Martech API na agenty nestačí

V kampani vám přibývají duplicitní leady, aktualizace se zpožďují a agent v demo prostředí působí skvěle — jenže v provozu naráží na limity API. SaaStr AI Agent API Report Card od SaaStr a Jasona Lemkina proto hodnotí 152 B2B API podle šesti kritérií pro AI agenty. Hezký dashboard sám o sobě pořád neznamená, že je stack připravený na autonomní provoz.

Problém a způsob měření připravenosti API pro AI agenty

V praxi dnes narážíme na jednoduchý rozpor: AI agenti mají převzít marketingové úlohy rychlostí stroje, ale řada martech platforem je na takovou práci připravená jen částečně. SaaStr AI Agent API Report Card podle nás tenhle posun nepopisuje dojmologicky, ale měří ho daty.

Report od SaaStr hodnotí 152 B2B softwarových API podle šesti kritérií, která rozhodují o tom, jestli API obstojí v agentním provozu. Patří sem návrh API, podpora událostí a streamování, autentizace, limity rychlosti, kvalita SDK a dokumentace a připravenost agenta. Každé kritérium dostává známku 0 až 10, součet dává maximum 100 bodů a výsledku odpovídá i písmenové hodnocení od A+ po F. Samotné hodnocení nevzniklo ručním dojmem jednoho autora. SaaStr ho postavil na nezávislém posouzení třemi modely Claude, GPT a Gemini.

Právě tady je důležitý rozdíl mezi marketingovým sloganem a provozní realitou. Trh mluví o AI agentech jako o velkém skoku vpřed, jenže data ukazují mnohem střídmější obraz. Marketingová API mají průměr 63,6, CRM 68,5, zatímco API pro AI a LLM dosahují 80,8 a infrastruktura 77,6. Jinými slovy: nástroje, které AI používá kolem sebe, vypadají lépe než samotné marketingové platformy, kde má agent reálně pracovat. V tom je jádro problému, který SaaStr pojmenovává.

Nejslabší místo celé mapy není obecná „AI připravenost“, ale velmi konkrétní technické detaily. SaaStr uvádí, že limity rychlosti patří k nejslabším celkovým dimenzím, s průměrem 6,6 z 10. U marketingových platforem pak vychází jako nejslabší dimenze připravenost agenta, jen 6,1 z 10. To není kosmetická vada. Když API není schopné chovat se konzistentně při opakovaném pokusu, chybějí sandboxy nebo standardizované chybové zprávy, agent snadno vytvoří duplicity a workflow se rozpadne. Místo spolehlivé automatizace pak často končíme u ruční kontroly nebo opatrného pollingového režimu.

Podobný problém se táhne i kolem webhooků a podpory událostí. SaaStr uvádí, že u nástrojů pro obchodní inteligenci vychází webhooks průměrně jen na 5,9 z 10. Na horním i spodním konci žebříčku je rozdíl ostrý: Hunter.io dostává za webhooks 7, zatímco Apollo jen 4. Pro provoz to znamená jediné: když systém neumí posílat změny spolehlivě, agent nepracuje v reálném čase a tým si stejně pomáhá dotazováním, hlídáním a opravami po chybě.

Na výsledcích je vidět i rozptyl uvnitř marketingových API. HubSpot a Salesforce patří mezi výjimky, které se přiblížily vyšší části tabulky. SaaStr jim přisuzuje HubSpotu 80 díky aktualizovanému verzování API a specializovanému vývojářskému API pro Breeze AI Agenty. Salesforce s Agentforce 360 a Agent Scripting Toolkit získává 75. Vedle toho stojí srovnávací vrchol žebříčku: Stripe 97, GitHub 92, Anthropic 90 a OpenAI 90. Na opačné straně jsou názorné příklady slabého konce martech spektra: Marketo 50, ActiveCampaign 53, Mailchimp 57 a Gainsight 47. SaaStr k tomu podle reportu dodává, že právě spodní část seznamu je pro workflow řízené agenty nejvíc ohrožená.

Pro praxi z toho plyne jednoduchý kontrolní rámec. Neptejme se jen, jestli API vypadá dobře v ukázce. Ptejme se, zda umí bezpečně zopakovat neúspěšnou akci bez duplicitních záznamů, zda zvládá aktualizace v reálném čase místo neustálého dotazování a zda nástroj dokáže automaticky upozornit na změnu dat bez ruční kontroly. Pokud odpověď na víc než jednu z těchto otázek zní ne, stack má mezeru v připravenosti na AI agenty, i když na pohled působí přesvědčivě. A právě v tom se ukazuje rozdíl mezi produktem, který dobře vypadá na ukázce, a systémem, který obstojí v agentním provozu.

