10× člověk nestačí: Jak ABUGO staví AI-first firmu pro 170 lidí

Sto lidí si nechá nad stejnými daty vytvořit sto trochu jiných reportů. Každý má vlastní prompty, vlastní poznámky a vlastní představu, co znamená agent. Na úrovni jednotlivce práce zrychlila, ale ve firmě se stejná činnost dál opakuje.

Přesně na to narazili v ABUGO. Skupina propojuje několik softwarových firem zaměřených na e-commerce a služby. Petr Svoboda ji vede jako CEO, Boris Bošiak je členem boardu, řídí product-led growth a věnuje se AI napříč skupinou. Společně řeší otázku, která dnes čeká prakticky každou firmu s pokročilejšími uživateli AI: jak dostat jejich zkušenosti, nástroje a pracovní postupy do systému, který pomůže i ostatním.

10× jednotlivec ještě nevytvoří 10× firmu

Petr věří, že člověk s AI může vytvářet násobně větší hodnotu. Neznamená to, že napíše jen víc kódu, textů nebo prezentací. Dokáže se pustit do práce, na kterou dřív čekal kvůli úzkému hrdlu v jiném týmu, chybějící kapacitě nebo nástroji.

U zakázkového vývoje je změna vidět rychle. Když tým dodá funkcionalitu za zlomek původního času, projeví se to v nákladech i marži. U SaaS produktu je vztah složitější. Rychlejší vývoj sám o sobě nepřivede tisíce nových zákazníků. Firma musí novou kapacitu proměnit v lepší produkt, onboarding, služby nebo expanzi.

Tím se dostáváme k rozdílu mezi osobní a firemní produktivitou.

“

Největší výzva je, jak 10× převést na tým anebo na celou organizaci.

Petr k tomu hned dodává něco, co v debatách o AI často chybí: ABUGO to nemá hotové. Podle něj nemá nikdo. Firma zkouší jednotlivé části, sleduje jejich dopad a postupně rozhoduje, co ponechá týmům a co převezme na úrovni celé skupiny.

Je to méně efektní než oznámit tisíce agentů nebo nový firemní chatbot. Ve skutečnosti se ale firemní změna láme právě tady. Jeden člověk si postaví second brain za víkend. Společný systém pro 170 lidí musí řešit přístupy, bezpečnost, sdílený kontext, odpovědnost, správu nástrojů i to, co se stane, když někdo odejde.

Vedení musí AI samo používat

Management ABUGO se nebaví o tom, zda AI používat. Petr od managing directorů očekává, že budou sami pokročilými uživateli. Díky osobní zkušenosti mohou řešit, co AI udělá s produktem, jak přenést zkušenost z jedné firmy do druhé nebo kde společný postup začne lidi brzdit.

Kdyby jeden člen vedení zůstal výrazně pozadu, zpomalí podle Petra celou debatu. Lidé sice používají stejná slova, ale pod pojmem agent, skill nebo second brain si představují něco jiného. Proto v ABUGO natáčejí ukázky hotových řešení. Místo další definice lidé vidí, co nástroj skutečně dělá.

Petr přitom nejdřív zvolil cestu, která nefungovala. Tlačil na rychlost a mluvil o tom, co lidem hrozí, pokud AI nezačnou používat. Výsledkem byl strach a odpor. U části lidí se místo zvědavosti objevila paralýza.

Zlom přišel, když natočil video o vlastní práci. Ukázal svůj second brain, práci s e-maily, projekty, skilly a napojenými nástroji. Nebyla to naleštěná prezentace o budoucnosti. Lidé viděli obrazovku CEO a konkrétní postupy, které mohou sami vyzkoušet.

“

V jeden moment jsem si řekl: Teď natočím video a nasdílím všem lidem, jak používám AI. Ukázal jsem tím, že takhle přijímám riziko. Pokud takhle pracuje Petr, můžou s tím pracovat i ostatní.

Během týdne začal podle Petra s konceptem second brainu pracovat celý management. Video pak ani nemusel aktualizovat, přestože rychle zastaralo. Jeho hlavní úkol už splnilo: odstranilo nejistotu, jestli lidé vůbec smějí začít.

Samotná inspirace ale nestačí. ABUGO má 170 lidí a Petr otevřeně říká, že ne každý video viděl, ne každý se o AI zajímá a ne každý má na experimentování čas. I dobré řešení může existovat v jedné části firmy, zatímco polovina kolegů o něm neví.

