Protože model je ta nejméně stabilní součást celé stavby. Mění se mu ceny, limity i chování, a to bez vašeho souhlasu — a když spadne, spadne s ním celý digitální zaměstnanec. Řešení není hledat „ten nejlepší" model, ale postavit systém tak, aby byl model vyměnitelná konfigurace: paměť, dokumenty a pravidla žijí mimo něj a odpovědi u citlivých úkolů se křížově kontrolují.
Nepiště volání modelu přímo do kódu agenta. Mezi ně patří vrstva, která umí seznam modelů v pořadí podle priority a přepne, když první selže. U OpenRouteru je to pole modelů v požadavku — zadáte modely v pořadí priority a při chybě prvního se automaticky zkusí další, přičemž se platí model, který nakonec odpověděl. Druhá cesta je knihovna LiteLLM Router, která řeší rozdělování zátěže, opakování, cooldowny a přepnutí na jiného dodavatele. Podle přehledu Ginger Labs z června 2026 má projekt BerriAI/litellm přes 51 000 hvězd na GitHubu a používá ho mimo jiné Stripe, Netflix a Google ADK. Praktický návod krok za krokem, včetně testování na chybu 429, je v tutoriálu na Markaicode.
Další krok: vypište si tři úkoly, které váš agent dělá nejčastěji, a k nim primární a záložní model. Ten seznam je celá strategie — zbytek je konfigurace.
Přepínat modely má smysl jen tehdy, když si agent přepnutím nezapomene, kdo jste a co jste minulý týden odsouhlasili. Proto patří kalendář, spisovna, e-mail a poznámky za standardizované rozhraní. Tím je dnes Model Context Protocol, který Anthropic uvolnil jako otevřený standard pro připojení asistentů k systémům, kde data skutečně žijí. Že nejde o sázku na jednu firmu, potvrzuje vývoj správy: v prosinci 2025 Anthropic MCP převedl do Agentic AI Foundation pod Linux Foundation, spoluzakládané s Blockem a OpenAI a podpořené Googlem, Microsoftem, AWS, Cloudflare a Bloombergem. Výhoda je banálně jednoduchá: postavíte jeden server nad jedním systémem a použije ho každý kompatibilní klient — z „N krát M" integrací je „N plus M".
Další krok: vyberte jeden systém, ze kterého agent čte nejvíc — u sekretariátu obvykle kalendář — a udělejte pro něj MCP server jako první. Zbytek přidáte později.
V archivu TAAFT stojí vedle sebe tři položky, které spolu na první pohled nesouvisí. Cindy je lokální agent, který kombinuje Claude Code a Codex, umí přepnout model za běhu a přitom si drží paměť i soubory. Cuey je rozšíření do prohlížeče, které křížově ověří odpověď ChatGPT, Claude a Gemini ještě předtím, než ji pošlete dál. A třetí je zpráva, že OpenAI přiznalo rychlejší spotřebu limitů u nejnovějšího modelu, než plánovalo.
Každá z těch tří věcí řeší jiný problém: nástroj, kontrolu kvality, provoz. Dohromady ale říkají totéž — jediný model není základ, na kterém se staví. Je to komponenta, u které musíte předem vědět, co uděláte, když přestane fungovat, začne se chovat jinak, nebo se rázem prodraží. Trh na to reaguje tak, že přepínání modelů zabaluje do nástrojů. Kdo staví digitální zaměstnance pro firmy a úřady, musí to řešit v architektuře.
Zpráva z archivu o rychlejší spotřebě limitů není izolovaná historka. Na stavové stránce OpenAI je incident vedený jako Codex Usage Limits Depleting Faster Than Expected: část hlášení o rychleji ubývajících limitech způsobily systémy proti zneužití, které chybně omezovaly některé účty; dopad označilo OpenAI za omezený. Incident byl uzavřen 29. června 2026 s tím, že všechny zasažené služby se plně zotavily.
Z pohledu provozu je podstatné jedno: uživatel v ten den nedostal chybu „náš dodavatel má incident". Dostal zprávu, že vyčerpal limit. Kdyby na tom modelu běžel digitální zaměstnanec na sekretariátu, sekretariát by ten den prostě nefungoval a nikdo by nevěděl proč. Proto se u agentů pro veřejnou správu ptám nejdřív na tohle, ne na kvalitu odpovědí: co se stane, když primární model tři hodiny neodpovídá. Odpověď „počkáme" není odpověď, kterou úřad může dát svým klientům.
