Video vysvětluje, proč má smysl budovat AI systémy postupně – od základního chatovacího asistenta přes práci ve složce až po komplexní agenty – místo plánování dokonalého řešení od nuly. Filip Oborník upozorňuje na FOMO efekt kolem "stovek agentů" na sociálních sítích a vysvětluje, co za takovými tvrzeními reálně stojí. Zároveň popisuje, kdy naopak dává smysl koupit hotové řešení nebo najmout odborníka.
Začni od základů, ne od velkého systému. Nejdřív zvládni chat s projekty a pochop, jak funguje kontext v LLM – model je bezstavový, vše potřebné musí být v kontextovém okně.
Pracuj inkrementálně. Začni tím, že si agent napojíš na složku s lokálními soubory, testuj jak se chová, a teprve pak přidávej integrace (Notion, databáze, automatizace).
Migrace systémů dnes není drahá. Přesun dat z lokálních souborů do Notionu nebo jiného systému zvládne agent sám za pár hodin – není důvod odkládat start kvůli strachu ze změny.
FOMO kolem "stovek agentů" je přehnaný. Většina uživatelů má ve skutečnosti jednoduchý workflow nebo naplánované úlohy – ne autonomní AI systém řídící celý byznys bez zásahu člověka.
Pokud nechceš customizaci řešit sám, kup krabicové řešení nebo najmi odborníka. Pro větší firmy a enterprise projekty je hloubkové plánování od začátku nebo externí konzultant na místě.
Jakmile pochopíš základní principy (kontext, bezstavovost, skills jako šablony, subagenti pro paralelní práci), složitější systémy jako OpenClaw nebo Hermes přestanou působit jako magie.
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Filip Oborník v tomto epizodě popisuje jeden z nejčastějších problémů lidí, kteří začínají pracovat s AI nástroji na míru: rozhodovací paralýzu. Máš velkou představu – knowledge base, automatické generování příspěvků, zpracování poptávek, AI asistent napojený na mail a kalendář – ale nevíš, kde začít. A právě ta mezera mezi vizí a prvním krokem způsobuje, že spousta lidí nezačne vůbec.
Filip hned na začátku odděluje dvě skupiny. Pokud ti vyhovuje koupit hotové řešení, které funguje pro tvoje odvětví bez nutnosti konfigurace, není co řešit – prostě si ho kup. Ale pokud chceš AI skutečně přizpůsobit svým procesům, musíš jít cestou customizace. A ta má jednu podmínku: postupnost.
Základní princip je inkrementální zlepšování. Nezačínáš návrhem složité architektury s vektorovým vyhledáváním, SQL databázemi a propojenými systémy. Začínáš tím, že si do asistenta přidáš přístup k mailům nebo kalendáři. Pak přejdeš k práci ve složce – nahraješ si tam firemní dokumenty, politiky, Tone of Voice – a s agentem (třeba Cursor, Claude Code nebo Codex CLI) si začneš o těch souborech povídat. Není to dokonalé, ale funguje to. A fungující imperfektní systém má větší hodnotu než dokonalý plán, který nikdy nespustíš.
Filip vysvětluje i proč se nemusíš bát pozdější migrace. Přesunout data z lokálních souborů do Notionu nebo jiného systému dnes zvládne agent sám – plánuješ, co se má stát, spustíš ho večer a ráno máš hotovo. Náklady na změnu jsou minimální, takže argument "nechci to pak předělávat" přestává platit.
Důležitá část epizody se věnuje základním principům LLM, které stojí za to pochopit dřív, než se pustíš do složitějších systémů. Model je bezstavový – nepamatuje si nic mezi voláními, vše potřebné musí být v kontextovém okně. Markdown struktury, rules soubory a skills jsou jen způsoby, jak dostat do kontextu co nejvíce relevantních informací bez jeho zbytečného plýtvání. Subagenti existují proto, aby paralelizovali práci nebo šetřili kontextová okna tím, že mají vlastní.
Filip také demystifikuje FOMO kolem "stovek agentů" na LinkedIn a sociálních sítích. Tvrzení, že někdo má stovky agentů řídících celý byznys, může být technicky pravdivé, ale realita bývá prozaičtější: jeden workflow, pár naplánovaných úloh v cloudu, agent nainstalovaný na VPS. Dokud nevidíš skutečnou implementaci, čísla nic neznamenají. Platí zde varianta starého programátorského pravidla: "shut up and show me the agent implementation."
Závěrečné doporučení je jasné: pro menší firmy a jednotlivce je experimentování a postupné nabalování funkcionalit jediný způsob, jak AI systémům skutečně rozumět. Pro enterprise projekty – nebo kdykoli chceš výsledek bez vlastní investice do učení – je lepší najmout odborníka nebo sáhnout po krabicovém řešení.