Společný AI Hub místo 170 osobních ostrůvků

Když má dvacet lidí vlastní dokumentaci produktu, firma nemá jednu znalost. Má dvacet různých verzí. Mohou se rozcházet, zastarávat a zůstávají zamčené v osobních nástrojích.

ABUGO proto spustilo interní AI Hub. Není to jeden chatbot ani knihovna promptů. Boris ho popisuje jako místo, které spojuje učení, firemní nástroje, skilly a sdílení výstupů.

1. MCP Hub

První vrstvou je společná brána k desítkám nástrojů pro marketing, zákaznickou péči, vývoj a další týmy. Zaměstnanec na podpoře nemusí získávat API token, instalovat vlastní MCP server a ručně nastavovat jednotlivá spojení. Stáhne si připravenou šablonu projektu, požádá o potřebná oprávnění a dostane přístup pouze k nástrojům, které odpovídají jeho roli.

2. Marketplace skillů

Jednotlivé týmy mají vlastní kolekce skillů. Nový kolega si přidá marketplace svého týmu a může navázat na postupy, které už někdo popsal a otestoval. Skilly tak necestují ve formě ZIP souborů přes Slack a nezůstávají jen v počítači člověka, který je vytvořil.

3. ABUGO Pages

Třetí část Boris přirovnává k internímu hostingu. Člověk pracuje s Claudem, vytvoří Markdown, technickou specifikaci, analýzu nebo jednoduchou webovou stránku a několika kroky ji publikuje pro tým. Ostatní ji mohou číst, upravovat nebo si její kontext stáhnout do vlastního second brainu.

Boris uvádí příklad schůzek. Po přepisu se poznámky automaticky zpracují a nahrají na stránku sdílenou s druhým účastníkem. Oba mají společný záznam a zároveň si ho mohou dál zpracovat vlastním způsobem. Kontext nezůstane v kalendáři, osobním zápisníku nebo v zapomenutém dokumentu.

Tady se osobní produktivita poprvé mění v týmovou. Hodnota nevzniká pouze tím, že Boris ušetří čas při zápisu. Další člověk nemusí stejný kontext znovu skládat a celý tým může společný postup dál upravovat.

Volný přístup k AI přináší vedle nových možností i velmi praktické problémy. Claude může člověku z finančního týmu pomoci propojit dvě služby, uložit API token do prohlížeče a nainstalovat několik balíčků. Výsledek funguje. Firma ale nemusí vědět, co přesně se do počítače dostalo, kdo má přístup k datům a jestli některý balíček neobsahuje škodlivý kód.

ABUGO proto napsalo AI policy. Její první verze měla lidi hlavně nezastavit. Před samotným psaním musel Petr jako CEO určit, která rizika přijímá, která už ne a kde se k přísnějšímu řešení firma vrátí později.

“

Musel jsem se postavit za to, že některá rizika přijímáme. Třeba jen dočasně a jejich řešení přijde později. Na začátku jsme ale chtěli, aby pravidla lidi nebrzdila.

První měsíce volnějšího režimu ukázaly skutečné chování lidí. Firma díky tomu neřešila hypotetické scénáře, ale konkrétní problémy: vlastní MCP servery, neznámé knihovny, přístupové tokeny a externí pluginy. Teprve potom začala pravidla postupně zpřísňovat.

Dnes ABUGO směřuje zaměstnance ke společným MCP nástrojům, které procházejí bezpečnostní kontrolou. Externí pluginy a skilly skenuje před tím, než je pustí k firemním datům. Lidem zároveň vysvětluje, proč už některé dříve tolerované postupy nejsou možné.

Takový přístup vyžaduje od vedení odvahu na obou stranách. Úplný zákaz zabrání lidem získat zkušenost a firma neuvidí, co má smysl stavět. Neřízená volnost zase dřív nebo později narazí na bezpečnost, náklady nebo chaos v nástrojích. Pravidla proto nevznikají jednou provždy. Vyvíjejí se podle toho, co lidé skutečně dělají.

Co standardizovat a co ještě nechat týmům

Jednotný systém může firmu zrychlit, ale jeho stavba je pomalejší než osobní experiment. Některé týmy v ABUGO už sdílely skilly přes Slack, jiné měly vlastní aplikaci a další používaly odlišné nástroje. Přechod na společný systém proto část lidí dočasně zpomalil a donutil je opustit řešení, které jim fungovalo.

