Každý den nadšené týmy s chutí testují ChatGPT, Bard, Copilot či jiné veřejně dostupné modely. „Podívej, jak rychle nám to napsalo report!“ říkají mi manažeři. „A tady mi to optimalizovalo kus kódu,“ dodávají vývojáři. V té samé chvíli však do cloudu odplouvají informace, které dělají firmu jedinečnou: utajené marže, specifické algoritmy, postupy ověřované léta praxí.

Co pošlete do veřejného modelu dnes, může být vaše ztracená výhoda zítra.

Na první pohled se nic neděje. Odpověď dorazí, úkol je splněn, všichni jsou spokojení. Jenže na druhém konci kabelu se model učí z každého slova.

Proces, který tomu učení dává strukturu, se jmenuje reinforcement learning from human feedback (RLHF). Jeho logika je jednoduchá: model vysloví návrh, uživatel ho buď explicitně ohodnotí palcem nahoru, nebo prostě pokračuje v konverzaci. Obě varianty pro model znamenají „odměnu“. Čím víc odměn, tím pevněji se nově získaná znalost zapíše do neuronových vah.

Představte si baristu, který dostane tučné dýško pokaždé, když vám připraví kávu přesně podle chuti. Za pár týdnů už se vás neptá, pamatuje si vaši preferenci a stejnou směs nabídne komukoli, kdo se jí jen přiblíží. Stejně pracuje i veřejný jazykový model: jakmile se naučí, že „tenhle kus kódu je lepší“ nebo „takto vypadá správně nastavená marže“, nabídne stejnou kvalitu i všem ostatním, včetně konkurence. Vy jste mu přitom recept předali zdarma.

Pokud vlastníte unikátní oborovou znalost, dává to smysl? Spíš ne. Místo abyste si udrželi informační náskok, sponzorujete vývoj cizího produktu a pomáháte vyhladit rozdíly mezi vámi a ostatními hráči na trhu.

Co s tím tedy lze dělat? Nejrychlejší záplata je prohnat veškeré AI dotazy interní proxy bránou. Ta loguje každý prompt i odpověď a dokáže varovat, když se v textu objeví citlivé pasáže, třeba klíčová část algoritmu nebo čísla z finančního oddělení. Uživatel se může okamžitě rozhodnout, zda opravdu potřebuje poslat daná data ven, nebo raději zvolí obecnější formulaci.

Druhá, o něco sofistikovanější možnost je využít tzv. sandboxové prostředí. Někteří cloudoví poskytovatelé dnes dovolují vypnout ukládání konverzací do centrálního tréninku. Není to stoprocentní jistota, ale riziko výrazně snižuje. Funguje to tak, že k modelu posíláte pouze anonymizované instrukce, zatímco citlivý kontext zůstává za firewallem.

Třetí, dlouhodobě nejefektivnější cesta vede k vlastnímu modelu nebo alespoň k fine-tuningu otevřeného modelu typu Llama 3, Mistral či Chronos. Jak na to? Začněte právě těmi logy z proxy: máte v nich zlatý důl reálných dotazů a ověřených odpovědí vašich expertů. Jakmile je označíte a vyčistíte, můžete na ně model doučit, buď úplně on-premise, nebo v privátním cloudu. Získáte AI, která zná nuance vašeho oboru, ale neodnáší je z domu.

Abychom byli konkrétní, podívejme se na dvě reálné situace.

Vývojáři často posílají do veřejného chatu celé bloky proprietárního kódu s prosbou o refactoring. Okamžitý užitek je zřejmý: úspora času. Dlouhodobá ztráta už tak patrná není: uniká nejen syntaxe, ale i architektonické vzory, na nichž firma stojí. Přitom by stačilo nasadit interní „code chat“, který běží nad vaším repozitářem a nikdy neposílá data dál než do vlastní sítě.

Manažeři zase zkoušejí s AI ladit cenotvorbu. Do promptu vloží reálné marže, slevové politiky i náklady. Model vzorně spočítá tři scénáře a vyplivne tabulku. Jenže ve chvíli, kdy se tyto informace dostanou do učení, může konkurence, klidně nevědomky, získat stejný vhled do trendů a rozpětí cen. Řešení? Lokální modul typu RAG (retrieval-augmented generation), který nechá důvěrná čísla ležet na firemním serveru a veřejnému modelu poskytne pouze prázdné kolonky k vyplnění.

