Filip Slánička: Jak propojit AI se skutečnými potřebami firem
„Zavedení AI není IT projekt, je to byznysová transformace,“ vysvětluje Filip Slánička.
Mít v týmu nejmodernější AI modely je dnes snadné, ale postavit nad nimi řešení, které skutečně hýbe byznysovými ukazateli, je disciplína sama o sobě. Filip Slánička, který své zkušenosti sbíral v technologických gigantech jako Teradata, IBM nebo Oracle dnes působí v Microsoftu a přesně tohle umí. Jako Senior Solutions Engineer pomáhá enterprise zákazníkům integrovat generativní AI tak, aby dávala smysl nejen programátorům, ale hlavně vedení firem.
V našem rozhovoru Filip rozebírá, proč firmy často narážejí na „datový paradox“, jakou roli v moderní architektuře hraje RAG a jak efektivně propojit technologický svět s reálnými potřebami podniku.
Filipe, pracoval jste pro významné technologické společnosti. Teradata, IBM, Oracle a nyní Microsoft. Jak se za tu dobu proměnilo vnímání „dat“ ve velkých firmách?
Za tu dobu se podle mě data posunula z čistě technické roviny do roviny strategické, a to zejména pro byznys. Dříve firmy řešily hlavně to, kde data jsou, jak je integrovat a jak z nich udělat spolehlivý reporting; dnes je důležitější, jak rychle na základě nich dojde k rozhodnutí nebo za jak dlouho se přetaví do konkrétní obchodní hodnoty.
V dobách, kdy jsem pracoval pro IBM nebo Teradatu, byl kladen důraz hlavně na robustní datové platformy, kvalitu, governance a „jednu verzi pravdy“. Postupně se ale pozornost přesunula od popisu minulosti k predikci toho, „co bude“, doporučením a podpoře operativního rozhodování.
Velký zlom pak přinesl cloud, protože zrychlil deployment, experimentování i škálování datových řešení. V posledních letech se data stala fundamentálním základem pro AI, automatizaci a personalizaci. Zkrátka aby firma dokázala vhled do těchto dat co nejdříve a nejlépe monetizovat.
Proč je schopnost efektivně těžit z nestrukturovaných dat (textů, smluv, komunikace) pro firmy důležitá?
Nestrukturovaná data – e-maily, smlouvy, záznamy ze zákaznické podpory nebo PDF dokumenty – tvoří většinu dat, která ve firmách vznikají. Z byznysového pohledu je schopnost je těžit naprosto zásadní, protože zatímco strukturovaná data (čísla v tabulkách) vám řeknou, co se stalo, nestrukturovaná data vám odpoví na otázku, proč se to stalo (velmi zjednodušeně).
Z mé zkušenosti firmy dlouho uměly řešit jen tu první část. Viděly, že jim klesají prodeje nebo odcházejí zákazníci, ale aby zjistily proč, musel si někdo sednout a pročítat stížnosti, e-maily nebo poslouchat nahrávky z call centra. Dnes, díky AI a pokročilé analytice, to dokážeme zautomatizovat a vytěžit z textů kontext, sentiment a skryté vzorce v obrovském měřítku.
Co v dnešním kontextu cloudu a AI vlastně znamená, že je technologie „enterprise-ready“? Jaké parametry musí splňovat?
Za mě dnes „enterprise-ready“ znamená, že technologie není jen inovativní, ale že ji lze bez obav nasadit ve velké firmě v rozumném měřítku, s kontrolou rizik a s jasným businessovým přínosem. V kontextu cloudu a AI jsou klíčové hlavně tři věci: bezpečnost a governance, integrace a připravenost dat pro AI a nakonec dostatečná škála s kontrolou nákladů.
1. Bezpečnost a governance. Technologie dnes musí umět velmi přesně řídit, kdo se dostane k jakým datům, a to nejen pro uživatele, ale i pro AI modely a asistenty napojené na firemní obsah. Zároveň musí být auditovatelná, aby firma věděla, kdo s daty pracoval, jak byla použita a jestli nedošlo k úniku citlivých informací.
2. Integrace a AI-readiness. Technologie nesmí fungovat jako izolovaný nástroj, ale musí se přirozeně napojit na zbytek podnikového prostředí přes API, datové toky a standardní architekturu. Stejně důležité je, aby data byla kvalitní, popsaná a použitelná pro AI, protože bez toho se i dobrý koncept v praxi rychle zastaví na nekonzistenci a manuálním čištění dat.
3. Škálování a ekonomika provozu. V cloudu je sice snadné rychle růst, ale stejně snadné je i rychle ztratit kontrolu nad náklady. Enterprise-ready řešení proto musí umět výkon škálovat podle potřeby, ale zároveň dát firmě přehled, limity, kolik daná služba skutečně stojí.