ABUGO přesto standardizaci považuje za nutnou. U agentického vývoje v Reserviu například tým sjednotil kontext a uložil ho přímo vedle kódu. Všichni pak zlepšují jeden postup. Kdyby každý vývojář pracoval s jiným nástrojem, vlastními skilly a odlišným kontextem, velká část energie padne na kompatibilitu.

Skupina se proto vědomě soustředí hlavně na Claude. Codex, Claude Code nebo Cursor mohou na první pohled působit podobně, ale při práci ve větším systému se rozdíly násobí. Jeden podporovaný postup snižuje nároky na správu. Nevýhodou je větší závislost na jednom dodavateli, kterou bude ABUGO podle Petra později řešit.

Ne všechno se však centralizuje hned. Když experiment pomáhá pouze jedné firmě nebo týmu, zůstává v rukou jeho managing directora. Skupina přebírá hlavně postupy, které mohou pomoci více produktům: lokalizace, zákaznická péče, sdílené skilly nebo společná práce s kontextem.

Ekonomika skupiny se tím mění. Petr veřejně popsal případ, kdy ABUGO během jednoho týdne vytvořilo přes tisíc lokalizovaných materiálů pro patnáct trhů. Boris v rozhovoru vysvětluje, že firma dokáže získaný software rozšířit ze tří trhů do přibližně pětadvaceti jazyků během několika týdnů. Stejný systém se zaplatí přes více firem a nová akvizice dostane přístup ke zkušenostem, které už skupina vybudovala.

Petr k tomu ale přidává důležitou brzdu: stejná bariéra klesla i konkurenci. Rychlejší lokalizace proto sama o sobě nevytvoří dlouhodobou výhodu. ABUGO musí současně zlepšovat onboarding, produkt a schopnost proměnit nové uživatele v platící zákazníky.

SaaS neumírá, ale rozhraní přestává být jedinou cestou k produktu

Debata o konci SaaS podle Borise příliš zjednodušuje, co znamená provozovat kvalitní službu. Vibe coding dokáže rychle vytvořit kus softwaru. Neřeší automaticky údržbu, bezpečnost, provoz, práci s tisíci zákazníky ani roky nasbíraného oborového know-how.

AI ale mění způsob, jakým lidé software ovládají. Běžná aplikace musí nabídnout jedno rozhraní pro tisíce různých zákazníků. Každý formulář, dashboard a onboardingový krok proto představuje kompromis. Agent může pracovat přímo s daty a funkcemi produktu a výsledek přizpůsobit konkrétnímu člověku.

Shopsys z této změny těží díky headless architektuře, MCP a otevřenému kódu. Product owner může s pomocí Clauda nebo Codexu připravit prototyp funkcionality ještě předtím, než se jí ujme vývojový tým. Zákazník se může e-shopu ptát přímo na objednávky, produkty nebo skladová data, aniž by čekal na nový dashboard.

Otevřenost přitom nevznikla kvůli AI. Shopsys svůj kód otevřel, aby se odlišil, ukázal jeho kvalitu a umožnil zákazníkům i vývojářům vidět, s čím pracují. AI tomuto rozhodnutí přidala další hodnotu. Model může známý a dostupný kód lépe číst, měnit a používat při prototypování.

Budoucnost SaaS proto nemusí být méně produktů. Boris očekává spíš více softwaru, rychlejší vznik konkurence a větší tlak na kvalitu, distribuci, data a důvěru zákazníků. Samotný kód bude levnější. Provoz fungující služby levný nebude.

AI builder místo klasického marketingového šéfa

Jedno z největších překvapení v ABUGO přišlo od lidí mimo vývoj. Boris očekával, že adopci povedou programátoři. Ve skutečnosti vyrostli silní AI buildeři také v marketingu, zákaznické péči a dalších netechnických týmech. Někteří dnes učí postupy i vývojáře.

Společným znakem není programování. Tito lidé umějí rozložit problém, popsat vlastní postup a určit, podle čeho poznají dobrý výsledek. Marketér nemusí ručně psát každý text. Musí ale vědět, proč kampaň vzniká, jaká data potřebuje a co má systém kontrolovat.

Rozdíl se naplno ukázal při hledání nového marketingového šéfa. ABUGO mluvilo se zkušenými kandidáty, ale jejich představa práce už neodpovídala procesům, které skupina několik let automatizovala. Boris proto změnil zadání: místo klasického CMO začal hledat AI buildera, který dokáže stavět systémy.