Směřujeme k budoucnosti, v níž bude mít AI téměř každá firma. Náskok tedy neurčuje samotná technologie, ale kvalita a exkluzivita dat, jimiž ji krmíte. Kdo si dokáže své know-how ochránit dnes, ten si zítra zachová konkurenční výhodu.

Vypadá to moderně: někdo položí otázku, model odpoví. Někdo chce obrázek, model ho vygeneruje. Někdo potřebuje text, model pošle draft.

Rychlé. Praktické. Efektní.

Ale pořád je to stejný princip: člověk klikne, AI reaguje.
AI čeká, až jí někdo zadá práci.

Skutečný byznysový efekt přichází až ve chvíli, kdy AI nečeká. Když pracuje nonstop.

Nejčastější omyl: AI jako „lepší vyhledávač“

Mnoho týmů zůstane v první vrstvě. Ptáme se modelu jako ve vyhledávači, necháme si vytvořit text, občas obrázek, a máme pocit, že „AI máme hotovou“. To je dobrý začátek, ale pořád jen začátek.

Skutečná hodnota nevzniká v jedné pěkné odpovědi. Vzniká ve chvíli, kdy postavíte systém práce, který běží i bez toho, že někdo sedí u klávesnice.

Co znamená „nonstop práce“ v praxi

Nejde o futuristickou laboratoř. Jde o velmi praktickou věc: dát agentům jasný popis práce.

Agent je skript nebo workflow (workflow = předem definovaný sled kroků), který v pravidelných intervalech sbírá data, vyhodnocuje je podle kritérií a připravuje další krok. Jinými slovy, AI už nefunguje jako „otázka-odpověď“, ale jako nepřetržitý proces.

Žádné kouzlo. Disciplína, data a opakování.

Kde je nejrychlejší dopad: obchod

Automatizace prodeje je dnes jedna z nejrychlejších cest, jak AI přeměnit z dema na výkon. Ne proto, že by „něco hezky psala“, ale protože umí držet tempo, které člověk dlouhodobě neudrží.

Představte si běžný den. Ráno otevřete dashboard a místo prázdné tabulky na vás čeká seznam nových firem, které agent přes noc vytipoval na základě poptávek, nových tendrů, změn na trhu a signálů ze specializovaných webů. Nejen v ČR, ale i v EU nebo globálně podle segmentu, který jste nastavili.

V další fázi se rozběhne průzkum. Jeden agent prochází web firmy a čte, jak mluví o svých službách. Druhý dohledává klíčové kontakty a roli konkrétních lidí. Třetí porovnává zjištěné informace s vaším portfoliem a navrhuje, které řešení má pro danou firmu nejvyšší obchodní relevanci.

Pak přichází část, kterou obchodní tým ocení nejvíc. AI nepředá „hromadu dat“, ale připravený draft personalizovaného e-mailu pro konkrétní osobu. K tomu přiloží stručný kontext, proč je nabídka relevantní právě teď, a přidá návrh navazující komunikace na další týdny. Když má dojít na telefonát, připraví i podklady: co zdůraznit, na co si dát pozor, jakou variantu nabídky otevřít jako první.

Vy nezačínáte od nuly. Začínáte od kvalifikovaného návrhu.

Tichá revoluce: obchod přestane čekat na kliknutí

Klasický obchodní model je pasivní. Čekáme, až někdo klikne, vyplní formulář nebo se ozve přes doporučení.

Nonstop AI model je aktivní. Sám vyhledává příležitosti, sám je třídí podle priority a připravuje odpověď dřív, než se problém dostane na stůl obchodníkovi. Když potenciální klient zareaguje, agent rovnou sestaví odpověď s nabídkou, podrobnostmi a ceníkem. Člověk už nedělá operativní montáž textu, ale kontroluje kvalitu a rozhoduje, co půjde ven.

Tohle je přesně bod, kde se z „AI nástroje“ stává obchodní infrastruktura.

Co má dělat člověk

To nejcennější. AI má držet opakovatelné kroky, přípravu a operativní tempo. Lidé mají držet obchodní úsudek, priority, strategii komunikace a finální odpovědnost za vztah se zákazníkem.

Tím se uvolní kapacita na práci, kterou žádný model bez vedení neudělá: důvěra, rozhodnutí, partnerství.

Jak začít, aby to neskončilo v chaosu

Management nepotřebuje velká slova o revoluci. Potřebuje řízenou exekuci. V praxi to znamená začít jedním obchodním úsekem, kde je hodně rutiny, přesně popsat, co má agent sbírat a co má připravovat, a nastavit jasné schválení člověkem.