Propad marketingových kategorií oproti AI, infrastruktuře a vývojářským nástrojům

Na první pohled vychází report SaaStr AI Agent API Report Card slušně. Celkový průměr 72 bodů ze 100 znamená C+. Jenže tenhle průměr maskuje podstatnou věc: části stacku, na kterých marketingové workflow skutečně stojí, končí níž než AI, infrastruktura i vývojářské nástroje.

SaaStr ukazuje jasný rozdíl mezi kategoriemi, které dnes prodávají budoucnost, a kategoriemi, které ji mají unést v provozu. API pro AI a LLM mají průměr 80,8. Infrastruktura dosahuje 77,6. Nástroje pro vývojáře mají 76,9. Naproti tomu marketingové API končí na 63,6, platformy pro úspěch zákazníků na 62,9, nástroje pro obchodní inteligenci na 65,8 a CRM na 68,5. Tedy ne na hraně mezi průměrem a špičkou, ale výrazně pod ní.

Právě tady mizí pohodlná představa, že stačí přidat AI vrstvu a zbytek stacku si s tím poradí. SaaStr říká opak: AI nástroje jsou připravené, ale marketingové platformy, uvnitř kterých mají fungovat, často ne. Z 57 marketingově relevantních API získalo jen pět skóre 80 a víc. To je 9 %. A i to je potřeba číst střídmě, protože SaaStr připomíná, že známky hodnotí shovívavě: 80 bodů by běžně znamenalo B- a cokoliv pod 60 už je neúspěch.

Tohle není detail pro milovníky tabulek. V praxi to znamená, že velká část martech prostředí umí vypadat dobře na prezentaci, ale neobstojí ve chvíli, kdy do něj pustíme autonomní postupy. Reporting, automatizace i práce s leady pak narážejí na platformy, které zvládnou základní používání, ale ne tlak strojového provozu.

Technické slabiny, které srážejí skóre

Na první pohled jde často o drobnosti v dokumentaci nebo o nepříjemné technické detaily. V provozu ale právě ony rozhodují, jestli AI agent zvládne práci bez zásahu člověka.

SaaStr AI Agent API Report Card ukazuje, že nejslabší dimenzí napříč hodnocením je rate limiting s průměrem 6,6 z 10. Zdroj to vysvětluje jednoduše: většina API vznikla pro lidi, kteří klikají v rozhraní, ne pro software, který posílá tisíce volání za minutu. Jakmile se rozjede automatizace, začnou limity brzdit tempo i spolehlivost.

U marketingových platforem vychází jako nejslabší oblast agent readiness, a to s průměrem 6,1 z 10. SaaStr do ní počítá sandboxy, standardizované chybové hlášky a konzistentní chování API při opakovaném pokusu. Bez těchto prvků agent neumí bezpečně testovat ani znovu zkusit selhanou operaci. V praxi pak hrozí duplicity kontaktů, leadů nebo jiných záznamů.

Právě tady se ukazuje rozdíl mezi hezky působícím API a API, které obstojí v agentním provozu. Když systém neumí vracet čitelné chyby a chová se při retry nepředvídatelně, workflow se láme. Místo jisté automatizace přichází ruční dohled, opakované kontroly a opravy dat.

Další slabé místo představují webhooky a podpora událostí. SaaStr uvádí, že nástroje pro obchodní inteligenci dosahují v oblasti webhooků průměru 5,9 z 10. Hunter.io získává 7 z 10, zatímco Apollo jen 4. Rozdíly nejsou kosmetické. Když platforma neumí spolehlivě posílat události, agent sahá po pollingu, přijde o real-time reakce a workflow začne být křehké.

To je podstata problému: slabé hodnocení nevzniká kvůli abstraktní technické eleganci, ale kvůli provozním chybám. Duplicitní záznamy, nespolehlivé retry a nutnost neustále dotahovat data ručně patří k tomu, co výsledky sráží nejvíc.

Výjimky v marketingových API a kontrast se špičkou žebříčku

V reportu SaaStr AI Agent API Report Card vidíme, že marketingová API nejsou jednolitý blok. Některá se už umí přiblížit tomu, co agentní provoz potřebuje, ale většina zůstává níž, než by si marketing praxe ráda myslela.

To je důležité hlavně kvůli rozdílu mezi „funguje to“ a „obstojí to v automatizaci bez dozoru“. SaaStr při hodnocení pracoval s výjimkami i se slabšími výsledky a právě ten rozptyl ukazuje skutečný problém trhu.

Mezi lepší marketingové výsledky patří HubSpot a Lightfield se skóre 80, tedy A-. Salesforce má 75, stejně jako Klaviyo. Customer.io a Beehiiv končí na 70, Braze na 67 a Iterable na 66.

Jenže stejný přehled ukazuje i slabší konec, který už nejde přejít mávnutím ruky. Marketo získává 50 bodů ze 100 a podle SaaStr jde o nejnižší skóre napříč celým hodnocením. ActiveCampaign má 53, Mailchimp 57 a Gainsight 47.