Koncept RAG se stal de facto standardem pro firemní AI. Považujete ho za dočasné řešení současných limitů modelů, nebo za trvalý architektonický prvek, který s námi zůstane?
RAG vnímám jednoznačně jako trvalý architektonický prvek, nikoliv jen jako dočasnou záplatu na současné nedokonalosti AI modelů. Často se říká, že jakmile budou mít modely nekonečné kontextové okno a nulové halucinace, RAG přestane být potřeba. Z byznysového a enterprise pohledu to ale nedává smysl.
Vždy potřebujeme nějaký grounding. V případě AI asistentů řešíme grounding samotného modelu a týká se to všech volání. V případě agentského přístupu přidáváme grounding ke každému agentovi, aby teprve poté model zavolali, nicméně grounding jako takový bude vždy potřeba. Z tohoto pohledu je RAG zásadní, byť se tomu konceptu v agentském přístupu říká jinak.
V enterprise architektuře platí jedna zásada: data a logika (v tomto případě AI model) musí být oddělené. Model samotný je komodita, kterou můžete zítra vyměnit za lepší verzi od OpenAI, Anthropicu nebo Microsoftu. Skutečná hodnota a chráněné duševní vlastnictví firmy leží v jejích datech.
I kdyby měly budoucí modely nekonečnou paměť a nikdy nehalucinovaly, firmy budou RAG dál potřebovat kvůli třem věcem. Zaprvé, řízení přístupů – AI nesmí znát všechna data, ale musí odpovídat jen na základě toho, na co má daný uživatel právo. Zadruhé, auditovatelnost – byznys musí vědět, ze kterého konkrétního dokumentu AI čerpala. A zatřetí, aktuálnost – díky RAGu může AI pracovat s daty z vteřiny na vteřinu, aniž by firma musela model nákladně přetrénovávat. RAG je prostě vrstva, která z AI dělá kontrolovatelný firemní nástroj.
Souhlasíte s tím, že bez kvalitních dat není dobrý výstup? V jakém stavu je podle vaší zkušenosti datová připravenost v českém enterprise prostředí?
Pravidlo „garbage in, garbage out“ platí s nástupem AI víc než kdy dřív. Pokud má AI agent rozhodovat v reálném čase, kvalita a důvěryhodnost dat je absolutní nutnost, protože chyba už nezůstane schovaná někde v reportu.
Z mé zkušenosti je stav v českém enterprise prostředí poměrně rozpolcený. Máme tu sice menší procento firem, které jsou datově nadprůměrně zdatné, ale většina enterprise zákazníků trpí takovým, jak bych to řekl, datovým paradoxem. Firmy data masivně sbírají, ale nestíhají je zpracovat. Nadpoloviční většina velkých firem řeší problém, že sice mají plná úložiště, ale byznys neví, kde data hledat, a hlavně jim nedůvěřuje.
Samostatnou kapitolou velkých firem nebo státní správy je zastaralá IT infrastruktura. Stav je tedy takový, že se všichni snaží nasazovat AI, ale často tvrdě narážejí na to, že si předtím neuklidili – tedy v kvalitě, čistotě dat a v governance.
Jak se dnes v korporátním prostředí řeší dilema mezi využíváním hotových služeb (SaaS) a stavbou vlastních AI řešení nad open-source modely? Kde vidíte hranici, kdy se vyplatí vlastní řešení?
Já dnes nejsem zastáncem toho, aby velké firmy standardně stavěly vlastní AI infrastrukturu, nicméně chápu, že na tom se s mnohými nemusíme shodnout. V situaci, kde se modely, nástroje i licenční rámce velmi rychle mění a vyvíjejí, je to podle mě spíš extrémní varianta pro několik málo specifických scénářů než obecně správná strategie.
Ve většině případů dává větší smysl využívat certifikované zavedené služby od velkých technologických hráčů. Pro enterprise prostředí je důležité, že kolem těchto služeb obvykle existuje silnější příběh v oblasti security, compliance, smluvních garancí a provozu ve velkém měřítku.
Open-source modely mají určitě své místo, ale firma si u nich musí velmi pečlivě ověřit, co model skutečně obsahuje, na jakých datech vznikl, jaké má licenční podmínky a jaká rizika z toho plynou pro bezpečnost a regulatoriku. Právě to je podle mě důvod, proč bych v korporátním prostředí spíš preferoval modely od velkých poskytovatelů, kteří dávají alespoň určitou míru záruky a odpovědnosti.
Další zásadní nevýhodou vlastního přístupu v dnešní době je provozní „personální“ aspekt. Jakmile si firma chce provozovat vlastní AI stack, nepotřebuje jen model, ale i velmi silné lidi na infrastrukturu, MLOps, bezpečnost, governance a dlouhodobý provoz, a těch je na trhu málo.