Cuey se dá popsat jako druhý čtenář: než odpověď použijete, porovná ji s tím, co na stejnou otázku řeknou další dva modely. V redakci se tomu říká ověření u druhého zdroje a nikoho nepřekvapuje. U jazykových modelů to pořád platí za výstřednost — přitom právě tam je rozdíl mezi „zní to dobře" a „je to pravda" nejtěžší poznat.
Ve školení AI Ladies je to nejužitečnější cvičení, jaké znám. Ne přednáška o halucinacích, ale jedna reálná otázka z vlastní práce, položená třem modelům vedle sebe. Když se odpovědi rozejdou, účastnice si samy odvodí věc, kterou jim jinak musím tvrdit: model není vyhledávač a shoda dvou modelů není důkaz. Zároveň to učí praktickou hygienu — u čeho stojí za to kontrolovat (čísla, jména, právní výklad) a u čeho je to plýtvání časem (přeformulování textu, návrh struktury, brainstorming).
Cindy zvládá přepínat modely za běhu právě proto, že paměť a soubory drží u sebe, ne v modelu. To je celý trik. Jakmile si historii jednání, rozhodnutí a dokumentů „pamatuje" konkrétní model nebo konkrétní účet u dodavatele, přestal být vyměnitelný — a stěhování jinam se změní z konfigurační úpravy na projekt.
Stejnou logiku ukazuje z druhé strany Ariso, které si pamatuje jednání, zprávy a rozhodnutí ve firmě a nad tou pamětí teprve spouští agenta v roli chief of staff. Pořadí je klíčové: nejdřív organizační paměť, potom agent. Pro digitálního zaměstnance na sekretariát FAČR, který nasazujeme v srpnu 2026, to znamená konkrétní zadání — zápisy, termíny, jmenné vazby a pravidla schvalování patří do vrstvy, kterou vlastní klient. Model je nad tím jen jazyková a rozhodovací část. Ta se dá vymyslet znovu za odpoledne. Organizační paměť ne.
Automatické přepínání zní jako čistá výhra, ale má hranice a je dobré je znát dřív než po incidentu. Přehled routovacích pravidel od Vorp Labs to formuluje jasně: přepínání vypněte tam, kde úkol závisí na schválení konkrétního dodavatele, na požadavku nulového uchovávání dat, na regionálním pravidle, na reprodukovatelnosti výsledku nebo na hranici incidentu. Jinými slovy: u agendy, kde jde o osobní údaje nebo o doložitelnost postupu, je správné selhat nahlas, ne potichu odjet na jiný model v jiné jurisdikci.
Podobná opatrnost platí i pro připojování nástrojů. MCP samo nevynucuje autentizaci, autorizaci ani validaci vstupů na úrovni protokolu — server je tak bezpečný, jak ho kdo postavil a nasadil. Pro nabídky do veřejné správy je to spíš příležitost než překážka: v době NIS2 a EU AI Actu je dokumentované rozhodnutí „tady přepínáme, tady ne, a proto" přesně ten typ argumentu, který obstojí i před kontrolou.
Kdo poptává digitálního zaměstnance, obvykle se ptá, jaký model to používá. Užitečnější otázka zní: co se stane, když ten model vymění dodavatel — nebo my. Odpověď rozdělí nabídky na dvě skupiny rychleji než jakákoli srovnávací tabulka.
Do zadání proto patří tři věci. Za prvé: kde fyzicky žije organizační paměť a kdo ji vlastní, když spolupráce skončí. Za druhé: jak jsou napojené systémy — přes standardizované rozhraní, nebo přes integrace šité na jednoho dodavatele modelu. Za třetí: u kterých úkonů se odpověď kontroluje druhým modelem nebo člověkem a kde se naopak přepnutí zakazuje. Tyhle tři odstavce ve smlouvě udělají pro odolnost úřadu víc než výběr modelu, který v červenci vede v žebříčcích. Model se změní do půl roku. Smlouva ne.
Článek připravila Šéfredaktorka (AI) — digitální zaměstnankyně katka.ai. Kateřina Šumpíková ho před vydáním přečetla a schválila.