Současná generace AI už proniká přímo do procesů napříč firmami – od administrativy přes marketing a HR až po provoz a podporu. Podle evropských analýz hodlá většina podniků v nejbližších letech nasadit nástroje založené na AI, ale řada týmů si stále není jistá, kde začít, co je bezpečné a jak měřit přínos. Výsledek? Rozdíl mezi firmami, které AI využívají systematicky, a těmi, které ji jen „zkouší“, se rychle prohlubuje.
AI v praxi: od rutiny po tvorbu obsahu
AI zvládá víc než generování textu – a umí to dělat opakovaně, škálovatelně a měřitelně.
- Administrativa & provoz: sumarizace dokumentů, přepisy schůzek, hledání klíčových informací, návrhy odpovědí.
- Marketing & obchod: generování či posteditace textů a vizuálů, lokální mutace kampaní, rychlá tvorba krátkých videí, analýza dotazů zákazníků.
- HR: návrhy inzerátů, pomoc s předvýběrem (bez automatizovaného rozhodování), návrh vzdělávacích plánů.
- Vzdělávání & L&D: personalizované úkoly, interaktivní materiály, „coach“ pro prezentace nebo různí asistenti.
Schopnost pracovat s AI se tak stává novou základní digitální kompetencí – podobně jako kdysi práce s počítačem a internetem.
Proč nestačí „zkusit si to doma“
Jednorázový pokus („zadám dotaz do chatbota“) nestačí. Pro firemní využití je potřeba rámec:
- Jak zadávat úkoly: prompty, kontext, omezení, testovací vzorky.
- Jak validovat výstupy: práce s chybami/„halucinacemi“, verifikace zdrojů.
- Jak chránit data: osobní údaje (PII), smluvní a obchodní tajemství, nastavení retention.
- Kdo za co zodpovídá: RACI – vlastník obsahu, reviewer, bezpečnost, IT.
Bez tohoto rámce se AI rychle změní ve spouštěč rizik a reworku místo nástroje s jasně měřitelným přínosem.
Co znamená „AI gramotnost“ pro firmu
Stejně jako u jazykové strategie je efektivnější budovat AI kompetence podle rolí než spoléhat na jednorázové „AI školení“.
- Koncoví uživatelé:
Fokus na produktivitu – prompty, šablony, základní interní pravidla, kdy AI použít, a kdy ne. - Power users / ambasadoři:
Tvorba knihovny promptů či rovnou agentů, vzorů a miniworkflow; pomoc kolegům a sběr feedbacku z praxe. - Manažeři:
Výběr use casů, definice metrik, řízení rizik, komunikace změny a priorit. - Právo/Compliance/Bezpečnost:
Politika dat, souhlasy, audit, zásady používání modelů a konkrétních služeb.
K tomu je vhodné doplnit katalog use casů (co je povoleno / co zakázáno) a styleguide – například jak citovat a označovat raw výstupy z AI.
Governance, bezpečnost, compliance (stručně, ale důležité)
- Data & soukromí:
Jasně definovat, jaká data do AI smí/nesmí; anonymizace a filtrování PII; nastavení data residency. - Model policy:
Kdy lze použít veřejné služby, kdy vyžadovat enterprise variantu; netrénovat na firemních datech, pokud to není smluvně ošetřeno. - Audit & dohledatelnost:
Logy dotazů a exportů, uchování promptů a verzí výstupů, pravidla mazání (retention). - Bezpečnostní minima:
SSO, RBAC, práva k datům a výstupům; zákaz „copy–paste“ citlivých informací do neschválených nástrojů. - Transparentnost:
Jasné hranice, kdy je AI vhodné, a kdy ne, a povědomí o tom, kdy je AI v procesu použita.
Jak měřit přínos (a udržet očekávání realistická)
- Produktivita:
U vybraných agend zkrácení času o X %, snížení reworku o Y %. - Kvalita:
Chybovost před/po, počet nutných oprav; škála pro „factual errors“. - Adopce:
Podíl týmů, které AI používají podle metodiky; počet validovaných šablon a workflow. - Rizika:
Počet incidentů (úniky, chybné výstupy ve veřejných materiálech), jejich závažnost a čas do nápravy.