Součástí výběru byl GitHub repozitář s pěti úkoly. Někteří zkušení kandidáti odpověděli, že zpracování potrvá několik dní. Když ABUGO stejné zadání poslalo dovnitř firmy, během hodiny dostalo několik automatizovaných řešení a prezentací od lidí, které dnes považuje za interní AI buildery.

To neznamená, že oborová zkušenost přestala být důležitá. Ve finančním týmu může mít auditní, účetní nebo controllingová praxe větší váhu než schopnost hned první den postavit multi-agentní workflow. Rozhoduje, zda se člověk chce učit a zda mu tým dokáže předat své postupy.

“

Přijde mi, že hledáme supermany. Mnohem lehčí než je najít je nechat je vyrůst uvnitř firmy.

Petr odhaduje, že motivovaný člověk se může na úroveň svých kolegů dostat během týdnů, pokud s ním tým pracuje a on sám experimentuje i mimo přesně vyhrazený čas v práci. Není to automatické. Práce s více agenty, skilly a projekty je mentálně náročná a rozdíly mezi lidmi mohou růst velmi rychle.

Když je jednodušší mluvit s Claudem než s kolegou

Vyšší osobní produktivita začíná měnit spolupráci. Silný AI builder dokáže sám připravit analýzu, návrh, prezentaci i funkční prototyp. Nepotřebuje, aby se několik lidí dívalo na stejnou obrazovku a společně dokument vytvářelo. Potřebuje spíš dobře předat výsledek a kontext.

Boris popisuje i méně pohodlný důsledek:

“

Rozdíl v práci s AI je někde už tak velký, že se raději poradím s Claudem než s kolegou.

V některých týmech tak mohou vzniknout lidé, se kterými ostatní přestávají chtít spolupracovat, protože společná práce je zpomaluje. Někdo rozdíl sám ucítí a odejde. Jinde musí zasáhnout vedoucí, nabídnout podporu a dát člověku příležitost způsob práce změnit.

Mění se také meetingy. Při přípravě jedné metodiky jsem například předal kolegům celý projekt přes GitHub a AI mi připravila handoff dokument. Neměli jsme k tomu jedinou schůzku. Dřív bych vytvořil prezentaci, svolal tým a několik hodin vysvětloval souvislosti.

Tohle funguje pouze tehdy, když příjemci umějí s předaným kontextem pracovat. Jeden člověk, který potřebuje starý způsob vysvětlování, může celý tok vrátit zpátky k prezentacím a meetingům. Firma proto musí vedle nástrojů řešit i očekávání, způsob předávání práce a dostupnou pomoc pro lidi, kteří se učí.

Úplné odstranění společné práce by ale byla chyba. Petr připomíná, že firma je pořád lidský organismus. Některé meetingy už nemusí sloužit k výrobě dokumentu, ale stále vytvářejí vztahy, důvěru a společné pochopení. AI mění důvod, proč se lidé potkávají. Neodstraňuje automaticky hodnotu setkání.

Company brain změní, komu patří pracovní kontext

Osobní second brain přináší otázku, kterou většina pracovních smluv zatím neřeší. Zaměstnanec do něj ukládá vlastní skilly, zkušenosti, poznámky, komunikaci i postupy vytvořené během práce. Co si může odnést, když z firmy odejde? A co naopak musí zůstat zaměstnavateli?

ABUGO se zatím dívá hlavně opačným směrem: jak zajistit, aby důležitý kontext nezmizel spolu s člověkem. Cílem je oddělit osobní vrstvu od company brainu, do kterého patří znalosti o produktu, projektech a firemních procesech.

Postupně může firma zachytit mnohem větší část práce. Meetingy se přepisují, agenti čtou projektové systémy, firemní komunikaci a data. Petr očekává, že kontext činností prováděných v práci bude ve stále větší míře vlastnit firma.

Takový směr otevírá citlivou debatu. Nahrávání schůzek pomáhá připravit další kroky a udržet znalosti. Nahrávání obrazovek nebo všech rozhovorů v kanceláři už může působit jako dohled. Technicky bude možné zachytit téměř všechno. Vedení bude muset určit, co je užitečný kontext, co soukromí lidí a jak se s daty smí dál pracovat.

