Filip Morávek, CEO firmy Easyid, popisuje, proč většina firem nedokáže naplno využít AI — klíčovým důvodem je chybějící kontext a neuspořádaná datová infrastruktura. Video pokrývá konkrétní kroky pro adopci AI ve firmě, rozdíl mezi automatizací a AI agenty a roli change managementu při zavádění nástrojů do týmů. Zazní také praktické zkušenosti s výběrem nástrojů (Claude, ChatGPT), bezpečností firemních dat a orchestrací lidí s AI agenty.
Firmy nakoupí licence (typicky Copilot), ale bez kontextu a datové infrastruktury využívají potenciál AI na odhadem 10 %. Samotný nástroj nestačí — klíčové je, k jakým datům má přístup.
Automatizace patří tam, kde jsou vstupy a výstupy deterministické. AI agenta použij tam, kde potřebuješ vyhodnocení nebo práci s nestrukturovaným, proměnlivým vstupem.
Největší ROI z AI agentů je dnes v zákaznické a technické podpoře (úspora 10–12 hodin měsíčně na operátora) a v procesování velkých objemů dokumentů — například automatické vyhodnocování výběrových řízení z různých jazyků.
Change management je důležitější než technologie: identifikuj šampiony v každém týmu, ukaž konkrétní use cases relevantní pro danou roli (obchodník potřebuje jiný příklad než back-office) a neplýtvej energií na odpůrce v první fázi.
Zodpovědnost za výstup AI nese vždy člověk, který výstup odeslal nebo použil — bez ohledu na to, kolik procent vytvořil AI. Toto pravidlo je nutné ve firmě aktivně prosazovat.
Při adopci postupuj iterativně: audit stavu dat a postojů managementu, pilot s jedním týmem se šampionem, teprve pak rozšiřuj. Big bang projekty v AI zavádění selhávají.
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Filip Morávek stojí za firmou Easyid, která se zabývá projektovým řízením a implementací AI, a spoluvytvořil framework Workops — model řízení firmy propojující týmy, nástroje a AI agenty. V rozhovoru mluví o tom, proč většina organizací marní potenciál nástrojů, které si zaplatila.
Nejčastější vzorec, který Morávek u firem vidí: vedení nakoupí licence na Copilot nebo jiný nástroj, rozešle je všem a čeká, co se stane. Výsledek je předvídatelný — využití pod 10 %. Příčinou není špatná technologie, ale chybějící kontext. Pokud AI nemá přístup k emailům, zápisům ze schůzek, knowledge base a firemním datům, optimalizuje texty a nic víc. Ve své firmě Morávek spojuje Claude Team s M365, SharePointem, AI notakerem Lexi a vlastní platformou Easyid přes MCP servery. Výsledkem je prostředí, kde AI ví, co zákazník kupoval, co řekl na poslední schůzce a jaké jsou aktuální úkoly v projektu.
Důležité rozlišení, které v rozhovoru zazní: automatizace vs. AI agent. Pokud jsou vstupy a výstupy předvídatelné, jde o klasickou automatizaci — propojení systémů, transformace dat. AI agent vstupuje do hry tam, kde je potřeba vyhodnotit, interpretovat nebo pracovat s různorodým vstupem. Morávek doporučuje kombinaci obojího a důsledně prosazuje human-in-the-loop: člověk by měl alespoň potvrdit akci agenta, protože zodpovědnost za výstup jde vždy za ním, ne za nástrojem.
Z hlediska návratnosti vyčleňuje dvě oblasti. První je zákaznická a technická podpora — agent s přístupem k historii tiketů, dokumentaci a znalostní bázi ušetří operátorovi 10–12 hodin měsíčně a uvolní mu kapacitu na složitější případy. Druhá oblast je zpracování velkých objemů dokumentů: Easyid například prochází veřejné tendry po celé Evropě v různých jazycích a agent vyhodnotí product-market fit pro každé výběrové řízení. Práce, která by dříve zaměstnala jednoho člověka na plný úvazek.
Kde se zavádění AI nejčastěji zasekne, je change management. Morávek radí začít identifikací šampionů — v každé organizaci je jich 5–10 %, baví je to a dělají to i bez formální podpory. S nimi je třeba udělat workshopy zaměřené na konkrétní use cases pro konkrétní role: obchodník ocení přípravu na schůzku z historie CRM, back-office pracovník ocení práci s Excelem. Obecné demo nikoho nepřesvědčí. Odpůrce na začátku ignoruj — sociální dynamika funguje lépe přes závist a přirozené šíření úspěchů než přes přesvědčování skeptiků.
Závěrečná zpráva Morávka je jednoduchá: než vybíráš nástroje, dej do pořádku data a znalostní infrastrukturu. AI nemůže využít svůj potenciál, pokud nemá co zpracovávat. Kontext je podstatnější než kvalita promptu nebo výběr modelu.