Vrstvy fungování AI: proč hodnotu nevytváří jediný model, ale celý systém

O AI se často mluví příliš úzce. Někdo vidí chatbot, jiný jazykový model, další agenty. Jiní datová centra, čipy a Nvidii. Další změnu práce, automatizaci a schopnost firem zvládnout více s menším týmem.

Každý má částečně pravdu. Žádný pohled však sám nestačí.

Moderní AI není jediná aplikace, model či technologie. Zahrnuje energii, datová centra, procesy, agenty, robotiku, řízení a odpovědnost. Proto se hodí pohled na vrstvy — nejen technické. Přesnější je říkat vrstvy fungování. Ukazují, jak se výpočty proměňují ve skutečnou práci.

Článek vychází z úvah generálního ředitele Nvidie Jensena Huanga o vrstvách AI.

1. Proč o AI uvažovat ve vrstvách?

V diskusi o AI se opakuje problém: příliš často vidíme jen povrch. Uživatel chatbot, vedení náklad licence, vývojář API, investor společnost vyvíjející modely a poskytovatel infrastruktury datové centrum. Zaměstnanec vidí nástroj, který usnadní práci, nebo jen další systém vedle ostatních.

Skutečný dopad vzniká jejich propojením. Pohled na vrstvy pomáhá pochopit tři věci.

Zaprvé ukazuje, že AI není izolovaný software. Potřebuje fyzický a digitální základ: energii, výpočty, sítě, úložiště a čipy.

Zadruhé ukazuje, že samotný model nestačí. Jazykový model může být působivý, ale bez správných dat, kontextu, integrací a postupů zůstává obecným asistentem.

Zatřetí ukazuje, že zavádění AI není jen technologický projekt. Zahrnuje vedení, odpovědnost, dovednosti, měření a řízení změn.

Otázka „Jaký nástroj AI zavedeme?“ často míří jen na aplikaci. Otázka „Jak propojit vrstvy AI, aby podporovaly podnikání?“ už zahrnuje celý systém. Právě tam vzniká konkurenční výhoda.

2. AI není jedna věc, ale výrobní řetězec

AI lze přirovnat k elektřině. Svět nezměnila pouhou existencí, ale propojením s továrnami, světly, domovy, dopravou, komunikací, přístroji a novými postupy.

Totéž platí pro AI. Jazykový model je důležitý, ale je jen částí celku. Změna nastává propojením s daty, nástroji, softwarem, procesy a lidským rozhodováním.

Zjednodušený výrobní řetězec AI:

• energie umožňuje datová centra
• datová centra umožňují výpočty
• čipy umožňují trénování a používání modelů
• cloud a sítě umožňují distribuci ve velkém
• základní modely přinášejí jazykové, vizuální a logické schopnosti
• optimalizace zrychluje a zlevňuje použití
• data a RAG dodávají vlastní firemní kontext
• MCP a integrace zpřístupňují nástroje
• orchestrace rozděluje úkoly mezi modely, agenty a lidi
• aplikace zpřístupňují AI uživateli
• procesy mění AI v obchodní přínos
• fyzická AI přenáší schopnosti do robotiky a skutečného světa
• vedení, dohled a odpovědnost zajišťují dlouhodobou udržitelnost

Každá vrstva ovlivňuje další. Drahá infrastruktura zdraží AI, pomalý model zhorší zkušenost, špatná data spolehlivost. Bez integrací AI nepracuje, bez orchestrace agenti tápou a bez vedení rostou rizika.

AI tedy není jen technologie. Je novým výrobním řetězcem myšlení, informací, softwaru a práce.

3. Vrstva 1: energie a datová centra

AI začíná elektřinou. Zní to všedně, ale je to zásadní poznatek. AI není kouzlo vznášející se v cloudu. Běží v datových centrech vyžadujících elektřinu, chlazení, prostor, sítě, zařízení a údržbu.

Za analýzou, obrázkem, kódem nebo úkolem agenta stojí obrovské výpočty. S růstem použití roste potřebná kapacita. Energie se tak stává strategickou otázkou.

