Hermes vs OpenClaw: Dva open source přístupy k autonomním AI agentům míří do firem

V červenci 2026 se v komunitě open source AI objevily dva konkurenční frameworky pro automatizaci procesů pomocí AI agentů. OpenClaw se zaměřuje na okamžité spouštění nástrojů a orchestraci workflow, Hermes staví na dlouhodobém učení a adaptaci schopností. Rozdíl není jen technický — jde o dva odlišné modely toho, jak může firma provozovat autonomní AI systémy ve vlastní infrastruktuře, s odlišnými nároky na dohled, kontrolu a compliance.

OpenClaw: Workflow engine s explicitním mapováním nástrojů

OpenClaw je navržen jako exekuční vrstva nad existujícími API a interními nástroji. Framework nepracuje s pojmem „agent učící se průběžně“, ale s definovaným seznamem schopností, které jsou mapovány na konkrétní nástroje. Pokud má agent zavolat CRM, ERP nebo interní databázi, musí to být předem definováno v konfiguračním souboru. Tento přístup zajišťuje, že firma ví, co agent může a nemůže udělat — každá akce je explicită povolena.

Z hlediska správy IT infrastruktury to znamená, že OpenClaw vyžaduje na začátku jasný technický popis toho, jaké systémy mohou být zapojeny. Provozní tým nemusí řešit situaci, kdy by agent začal spontánně volat neznámé API nebo improvizovat propojení mezi nástroji. Pro firmy, které řídí provoz přes ticketový systém nebo mají auditovatelnou infrastrukturu, je to výhoda — každá integrace je viditelná a schválená předem.

Hermes: Agent s pamětí a postupnou expanzí schopností

Hermes naopak pracuje s konceptem dlouhodobé paměti a adaptivního chování. Agent si ukládá průběh akcí, učí se z předchozích interakcí a postupně rozšiřuje spektrum toho, co dokáže. Nemá pevně předepsaný strom rozhodnutí, ale vyhodnocuje kontext průběžně. To znamená, že agent může v průběhu času objevovat nové způsoby řešení úkolu — bez lidského zásahu.

Tento model je blíž vízi autonomních systémů, ale přináší zásadní otázku: kdo kontroluje, co agent dělá po týdnu, měsíci nebo roce provozu? Hermes je postaven na předpokladu, že firma umí řídit systém, který se vyvíjí sám. Pro menší týmy nebo pro procesy s přísnou compliance to může být riziko, protože není jednoduché garantovat, že agent bude postupovat vždy stejným způsobem. Naopak v prostředí, kde jde o objevování efektivnějších cest a experimentování je povoleno, může být tato flexibilita cenná.

Rozdílné nároky na governance podle typu použití

Pro vedení firem a compliance týmy je podstatné, že oba frameworky vyžadují odlišnou správu. OpenClaw potřebuje explicitní definici povolených akcí — musí být jasné, jaké nástroje může agent volat, s jakými oprávněními a v jakém pořadí. To se hodí tam, kde firma musí prokázat, že žádný proces nebyl proveden mimo schválený postup: zákaznická podpora, HR procesy, finanční transakce.

Hermes vyžaduje jinou architekturu dohledu. Protože agent sám mění způsob, jakým úkol řeší, firma nemůže spoléhat na statický kontrolní seznam. Místo toho je potřeba sledovat, jaké vzorce chování agent vyvinul, jaké akce v čase přibývají a zda se neobjevují nečekané interakce. To vyžaduje buď dedikovaný tým, který monitoruje evoluci agenta, nebo automatizovaný kontrolní mechanismus, který detekuje odchylky od očekávaného chování.

Open source základ mění odpovědnost za provozní riziko

Oba frameworky jsou open source, což znamená, že firma neřídí riziko přes podmínky smlouvy s dodavatelem, ale přes vlastní technickou implementaci. Pokud agent způsobí chybu — smaže data, zavolá API s nesprávnými parametry nebo vytvoří nedůsledný záznam — odpovědnost leží na straně, která systém nasadila. To je zásadní rozdíl proti řešením jako Microsoft Copilot nebo Google Workspace AI, kde poskytovatel nese část rizika.

Firmy, které zvažují nasazení vlastních agentů, proto potřebují definovat interní protokol pro testování a schvalování chování agenta. U OpenClaw to znamená otestovat všechny mapované nástroje a scénáře, u Hermes to znamená nastavit hranice pro učení a definovat, co je považováno za akceptovatelnou evoluci chování.

Kdo by měl zvažovat který framework

OpenClaw je vhodnější pro firmy, které chtějí automatizovat konkrétní workflow s jasně definovanými kroky a nemají ambici, aby systém objevoval nové postupy sám. Typické použití: zákaznická podpora, kde agent koordinuje tickety, CRM a notifikace, nebo interní HR proces, kde agent zpracovává žádosti a kontroluje schválení.

Hermes dává smysl tam, kde firma chce zkoumat, jak může AI zlepšovat vlastní způsob práce v čase. To se hodí spíš pro interní experimenty, R&D týmy nebo prostředí, kde není kritická 100% opakovatelnost procesu. Může to být interní analytický tým, kde agent postupně objevuje efektivnější způsoby analýzy dat, nebo kreativní proces, kde je žádoucí, aby agent navrhoval nové kombinace nástrojů.

Oba frameworky budou v příštích měsících intenzivně testovány v reálných nasazeních. Pro firmy to znamená, že se poprvé otevírá možnost provozovat AI agenty bez závislosti na cloudových platformách — ale s plnou odpovědností za to, co agent dělá.