Jan Červinka, managing partner technologické části Purple Group, popisuje, jak v praxi buduje osobní i firemní systém práce s AI agenty — od lokální knowledge base v Obsidianu přes asynchronní delegování úkolů až po adopci AI ve firmě s 250+ lidmi. Video ukazuje konkrétní workflow, nástroje a principy, které skutečně fungují, včetně toho, kde jsou limity a co AI nenahradí.
Základ efektivní práce s AI je mít kontextovou knowledge base — Jan používá Markdown soubory v Obsidianu propojené s Claude Code, aby model nezačínal každou konverzaci od nuly a mohl pracovat se znalostí kontextu projektů i denních zápisků.
Asynchronní delegování přes kanban: Jan zadává úkoly jako textové soubory do kanbanu v Obsidianu, agent na nich pracuje na pozadí zatímco on dělá meetingy, a výstupy reviduje až po dokončení — místo sledování průběhu v reálném čase.
AI adopce ve firmě vyžaduje čas a dovolení chybovat: hackathony, ukázky od top managementu a explicitní svolení 'smíš být ze začátku pomalejší než bez AI' jsou klíčové nástroje, které v Purple Technology fungují.
Kvalita výstupu závisí na kvalitě zadání, ne na množství tokenů — přesné briefování, iterace a schopnost rozeznat dobrý výstup od špatného jsou to, co lidi s doménovou expertizou odlišuje od těch bez ní.
Notion Agents umožňuje každému ve firmě postavit vlastního agenta bez technických znalostí — stačí chatovací okno, agent si sám projde zápisy z meetingů, napíše shrnutí nebo připraví drafty mailů.
Nejdůležitější schopnost v době AI není produkovat víc výstupů, ale rozhodovat, co tvořit a co ne — čas na přemýšlení bez obrazovky (běh, papír, remarkable) je čím dál vzácnější a cennější zdroj.
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Jan Červinka, managing partner technologické části Purple Group, pracuje s AI agenty každý den — a v rozhovoru nepopisuje teorii, ale konkrétní systém, který mu v praxi funguje.
Základem je knowledge base v Obsidianu propojená s Claude Code. Obsidian je v jádru jen zobrazovač Markdown souborů, ale díky pluginům a cloudové synchronizaci z něj Jan udělal collaboration workspace mezi sebou a agentem. Na konci každého dne spustí workflow, který projde schůzky, emaily a zprávy a vytvoří strukturovaný zápis do MD souboru — ne pro čtení, ale jako kontext pro budoucí práci modelu. Důležitý detail: Jan agenta instruuje, aby striktně rozlišoval mezi svou interpretací a tím, co Jan reálně řekl. Bez tohoto rozlišení se v knowledge base začínal kumulovat balast, který model v dalších konverzacích prezentoval jako Janovy vlastní plány.
Pro asynchronní práci používá kanban board přímo v Obsidianu. Úkoly zapisuje jako textové soubory se statusy (plan → review → ready → accept), agent na pozadí pracuje v loopu, Jan se k výstupům vrací až jsou hotové — ne v průběhu. Tři paralelní agentní vlákna zvládá kočírovat, víc je podle jeho zkušenosti kontraproduktivní, protože většina z nich stejně čeká na jeho input.
AI adopce ve firmě s 250+ lidmi stojí na několika věcech najednou: top management jako viditelní early adopters, interní hackatony kde si smíšené týmy za 24 hodin zkusí postavit produkt, a explicitní svolení být ze začátku pomalejší než bez AI. Jan popisuje adopční křivku ve třech krocích — chytrý Google, práce se skilly a iterace, autonomní agenti. Notion Agents jako low-code nástroj umožňuje přejít na třetí krok každému bez technického zázemí.
Opakující se téma celého rozhovoru je otázka hodnoty. AI zlevnila výrobu výstupů natolik, že samotný výstup přestává být tou hodnotou. Právník, který použije AI a stojí za výsledkem, porazí Jana s AI vždy. Designer s doménovým citem rozezná AI slop, kde Jan nic nevidí. Hodnota se posouvá do schopnosti rozeznat dobrý výstup od špatného, dobře briefovat a vědět, co vůbec tvořit — a to poslední vyžaduje čas bez obrazovky.
Jan běhá bez hudby a píše si myšlenky rukou na Remarkable. Není to nostalgie — je to obrana před tím, aby mu každý volný slot zaplnil nějaký input. V době, kdy agent může pracovat nepřetržitě, se nejdůležitější schopností stává rozhodnutí, kdy ho vůbec pustit do práce a na čem.