Firmy, státy a technologické společnosti musí řešit zdroj energie, umístění a chlazení center i soulad růstu výpočtů s klimatickými a odpovědnostními cíli.

V této vrstvě potřebujeme nezbytné dovednosti, které nevypadají jako běžná odbornost AI:

• energetické plánování
• znalost elektrických sítí
• architekturu datových center
• chladicí řešení
• plánování prostor a kapacity
• řízení dodavatelských řetězců
• hodnocení udržitelnosti
• řízení rizik

Budoucnost AI se tedy nerozhodne jen u počítačů vývojářů, ale také v energetických sítích, datových halách a investicích do infrastruktury. Stane-li se AI novou výrobní technologií ekonomiky, energie je jejím palivem.

4. Vrstva 2: čipy a výpočetní infrastruktura

Další vrstvu tvoří čipy, servery, akcelerátory, paměti a architektura systémů. Právě zde se Nvidia stala symbolem doby AI.

Moderní modely AI potřebují ohromný rozsah paralelních výpočtů. Grafické procesory neboli GPU jsou vhodné, protože provádějí mnoho operací současně. Nejde však o jediný čip: výpočetní infrastrukturu tvoří spolupracující čipy, paměť, sítě, servery, softwarové knihovny a optimalizační nástroje.

V této vrstvě se rozhoduje například:

• jak rychle modely odpovídají
• kolik stojí jedna odpověď
• kolik uživatelů systém zvládne
• jak se rozšiřují agentní systémy
• zda AI běží v cloudu, vlastním prostředí nebo koncových zařízeních
• jak výpočty optimalizovat pro různé účely

V době agentů je to zásadní. Odpověď chatbota může vyžadovat jedno volání modelu. Úkol agenta desítky až stovky: hledání, hodnocení, nástroje, kontrolu, shrnutí i žádost o schválení.

Při přechodu od odpovědí k vícekrokové práci nemusí potřeba výpočtů klesnout ani s efektivnějšími modely. Může vzrůst. Výpočetní infrastruktura proto patří k nejstrategičtějším vrstvám AI.

5. Vrstva 3: cloud, sítě a úložiště

Cloud, sítě a úložiště tvoří distribuční vrstvu. Díky nim AI není schopnost jednoho počítače či laboratoře, ale rozšiřitelná služba pro organizace, aplikace a globální postupy.

Cloud pružně poskytuje výpočty a služby. Sítě spojují uživatele, systémy a zdroje. Úložiště zajišťuje včasnou dostupnost dat, modelů, protokolů, dokumentů a záznamů použití.

Uživatel tuto vrstvu často nevidí, ale pro firmu je kritická. Pomalé sítě zhoršují zkušenost. Roztříštěná úložiště brání RAG najít správné informace. Drahá cloudová architektura rychle zvyšuje náklady na tokeny a volání modelů. Slabé zabezpečení zastaví další rozšiřování AI.

Je nutné volit veřejný cloud, vlastní prostředí, hybrid či uzavřené oborové prostředí. Cloud je rychlý a škálovatelný, vlastní prostředí nabízí více kontroly, hybrid kombinuje obojí. Ve zdravotnictví, financích či veřejné správě může rozhodovat umístění a správa dat.

AI mění cloudovou a datovou architekturu v obchodní otázku. Nestačí, aby systémy fungovaly. Musí umožňovat chytrou, bezpečnou a nákladově efektivní práci.

6. Vrstva 4: základní a jazykové modely

Základní a jazykové modely tvoří nejviditelnější vrstvu inteligence AI. Dávají systémům schopnost rozumět jazyku, vytvářet text, vykládat obrázky, psát kód, shrnovat, uvažovat, třídit, diskutovat a stále častěji zpracovávat několik podob dat současně.

Jazykový model však „nemyslí“ jako člověk. Odpovídá podle trénovacích dat, kontextu a dostupných nástrojů. Přesto má velký dopad, protože pracuje s jazykem — zásadním rozhraním lidské práce.