Pak je potřeba měřit, ne dojmologii. Kolik relevantních příležitostí systém přinesl? Jak se zkrátil čas od signálu k odpovědi? Jaká je kvalita draftů po interní kontrole? A co konverze? Jakmile ta čísla dávají smysl, teprve pak má smysl škálovat do dalších částí pipeline.

Takhle se staví výkon. Ne prezentací, ale provozem.

Závěrem

Pokud AI používáte jen jako chat, berete si jen malý zlomek toho, co umí.

Největší hodnota vzniká, když AI pracuje nepřetržitě: vyhledává příležitosti, připravuje personalizovanou komunikaci a posouvá obchod každý den, i když tým zrovna řeší jiné priority.

To není hudba budoucnosti. To je realita dneška.

AI často udělá 90 % práce rychle, ale posledních 10 % dokáže sežrat celou úsporu.

Opakuje se jeden vzorec: AI často udělá 90 % práce rychle, ale posledních 10 % (kontrola, opravy a doladění) umí sežrat stejně času, jako se předtím „ušetřilo“.

Výsledek? Mnoho lidí má silný pocit, že pracují rychleji, ale při bližším měření se ukáže, že reálná produktivita se téměř nezměnila.

Studie i praktická zkušenost ukazují, že:

• firemní experimenty s generativní AI často nemají jasně měřitelné dopady,
• i zkušení programátoři mohou být s AI ve finále pomalejší, i když subjektivně cítí opak,
• AI se osvědčuje hlavně u mělké práce (rutinní, opakované úkoly),
• u složitých, kreativních či strategických úkolů je přínos výrazně menší a někdy zcela mizí.

Velký problém je, že AI sebevědomě halucinuje: vymýšlí si fakta, generuje chybné návrhy kódu nebo zavádějící argumenty. Proto musí výstupy vždy kontrolovat odborník.

Dobrá metafora: AI není seniorní kolega, ale šikovný stážista nebo asistent. Pomůže s návrhy, brainstormingem a rutinou, ale finální odpovědnost zůstává na člověku.

Jak k AI ve firmě přistupovat rozumně

1. Používejte AI jen tam, kde jste sami odborníky

Abyste dokázali poznat, kdy AI mluví nesmysly a kdy skutečně přidává hodnotu.

2. Berte AI jako generátor prvního návrhu, ne finálního řešení

Nechte ji udělat první draft kódu, e-mailu, analýzy nebo prezentace, ale finální verzi si vezměte na starost vy.

3. Automatizujte rutinu, chraňte si čas na hlubokou práci

Rutinní odpovědi, přepisování nebo sumarizace předejte AI. Složitá rozhodnutí, architektura, strategie a prioritizace by měla zůstat lidská.

4. Měřte reálné výsledky, ne jen pocit rychlosti

Sledujte čas, kvalitu, počet chyb a spokojenost zákazníků. Pocit „to jde nějak líp“ nestačí, důležitá jsou data.

Produktivita zůstává lidský úkol

AI může cestu zrychlit, ale nemůže řídit, kam jedeme.

Skutečná přidaná hodnota přichází ve chvíli, kdy člověk:

• jasně definuje cíle a priority,
• ví, kde AI nasadit a kde ji raději nepoužít,
• dokáže její výstupy kriticky zhodnotit a doladit.

Firmy, které AI berou jako chytrý nástroj, ne jako magické řešení, bývají nakonec těmi, které z ní reálně těží nejvíc.

„Nasadíme AI a půjde to dvakrát rychleji.“
Nadšení je velké, roadmapa je nakreslená, někdy už se i plánují úspory.

A pak přijde pondělí.

Lidé dál ručně dělají rutinu, protože „to přece umíme“. A na AI se pošle to nejtěžší: nejasné zadání, strategický problém, rozhodnutí s vysokým rizikem, které by i seniorní člověk řešil několik kol.

Za pár týdnů se objeví známá věta: „AI je přeceňovaná.“

Největší chyba není AI. Největší chyba je špatné pořadí práce.

Ne, není. Jen jsme špatně zamířili prioritu.

Klasická chyba: lidi si nechají rutinu, AI dostane chaos

Většina firem dnes dělá stejný obrat logiky:

• běžnou operativu nechá člověku,
• nejobtížnější témata hodí na model,
• a když výstup není použitelný, uzavře to jako slepou větev.