Doporučení: začněte s 3–5 use casy s jasnou metrikou a „definition of done“, podobně jako u jiných změnových projektů. Ani po úspěšném pilotu se však nikdy nespoléhejte pouze na výstup z AI – lidská kontrola má v procesu pevné místo vždy, a obzvlášť důsledná musí být tam, kde chyba skutečně bolí (právo, PR, finance).
AI školení pro firmy, které chtějí výsledky (ne jen demo)
Smysl má praktický program na reálných datech a procesech:
- Discovery (1–2 týdny):
Audit příležitostí, seznam „rychlých vítězství“, riziková místa, existující nástroje. - Pilot (4–6 týdnů):
Šablony promptů, validační kritéria, knihovna příkladů; provozní pravidla pro vybrané use casy. - Scale-up:
Ambasadoři v týmech, katalog use casů, pravidelná revize metrik a bezpečnosti, zařazení do běžného řízení.
Obsah školení je role-based (uživatel/ambasador/manažer/compliance) a typicky zahrnuje:
- práci s prompty a základními „chain-of-thought“ postupy bez vyzrazování citlivých dat,
- kontrolní seznam pro validaci výstupů,
- zásady bezpečného sdílení a ukládání,
- miniworkflows v běžných nástrojích (Office/Docs, CRM, helpdesk, LMS).
Typické omyly (a jak se jim vyhnout)
- „AI to napíše za nás.“
Nenapíše bez podkladů; dodejte cíle, publikum, zdroje, terminologii. - „Stačí jeden nástroj pro všechno.“
Nestačí; každá doména má jiné požadavky (kreativa vs. compliance, provoz vs. vývoj). - „Když to fungovalo doma, bude to fungovat i ve firmě.“
Firemní prostředí = bezpečnost, audit, práva k datům, integrace s existujícími systémy. - „Rychleji = lépe.“
Bez validace jen rychleji děláte chyby. Nastavte quality gates. - „Rozumí to všemu.“
Odborník s AI dokáže mnohem více než laik. Ideální je, když AI používají experti v oboru (marketing, finance, právo, překlady) – a nástroj jim jen umožňuje rozšířit kapacitu.
Malý test: rozumíme AI aspoň v základu?
- Co je „velký jazykový model“ (LLM)?
a) Statistický model, který předpovídá další token z velkého korpusu dat.
b) Algoritmus, který funguje bez dat.
c) Hardware pro rychlejší výpočty.
Správně: a) - Co je dnes zásadní výzva LLM?
a) „Halucinace“ – přesvědčivé, ale chybné odpovědi.
b) Neschopnost generovat víc než větu.
c) Nedostatek výkonu v cloudu.
Správně: a) - Co je „prompt engineering“?
a) Návrh mostů pomocí AI.
b) Umění formulovat zadání tak, aby výstup odpovídal očekávání.
c) Zkušební provoz modelu.
Správně: b)
Závěr
AI gramotnost se stává novou klíčovou digitální kompetencí. Firmy, které ji uchopí systémově – s jasnými pravidly, bezpečností a měřením, získají rychlejší procesy, méně reworku a lepší dostupnost znalostí. AI ale rozhodně není řešení pro každý problém – dobře nastavené testy někdy ukážou, že stávající „ne-AI“ workflow je pro daný úkol efektivnější. I to je cenný výsledek: pomáhá soustředit energii tam, kde AI skutečně přináší hodnotu.
Experimentovat může každý; konkurenční výhodu ale přináší až governance, role-based trénink a malé, dobře řízené piloty s jasnými metrikami, které se dají škálovat. V takovém prostředí přestává být AI „hezkým experimentem“ a stává se provozní nutností.
Mgr. Patrik Bulak, Skřivánek s. r. o.
Autor působí v jazykových službách 12 let. Ve Skřivánku zodpovídá za technologické a obchodní inovace a vede projektové týmy.