Firma se nemá ptát jen „Který model je nejlepší?“ Lepší otázka je: Jaký model se hodí na jaký úkol? Jeden zvládá rychlé třídění, jiný hlubokou analýzu, třetí kód, čtvrtý obraz. Pátý je levný a rychlý pro rutinu, šestý dost bezpečný pro regulované prostředí.

Firma v budoucí architektuře nemusí používat jediný model na všechno, ale celou sadu modelů. Jejich hodnocení se tím stává novou klíčovou dovedností. Organizace musí vědět, jak modely testovat, porovnávat, cenově posuzovat a vybírat pro různé účely.

Základní model je silný motor. Motor ale ještě není hotové vozidlo.

7. Vrstva 5: optimalizace modelů a inference

Inference je používání modelu: tvorba odpovědi, analýzy, obrazu, kódu, závěru či dalšího kroku. Trénování přitahuje pozornost, ale pro firmu bývá důležitější inference, kde vznikají náklady, odezva, zkušenost i škálování.

Při malém použití mohou náklady AI působit nízce. Po zapojení do podpory, prodeje, vývoje produktů, analytiky, programování, výkaznictví a agentních systémů může používání rychle růst. Každé volání modelu spotřebuje zdroje a každý mezikrok agenta může přidat další spotřebu.

Optimalizace je proto zásadní. Zahrnuje například:

• menší model pro jednoduché úkoly
• silnější model jen pro obtížné části
• ukládání odpovědí do mezipaměti
• zkracování zadání
• zlepšování vyhledávání RAG
• kvantizaci, tedy odlehčení modelů
• levnější prostředí běhu
• rozdělení úkolů mezi modely
• nákladové limity agentů

AI není bezplatné kouzlo. Je to výpočet a ten něco stojí. Firma musí řídit tokeny, volání, odezvu a kvalitu stejně jako jiné zdroje.

Dobré řešení není jen inteligentní. Musí být dost rychlé, levné, spolehlivé a v rozhodujících bodech dost schopné.

8. Vrstva 6: data, RAG a kontext

Díky datům se obecná inteligence mění ve vlastní firemní nástroj. Bez nich AI vysvětluje, hledá nápady a tvoří návrhy, ale neví, co firma dohodla, slíbila zákazníkovi, který projekt má zpoždění či jaká verze produktu běží.

RAG neboli Retrieval-Augmented Generation je generování doplněné vyhledáváním. AI nejprve najde relevantní informace v dokumentech, databázích či jiných zdrojích a podle nich odpoví. Získává tím mnohem více kontextu.

Pomáhá například:

• najít správný interní pokyn
• shrnout historii zákazníka
• porovnat smlouvu s pravidly firmy
• odpovědět na dotaz technické podpory
• najít správnou část dokumentace produktu
• analyzovat stav projektu
• připravit přehled vedení

RAG není kouzelné řešení. Jeho kvalita závisí na podkladech. Ze zastaralých dokumentů AI získá zastaralé informace. Nejasná práva zpřístupní příliš mnoho či málo. Špatná struktura dokumentů může způsobit selhání hledání. Bez viditelných zdrojů uživatel odpověď neposoudí.

Tato vrstva je i správou informací. Firma musí vědět, kde data jsou, komu patří, zda jsou aktuální, kdo je smí použít, jak ověřovat zdroje, mazat staré údaje a řešit rozpory.

AI mnohým organizacím odhalí nepříjemnou pravdu: problém není v AI, ale ve vlastní správě informací. Pokud ho začnou řešit, je to dobrá zpráva.

9. Vrstva 7: MCP, integrace a nástroje

Data dávají AI paměť, integrace ruce. Otevřený standard MCP neboli Model Context Protocol řízeně propojuje aplikace AI s nástroji, daty a systémy. Je společným rozhraním k dokumentům, databázím, kalendáři, projektům, CRM a vývojářským nástrojům.