Hranici, kdy vlastní řešení dává smysl, bych proto posunul opravdu vysoko. Za mě je to hlavně případ organizací s mimořádně citlivými daty, velmi specifickou regulací nebo tam, kde AI přímo tvoří unikátní součást core produktu a firma má zároveň kapacitu takové řešení dlouhodobě udržet.
Naopak ale při využívání řešení velkých hráčů je důležité hned od začátku řešit témata jako FinOps, budgeting a prostě obecně kontrolovat aktuální a predikované náklady na dané řešení.
Spousta firem se posouvá od chatbotů k autonomním agentům. Jaké nároky tento přechod klade na stávající IT infrastrukturu a orchestraci procesů?
Přechod od chatbotů k autonomním agentům není jen otázka „silnější AI“, ale hlavně změna v podnikové architektuře. Chatbot radí, zatímco agent vykonává akce v podnikových systémech, a tím pádem klade mnohem vyšší nároky na integrace, bezpečnost, audit a řízení procesů.
Pro enterprise zákazníka je dnes proto velmi důležité téma standardizace AI agent platformy. Firmy nechtějí stavět každý use case od nuly, ale mít jednotnou platformu, na které lze nové agenty nasazovat rychleji, přičemž bezpečnost, identity, governance, monitoring a napojení na klíčové systémy jsou už vyřešené centrálně. Všímám si, že toto téma dost rezonuje – každý chce mít svobodu, ale zároveň nechce vybírat u každého nového agenta.
To je podle mě zásadní posun: nebuduje se jen jeden agent, ale schopnost firmy provozovat agenty opakovatelně a ve velkém. Právě standardizovaná platforma umožní, aby se agentní scénáře neřešily jako izolované experimenty, ale jako řízená enterprise služba.
Musí nabídnout i určitou míru svobody v tom, jaký model se pro konkrétního agenta použije, protože modelová vrstva je dnes velmi dynamická a v různých scénářích může dávat smysl jiný kompromis mezi cenou, výkonem, latencí, jazykovou kvalitou nebo compliance požadavky.
Jinými slovy, enterprise dnes hledá kombinaci dvou věcí: standardizovaného provozního rámce a rozumné flexibility.
Jakými metrikami se dá měřit úspěch AI projektů a jejich návratnost?
Měření návratnosti investic u AI projektů je v současnosti pro vedení firem poměrně oříšek. Dříve se úspěšnost IT projektu měřila hlavně tím, zda byl dodán včas a v rámci rozpočtu. U AI je to ale složitější – AI není jednorázový produkt, ale spíše schopnost, která se vyvíjí v čase.
Z byznysového pohledu se v praxi ukazuje, že je nezbytné kombinovat tvrdé a měkké metriky a nesledovat jen okamžitý finanční efekt, jinak dojdete k závěru, že se AI nevyplatí. Podle mé zkušenosti se firmy zaměřují na tyto klíčové oblasti:
1. Tvrdé byznysové metriky (zvýšení efektivity, snížení nákladů, …): Tady měříme jasná čísla. Může jít o zkrácení doby zpracování rutinních úkolů (např. o 30 % rychlejší vyřízení žádostí), ušetřené hodiny zaměstnanců, snížení počtu chyb nebo přímé finanční úspory (např. zabránění výpadkům výroby díky prediktivní údržbě). V některých odvětvích dokáže AI přímo zvýšit tržby nebo kapacitu výroby.
2. Měkké metriky (zákaznická a zaměstnanecká spokojenost): Tyto přínosy se těžko vyjadřují v penězích, ale mají zásadní dlouhodobý dopad. Patří sem vyšší spokojenost zákazníků díky rychlejší a personalizované podpoře, lepší loajalita nebo to, že se zaměstnanci mohou místo rutiny soustředit na práci s vyšší přidanou hodnotou, což posiluje firemní kulturu a inovace.
Mohli bychom řešit příklady, proč je AI v některých nepříjemných situacích příjemnější na vyřízení záležitosti nebo proč ušetření času při vyřízení žádosti neznamená, že se bude propouštět, ale to už si řekneme v kurzu.
Podle čeho poznat nápad na implementaci AI, který má skutečně strategický dopad?
Firmy si často pletou zvýšení osobní produktivity (např. psaní e-mailů pomocí AI) se strategickou implementací AI. Nechci podceňovat zmíněné nasazení AI, je to velice důležité, ale pokud hovoříme o strategické transformaci, jedná se obvykle o oblasti, které mají následující charakteristiky.
Zaprvé, řeší klíčový problém v core byznysu – neusnadňuje jen nějaký podpůrný proces, ale zasahuje tam, kde firma generuje hlavní hodnotu (např. zrychlení odbavení zákazníka nebo radikální snížení chybovosti ve výrobě). Zadruhé, musí stát na unikátních datech firmy.