To je stejné, jako když stážistovi svěříte první den krizové jednání s klientem a večer napíšete report, že „není připravený na byznys“.

LLM (jazykový model, který generuje odpověď podle pravděpodobnosti a kontextu) je výborný akcelerátor. Ale jen tam, kde je jasné zadání, jasná metrika kvality a jasná odpovědnost člověka.

AI není náhrada leadershipu. AI je páka.

Princip, který funguje: 80/20

Pokud chcete reálný dopad, funguje opačné pořadí:

• 80 % rutinní práce přesuňte na AI
• 20 % nechte lidem na kreativitu, rozhodnutí a směr

Rutina je všechno, co se opakuje: první návrhy, sumarizace, přepisy, příprava podkladů, standardní odpovědi, kontrolní checklisty, předzpracování informací.

Těch 20 % je prostor, kde vzniká konkurenční hodnota: rozhodnutí o prioritě, obchodní úsudek, návrh změny v procesu, práce s rizikem, komunikace směru napříč týmem.

Lidé nemusí vše vymyslet sami. Můžou přemýšlet s AI. Rozdíl je v tom, že finální úsudek zůstává na člověku.

Proč je to nepopulární, i když to dává smysl

Protože rutina je pohodlná.

Dává pocit výkonu, rychlé odškrtávání, známé prostředí. Když rutinu vezme AI, zůstane práce, která je náročnější na myšlení a odpovědnost. Přesně ta práce, po které v debatách často voláme.

A tady vzniká tření.

Ne kvůli lenosti. Kvůli změně identity role. Najednou nestačí „splnit task“. Je potřeba definovat problém, zadat ho přesně, vyhodnotit varianty a obhájit rozhodnutí.

Právě to ale posouvá tým z režimu operativy do režimu růstu.

Dvě firmy, dvě cesty

Jedna firma šla na AI „odshora“: hned chtěla řešit složitá rozhodnutí, strategii, komplexní návrhy bez kvalitního vstupu. Prompty byly dlouhé, neurčité, plné interních zkratek. Výstupy kolísaly. Po měsíci přišel ortel: „Není to pro nás.“

Druhá firma začala opačně. Nejdřív si sepsala rutinní činnosti a každou prověřila třemi otázkami:

• opakuje se často?
• má jasný vstup a očekávaný výstup?
• lze rychle zkontrolovat kvalitu?

Teprve potom tyto činnosti převedla do AI workflow (workflow = předem definovaný sled kroků, aby byl výsledek konzistentní). Až následně zapojila AI i do těžších témat, ale jako sparing partnera pro varianty, ne jako „autopilota rozhodnutí“.

Výsledek? Nejen rychlejší operativa. Hlavně víc prostoru pro seniorní práci, která se roky odsouvala „až bude čas“.

Co z toho plyne pro management

Největší chyba není technologická. Je manažerská: špatné pořadí nasazení.

Pokud chcete dopad, řiďte přesun práce disciplinovaně:

1. Zmapujte rutinu po týmech.
2. Vyberte úkoly s vysokou opakovatelností.
3. Definujte, co je kvalitní výstup.
4. Nastavte lidskou kontrolu tam, kde je riziko.
5. Měřte čas, kvalitu, chybovost a uvolněnou kapacitu.

Tohle není „AI projekt“. To je změna provozního modelu firmy.

Jediný technický detail, který rozhoduje

Kvalita zadání.

Každý model pracuje se třemi věcmi: prompt (co přesně chcete), kontext (co model ví o situaci) a zpětná vazba (jak pozná, že je výsledek správně). Když je jeden z těchto prvků slabý, nedostanete stabilní výstup.

Proto fungují jednoduchá pravidla:

• šablony pro opakované typy zadání,
• jednotný slovník pojmů,
• knihovna dobrých příkladů,
• pravidelné vyhodnocení, kde AI opravdu šetří čas a kde jen vytváří dojem výkonu.

Závěrem

Výkon firmy neporoste tím, že AI hodíte to nejtěžší, co neumíte ani přesně popsat.

Poroste tehdy, když AI převezme rutinu a lidé se přesunou k práci, která vyžaduje úsudek, kreativitu a odpovědnost.

A přesně v tu chvíli se začne dít to nejdůležitější: realizují se věci, které jsme roky odkládali, protože operativa vždycky sežrala kapacitu.

To není trend. To je konkurenční výhoda.