Bez nástrojů AI hlavně navrhuje. S nimi může jednat. V době agentů je tato vrstva rozhodující. Umožňuje:

• načíst zákazníka z CRM
• vytvořit projektový úkol
• ověřit kalendář
• číst repozitář kódu
• spustit testy
• založit požadavek podpory
• aktualizovat dokument
• provést databázový dotaz
• spustit automatizaci
• připravit zprávu a uložit ji správně

Proto je vrstva také riziková. S rostoucími právy potřebujeme hranice: co AI smí číst, měnit, posílat a mazat, kdy žádá schválení, jakou roli používá, jak se činnost zaznamenává a zastavuje.

Integrace činí AI užitečnou. Správa ji činí bezpečnou. Bez obojího vzniká neúčinný asistent nebo nebezpečná automatizace.

10. Vrstva 8: orchestrace a agentní systémy

Orchestrace řídí práci AI. Více modelů, zdrojů, nástrojů, agentů a lidí vyžaduje koordinaci: kdo co dělá, v jakém pořadí, s jakými právy a kontrolami.

Jednoduchý chatbot mnoho orchestrace nepotřebuje, agentní systém však ano. Agent plánuje úkol, hledá informace, používá nástroje, kontroluje výsledky a postupuje dál. Má-li organizace více agentů, potřebuje jasnou strukturu. Systém zákaznické podpory může například fungovat takto:

1. třídicí agent rozpozná téma
2. agent RAG najde pokyny a historii zákazníka
3. odpovědní agent navrhne řešení
4. rizikový model posoudí možnost odeslání
5. integrační agent aktualizuje CRM
6. člověk zkontroluje neobvyklé případy
7. dohledový agent měří kvalitu

Nejde už o jednu odpověď AI, ale o pracovní postup. Orchestrace řeší, který model použít, kdy zapojit firemní data, kdy agent smí použít nástroj a kdy rozhoduje člověk. Určuje také reakci na nejistou odpověď, limity nákladů, odhalování chyb a dokumentaci činnosti.

Zde vzniká i myšlenka farmy agentů: skupiny specialistů s různými úkoly. Jeden sleduje konkurenci, druhý analyzuje zákaznickou zpětnou vazbu, třetí připravuje prodej, čtvrtý kontroluje kód a pátý vytváří zprávy.

Tým agentů může výrazně zvýšit produktivitu. Bez orchestrace se ale může změnit v chaos.

11. Vrstva 9: software a aplikace

Uživatel nakonec AI vnímá prostřednictvím aplikací. Technologie se tu mění ve zkušenost. AI však mění i logiku aplikací.

Běžný software vyžaduje klikání, vyplňování, filtrování, kopírování, ukládání a odesílání. AI stále více pracuje s cílem. Místo „exportuj CSV, filtruj sloupec B, vytvoř kontingenční tabulku a graf“ uživatel řekne „analyzuj minulý měsíc, najdi odchylky a napiš vedení tři body“.

Mění se tím návrh aplikací. Dobrá aplikace AI není starý software s přidaným chatovým oknem. Chápe cíl uživatele, získá správný kontext, použije vhodné nástroje, ukáže nejistoty, vyžádá schválení a poskytne snadno ověřitelný výsledek.

Pro SaaS firmy, tedy poskytovatele cloudového softwaru, je to velká příležitost. Musí svůj produkt promyslet znovu: čeho chce uživatel dosáhnout, které kroky zvládne AI, jaká potřebuje data a nástroje, kde rozhoduje uživatel, jak zobrazit výsledek a jak budovat důvěru.

AI software neodstraní. Promění ho z pasivního nástroje v aktivní pracovní prostředí.

12. Vrstva 10: podnikové procesy a pracovní postupy

Největší hodnota AI nevzniká v aplikaci, ale v procesech.

Firemním procesem může být prodej, zákaznická podpora, fakturace, nábor, výkaznictví, vývoj produktů, nákup, kontrola kvality nebo projektové řízení. AI získává hodnotu, teprve když zlepší rychlost, kvalitu, náklady nebo zákaznickou zkušenost těchto procesů.

V prodeji AI najde podklady o zákazníkovi, analyzuje rozhovory, rozpozná nákupní signály, navrhne zprávu, připraví nabídku, aktualizuje CRM a připomene další kroky.

