ChatGPT Work a Codex už nemusí složitý úkol řešit jen jako jeden dlouhý proud práce. Mohou ho rozdělit mezi několik specializovaných subagentů, nechat je pracovat paralelně a jejich výsledky spojit do jedné odpovědi. Prakticky to znamená, že jeden chat může fungovat jako vedoucí malého digitálního týmu: zadá dílčí úkoly, čeká na výstupy, hlídá společný cíl a vrátí vám konsolidovaný výsledek.
To je opravdový „wow“ moment hlavně u práce, která se přirozeně dělí na nezávislé části. Není to ale automatický násobič produktivity. Každý subagent spotřebovává vlastní tokeny a používá vlastní nástroje. Špatně rozdělený úkol proto může být dražší, složitější a ve výsledku pomalejší než práce jednoho agenta.
Co je subagent a co dělá hlavní agent
Oficiální dokumentace OpenAI používá tři přesné pojmy. Subagent workflow je postup, ve kterém systém spustí paralelní agenty a zkombinuje jejich výsledky. Subagent je delegovaný agent pro konkrétní dílčí úkol. Agent thread je samostatné vlákno, ve kterém tento subagent pracuje a které lze v podporovaných klientech otevřít a zkontrolovat.
Hlavní agent zůstává koordinátorem. Rozhodne, jak práci rozdělit, spustí jednotlivé větve, může jim předat navazující instrukce, počká na požadované výsledky a sestaví finální odpověď. Uživatel tedy nemusí ručně otevírat čtyři chaty, kopírovat zadání a potom sám skládat čtyři výstupy dohromady.
Největší přínos není jen v paralelním běhu. Dílčí průzkum, logy a pracovní poznámky zůstávají mimo hlavní konverzaci. V ní se drží zadání, rozhodnutí a konečný výstup, místo aby se důležitý kontext ztratil mezi stovkami mezikroků.
ChatGPT Work, Codex a Responses API nejsou totéž
Terminologie se snadno smíchá, proto je dobré oddělit tři různé způsoby použití.
| Prostředí | Jak se subagenti spouštějí | Kde pracují |
|---|---|---|
| ChatGPT Work | Na většině úrovní o delegaci výslovně požádáte; Ultra může vhodnou práci delegovat proaktivně. | V hostovaném prostředí ChatGPT s nástroji dostupnými hlavnímu chatu. |
| Codex | Po přímém požadavku nebo podle příslušných projektových či skill instrukcí. | V samostatných agentních vláknech v aplikaci, CLI nebo IDE. |
| Responses API | Vývojář zapojí funkci Multi-agent pro GPT-5.6 do vlastní aplikace. | Jde o samostatnou beta funkci API, nikoli o přepínač produktových subagentů. |
ChatGPT Work zobrazuje subagentní workflow jen způsobilým účtům. Není tedy přesné tvrdit, že každý běžný účet ChatGPT automaticky dostal tým subagentů. Ultra je navíc dostupné pouze u podporovaných modelů a způsobilých účtů.
U aktuálních verzí Codexu jsou subagentní workflow zapnutá standardně, ale to neznamená, že se každá úloha sama rozdělí. V aplikaci, CLI i IDE je nejjistější říct přímo, že chcete nezávislé části delegovat paralelně. API Multi-agent je oproti tomu stavební prvek pro firmy a vývojáře, kteří chtějí podobnou orchestraci zabudovat do vlastního produktu přes Responses API.
Kdy paralelní tým skutečně šetří čas
Dobrá úloha pro subagenty má několik částí, které mohou začít ve stejnou chvíli a nepotřebují průběžně přepisovat stejný výsledek. Typické jsou průzkum, porovnání, kontrola, třídění a analýza velkého množství podkladů.
Obchodní příprava
Jeden subagent projde veřejné informace o klientovi, druhý vytáhne historii z CRM, třetí připraví otázky ke schůzce a čtvrtý zkontroluje rizika nebo nejasnosti. Hlavní agent z toho sestaví jediný briefing. Každá větev má jiný zdroj a jasný výstup, takže se práce dobře paralelizuje.
Marketingová kampaň
Samostatné větve mohou analyzovat zákaznické rozhovory, konkurenční komunikaci, výsledky minulých kampaní a omezení značky. Koordinátor pak vytvoří brief a nechá člověka rozhodnout, které závěry jsou dostatečně podložené pro další tvorbu.
Kontrola projektu nebo dodávky
V Codexu může jeden subagent hledat bezpečnostní rizika, druhý chybějící testy a třetí problémy s udržovatelností. Podobně lze v netechnickém projektu oddělit kontrolu rozpočtu, termínů, odpovědností a smluvních podmínek. Výsledek se vrátí po kategoriích, ne jako směs poznámek.