Ne demo. Ne prototyp na pár dní. Ale systém, který je předvídatelný, provozovatelný a bezpečný.

Vibecoding je fajn. Umí dodat rychlost, nápady a momentum. Jenže pokud stavíte produkt, který má běžet stabilně, nestačí „něco napsat, nějak to funguje, pošleme to ven“. Produkční software potřebuje jiný rytmus.

Kde to začíná: ne v kódu, ale v porozumění

Dřív bývala klasická bolest projektů tahle: dokumentace se psala až na konci. Ve chvíli, kdy už tým ani přesně nevěděl, proč se některá rozhodnutí udělala.

Dnes to děláme opačně. Začínáme vyjasněním požadavků klienta a specifikací před implementací.

Právě tady se mi osvědčil OpenSpec na GitHubu. Je to framework pro spec-driven development, tedy přístup, kdy se nejdřív sladí „co a proč stavíme“, a až potom se kóduje. OpenSpec to drží prakticky: změna má vlastní strukturu, návrh, technický design i úkoly k implementaci. Výhoda je jednoduchá, ale zásadní: AI i lidé pracují nad stejným kontraktem, ne nad dojmem z posledního chatu.

Jak vypadá běžný den v týmu

Během dne vzniká větší množství specifikací. Ne jedna velká, ale sada menších, jasně ohraničených změn. Každá má cíl, kontext, očekávaný výsledek a podmínky kvality.

Ve chvíli, kdy je tato vrstva připravená, nastupuje implementační běh přes agenty. Typicky Codex CLI nebo Claude Code. Oba nástroje fungují dobře, když jim dáte čistý vstup a jasná pravidla.

Klíčové je, že v těchto nástrojích máme sdílené SKILLS pro celou firmu. Prakticky jde o firemní know-how převedené do explicitních instrukcí: jak stavíme frontend, jak děláme backend, jak řešíme DevOps, jak kontrolujeme security. Díky tomu nevzniká každý výstup „od nuly“, ale podle jednotného standardu.

Co se děje v noci

Když jsou specifikace připravené, dává smysl spouštět větší implementační dávky v časech, kdy je cena tokenů příznivější. V praxi to znamená noční běh.

Agent vezme specifikaci, implementuje změnu, spustí testy vůči požadovanému chování a následně pošle výstup do review fáze. Tam navazuje code-review agent, který hledá slabiny, optimalizační příležitosti a odchylky od standardu.

Ráno nepřicházíte k prázdnému editoru. Přicházíte k rozpracovanému výsledku, který prošel několika vrstvami kontroly.

Role programátora se mění, ne mizí

Tohle je důležité: vývojář není „mimo hru“. Naopak.

Programátor ráno ověřuje, jestli je implementace přesně taková, jak ji zamýšlel. Velmi často se ukáže, že něco nedomyslel v zadání. To není chyba systému. To je přirozená součást iterace.

V tu chvíli upraví specifikaci, doplní nový požadavek, zpřesní chování a připraví další běh. Kritické části mezitím řeší aktivně s AI v párovém režimu, protože tam dává smysl lidský úsudek v reálném čase.

Tím vzniká rytmus, který je překvapivě stabilní: specifikace, implementace, test, review, zpřesnění, další běh.

Proč tenhle model funguje lépe než „jdu řešit nejtěžší věc“

V klasickém režimu se zkušený člověk pustí do složitého problému, stráví na něm víc času, než čekal, a mezitím se běžné úkoly odsouvají. Projekt se zpomaluje ne proto, že by lidi byli slabí, ale protože kapacita je konečná.

V tomhle systému se rutinní a středně složité úkoly průběžně implementují přes AI. Tím nezmizí z backlogu a netvoří zácpu. Lidé mají volné ruce na rozhodnutí, architekturu, rizikové části a produktové priority.

Výsledek bývá kvalitnější než dřív. Ne proto, že AI „píše lepší kód než člověk“, ale protože tým konečně stíhá i věci, na které dřív nikdy nezbyl čas.

Závěr

Seriózní vývoj software v roce 2026 není o tom, jestli používat AI, nebo nepoužívat AI. Je o tom, jak ji zapojit do řízeného procesu.

Pokud chcete produkční software, potřebujete specifikace, sdílené standardy, testy, review a iteraci. AI ten proces dramaticky zrychlí, ale jen když má pevné mantinely.

Vibecoding je dobrý na rozjezd. Produkce potřebuje systém. A ten dnes umíme postavit.