V podpoře rozpozná téma, najde pokyny, ověří situaci zákazníka, navrhne odpověď, vyřeší rutinu, předá obtížný případ člověku a zaznamená výsledek.

Ve vývoji analyzuje zpětnou vazbu, píše specifikace, generuje kód a testy, hledá chyby, dokumentuje změny a připravuje přehled novinek.

Přístup AI-first neznamená používat AI všude. Znamená navrhovat proces s otázkou: Jak by tento postup vypadal, kdybychom ho dnes tvořili s AI, daty, agenty a automatizací? Rychle se tak ukáže, kde je starý postup pouhým zvykem.

13. Vrstva 11: fyzická AI a robotika

AI nezůstane na obrazovce. Fyzická AI působí v robotech, vozidlech, továrnách, skladech, laboratořích, nemocnicích, zemědělství i městech.

Zde má AI nový konkrétní dopad. Chybnou zprávu digitálního agenta obvykle opravíte. Robot ale může špatně pohnout předmětem, narazit, poškodit zařízení nebo ohrozit bezpečnost. Požadavky jsou proto přísnější.

Fyzická AI potřebuje:

• senzory
• kamery
• robotiku
• simulace
• rozhodování v reálném čase
• bezpečnostní systémy
• mechatroniku
• výpočty na koncových zařízeních
• interakci člověka a stroje
• znalost regulace

Je to také velká příležitost. V průmyslu AI optimalizuje výrobu, ve skladech řídí roboty. Ve zdravotnictví pomáhá se zobrazováním, logistikou a automatizací laboratoří. V zemědělství podporuje přesnější pěstování a v dopravě zlepšuje plánování tras a autonomní systémy.

Fyzická AI vrací umělou inteligenci k hmotě. Není jen jazykem a kódem. Dokáže také pohybovat, měřit, vnímat a jednat.

14. Vrstva 12: řízení, dohled a odpovědnost

Poslední vrstva je možná nejdůležitější. Rozhoduje, zda se AI stane konkurenční výhodou, nebo neřízeným rizikem.

U návrhů textu může být správa lehčí. Jakmile AI používá nástroje, zákaznická data, aktualizuje systémy, navrhuje rozhodnutí a provádí úkoly, potřebujeme pravidla. Firma musí vědět:

• kde se AI používá
• kdo ji používá
• jaká data používá
• jaké modely používá
• jaké agenty používá
• jaká mají oprávnění
• kolik používání stojí
• jak se měří kvalita
• jak se opravují chyby
• kdo odpovídá za výsledek

Správa AI je novou oblastí vedení. Nemá být jen právním dokumentem nebo seznamem zákazů bezpečnosti, ale praktickým umožněním bezpečného použití.

Dobrá správa vývoj nezastavuje, umožňuje ho rozšiřovat. Bez ní zůstane AI osobními pokusy nebo vznikne stínové použití, kde nikdo nezná nástroje, předávaná data ani činnost agentů.

Vedení má pro AI vytvořit zábradlí. Ne kvůli zpomalení. Ale aby se dalo bezpečně zrychlit.

15. Schopnosti napříč vrstvami: co je třeba všude?

Tyto schopnosti jsou zásadní, protože nepatří jediné vrstvě. Procházejí celým systémem.

Bezpečnost a soukromí

AI může zpracovávat citlivá data, zákaznické a osobní údaje, smlouvy, kód i obchodní tajemství. Zabezpečení proto není doplněk, ale základní požadavek.

Řízení kvality

Odpověď může znít dobře a být chybná. Řízení kvality zahrnuje testy, hodnocení, porovnání, zpětnou vazbu, kontrolu zdrojů a sledování chyb.

Řízení nákladů

Tokeny, volání API, mezikroky agentů, hledání RAG i výpočty něco stojí. Bez sledování může AI působit produktivně, ale vyjít draho.

Sledování a pozorovatelnost

Pozorovatelnost znamená vidět, co se v systému děje: odpověď modelu, použité zdroje, volané nástroje, místo chyby i její náklady.

