitě namísto fantazie. A jakmile je uzemnění v pořádku, objeví se další riziko. Protože i když jsou datové kanály čisté, systém, který je řídí, se může stále zhroutit. Tam se otázka mění: pomáhá agent, který toto všechno koordinuje, skutečně vašemu podnikání, nebo jen tiše přeměňuje váš IT rozpočet na palivo pro hranici? 3. Užitečný agent nebo drahé „těžítko“? Agent koordinuje modely, data, spouštěče a akce – představte si ho jako dopravního policistu pro vaše automatizované pracovní postupy. Tato mezera mezi čistou definicí a neuspořádanou realitou je místo, kde většina týmů vybočí. Teoreticky vypadá agent skvěle. Dáte mu instrukce, nasměrujete ho na svá data a aplikace a měl by spouštět procesy, získávat odpovědi a dokonce spouštět pracovní postupy. Ale toto není dokonalý spolupracovník. Zde je rozdíl, který mnozí přehlížejí: kopiloti a agenti nejsou totéž. Kopilot je v podstatě přítel pro dotazy. Zeptáte se, odpoví, a vy zůstáváte pod kontrolou. Agenti na druhé straně rozhodují věci, aniž by na vás čekali. Doslovně se řídí vašimi vágními pokyny, i když výsledky nedávají smysl. Pravdou je, že mnoho týmů dává svému agentovi popis práce, který zní jako předvolební slib: „Optimalizovat procesy. Poskytovat poznatky. Pomáhat lidem.“ Agenti bez vymezeného rozsahu nezůstanou zdvořile ve svém pruhu. Zneužívají systém. Vymýšlejí problémy k opravě. Duplikují záznamy. Opakují se donekonečna. Mnoho organizací narazí na překážky brzy, protože nikdy nepřísně nevymezily rozsah svých agentů, nikdy nepřidaly ověřovací kroky a nikdy neinstrumentovaly telemetrii. Bez těchto zábran je váš lesklý nový nástroj jen bezohledný stážista s administrátorskými právy. Zde vám sada Microsoft dává jednotlivé díly. Copilot Studio je místo s nízkým kódem, kde tvůrci navrhují chování agenta. Poté Agent Service v Azure AI Foundry je firemní lešení, které tyto agenty zavádí do produkce s pozorovatelností. Jak tedy poznáte, zda je váš agent skutečně užitečný? * Snižuje lidské hodiny, nebo zatahuje váš personál do úkolů s odstraňováním chyb? * Zaznamenáváte metriky jako uzemněnost, plynulost a koherence? * Máte zavedenou telemetrii, abyste zachytili odchylku dříve, než uživatelé začnou podávat stížnosti? Cesta ven je pomocí funkcí pozorovatelnosti a vestavěných hodnotitelů Azure AI Foundry. Nejedná se o volitelné doplňky; jsou to zdokumentované způsoby měření uzemněnosti, relevance a koherence. 4. Past autonomního agenta Autonomní agenti jsou místo, kde se humbuk stává nebezpečným. Past je jednoduchá – nečekají na povolení. Kopiloti pro vás pozastaví. Autonomní agenti ne. A když udělají špatné rozhodnutí, škoda dopadne okamžitě a šíří se napříč vaším tenantem. Kopiloti jsou reaktivní, agenti jsou proaktivní. Namísto tichého sezení, dokud někdo nezadá dotaz, vymezíte agentům rozsah, aby sledovali stav služeb nebo spouštěli pracovní postupy automaticky. Ale zde je důležitý kontext: Autonomní agenti v Copilot Studiu jsou dnes stále ve verzi preview. A i Microsoft říká, že potřebujete řízení životního cyklu, zábrany a Copilot Control System, než začnete uvažovat o jejich širokém nasazení. Jaký je kontrolní seznam pro přežití? Tři nezbytné věci před jakoukoli okázalou automatizací: * Vymezení rozsahu identity a přístupu. Dejte svému agentovi minimální práva. * Záznam a vrácení zpět (logging and rollback). Každá akce musí zanechat stopu, kterou můžete auditovat, a každá vážná akce potřebuje cestu ke zrušení. * Filtry obsahu a chování. Microsoft toto označuje jako Azure AI Content Safety – filtry, které brání příliš horlivému botovi generovat nevhodné odpovědi. Odpovědná AI se týká i etiky. Představte si HR agenta, který automaticky označuje zaměstnance jako „rizikové“, nebo finančního agenta, který zadržuje platby dodavatelům, které chybně klasifikuje jako podvod. To jsou selhání s lidským dopadem, která mají právní a regulatorní důsledky. Pozorovatelnost není volitelná. Potřebujete dashboardy, které ukazují každý krok, který agent podnikne, a hodnotitele, kteří kontrolují, zda je jeho výstup uzemněný, relevantní a koherentní s vaší politikou. A potřebujete možnosti „člověk ve smyčce“ (human-in-the-loop). Správnou analogií je umožnit teenagerovi naučit se řídit. Potenciál je skutečný, ale neodevzdáte klíče a nedoufáte v nejlepší. Sednete si na sedadlo spolujezdce, dáte mu hranice a nainstalujete brzdy, které můžete sami sešlápnout. To je řízení životního cyklu v praxi. 5. Azure AI Foundry: Vaše továrna nebo vaše minové pole? Azure AI Foundry je nová vlajková loď společnosti Microsoft – takzvaná „továrna“ pro vše, co souvisí s AI. Problém? Příliš mnoho týmů vstoupí a chová se k ní jako k IKEA. Hází modely a konektory dohromady bez pokynů. To, co nakonec dostanou, není firemní AI systém – je to hračka demo-třídy, která se převrhne při prvním skutečném uživateli. Foundry je tovární hala, ne váš box s hračkami pro
