Jak začít s AI ve firmě: doporučení z českých rozhovorů

S pomocí Clauda napojeného přes MCP na moji AI Čítárnu jsem prošel pět českých rozhovorů o zavádění AI do firem. Dohromady skoro šest hodin. Chtěl jsem porovnat, co jejich účastníci doporučují, v čem se shodují a kde mají jiný pohled.

Z rozboru jsem vybral deset doporučení. Jsou to zkušenosti hostů těchto rozhovorů; každý klade důraz na něco jiného. Níže najdeš jejich rozvedení, odkazy na původní videa a také popis, jak jsem si podklady nechal připravit.

Co doporučují pro zavádění AI

1. Dej AI firemní kontext a potřebná data

Filip Morávek popisuje rozdíl mezi použitím AI na úpravu e-mailů a prací s firemními údaji. Po jejich připojení může člověk zjišťovat, co firma zákazníkovi prodala nebo jaké problémy s ním řeší. Barbora Malinovská zdůrazňuje potřebu firemní kontext zdokumentovat.

Morávek jako příklad uvádí agenta na zákaznické podpoře, který pracuje s předchozími tikety, informacemi o zákazníkovi, znalostní bází a dokumentací. Podle jeho odhadu ušetří 5 až 15 minut na jednom tiketu, u nich to vychází zhruba na 10 až 12 hodin týdně na operátora.

Morávek, 18:26 · Malinovská, 1:18:53 · Morávek, 48:15

2. Začni jedním týmem nebo konkrétním úkolem

Morávek doporučuje postupné zavádění v týmu, kde jsou lidé se zájmem o AI. Dalibor Mráz navrhuje vybrat konkrétní případ a omezený výsek dat, se kterým lze pracovat. Firma nemusí před prvním pokusem vyčistit celou svou historii.

Dalibor Mráz jako první projekt pro tým navrhuje jednoduchý přehled stavů projektů, který lidé průběžně aktualizují. Kdokoli se pak může zeptat, kde který projekt stojí.

Jakub Průša s moderátorem Romanem Stolejdou k tomu přidávají pohled na další rozvoj: i první pokus má mít místo v plánu celého řešení.

Morávek, 55:22 · Mráz, 21:26 · Mráz, 36:39 · Průša a Stolejda, 46:48

3. Najdi ve firmě nadšence a dej jim prostor

Morávek mluví o šampionech, Malinovská o ambasadorech a Petr Polák o pokročilých uživatelích uvnitř týmů. Společným tématem jsou lidé, kteří chtějí AI zkoušet a znají skutečnou práci firmy.

Podle Poláka může pomoci i jeden takový člověk v týmu. Má blízko k problémům kolegů a může hledat použití, které odpovídá jejich každodenním úkolům. Morávek odhaduje, že takových lidí je ve firmě do 10 procent.

Morávek, 42:06 · Malinovská, 13:18 · Polák, 46:48

4. Ukazuj příklady z práce konkrétních lidí

Morávek upozorňuje, že obchodník řeší jiné úkoly než podpora nebo administrativa. Malinovská doporučuje vycházet z toho, co daného člověka v práci trápí. Jako první úkol navrhuje třeba něco, co by rád předal schopnému kolegovi, kdyby mu nejprve vysvětlil souvislosti.

Polák uvádí příklad ze Spořitelny: po ukázce automatizace od kolegy přišlo asi třicet dalších žádostí o licenci. Lidé si podle něj uvědomili, že nástroj, za který by jinak firma zaplatila hodně peněz, se dá postavit uvnitř firmy za pár víkendů.

Morávek, 43:07 · Malinovská, 1:00:25 · Polák, 08:09

5. Kde stačí pevné pravidlo, použij běžnou automatizaci

Morávek rozlišuje úkoly s předvídatelným vstupem a výstupem od situací, kde je potřeba něco vyhodnotit. Mráz popisuje systémy, které model zapojují jen v určitých krocích. Polák zase využívá AI i k tomu, aby mu vytvořila skript nebo nástroj.

Při návrhu procesu se vyplatí oddělit kroky, které jde přesně popsat pravidlem, od kroků, kde je potřeba úsudek. AI může automatizaci postavit, aniž by pak rozhodovala při každém jejím spuštění.

