AI nástroje, které skutečně používám v poradenské praxi
Na každé konferenci o digitální transformaci teď zazní AI nejméně padesátkrát. Většina prezentací se ale točí kolem toho, co AI umí, ne kde se to dá v praxi použít. Tady je moje zkušenost s nástroji, které mi reálně šetří čas, a s těmi, kde jsem čekal víc.
AI nástroje zkoumám od začátku jejich rozšířeného nasazení, tedy od uvedení ChatGPT a předtím od experimentů s GPT-J a podobnými modely. Poslední dva roky jsou ale tyto nástroje použitelné v produkčním nasazení v poradenské praxi. Předtím to byly hračky se zajímavým potenciálem, dnes je to běžný pracovní nástroj.
Důležitá poznámka hned na začátku: tvrzení v tomto článku jsou platná pro den, kdy byl napsán. Vývoj AI je tak rychlý, že druhý den může být vše jinak. Konkrétní nástroje, modely a dokonce i přístupy se mohou v krátkém horizontu výrazně posunout. Berte text proto jako snímek, ne jako pevný bod.
Co reálně používám
Velkou část mé práce tvoří dokumenty — nabídky, smlouvy, auditní zprávy, funkční specifikace. K tomu příprava workshopů, psaní reportů a komunikace s klienty. AI mi pomáhá ve všech těchto oblastech, ale s konkrétní volbou nástroje záleží na typu úkolu a citlivosti dat.
Modely, které mi tvoří denní páteř
Anthropic Claude je moje hlavní volba pro náročnější analytickou práci. Společnost vystupuje zodpovědně a morálně, modely se drží zadání a služba má slušné smluvní garance ohledně dat. Pro většinu mých úkolů, od strukturovaného shrnutí dlouhých dokumentů po návrhy revizí textů, je to nástroj, který používám denně.
Mistral, zejména přes API, je můj druhý častý nástroj. Evropský původ a podobně důvěryhodný profil v oblasti zacházení s daty z něj dělají dobrou volbu pro citlivější situace, kde chci zůstat v evropském regulatorním rámci.
Příprava a analýza dokumentů
Před setkáním s novým klientem dostanu typicky 40–80 stránek podkladů — smlouvy s dodavateli, existující IT strategie, výroční zprávy. Dříve jsem trávil večer jejich čtením. Dnes udělám první průchod s pomocí AI a nechám si vytvořit strukturovaný přehled klíčových bodů a otázek. Setkání pak začíná na jiné úrovni.
Kde to funguje: Claude pro delší a složitější dokumenty, Mistral pro citlivější texty.
Kde to nefunguje: Přesné číslování paragrafů, závěry ze špatně strukturovaných skenů, srovnání více verzí téhož dokumentu.
Psaní a úprava textů
Reporty, doporučení, executive summary — tohle je každodenní výstup mé práce. AI mi pomáhá v několika konkrétních situacích:
- Restrukturalizace — mám napsáno 2 000 slov v nelogickém pořadí, AI mi navrhne lepší strukturu
- Překlady a lokalizace — pracovní překlad anglického reportu do češtiny (a opačně), který pak finálně zkontroluji
- Formátování — přepis neformálních poznámek ze schůzky do strukturovaného dokumentu
Kde to nefunguje: Neposílám AI citlivé klientské informace bez odsouhlaseného zpracování dat. Výstupy vždy kontroluji — AI občas doplní věcně chybný závěr, který na první pohled působí přesvědčivě.
Příprava schůzek a facilitace
Před workshopem s klientem potřebuji připravit relevantní otázky, scénáře, ilustrativní příklady. AI mi pomáhá generovat podněty — ne jako finální výstup, ale jako startovní bod pro vlastní přípravu.
Po schůzce: přepis záznamu do strukturovaných zápisů. Tady jsem čekal víc, ale výsledek je použitelný, pokud záznam má dobrou kvalitu.
Podnikové implementace u klientů
V projektech u klientů typicky volím jiné nástroje než u sebe v poradně. Důvod je prostý: klient potřebuje data nechat ve svém prostředí, mít je auditovatelná a smluvně chráněná. Nejčastěji volím dvě cesty.