Dovednosti a kultura

AI nepomůže, pokud ji lidé neumějí použít nebo kultura brání pokusům. Potřebujeme školení, příklady, interní postupy a povzbuzení.

Řízení změn

AI mění role, procesy a dělbu práce. Zůstane-li změna jen na jednotlivcích, výsledky budou nerovnoměrné.

Etika a regulace

Čím více AI ovlivňuje lidi, rozhodnutí a společnost, tím důležitější je spravedlnost, transparentnost, odpovědnost a regulace.

Tyto schopnosti jsou jako nosné konstrukce budovy. Nelze je na konci přidat jako ozdobu.

16. Pohled firmy: jak vrstvy mění strategii?

Vrstvy fungování dávají firmě praktickou mapu. Vysvětlují neúspěchy i úspěchy projektů AI.

Neúspěšný projekt AI se často soustředí jen na jednu vrstvu. Firma koupí aplikaci, ale má špatná data. Vytvoří agenta bez integrací. Vybere silný model, ale nezmění proces. Spustí pilot bez měření nákladů. Proškolí lidi, ale nezmění řízení.

Úspěšný projekt posuzuje celý řetězec. Jaký obchodní problém řešíme? Který proces měníme? Jaká potřebujeme data a model? Jaké nástroje smí AI použít? Kde člověk schvaluje? Jak měříme kvalitu a sledujeme náklady? Kdo řešení vlastní a jak ho rozšíříme?

Mění se i rozpočty. AI není jen licence: zahrnuje tokeny, integrace, zabezpečení, školení, změny práce a sledování.

Firmy by měly AI vnímat jako investici do produktivity. Tvoří-li velkou část nákladů mzdy odborníků, má smysl posoudit, jakou část investovat do AI pro vyšší produktivitu, kvalitu a rychlost. Nejde o bezhlavé utrácení. Jde o zviditelnění a řízení nákladů AI.

17. Pohled startupů: kde vzniká nová výhoda?

Vrstvy AI jsou příležitostí i varováním. Malý tým zvládne více: kód, marketing, analýzy, podporu, dokumentaci, prodej i interní procesy. Samotné „máme AI“ však už není konkurenční výhodou.

Jsou-li modely široce dostupné, hodnota vzniká jinde:

• v lepších datech
• v lepším pracovním postupu
• ve znalosti oboru
• v distribuci
• v rozhraní
• v důvěře
• v integracích
• v orchestraci agentů
• v nákladové efektivitě
• ve schopnosti řešit skutečný problém

Startup navržený od začátku s AI nepřidává funkci AI ke starému produktu. Ptá se: Jak by obor vypadal, kdyby se od začátku budoval kolem AI, agentů, automatizace a dat?

V právních technologiích to není jen chatbot na právní dotazy, ale postup čtení smluv, hledání rizik, porovnání s pravidly, návrhů změn, schválení právníkem a aktualizace databáze. Ve zdravotnictví nejde jen o dotazník příznaků, ale podporu odborníka při sběru dat, analýze snímků, pokynech pacientům a koordinaci péče. V B2B prodeji nejde jen o e-maily, ale agenty sledující signály, doplňující data, navrhující oslovení, připravující materiály a aktualizující CRM.

Výhoda startupu tedy spočívá v kvalitě propojení vrstev. Ne v samotném používání AI.

18. Proměna práce: co budou lidé potřebovat umět?

Vrstvy AI mění i dovednosti. Ne každý musí vytvářet modely, chápat čipy či technicky ovládat MCP. Stále více lidí však musí vědět, kam jejich práce v celku patří.

Odborník musí rozumět podpoře vlastního pracovního postupu. Vedoucí dopadům AI na procesy a náklady. Vývojář propojení modelů, dat a nástrojů. Bezpečnost právům agentů, HR proměně dovedností a finanční vedení tokenům a nákladům AI. Produktové vedení pak musí chápat přechod od běžné aplikace k agentnímu fungování.