Boris dnes tráví přibližně 25 hodin týdně na schůzkách. Dřív se na pondělní meetingy připravoval v neděli až čtyři hodiny. Teď mu systém vytáhne předchozí závěry, dění v Jiře a Confluence, relevantní analytiku i otázky pro jednotlivé manažery. Přípravu spustí jedním slovem.

Tohle je pro mě mnohem přesnější obraz company brainu než nekonečný dokument nebo jeden vševědoucí chatbot. Firemní mozek aktivně skládá kontext pro konkrétní situaci. Člověk dál rozhoduje, na co se zeptá, co přijme a co změní.

Slovníček pojmů z epizody

• AI-first firma: Firma, která s AI počítá při navrhování práce, produktů i rozhodování. AI v ní není oddělený experiment několika nadšenců ani další chatbot v nabídce nástrojů.
• Second brain neboli druhý mozek: Osobní systém poznámek, souborů, instrukcí a napojených nástrojů, který dává AI dlouhodobý kontext o člověku a jeho práci. Pomáhá navazovat na předchozí projekty, rozhodnutí a způsob uvažování.
• Company brain neboli firemní mozek: Sdílená vrstva firemních znalostí, procesů, rozhodnutí a přístupů k datům. Jejím cílem je, aby důležitý kontext nezůstával jen v hlavách lidí nebo jejich osobních second brainech.
• AI agent: AI systém, který dostane cíl, rozdělí si práci do kroků, používá dostupné nástroje a pokračuje bez ručního zadání každého dalšího kroku. Míra samostatnosti závisí na úkolu, oprávněních a nastavených kontrolách.
• Agentické workflow: Opakovatelný pracovní postup, ve kterém jeden nebo více AI agentů postupně provádí úkoly, předává si výsledky nebo si práci navzájem kontroluje. Člověk určuje cíl, hranice a podobu přijatelného výsledku.
• MCP: Model Context Protocol je otevřený způsob, jak propojit AI aplikaci s firemními daty a nástroji. Přes MCP může agent například číst schválená data, vytvořit úkol nebo spustit konkrétní firemní funkci.
• MCP Hub: Firemně spravovaná brána a katalog MCP nástrojů. Zaměstnanec nemusí instalovat každé propojení samostatně; podle své role dostane přístup k prověřeným nástrojům a datům.
• Skill: Znovupoužitelný balíček instrukcí, podkladů a případně skriptů, který AI vysvětluje, jak má vykonat určitý druh práce a podle čeho pozná dobrý výsledek. Marketplace skillů umožňuje tyto postupy sdílet a aktualizovat pro celý tým.
• AI builder: Člověk, který dokáže převést znalost práce do fungujícího systému s AI. Nemusí být programátor, ale umí popsat problém, sestavit postup, připojit potřebný kontext a výsledek opakovaně testovat.
• Headless software: Software, jehož data a funkce jsou dostupné přes API nebo jiné strojové rozhraní, ne pouze přes jednu obrazovku aplikace. Díky tomu ho může ovládat web, mobilní aplikace nebo AI agent podle situace konkrétního uživatele.

Co bych ve firmě dělal už teď

• Ukažte vlastní práci. Jeden konkrétní záznam obrazovky od člověka z vedení může udělat pro adopci víc než obecné školení o AI.
• Pojmenujte přijatelné riziko. Lidé potřebují vědět, co mohou zkoušet, s jakými daty a kdo rozhodne o výjimce.
• Sdílejte kontext, ne pouze prompty. Produktové znalosti, postupy a podoba dobrého výsledku nesmějí zůstat v osobních second brainech.
• Nechte nejdřív běžet lokální pokusy. Společný standard má smysl ve chvíli, kdy už víte, který postup opravdu funguje a pomůže více týmům.
• Hledejte a vychovávejte AI buildery. Největší potenciál mají lidé, kteří rozumějí své práci, dokážou ji popsat a chtějí kolem ní stavět opakovatelné systémy.

ABUGO nemá hotový návod na AI-first organizaci. Právě proto je jejich zkušenost užitečná. Popisují rozhodnutí, slepé uličky i místa, kde nová rychlost začíná narážet na bezpečnost, kulturu a rozdíly mezi lidmi.

“

Dnes přecházíme od individuální produktivity k týmové produktivitě. Bez toho, aby do společného systému přispívali lidé napříč firmou, to nebude fungovat.

Celou epizodu si můžete pustit na YouTube, Spotify nebo Apple Podcasts.