Pokud dnes nenavrhujete svou IT architekturu s ohledem na využití umělé inteligence, už nyní zaostáváte za většinou trhu. V roce 2026 už totiž zavádění AI není otázkou volby – umělá inteligence se z okrajového nástroje proměnila v klíčový motor transformace digitálních podniků, zefektivňování provozu i růstu příjmů.
Posun k agentní AI a plně autonomnímu provozu
Odvětví se posouvá od pasivních chatbotů směrem k agentní AI. Zatímco tradiční AI poskytuje poznatky a generativní AI nabízí návrhy, agentní AI přináší akci. V praktickém telekomunikačním kontextu to představuje autonomní agenty schopné procházet složitými pracovními postupy, jako je identifikace kapacitních omezení v síti nebo křížové ověřování úrovně poskytovaných služeb zákazníkům. Tito agenti mohou také spouštět přerozdělování zdrojů prostřednictvím otevřených rozhraní pro telekomunikační průmysl, která umožňují snadné propojení IT systémů a správu služeb napříč různými partnery. Tento přechod umožňuje plně automatizovaný provoz nezbytný pro efektivitu, spolehlivost a škálovatelnost sítí 5G a okrajových sítí.
Zásadním nedostatkem raných implementací je vznik izolovaných AI ostrovů, tedy nepropojených modelů, které řeší úzce specializované problémy, ale nedokážou spolu komunikovat. My naopak prosazujeme modulárnější a propojenější strategii založenou na otevřených standardech a propojené architektuře, kde specializovaní mikroagenti komunikují prostřednictvím univerzálních protokolů, jako je Model Context Protocol (MCP) – otevřený standard umožňující AI modelům bezpečně a sjednoceně přistupovat k externím datům a nástrojům, jako jsou databáze, soubory nebo API. Dalším příkladem je Agent-to-Agent framework (A2A) – otevřený komunikační protokol původně vyvinutý společností Google, dnes spravovaný organizací Linux Foundation, který umožňuje různým AI agentům vzájemně spolupracovat, sdílet informace a koordinovat akce bez ohledu na použitou technologii.
Mikroagenti jsou účelově vytvořená autonomní řešení navržená pro vzájemné propojení, po němž vzniká kolektivní inteligence. Dobrým příkladem jsou poznatky ze zákaznického servisu, které mohou v reálném čase vstupovat do procesů optimalizace sítě a zajistit, aby každý prvek AI pracoval směrem k jednotnému obchodnímu cíli.
Hlavní překážkou propojené inteligence je ale fragmentace dat. K překlenutí propasti mezi inteligencí a akcí poskytuje standard MCP open source rámec umožňující standardizovaný přístup k dalším systémům a externím datům. MCP zajišťuje, že AI agent již není izolovaným mozkem, ale funkčním článkem schopným spolupracovat s celým provozním ekosystémem.
Čtyři případy využití AI s okamžitou hodnotou pro telekomunikace
- Autonomní sítě aneb od automatizace k autonomii: Vize plně autonomních sítí se dnes stává architektonickou realitou. Autonomní sítě využívají AI v systémech s uzavřenou smyčkou, které pozorují, vyhodnocují a přizpůsobují se. Cesta k plně autonomním sítím se skládá z mnoha vzájemně provázaných milníků, přičemž následující dvě aplikace představují první praktické kroky s okamžitou návratností investice.
Tou první je automatická oprava, tzv. self-healing: Když se objeví anomálie, agentní AI provede vícedoménovou analýzu kořenových příčin (RCA). S využitím technologie pro automatizaci řízenou událostmi Event-Driven Ansible, integrované v automatizační platformě Red Hat Ansible Automation Platform, dokáže síť v řádu milisekund autonomně spustit nápravu – například přesměrování provozu nebo úpravu náklonu antény. Pokud nápravný postup není předem definován, nástroj pro generování a správu automatizačních playbooků Red Hat Ansible Lightspeed jej dokáže okamžitě vytvořit během provozu.
Druhou je pak prediktivní automatické škálování (zero-touch scaling): Díky propojení zdrojů sociálních událostí (např. doprava, veřejné akce) s daty o mobilitě prostřednictvím standardu MCP dokážou AI agenti běžící na platformě OpenShift AI proaktivně škálovat cloud-native síťové služby (CNF, Cloud-Native Functions) na okrajových uzlech sítě. Tím se kapacita navyšuje přesně tam, kde je potřeba, a po poklesu poptávky se opět uvolňuje. To zajišťuje optimální výkon a současně podporuje cíle v oblasti udržitelnosti a společenské odpovědnosti firmy (ESG).
- Účelové snížení energetické náročnosti a nákladů (intent-driven reduction): Místo pevně nastavených cyklů dočasného omezení aktivity zařízení definují operátoři strategický cíl: „minimalizovat uhlíkovou stopu při zachování 99,9 % dostupnosti“. Specializovaní AI agenti průběžně sledují reálnou hustotu provozu v síti. Pokud je určitý sektor nevyužitý, automatizace s podporou AI autonomně aktivuje dočasný snížený provoz pro massive MIMO (Massive Multiple-Input Multiple-Output, multianténová technologie umožňující simultánní přenos dat více uživatelům), čímž výrazně snižuje spotřebu energie. Tento scénář umožňuje vyvážit výkon a udržitelnost, snižuje provozní náklady i uhlíkovou stopu, aniž by byla ohrožena kvalita služeb.