Zvlášť důležité budou:

• vymezení problému
• rozdělení procesů
• rozpoznání možností AI
• hodnocení kvality dat
• kritický přístup ke zdrojům
• kontrola kvality
• dělba práce člověka a AI
• pochopení hranic automatizace
• znalost nákladů
• etický úsudek
• schopnost změny

Zásadní je odlišit, co automatizovat a co ne. Ne vše opakované je automaticky vhodné. Dopady na práva, bezpečnost, zdraví, peníze či pověst vyžadují důkladnější dohled.

AI úsudek neruší. Činí ho důležitějším.

19. Rizika a úskalí

Vrstvy pomáhají rizika přesněji chápat. Nespočívají jen ve špatné odpovědi. Vznikají v každé vrstvě.

Riziko infrastruktury

Náklady center, energie, nedostatek kapacity a geopolitické závislosti ovlivňují dostupnost i cenu AI.

Riziko modelu

Model může halucinovat, být zkreslený, nesprávně pochopit úkol nebo dát přesvědčivou, ale chybnou odpověď.

Riziko dat

Firemní informace mohou být zastaralé, rozporné, neúplné nebo nesprávně chráněné přístupovými právy.

Riziko integrací

AI může získat příliš široká práva nebo špatně použít nástroj. Vložené škodlivé pokyny ji mohou navést k zakázanému jednání.

Riziko agentů

Agent může jít špatným směrem, dělat příliš mnoho mezikroků, zvyšovat náklady nebo řetězit chyby.

Riziko aplikace

Uživatel může AI příliš věřit, pokud rozhraní neukazuje nejistoty, zdroje či potřebu schválení.

Riziko procesu

Automatizace už tak špatného procesu jen urychlí špatnou práci.

Riziko řízení

Bez vlastníka celku vzniká stínová AI, duplicitní nástroje, nejasná odpovědnost a neřízené náklady.

Dobrou zprávou je, že rizika lze řídit. Ale jen pokud je rozpoznáme v jednotlivých vrstvách.

20. Budoucnost: AI se stane pracovní infrastrukturou

Dalším krokem není jen lepší chatbot, ale infrastruktura práce. AI může zasáhnout téměř všechny fáze znalostní práce: hledání, analýzu, přípravu rozhodnutí, kód, zákazníky, zprávy, školení, plánování a automatizaci. Současně vstupuje do robotů, vozidel, laboratoří, průmyslu a logistiky.

Vše se nezmění přes noc. Pravděpodobnější je postup po vrstvách:

1. Nejprve AI pomáhá jednotlivým pracovníkům.
2. Potom se začlení do aplikací.
3. Propojí se s firemními daty.
4. Získá omezený přístup k nástrojům.
5. Vzniknou agenti.
6. Agenti se zapojí do koordinovaných procesů.
7. Nakonec se začne měnit fungování firmy.

Největší změnou bude, že AI nezůstane samostatným nástrojem. Splyne se systémy, procesy a rozhodováním. Otázka nebude „Používáme AI?“, ale: „Jak je AI zabudována do způsobu naší práce?“

21. Závěry

Vrstvy fungování jsou mapou proměny AI. Nejde jen o chatbot, jazykový model nebo aplikaci. Je to systém propojující energii, centra, čipy, cloud, modely, optimalizaci, data, integrace, agenty, software, procesy, robotiku a vedení.

Nejdůležitější poznatek zní: Hodnota AI vzniká souhrou vrstev. Samotný silný model, data, integrace, agent ani aplikace nestačí. Potřebujeme celek.

Pro firmy to znamená strategii AI přesahující seznam nástrojů: popis propojení s infrastrukturou, daty, procesy, lidmi, náklady, riziky a vedením. Startupy stále častěji získávají výhodu lepším spojením modelů, dat, postupů, integrací a uživatelské zkušenosti. Pro jednotlivce AI gramotnost není jen psaní promptů. Je to pochopení, kde AI v řetězci pracuje, co potřebuje k úspěchu a kde ji člověk musí vést, hodnotit a nést odpovědnost.

Budoucnost AI není jediné superinteligentní tlačítko. Je novým pracovním prostředím. Uspějí v něm ti, kdo chápou celek.

