Josef Večerník: Prototyp s AI dnes zvládne každý, produkce vyžaduje znalost IT architektury
„S AI dnes prototyp postaví skoro každý. Produkční systém ale pořád vyžaduje architekturu, systémový design a někoho, kdo za ten systém nese odpovědnost,“ upozorňuje Josef Večerník z Make.com.
Generativní umělá inteligence mění způsob, jakým firmy navrhují software, pracují s daty a rozhodují o automatizaci. Pro IT architekty to znamená nové nástroje, ale také novou odpovědnost: rozlišit, kde AI skutečně pomůže, kde je riziková a jak ji zasadit do systému, který obstojí i mimo demo.
O roli AI architekta, agentních systémech, bezpečnosti a reálných limitech současných technologií jsme mluvili s Josefem Večerníkem, Head of Engineering – AI & Integrations ve společnosti Make.com.
Josefe, jak se podle vás změnila role IT architekta s masivním nástupem generativní umělé inteligence?
Role architekta se zrychlila a rozšířila. AI dnes umí velmi rychle pomoci s rešerší, návrhem variant, dokumentací, diagramy nebo přípravou ADR. To ale neznamená, že přebírá odpovědnost za rozhodnutí. Architekt musí stále rozumět kontextu firmy, trade-offům, rizikům, bezpečnosti, provozu a dopadům na uživatele.
Pohyboval jste se ve velkém finančním korporátu i menších firmách. Jak tyto dva světy přistupují k zavádění nových technologií?
Diametrálně odlišně z hlediska rychlosti. Korporáty mají procesy, kontrolní mechanismy, mnoho kol v soukolí. To je dobré z hlediska regulací a kompliance, ale zásadně to zpomaluje vývoj.
Menší firmy bývají rychlejší. Dokážou během týdne otestovat věc, která by v korporátu procházela několik měsíců schvalováním.
Když se firma rozhodne postavit svůj první ucelený AI systém, jaký by měl být ten absolutně první krok, než se začne cokoliv programovat?
Podobný jako u ostatních IT řešení. Mělo by se začít přesným vymezením problému a rozhodnutím, proč má být součástí řešení AI. Spousta AI projektů by neměla začít otázkou jaký model použít, ale spíše jaké rozhodnutí, proces nebo uživatelský problém by měl daný systém vyřešit.
Hned potom by se měly popsat vstupy, výstupy, data, rizika a hranice autonomie. Co systém smí pouze navrhnout? Co smí vykonat sám? Kdy musí zastavit a požádat člověka? Teprve když jsou tyto věci jasné, dává smysl řešit technologii, framework nebo konkrétní model.
Na čem nejčastěji ztroskotá snaha integrovat umělou inteligenci do zaběhlých firemních procesů a aplikací?
Nejčastěji to ztroskotá na střetu očekávání s realitou. Z novinových titulků nebo tweetů Sama Altmana může vzniknout dojem, že AI je téměř univerzálně chytrá a spolehlivá. V praxi je to ale pořád stochastický systém, který pracuje s pravděpodobností, kontextem a neúplnými informacemi.
To ale neznamená, že je nepoužitelná. Akorát ji nejde do firemního procesu zasadit stejně jako deterministickou službu. Musí se počítat s chybami, nespolehlivostí, variabilitou výstupů, validací, fallbacky a lidským dohledem u rizikových rozhodnutí.
Jak často narážíte na propast mezi tím, co si od nasazení umělé inteligence slibuje management, a tím, co jde reálně a bezpečně postavit?
V Make mám asi štěstí na management, ve většině případů jsem se setkal s realistickými očekáváními. Pokud by mne ale někdo postavil před nerealistická očekávání, tak jeden z úkolů správného architekta je překlenout tu propast očekávání skrz návrhy a alternativy.
Je vůbec možné smysluplně navrhovat dlouhodobá řešení, když se modely a možnosti v této oblasti mění prakticky každý měsíc?
Ano, ale dlouhodobost nesmí stát na konkrétním modelu. Stabilní části návrhu jsou harness, data, kontrakty, integrační rozhraní, bezpečnostní model, evaluace, observabilita a další.
Z čeho by měla firma primárně vycházet při rozhodování, jestli pro svůj projekt využije externí řešení poskytovatele, nebo si raději postaví vlastní modely?
V naprosté většině případů se dnes firmě nevyplatí stavět vlastní modely ani začínat fine-tuningem.
Nové modely vycházejí skoro každý měsíc, jejich schopnosti se rychle posouvají a to, co dnes složitě dotrénujete, může být za pár týdnů překonané běžně dostupným modelem přes API a precizním harnessem.
Technologie jdou rychle dopředu a hodně se dnes mluví o autonomních agentech. Jaký vývoj v oboru nás čeká a co je podle vás zatím spíše utopie?
Za utopii zatím považuji představu univerzálního autonomního agenta, kterému firma svěří širokou odpovědnost bez dohledu. Problém není jen inteligence modelu. Problém je odpovědnost, bezpečnost, nejednoznačnost cílů, kvalita dat a schopnost rekonstruovat, proč systém něco udělal.
Autonomie bude růst, ale v produkčním prostředí poroste postupně a s jasnými hranicemi.
Jakou nejdůležitější myšlenku byste chtěl předat studentům na kurzu?
Chtěl bych, aby si studenti odnesli, že role architekta v době AI nezaniká, ale mění se. AI jim může výrazně zrychlit práci, ale nenahradí úsudek, odpovědnost a schopnost zasadit rozhodnutí do kontextu firmy.
Budoucnost je v tom, že si architekt z AI udělá systematický pracovní nástroj. To znamená mít vlastní kontext, znalostní bázi, pravidla, skilly, postupy pro rešerše a další. Mohli bychom to nazvat i framework.
Josefe, díky za realistický pohled na to, co skutečně obnáší stavba systémů, které mají v byznysu dlouhodobě obstát.
Zaujal tě rozhovor s Josefem Večerníkem? Zveme tě do jeho kurzu AI architektura v praxi. Tam se od pouhého experimentování s API posuneš k navrhování robustních systémů, které se nerozpadnou při prvním střetu s realitou.
Během interaktivních živých lekcí se naučíš, jak ovládnout moderní IT architekturu v éře generativního AI. Pod Josefovým vedením si osvojíš moderní workflow s nástroji jako Cursor nebo Claude Code, naučíš se stavět RAG subsystémy, multi-agentní topologie i řešit palčivé otázky nákladové optimalizace a bezpečnosti.
Cílem kurzu není postavit další demo, ale získat pevný metodický rámec (včetně sady vlastních ADR), díky kterému dokážeš AI implementovat bezpečně, škálovatelně a s jasnou kontrolou nad halucinacemi i rozpočtem.
Připoj se k seniorním vývojářům a architektům, kteří nechtějí AI jen sledovat, ale chtějí ji začít skutečně využívat a řídit.
