Firemní data, AI agenti a konec čekání na reporty: rozhovor s Petrem Polákem

Ve firmách vidím velké rozdíly. Někteří lidé už s AI pracují pokročile, jiní zůstávají u základního chatu. Vidíš to podobně?

Úplně stejně. Technicky zaměření lidé mají často náskok, protože už pracují s cloudem, kódem nebo automatizacemi. Byznys se musí nejdřív inspirovat a zjistit, co může AI udělat právě s jeho prací.

Dobře to bylo vidět v České spořitelně. Zkušený architekt ukázal automatizaci, kterou postavil pomocí Claudu a Copilotu. Nebyla to teoretická přednáška, ale konkrétní věc, která fungovala. Po ukázce začali další lidé přicházet s žádostmi o licence a vlastními nápady.

Funguje to i u lidí, kteří jsou ve firmě dlouho. Potřebují vidět příklad od někoho, komu věří, a spojit si ho se svou každodenní prací.

Jak ve firmě nejlépe hledat konkrétní využití AI?

Nejvíc nápadů vznikne, když lidé krátce uvidí, co technologie dokáže. Ukazoval jsem například týmu compliance možnosti Databricks. Po desetiminutové prezentaci za mnou přišla kolegyně s tím, že dosud nevěděla, co platforma zvládne. Hned jsme začali řešit, jak lépe zpracovat velké množství dokumentů, se kterými její tým pracuje.

Technologie už dnes umí hodně. Slabším místem bývá představivost. Člověk těžko hledá použití pro nástroj, který nikdy nezkusil. Jakmile si ho osahá více lidí, začnou přicházet s příležitostmi ze své práce. Některé zahodíme, jiné budou velmi cenné. Časem nebude problém nápady najít, ale vybrat, které mají největší smysl.

Co se změní, až se lidé začnou s firemními daty přímo bavit?

Tenhle cyklus se už mění. Klasický požadavek se musí naplánovat do sprintu, analytik připraví report a byznys mezitím čeká. Když pak výsledek nesedí přesně, celý proces se opakuje.

U dobře připravených dat se můžeme dostat do stavu, kdy se člověk ptá běžným jazykem a rovnou pokračuje další otázkou. To práci byznysu výrazně zrychlí. Nestačí ale připojit jazykový model k několika tabulkám. Firma musí znát vztahy mezi daty a přesně popsat, co jednotlivé pojmy znamenají.

Mění se tím i role datového týmu. Méně času bude trávit výrobou jednotlivých reportů a více času věnuje datové platformě, kvalitě dat, sémantickému modelu a bezpečnému přístupu pro ostatní lidi.

Často slýchám, že firma může začít s AI až ve chvíli, kdy má uklizená data a procesy. Dává ti to smysl?

Dokonalé to nebude nikdy. Když datový tým řekne, že firma má v datech nepořádek, ptám se, kde přesně je a jaký problém tím vzniká. Obecný nepořádek se špatně řeší i vyčísluje. Konkrétní problém už můžeme spojit s výsledkem a rozhodnout, zda se vyplatí ho opravit.

AI navíc může pomoct samotná data popsat, hledat rozpory a mapovat firemní pojmy. Nemusíme čekat, až bude všechno připravené. Můžeme ji použít i při přípravě prostředí, ve kterém pak bude pracovat.

Jak spojit rychlost experimentu s bezpečností?

Musíme oddělit experiment od produkčního řešení. AI může pomoct navrhnout skript, aplikaci nebo automatizaci. Výsledek, který firma skutečně používá, ale může být deterministický, otestovaný a projít standardním vývojovým procesem.

Stejně důležité je spravované prostředí. Když člověk postaví interní aplikaci nad schválenou platformou, firma ví, kde běží, k jakým datům má přístup a kdo ji používá. Lidé si mohou rychle ověřit nápad, aniž by ztratili kontrolu nad daty a provozem.

Začínajícího uživatele nechci vyděsit dlouhým seznamem zákazů. Potřebuje bezpečné prostředí, několik jasných pravidel a někoho, kdo mu pomůže první použití dotáhnout.