Rozsáhlé dokumenty
Dlouhou dokumentaci, nabídky nebo více pobočkových reportů lze rozdělit na ohraničené části. Jednotliví subagenti vrátí stručné závěry a hlavní agent porovná společné vzorce. Tady vedle rychlosti pomáhá i čistší hlavní kontext.
Jak zadat práci, aby se nerozpadla na chaos
Nestačí napsat „použij subagenty“. Dobré zadání určí způsob dělení, hranice jednotlivých větví, požadovaný formát a okamžik, kdy má hlavní agent čekat na všechny výsledky.
Rozděl tento úkol mezi tři subagenty. První ověří fakta a primární zdroje, druhý zpracuje praktické dopady pro malé firmy a třetí zkontroluje rizika a chybějící předpoklady. Pracujte paralelně, nic nepublikujte ani neposílejte. Počkej na všechny tři výsledky a vrať jeden souhrn, ve kterém oddělíš ověřená fakta, doporučení a nejistoty.
Pro vlastní proces je užitečné doplnit také:
- Společný cíl. Jaké rozhodnutí nebo výstup má být na konci?
- Jedinečný úkol každé větve. Kde přesně začíná a končí její odpovědnost?
- Zdroje a nástroje. Co smí agent číst a co naopak použít nesmí?
- Kritéria kvality. Jak má doložit fakta, výpočty nebo nalezený problém?
- Koordinaci. Má hlavní agent čekat na všechny, nebo pokračovat po prvních výsledcích?
- Hranice akcí. Co je pouze návrh a co může být provedeno bez lidského schválení?
Pokud firma neví, které části procesu jsou skutečně nezávislé, pomůže nejdřív krátký AI audit. Delegace zrychlí dobře popsaný proces, ale nevyřeší nejasné vlastnictví práce.
Kdy jeden agent zůstává lepší volbou
Subagenty nepoužívejte jen proto, že jsou noví. Jediný agent bývá vhodnější pro krátký lineární úkol, jednu rychlou odpověď nebo práci, kde každý krok přímo závisí na předchozím. Pokud čtyři větve stále čekají na stejná data, paralelismus žádný skutečný čas neušetří.
Opatrnost je potřeba u souběžných zápisů. Více agentů upravujících stejný dokument, CRM záznam, tabulku nebo část kódu může vytvořit konflikty a zvýšit náklady na koordinaci. OpenAI doporučuje začít u čtecích úloh, průzkumu, testů, třídění a shrnování. Zápisy rozdělte do jasně oddělených oblastí nebo je nechte provést až hlavního agenta po kontrole.
Náklady, oprávnění a lidská kontrola
Paralelní běh může snížit dobu čekání, ne však automaticky spotřebu. Každý subagent dělá vlastní modelovou a nástrojovou práci, takže celkově spotřebuje více tokenů než srovnatelný běh jednoho agenta. Firma má sledovat nejen rychlost, ale také cenu, počet nalezených chyb a čas potřebný ke kontrole výsledku.
V ChatGPT Work používají subagenti nástroje dostupné hlavnímu chatu a oprávnění webů či konektorů se dál řídí konkrétním nástrojem. V Codexu dědí zvolený režim oprávnění a sandbox hlavního běhu. Proto nastavte hranice ještě před delegací, zvlášť pokud agent pracuje se soubory, e-mailem nebo dalšími firemními systémy.
Pro opakovaný proces lze následně navrhnout AI agenta nebo AI automatizaci, ale důležité akce mají zůstat za schválením: odeslání zprávy, publikace, finanční operace, mazání a změny oprávnění.
Závěr: jedna odpověď, více skutečných pracovních větví
Subagenti mění práci s ChatGPT Work a Codexem z lineárního rozhovoru na řízenou delegaci. Největší hodnota vzniká tam, kde lze úkol poctivě rozdělit, jednotlivé větve mají rozdílné role a hlavní agent dostane jasná pravidla pro spojení výsledků.
Začněte jedním úkolem se třemi nezávislými částmi. Výslovně požádejte o paralelní delegaci, nechte si ukázat výsledky jednotlivých vláken a porovnejte čas, kvalitu i spotřebu. Teprve pokud je společný výsledek lepší než práce jednoho agenta, má smysl z tohoto „digitálního týmu“ dělat pravidelný firemní workflow.
Přímé zdroje
- OpenAI: Subagents v ChatGPT Work a Codex — oficiální dokumentace dostupnosti, spouštění, tokenové spotřeby, oprávnění a orchestrace, ověřeno 31. srpna 2026.
- OpenAI API: Model guidance pro GPT-5.6 — oficiální dokumentace funkce Multi-agent beta v Responses API, ověřeno 31. srpna 2026.
- OpenAI: ChatGPT is now a partner for your most ambitious work — produktové oznámení ChatGPT Work z 9. července 2026.