Morávek, 39:01 · Mráz, 08:10 · Polák, 08:09

6. Urči, kdo kontroluje výstupy a odpovídá za jejich použití

Morávek popisuje firemní pravidlo, podle kterého za odeslaný text nebo kód odpovídá člověk, který ho poslal. Mráz mluví o odpovědnosti jako o podstatné hranici dnešního používání agentů.

Morávek to ukazuje na příkladu: když mu finanční oddělení odevzdá report s chybami, je mu jedno, jestli je udělala AI, nebo člověk, a v jakém poměru na reportu pracovali. Za výstup odpovídá ten, kdo ho odevzdal. Při zavádění AI proto pomáhá u každého výstupu určit konkrétního člověka a způsob kontroly.

Morávek, 21:32 · Mráz, 1:05:07 · Morávek, 24:37

7. Nastav pravidla pro nástroje a firemní data

Morávek popisuje povolené a zakázané nástroje a postup pro posouzení nových. U zkoušení nástrojů, které ještě posouzené nejsou, odděluje experimenty od práce s firemními daty. Polák zdůrazňuje volnost při objevování, zároveň ale stanovuje hranici u zákaznických údajů.

Liší se v důrazu na pravidla a prostor pro zkoušení. Oba přístupy přesto řeší, jaká data lidé do nástroje vloží. Pro firmu je to konkrétnější zadání než obecné „AI smíme“ nebo „AI nesmíme“.

Morávek, 30:48 · Polák, 44:47

8. Uchovávej zápisy a přepisy porad

Morávek doporučuje AI zapisovatele, Polák zdůrazňuje zachycování porad. Mráz při práci s firemními znalostmi popisuje konkrétní problém: dvě ironické poznámky klienta se bez filtru propsaly asi do 60 souborů znalostní báze a zpětně je nešlo vyčistit.

Přepis proto může být podkladem pro firemní znalosti, ale ne každá zaznamenaná věta představuje rozhodnutí nebo pravidlo. Při dalším zpracování je potřeba tento rozdíl zachovat.

Morávek, 52:18 · Polák, 23:24 · Mráz, 25:31

9. Zajisti podporu vedení a čas na zkoušení

Malinovská zdůrazňuje, že prostor na experimentování musí mít podporu vedení a skutečně existovat v pracovním čase. Morávek doporučuje na začátku zjistit, zda změnu podporuje vedení i střední management.

Malinovská popisuje, co se stane, když podpora zůstane jen na papíře: vedení řekne, že lidé můžou část pracovní doby zkoušet AI, ale dál je hodnotí podle stejných ukazatelů a nikdo kolem nich to viditelně nedělá. Lidé tomu pak nevěří.

Malinovská, 1:13:47 · Morávek, 54:22

10. Ptej se na provozní náklady a další rozvoj

Průša doporučuje u dodavatele zjišťovat, jak je řešení sestavené, zda lze vyměnit jeho části a jaké budou náklady na používání. Upozorňuje také na nejistotu budoucích cen modelů. Mráz uvádí, že služba, přes kterou běží jejich modely, zdražila z 0,5 na 3 dolary za milion tokenů, což se při velkém objemu zpracování výrazně projeví v provozních nákladech.

Při posuzování nabídky se tak hodí vedle ceny za vytvoření řešení ptát, co bude stát jeho běžné používání a jak se bude upravovat.

Průša, 29:34 · Průša, 48:49 · Mráz, 07:10

Kde se jejich pohledy liší

Kdy použít AI při práci s daty

Průša popisuje pořadí digitalizace, automatizace a následné použití AI. Polák s Filipem Dřímalkou zdůrazňují, že data nikdy nebudou dokonale čistá a že AI může pomoci právě s jejich úklidem a popisem. Neshodnou se tedy v tom, kdy AI zapojit.

Polák uvádí příklad, proč na popisu dat záleží: Česká spořitelna přijela do Vídně oslavit 3 miliony klientů a ve Vídni jim řekli, že to podle svých čísel slavili už o dva měsíce dřív. Polák to uvádí jako příklad dvou reportů o stejném čísle, které se liší, a říká, že se to děje firmám po celém světě.

Mráz k tomu přidává možnost začít s omezeným výsekem dat a od určitého okamžiku je udržovat v pořádku.

Průša, 39:42 · Polák a Dřímalka, 16:13 · Mráz, 21:26

Kolik prostoru dát modelu k uvažování

Mráz a Dřímalka se k rozdílnému postoji dostanou přímo během rozhovoru. Dřímalka chce, aby model u složitých úkolů přemýšlel co nejvíc. Mráz klade důraz na kontrolu a na to, aby si při práci s firemními znalostmi nedomýšlel pravidla.