Začal sis stavět vlastní druhý mozek. Jak vypadá?

Sbírám kontext z meetingů, zápisků a prezentací a dávám ho do bezpečného prostředí, se kterým může pracovat agent. Ještě ten systém ladím. Když do něj člověk nalije příliš mnoho dat, může dostat výstup tak podrobný, že se v něm ztratí. Potřebuju jednoduchý přehled nahoře a možnost jít do detailu, když ho hledám.

Velký smysl v tom vidím i pro předávání práce. Nový člověk nebo další agent může dostat hluboký kontext a nad ním výstup v podobě, která mu vyhovuje: krátké shrnutí, prezentaci nebo třeba audio přes NotebookLM.

Začínám být nervózní z meetingu, který nikdo nezachytí. Když se rozhodnutí a znalosti po schůzce ztratí, jaký měla dopad? Chtěl bych, aby nám AI po meetingu uměla říct i to, že určité téma řešíme pořád dokola a nikam jsme se neposunuli.

Ve Spořce jsi vedl velký tým a k technické práci ses už skoro nedostal. Co tě přimělo vrátit se k vlastnímu tvoření?

Při vedení velkého týmu jsem řešil hlavně lidi a management. Když přišla nabídka z VIG Re, uvědomil jsem si, že nechci další období prožít jen jako manažer. Chci být člověk, který si nové věci sám testuje.

Mezi oběma rolemi jsem měl volno a podobnou aplikaci jsem zkusil stavět na začátku a na konci tohoto období. Podruhé mi zabrala zlomek času. Posunuly se nástroje i moje schopnost s nimi pracovat.

Když si lídr AI pravidelně nezkouší, těžko pozná její možnosti, limity a dopad na práci týmu. Já bych bez této zkušenosti nedokázal zůstat relevantní pro trh ani sám pro sebe.

Co je pro tebe při výběru lidí důležitější než dřív?

Energie, zvídavost a ochota zkoušet nové věci. Znalosti zůstávají důležité, ale AI část tvrdých dovedností postupně přebírá. Člověk, který rozumí byznysu a zároveň dokáže pracovat s AI, bude čím dál cennější.

Potřebuju lidi, kteří se nebojí neúspěšného pokusu. U AI je často lepší udělat během hodiny mnoho iterací než hodinu přemýšlet o první. V týmu má zároveň smysl kombinovat rychlé experimentátory s lidmi, kteří umějí včas ukázat riziko.

Jako vedoucí se snažím vytvořit prostředí, ve kterém lidé nemusí žádat o povolení ke každému pokusu. Musí znát bezpečnostní hranice, ale uvnitř nich mají mít prostor zkoušet. Pokud se zaměstnanec omlouvá, že při práci použil AI, je to špatně nastavená kultura.

Jaké tři kroky bys doporučil člověku, který pracuje s daty nebo vede datový tým, ale AI zatím nepoužívá naplno?

Nejprve si zajistěte přístup k více než jednomu AI nástroji, abyste mohli porovnat, v čem vám který sedí. Pokud vám firma nedovolí bezpečně pracovat s moderními nástroji vůbec, je to vážný problém pro váš další rozvoj.

Pak si na učení vyhraďte skutečný čas. Nestačí nástroj občas otevřít. Potřebujete ho dostat do vlastní práce, zkoušet různé přístupy a kontrolovat výsledky.

A pravidelně se na svou práci podívejte z odstupu. Zeptejte se, zda dnešní postup pořád dává smysl. Vývoj je tak rychlý, že proces, který byl rozumný před několika týdny, už může jít udělat jinak.

AI agent, nebo nový člověk do týmu?

AI agent.

Růst obratu, nebo méně práce?

Růst obratu.

Malý tým s AI, nebo velký tým bez AI?

Malý tým s AI.

Dlouhodobá strategie, nebo rychlý experiment?

Rychlý experiment.

Specialista, nebo generalista?

Generalista.