Pokud AI stavíte na vlastních zákaznických datech a know-how, vytváříte konkurenční výhodu a přidanou hodnotu, kterou nikdo jiný nezkopíruje. A zatřetí, strategický nápad nemění jen rychlost, ale mění celý provozní model, protože umožňuje škálovat byznys bez nutnosti nabírat nové lidi.
Kdo by měl být v ideálním případě ownerem AI transformace ve firmě? Je to role pro CTO, CDO, nebo byznys oddělení?
Zavedení AI není IT projekt, je to byznysová transformace. Pokud dáte AI plně do rukou technologům (CTO, CIO), často skončíte se skvělým nástrojem, který nikdo nepoužívá, protože neřeší skutečné problémy nebo o tom interní cílový zákazník není přesvědčen.
Ideálním ownerem AI transformace je samotný byznys – ať už konkrétní ředitelé oddělení, nebo v modernějších strukturách Chief Digital Officer (CDO) nebo dokonce nově vznikající role Chief AI Officer. Byznys musí určit, kde leží skutečná hodnota, definovat use-casy a především řídit adopci mezi zaměstnanci.
Role CTO nebo CIO je v tomto procesu podpůrná, ale zároveň kritická. Jejich úkolem je připravit firemní data, zajistit bezpečnost infrastruktury, nastavit governance a zprostředkovat technologický provoz tak, aby byznysové vize nedopadly průšvihem.
Zjednodušeně: byznys musí celou změnu řídit, IT ji má bezpečně provozovat.
Jak se v příštích letech promění role juniorních specialistů? Pokud AI převezme rutinní operativu, jakým způsobem budeme v budoucnu budovat senioritu u nové generace expertů?
Sám nevím, jak se to vyvine, a upřímně řečeno, možná to prostě zas takový problém nebude. Už v minulosti na školách byli ti, co vyčnívali, a ti ostatní. No uvidíme.
Pokud to ale půjde podle špatného scénáře, bude to obrovský strukturální problém. AI dnes spolehlivě nahrazuje rutinní úkoly, které historicky sloužily jako vstupní brána do oboru. Firmy se radují, že ušetří na juniorech, ale dochází jim, že bez juniorů nebudou za pár let žádní senioři.
Budování seniority se proto musí od základu změnit. Zaprvé, senioři už nevzniknou tím, že „vysedí“ roky na rutinní práci. Junioři dnes musí od začátku fungovat spíše jako manažeři nástrojů umělé inteligence – musí umět definovat problém, úkol stroji správně zadat a následně kriticky vyhodnotit výsledek.
Zadruhé se posouvá těžiště dovedností – od čisté produkce k systémovému uvažování a architektuře. A zatřetí se mění model učení. Mentorem pro rutinní chyby se stává AI asistent, zatímco živý senior učí juniora výhradně strategickému myšlení a chápání byznysových souvislostí.
Firmy tak musí do výchovy mladých talentů cíleně investovat, jinak přijdou o budoucí sílu.
Do jaké míry je podle vás reálné, že byznys uživatelé začnou díky AI a vibe codingu přebírat část kompetencí, které dříve patřily výhradně IT oddělení?
Díky trendu zvanému „vibe coding“ se programování posouvá od znalosti kódu ke znalosti jazyka. Uživatel z byznysu dnes může jen popsat, co chce, a AI mu napíše aplikaci nebo skript. Znamená to konec IT? Rozhodně ne.
Co byznys převezme, je schopnost rychlého prototypování. Produktový manažer už nebude muset čekat na IT oddělení, aby mu postavilo jednoduchý interní nástroj, kalkulačku nebo první verzi aplikace – jednoduše si ji pomocí AI vytvoří sám.
Jakmile ale takový nástroj potřebujete škálovat, zabezpečit, napojit na interní databáze nebo udržet při životě po další tři roky, vibe coding naráží na své limity, protože byznys uživatel nerozumí vygenerovanému kódu, a když se něco rozbije, neumí to opravit.
IT oddělení se tedy nezmenší, jen se jeho role přesune od „výroby všeho od nuly“ směrem k zabezpečení, architektuře a přeměně byznysových prototypů na spolehlivý enterprise software.
Kdybyste měl vybrat jednu klíčovou dovednost, kterou si studenti odnesou z vašeho kurzu do své každodenní práce, co by to bylo?
Myslím, že tou jednou absolutně klíčovou dovedností je schopnost identifikovat, objektivně vyčíslit a komplexně navrhnout smysluplný AI projekt (use case), který řeší reálný byznysový problém a nejedná se jen o technologickou hračku.
Kurz je totiž primárně postaven na propojení technické architektury se skutečnými potřebami byznysu v prostředí velkých organizací.