22. Praktické postupy a šablony

1. Kontrolní seznam vrstev AI

Použijte při hodnocení řešení nebo návrhu nového použití.

Infrastruktura a výpočty

• Kde řešení běží?
• Jaké výpočty potřebuje?
• Jak porostou náklady?
• Je odezva přijatelná?
• Závisí řešení na jediném dodavateli?

Modely

• Jaký model používáme?
• Proč právě tento?
• Je úkol jednoduchý, nebo vyžaduje důkladné uvažování?
• Byl model testován na vlastních datech?
• Jak sledujeme kvalitu modelu?

Data a kontext

• Jaká data potřebujeme?
• Jsou aktuální?
• Komu data patří?
• Jak fungují přístupová oprávnění?
• Vidí uživatel zdroje?

Integrace a nástroje

• Do jakých systémů smí AI přistupovat?
• Smí jen číst, nebo i měnit?
• Kdy je třeba schválení?
• Jak se použití protokoluje?
• Jak jsou omezena oprávnění?

Agenti a orchestrace

• Jde o jednu odpověď, nebo vícekrokový úkol?
• Které kroky dělá AI?
• Které dělá člověk?
• Co se stane při chybě?
• Má agent nákladový limit?

Aplikace a uživatelská zkušenost

• Jak uživatel pochopí činnost AI?
• Vidí zdroje, nejistoty a další kroky?
• Lze výsledek snadno ověřit?
• Může uživatel návrh opravit nebo odmítnout?

Proces a podnikání

• Jaký proces zlepšujeme?
• Jaký ukazatel se změní?
• Ušetří se čas?
• Zlepší se kvalita?
• Zrychlí se podpora zákazníků?
• Ubude ruční práce?

Řízení a odpovědnost

• Kdo řešení vlastní?
• Kdo odpovídá za chyby?
• Jak sledujeme používání?
• Jak vykazujeme náklady?
• Jak řešení auditujeme?

2. Procesní model AI-first

Vyberte jeden firemní proces a projděte ho takto:

1. Jaký je cíl procesu?
2. Které kroky se opakují?
3. Kde jsou potřeba informace?
4. Kde je nutný lidský úsudek?
5. Kde AI vytvoří první verzi?
6. Kde může AI hledat informace?
7. Kde může použít nástroj?
8. Kde může provést krok automaticky?
9. Kde je nutné schválení?
10. Jak změříme výsledek?

Cílem není vše automatizovat, ale správně rozdělit práci mezi člověka, AI a systémy.

3. Odpovědnost za jednotlivé vrstvy

Každá vrstva by měla mít vlastníka.

4. Minimální model zavedení agenta

Před skutečnou prací určete účel agenta, zdroje, nástroje, práva, zakázané úkony, body schválení, nákladový limit, protokoly, ukazatele kvality, vlastníka a vypínací mechanismus.

Agent bez vlastníka by neměl být nasazen do produkce.

5. Otázky pro vedení

Vedení by se mělo pravidelně ptát:

1. V jakých procesech AI už přináší měřitelný přínos?
2. Kde je stále jen experimentem?
3. Jaká data potřebuje, ale nemá?
4. Které integrace by pomohly nejvíce?
5. Kde mohou agenti bezpečně pracovat?
6. Kde je nezbytné lidské schválení?
7. Kolik stojí AI měsíčně?
8. Jak se vyvíjejí náklady na tokeny?
9. Jaké chyby AI dělá?
10. Kdo odpovídá za kvalitu a rizika?
11. Jaké dovednosti organizaci chybí?
12. Jaký proces bychom už dnes nestavěli postaru?

6. Praktická rada

Při hodnocení AI neposuzujte jen rozhraní a název modelu. Ptejte se na celý řetězec:

„Jakou infrastrukturu potřebuje, jaká data používá, jakých systémů se smí dotýkat, jakou práci provádí, kdo dohlíží a jak měříme přínos, kvalitu, náklady a rizika?“

Právě to odlišuje experiment od skutečných schopností AI.

Zdroje

1. Rozhovor s generálním ředitelem Nvidie Jensenem Huangem o vrstvách AI (YouTube)