Lemkin podle SaaStr popisuje spodní část seznamu jako skutečný příběh reportu. A má pravdu v tom, že právě tam leží rozpočtové kategorie nejvíc ohrožené workflow řízenými agenty. Z pohledu praxe totiž nerozhoduje jen to, zda se nástroj dá používat ručně. Rozhoduje, zda drží krok s opakováním, chybami a změnami bez toho, aby se proces rozpadal.

Na opačné straně žebříčku stojí srovnávací vrchol. Stripe dosahuje 97 bodů a podle SaaStr získává plných 10 bodů v designu API, webhookech, autentizaci, SDK, dokumentaci i připravenosti agentů. GitHub má 92, Anthropic 90 a OpenAI také 90.

Právě na tom je kontrast nejviditelnější. V horní části žebříčku najdeme platformy, které jsou postavené pro spolehlivé strojové používání. V marketingu se ale pořád objevuje spíš „dost dobré“ než opravdu připravené řešení.

Výjimky tu existují, ale potvrzují pravidlo. HubSpot podle SaaStr bodoval ve Spring Release 2026 díky aktualizovanému verzování API a specializovanému vývojářskému API pro Breeze AI Agenty. Salesforce zase drží konkurenceschopnost přes Agentforce 360 a Agent Scripting Toolkit. Oba případy ale pořád vycházejí na 80 a 75, tedy hluboko pod úplnou špičkou celého žebříčku.

To je přesně ten moment, kdy se vyplatí přestat koukat jen na demo. Produkt může vypadat velmi dobře na ukázce a přesto mít mezery, které se v agentním provozu rychle projeví. Většina marketingových a prodejních platforem podle SaaStr zůstává v kategorii B: zvládnou základní automatizaci, ale pro složitější AI workflow jim chybí rezervy.

Pro praxi z toho plyne jednoduchý filtr. Když vybíráme nástroj, ptáme se, zda zvládne bezpečný retry bez duplicit, zda umí aktualizace v reálném čase a zda upozorní na změny bez ruční kontroly. Jakmile odpověď na víc než jednu z těchto otázek zní ne, nejde jen o detail v implementaci. Jde o mezery, které v agentním provozu zastaví celé workflow.

Praktické kontrolní otázky pro hodnocení vlastního martech stacku

Report SaaStr AI Agent API Report Card převádí celý problém do jednoduchého filtru. Pro nás je to užitečné hlavně proto, že neřešíme dojem z prezentace, ale chování stacku v provozu.

Na stole jsou tři otázky, které jdou přímo k věci: může CRM bezpečně zopakovat neúspěšnou akci bez vzniku duplicitních záznamů, umí platforma pro automatizaci marketingu posílat aktualizace v reálném čase místo neustálého dotazování a dokáže nástroj pro obchodní inteligenci automaticky upozornit na změnu dat o potenciálních zákaznících?

Pokud je odpověď na více než jednu z nich ne, máme v připravenosti na AI mezeru. A platí to i ve chvíli, kdy produkt na ukázce působí velmi dobře.

Právě tady se v praxi často pletou dva dojmy. Vyleštěný dashboard znamená, že se dobře prodává. Neznamená ale, že podkladové API zvládne agentní provoz, kde se chyba musí bezpečně zopakovat, data se mají měnit hned a workflow nesmí záviset na ruční kontrole.

Proto si podobný stack neprohlížíme jen přes funkce, které vidí obchod nebo marketing na obrazovce. Ptáme se, jestli obstojí ve chvíli, kdy do něj začne vstupovat software, který nečeká na člověka u klávesnice.

Nejde o to, co slibuje demo. Jde o to, co unese provoz.

Když se na martech stack díváme očima AI agentů, rychle se ukáže nepříjemná věc: problém není primárně v nápadech na use case, ale v tom, jestli je infrastruktura vůbec zvládne obsloužit. Hezké funkce, přehledné UX a silná prezentace pořád nestačí, pokud API při opakování chybují, limity brzní automatizaci a webhooky nedoručují změny tak, jak mají.

V praxi si proto nemůžeme dál vybírat nástroje jen podle toho, jak vypadají v demo prostředí nebo kolik funkcí se vejde na landing page. Rozhoduje, jestli platforma obstojí v autonomním provozu: zvládne retry bez duplicit, pracuje spolehlivě s událostmi a dává agentům čitelné, stabilní rozhraní. Pokud ne, není to „jen technický detail“. Je to místo, kde se marketingová automatizace rozpadá a tým se vrací k ruční kontrole.

Jinými slovy: kdo dnes hodnotí stack jen podle viditelné vrstvy produktu, hodnotí špatnou věc. Skutečný rozdíl mezi připraveností a marketingovou ilustrací je pod povrchem — v tom, jak dobře funguje API, když už nad ním běží software bez dozoru.