Gemini API a Azure OpenAI API. Hlavní důvod není kvalita modelu, ale to, že je klienti mají ve vlastním tenantu a mají smluvně ošetřené zpracování a ochranu dat. Volba mezi nimi závisí na cloudovém ekosystému klienta a požadavcích na geografické umístění dat. Klient využívající Google Workspace typicky zvolí cestu přes Gemini, klient na Microsoft 365 zase cestu přes Azure.
V obou případech se snažím držet principu, že infrastruktura sleduje provoz klienta. Stavět nové prostředí zvlášť pro AI tam, kde už klient má etablovaný cloud, obvykle nedává smysl.
Lokální modely
Lokální modely jsou velice zajímavé. Je překvapivé, co všechno zvládnou:
- Rutinní úkoly
- Rychlé průzkumy dat a dokumentů
- Úpravy konfigurací (v reakci na měnící se podmínky)
V této oblasti je na výběr několik modelů. Soustředím se na evropské i světové, zejména open-weight modely:
- GPT-OSS
- Mistral
- Gemma
Lokální nasazení je také jedinou možností, jak AI používat při analýze citlivých dat nebo když si klient nepřeje, aby jeho informace putovaly po cloudu. Toto rozhodnutí klienta plně respektuji a často právě tyto situace bývají ty zajímavější. Návrh řešení, které pracuje s daty zákaznických smluv, finančními výkazy nebo zdravotnickou dokumentací, prostě nemá v cloudu co dělat.
Cena vstupu do tohoto světa je dnes mnohem nižší než dříve. Pronájem serveru s GPU schopným provozovat model s 30 miliardami parametrů lze pořídit v řádu nižších desetitisíců korun měsíčně, což je pro většinu středních firem dosažitelné.
Kde jsem čekal víc
Generování strukturovaných dat z tabulek a exportů. Pokud vstupní data nejsou čistá a konzistentní, AI nepomůže — garbage in, garbage out platí víc než kdy dřív.
Plně agentická automatizace procesů od začátku do konce. Agentické nástroje se rapidně zlepšují, ale stále potřebují víc dohledu, než kolik šetří času. V některých úzkých scénářích už to dává smysl, ve většině procesů ve firmě ještě ne.
Reverzní inženýrství aplikací. Ne, AI nezachrání projekt, který chce z neudržované staré aplikace vyrobit „totéž jen lépe”. Bez znalosti záměru a kontextu výsledek vypadá jako kopie, ale rozbije se v prvním okrajovém scénáři.
Jak k tomu přistupovat ve firmě
Nejčastější chyba: firma nakoupí licenci na AI nástroj, pošle zaměstnancům e-mail „teď máte AI” a čeká na produktivitu. Výsledek: 10 % lidí to reálně využívá, zbytek to ignoruje nebo si neví rady.
Co nesmí nastat: kupujete AI a pak teprve vymýšlíte, k čemu by se dala použít, aby se neplatila nadarmo. Vědomé nasazení znamená opačné pořadí. Nejdřív identifikujete, kde má AI ve vašem procesu reálnou přidanou hodnotu, pak teprve volíte konkrétní nástroj. Příprava lidí má předcházet samotnému nasazení, nikoliv naopak.
Co funguje lépe:
- Identifikujte 2–3 konkrétní opakující se procesy, kde je zjevná příležitost
- Zaškolte 3–5 lidí, kteří mají reálnou motivaci to zkoušet
- Sbírejte zkušenosti po 4–6 týdnech, teprve pak rozhodujte o dalším rozšíření
Zavádění AI není pouhým IT projektem — je to změna pracovních návyků. A ta potřebuje čas a průběžné vedení, ne jednorázové nasazení. Detailněji jsem o nejčastějších úskalích psal v samostatném textu — úskalí AI ve firmách →.
Shrnutí
AI mi reálně šetří přibližně jeden den práce týdně, pokud ji používám vědomě a na věci, kde má smysl. To není revoluce, ale je to podstatná úspora na úkolech, které dříve byly jen nutné zlo. Klíč je vědět, kde to dává smysl, a být skeptický ke všemu ostatnímu.
Pokud chcete zjistit, kde přesně má AI ve vaší firmě smysl — rád se podívám na konkrétní situaci.