3. Vysoce personalizovaná zákaznická zkušenost: AI proměňuje zákaznickou podporu z reaktivního na proaktivní provoz. Prediktivní AI odhalí signály zhoršující se kvality služby v konkrétní lokalitě uživatele a spustí protokol automatické nápravy (např. optimalizaci předávání spojení mezi buňkami) ještě předtím, než si zákazník problému všimne. Generativní AI poskytuje operátorům zákaznické podpory – lidem i chatbotům – přehledně zpracované záznamy a kontext, čímž proměňuje poskytovatele služeb v poskytovatele pozitivních zákaznických zážitků.
4. Správa dodavatelů a plnění smluvních podmínek v reálném čase: V prostředích s více dodavateli působí AI jako digitální auditor. Díky zpracování mezidoménové telemetrie prostřednictvím standardu MCP provádí AI agent objektivní analýzu kořenových příčin a přesně identifikuje problémy s výkonem na straně jednotlivých dodavatelů. Automatizace může autonomně odesílat upozornění nebo vypočítat smluvní kompenzace, čímž se vytváří transparentnější ekosystém s vyšší mírou odpovědnosti.
Překonání tří hlavních výzev při zavádění AI
Přestože jsou příznaky problémů při adopci AI univerzální – typicky jde o pomalé nasazení nebo vysoké náklady, konkrétní výzvy při zavádění AI v telekomunikačním prostředí se výrazně liší v závislosti na architektonické vyspělosti firmy a jejích strategických prioritách.
Zavádění AI v rámci telekomunikační infrastruktury není primárně otázkou samotné „inteligence“ modelu, ale závisí spíše na připravenosti, flexibilitě a transparentnosti architektury. Z našeho pohledu se přechod od experimentálních pilotních projektů k produkčnímu nasazení agentní AI setkává se třemi zásadními překážkami: fragmentací dat, vysokou komplexitou provozu a černou skříňkou v podobě proprietárních řešení.
Výzva v podobě izolovaných zdrojů dat a kontextového povědomí: Nejvýznamnější překážkou návratnosti investic do AI je nedostatek kontextového povědomí. Modely AI se často potýkají s tzv. „halucinacemi“ – situacemi, kdy generují nepřesné nebo smyšlené informace, protože nemají přístup k reálným, kvalitním a aktuálním datům z telekomunikačních sítí. Tato data jsou totiž obvykle umístěna ve fragmentovaných datových úložištích zahrnujících síťové záznamy, zákaznické databáze a ukazatele výkonnosti od více dodavatelů. Jak bylo zmíněno, standard MCP je open source rámec, který umožňuje AI agentům pracovat s externími daty a staršími nástroji a zajišťuje tak plnou architektonickou interoperabilitu.
Provozní složitost brání škálování pilotních projektů: Mnoho poskytovatelů služeb nedokáže úspěšně škálovat, protože se pokouší o monolitické přestavby AI systémů, jejichž správa je příliš složitá. Bez konzistentního prostředí vytváří přesun modelu z notebooku datového vědce na vysílač na okraji sítě obrovské provozní problémy a zvyšuje riziko selhání. Platforma Red Hat AI poskytuje základ pro celý životní cyklus modelů AI a aplikací. Díky tomu, že se s AI úlohami zachází jako s kontejnerizovanými mikroslužbami, mohou poskytovatelé služeb uplatňovat stejnou důslednost přístupu DevOps, jakou používají pro klíčové síťové funkce, včetně integrace s nástroji MLOps pro správu životního cyklu AI. Doporučujeme začít s mikro AI agenty – malými, účelově vytvořenými řešeními pro konkrétní úkoly, které lze později propojit do širší inteligentní sítě.
Rizika závislosti na dodavatelích a digitální suverenity: Spoléhání na proprietární AI služby fungující jako „černé skříňky“ představuje značné riziko pro dlouhodobou flexibilitu a datovou suverenitu. Pokud máte klíčovou síťovou inteligenci výhradně v cloudu jediného poskytovatele, riskujete ztrátu kontroly nad náklady i nad svými daty.
V Red Hatu stavíme na principu možnosti volby jakéhokoli modelu, akcelerátoru i cloudu. Tento princip představuje účinný nástroj obrany před závislostí na jediném dodavateli. Díky integraci s širokou nabídkou open source modelů mohou poskytovatelé služeb ladit modely dle vlastního výběru, s využitím vlastních dat a na vlastní infrastruktuře. Získávají tak kontrolu nad váhami modelu i nad zdrojovými daty, zatímco vLLM zajišťuje vysoce výkonnou inferenci na jakémkoli hardwaru. S platformou Red Hat OpenShift pak mohou poskytovatelé služeb spravovat kompletní životní cykly AI a aplikací napříč libovolným prostředím.
Budoucnost telekomunikací je autonomní, inteligentní a otevřená. Chcete-li zjistit, jak překročit fázi pilotních projektů a vybudovat strategii AI připravenou pro produkční nasazení, navštivte tyto stránky.
Autor: Beatriz Ortegová, specialistka na hybridní cloud a rozvoj oblasti telekomunikací ve společnosti Red Hat