Prakticky jde o to, kde má AI navrhovat vlastní řešení a kde musí dodržet předem daný postup.

Mráz a Dřímalka, 28:35 · Doprovodný článek Filipa Dřímalky

Jeden nástroj pro lidi a vyměnitelný model v systému

Malinovská doporučuje vybrat jeden nástroj a nepřeskakovat stále mezi dalšími. Průša se u dodavatele ptá na možnost vyměnit model nebo jiné části řešení.

Obojí se dá spojit: zaměstnanci používají jedno známé prostředí a dodavatel může model v jeho pozadí vyměnit.

Malinovská, 1:01:27 · Průša, 48:49

Původní rozhovory

• Filip Morávek o zavádění AI do firmy, moderuje Michal Fiala, Na vlně AI.
• Barbora Malinovská o přijetí AI ve firmách, moderuje Michal Fiala, Na vlně AI.
• Petr Polák o firemních datech a AI, moderuje Filip Dřímalka, Budoucnost nepráce.
• Dalibor Mráz o AI ve firemním provozu, moderuje Filip Dřímalka, Budoucnost nepráce.
• Jakub Průša o návrhu a implementaci AI, moderuje Roman Stolejda, AI v kostce.

Jak tento článek vznikl

Claude našel zdroje, já rozhodl o výběru

AI Čítárna zpracovává YouTube videa do českých shrnutí. K jejímu archivu jsem si postavil MCP server, přes který může Claude hledat a načítat obsah. Čítárna mu poskytne podklady, Claude z nich sestaví odpověď podle zadání.

Pro tento rozbor našel pět rozhovorů o zavádění AI do firem. Jeden rozhovor jsem vyměnil za jiný a zbytek potvrdil. Tím jsem určil, z čeho má další porovnání vycházet.

Přepisy si načetl sám

Po potvrzení výběru si Claude přes MCP sám stáhl celé přepisy. Nemusel jsem je jednotlivě kopírovat do konverzace. Zpracoval z nich shody, rozdíly a doporučení a připojil jména, odkazy a časové značky.

Výsledkem byl Markdown, tedy textový soubor s nadpisy, seznamy a odkazy. Ten jsem pak použil jako společný podklad pro tento článek a LinkedIn příspěvek. Na LinkedIn patří stručný přehled; tady je prostor rozvést jednotlivé body a vrátit se ke zdrojům.

Proč přepisy, ne jen shrnutí

Při kontrole se ukázalo, že shrnutí v Čítárně připsalo dva výroky Daliboru Mrázovi, i když je ve skutečnosti řekl moderátor Filip Dřímalka. Šlo o jeho systém PAKT pro práci s firemními znalostmi a o tvrzení, že chatovací nástroje jsou hračka a kdo vydělává víc než 75 000, má používat Codex nebo Claude Code. Na přehled shrnutí stačí. Když chci někoho citovat nebo označit, ověřuji výrok v přepisu.

Dřímalka, 27:33 · Dřímalka, 42:48

Zadání pro vlastní téma

Pro podobnou práci s připojeným archivem můžeš použít například toto zadání. Je to ukázka pro vlastní použití, nikoli doslovný přepis mé konverzace:

V připojeném archivu najdi pět rozhovorů k tématu [téma]. U každého napiš, proč se hodí, a přidej odkaz. Nejdřív mi předlož výběr ke schválení.

Po mém potvrzení načti dostupné celé přepisy. Vytáhni konkrétní doporučení, příklady a rozdílné pohledy. Hledej alespoň deset samostatných doporučení, pokud je zdroje obsahují; nevyráběj další body jen kvůli počtu.

U každého bodu uveď, kdo ho doporučuje, jak ho vysvětluje a kde ho najdu v původním rozhovoru. Rozlišuj hosta a moderátora i skutečný nesouhlas od odlišného kontextu. Pokud přepis chybí nebo tvrzení neumíš doložit, napiš to. Výsledek připrav jako Markdown.

Z hotového rozboru si můžeš vybrat téma pro článek nebo další otázku k určitému rozhovoru. Odkazy a časy si ponech i při zkracování podkladů, abys před zveřejněním mohl ověřit konkrétní formulaci a jejího autora.