Petr Polák, datový lídr ze zajišťovny Vigre a bývalý Domain Lead Platforms z České spořitelny, popisuje, jak moderní firmy mohou přestat čekat na reporty a místo toho chatovat přímo s daty. Rozhovor pokrývá reálné use casy nasazení AI v bankách a zajišťovnách, stavění agentů nad firemními daty a to, proč je mindset zaměstnanců důležitější než technická znalost. Prakticky se rozebírá i vibe coding, osobní knowledge base a to, jak menší firmy mohou v datové agilitě předehnat korporáty.
Firmy, které mají dobře popsaný sémantický datový model, mohou dnes chatovat s daty v reálném čase a přestat čekat měsíc na report ze sprintu. Česká spořitelna takto v korporátním bankovnictví objevila nový revenue stream jen tím, že analytici začali s daty konverzovat.
Deterministický systém na konci pipeline je v regulovaném prostředí (banka, pojišťovna, zajišťovna) podmínkou. AI se používá k vybudování a zrychlení vývojového procesu, ale výsledný systém musí procházet klasickým vývojovým life cyclem bez halucinací.
Menší firmy mají šanci být v datové agilitě rychlejší než korporáty, protože mají méně vrstev schválení a mohou nasadit AI do datového skladu i do interních aplikací (např. přes Streamlit nebo Databricks) podstatně rychleji.
Kontext je základ: nahrávat meetingy, sbírat přepisy a strukturovat je do agenta, který pak při dalším setkání okamžitě vytáhne historii. Petr i Filip se shodují, že meeting bez záznamu je z hlediska organizační paměti ztráta.
Nejdůležitější kompetencí pro práci s AI není hard skill, ale ochota failovat rychle a iterovat. Petr doporučuje zásadu „don't ask for permission, ask for forgiveness
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Petr Polák přišel do podcastu Filipa Dřímalky jako člověk, který přešel z vedení 90členného datového týmu v České spořitelně do datové role v zajišťovně Vigre, kde má zároveň na starosti AI kompetenci pro celou firmu. Dva měsíce volna mezi oběma pozicemi využil k intenzivnímu vibe codingu a na vlastní kůži zjistil, jak dramaticky se posunul jen za tu dobu.
Jedna z klíčových tezí rozhovoru: největší brzdou AI v datových týmech není technologie, ale způsob, jakým firmy dat ukládají a popisují. Tam, kde někdo před lety investoval do sémantického datového modelu, dnes může analytik nebo manažer přímo chatovat s daty místo toho, aby čekal měsíc na report ze sprintu. Petr popisuje konkrétní případ z korporátního bankovnictví Spořitelny, kde právě tímto způsobem tým objevil nový revenue stream v podobě specializované virtuální karty pro korporátní klienty.
Velká část rozhovoru se věnuje tomu, proč jsou v regulovaném prostředí banky nebo zajišťovny deterministické systémy na konci AI pipeline nepřekročitelnou podmínkou. AI urychluje vývoj a analýzu, ale výsledek musí projít klasickým vývojovým life cyclem. Petr zároveň upozorňuje, že AI může pomoci i tam, kde firmy čistění dat donekonečna odkládají: jeden z klientů nechal analyzovat tisíce tiketů od byznysu na datový tým, z historické analýzy sestavil agenty a dnes AI zvládá 82 % dotazů samo.
Vigre jako zajišťovna funguje v B2B modelu, kde klasické machine learningové modely hledající vzory v milionech klientů nemají uplatnění. AI se tam nasazuje jinak: do interní operational efficiency, do zpracování dokumentů v compliance, do podpory underwritingu v sezóně září–leden. Petr říká, že zatím dostali zpět 105 vyplněných survey o AI nápadech ze 220 zaměstnanců, a to po pouhých třech dnech.
Důležitý praktický vzorec, který Petr popisuje pro onboarding i osobní produktivitu: sbírat surové přepisy meetingů a dokumentů, z nich generovat strukturované summary a to vše vkládat do agenta jako kontext. Výsledkem je druhý mozek, který si pamatuje historii i za dobu, kdy vy jste mysleli na jiné věci.
Závěr rozhovoru je věnován lidem a kompetencím. Petr považuje za daleko důležitější energii a ochotu failovat než konkrétní hard skills, protože ty AI postupně substituuje. Datový lídr, který se odmítá učit nové věci, bude v horizontu let předehnán juniorem se zvídavostí a přístupem k nejlepším modelům. Doporučení jsou konkrétní: zajistit si licenci na AI nástroje, věnovat minimálně hodinu denně zkoušení a přestat čekat na povolení od nadřízených.