Chris Perry, zakladatel a výkonný ředitel Andus Labs – série rozhovorů

Chris Perry, zakladatel a výkonný ředitel Andus Labs, je odborník na komunikaci, digitální strategii a inovace s téměř třemi desetiletími zkušeností v pomoci organizacím orientovat se v zásadních změnách technologií a podnikání. Před založením Andus Labs v roce 2025 strávil Perry více než 22 let ve společnosti Weber Shandwick, kde zastával řadu vedoucích pozic, včetně předsedy Futures, ředitele pro inovace, prezidenta digitální komunikace, výkonného viceprezidenta digitální strategie a provozu a seniorního viceprezidenta. Dříve ve své kariéře pracoval v oblasti technologické komunikace ve společnosti General Motors a působil jako viceprezident ve společnosti Edelman. Jeho kariéra se soustředila na digitální transformaci, vznikající technologie, organizační změny a vývoj vztahu mezi technologií a lidmi, kteří ji uvádějí do praxe.

Andus Labs pomáhá podnikům převádět schopnosti AI na praktické organizační výsledky tím, že se zaměřuje na lidské systémy obklopující technologii. Společnost popisuje svou misi jako vytvoření “Human OS for AI” – operační vrstvy navržené k orchestraci práce mezi lidmi a AI agenty – na základě předpokladu, že investice do AI často nenaplňují očekávání, když je organizační připravenost, pracovní postupy a adopce pozadu za samotnou technologií. Jejich činnost zahrnuje programy pro orchestraci AI práce, produkty určené k posílení a rozšíření organizačního učení a širší síť odborníků z praxe, umělců a humanistů zkoumajících, jak mohou lidé a AI efektivně spolupracovat.

Strávil jste více než dvě desetiletí ve Weber Shandwick, kde jste postoupil od seniorních digitálních rolí k pozicím ředitele pro inovace a předsedy Futures, než jste v roce 2025 založil Andus Labs. Co jste během té doby ve velkých organizacích pozoroval, co vás přesvědčilo, že největší překážkou transformace AI bude lidský a organizační systém kolem technologie, spíše než samotná technologie?

Naučil jsem se to poprvé v grafickém studiu mého otce v Detroitu, kde jsem začínal, ještě před Weber Shandwick. Desktop publishing přesunul práci, kterou jeho sazci a ilustrátoři dělali ručně, do softwaru. Zničilo to jeho obchodní model a on si posun neuvědomil, dokud nebylo příliš pozdě.

Ve Weber Shandwick jsem spolupracoval s některými z největších světových společností během nových technologických vln: sociální média, blogy, video, mobil, data. Každýkrát byl vzorec stejný. Technologie přišla. Lidé pocítili změnu a začali ji používat sami. Vedení a struktura společnosti se přizpůsobily až na závěr.

V těch dřívějších vlnách společnosti zaplatily za tento zpožděný vývoj ztrátou pozice, ale lidé stále práci vykonávali. AI dělá s prací založenou na znalostech to, co desktop publishing udělal s ateliérem mého otce. Způsob, jakým lidé práci provádějí, se začlení do softwaru.

Obchodní školy vás neučí, jak řídit společnost, kde lidé a agenti sdílejí práci. Většina firem přidá AI jako doplněk a starou práci dokončí rychleji. Skutečný přínos nastává, když lídři umožní svým lidem přetvořit práci s AI. Práce mění svůj tvar, místo aby se jen zrychlila.

Pojmenovali jsme to Andus Labs, jako „and us“, protože jsme vsadili, že výnos bude záviset na lidech.

Andus Labs tvrdí, že podniky mohou mít pokročilé AI schopnosti, ale stále postrádat „lidskou připravenost“ potřebnou k zachycení hodnoty z nich. Co odlišuje společnost, která úspěšně nasadila AI, od té, která skutečně transformovala způsob, jakým je práce vykonávána?

Posadil jsem se s firmou, která hlásila 80 % adopci AI a změnu v tom, jak je práce vykonávána, jen okolo 5 %. Pouze číslo adopce se objevilo v prezentaci představenstvu. Druhé číslo nebylo skryté. Dashboard pro něj prostě neměl místo.

Nasazení je snadno měřitelné. Přidělené licence, nasazení agenti, přihlášení. To je aktivita, ne dopad. Ptáme se klientů, co může společnost nyní udělat, co předtím nedokázala. Většinou je upřímná odpověď, že jde o stejné zprávy, prezentace a analýzy, jen rychlejší.

Společnosti, které transformují, měří něco jiného. Přinesl pilot dostatečnou hodnotu, aby byl vhodný k rozšíření? Můžeme předložit představenstvu něco, co jsme před rokem nedokázali vytvořit? Ulevuje AI našim nejcennějším lidem, aby mohli vykonávat práci, kterou mohou jen oni? Žádná z těchto otázek se nedá tak snadno spočítat jako počet licencí, ale jsou to ukazatele, které říkají, zda se něco posunulo.

Tyto otázky také potřebují vlastníka. Zeptáte se, kdo to ve většině firem je, a získáte seznam. CIO vlastní platformy. Centrum excelence vlastní piloty. HR vlastní školení. Dopad na podnikání není nikomu přiřazen.

Jedna společnost vám může říct, kolik lidí má přístup. Druhá vám může říct, co se změnilo a kdo za to odpovídá.

Ground Truth Index nyní vychází z knihovny 300 zdokumentovaných vzorců pozorovaných při spolupráci a rozhovorech s vedoucími pracovníky napříč 595 organizacemi. Každý vzorec hodnotí pět nezávislých analytických agentů, než výzkumníci posoudí a rozhodnou o konečném pořadí. Jak se tato metodika vyvíjela, kde do procesu vstupuje lidský úsudek a jak bráníte tomu, aby Index pouze posiloval předpoklady, které už byly přítomné ve vašich terénních pozorováních?

Metoda se změnila, jak knihovna rostla. Každý vzor začíná tím, co slyšíme a vidíme v rozhovorech s obchodními lídry. Každý nový signál porovnáváme s knihovnou, testujeme jej proti pozorování v terénu a externímu výzkumu a rozhodujeme, zda je skutečně nový, posiluje již sledovaný vzor, nebo patří někam jinam.

AI nám pomáhá každé čtvrtletí zhodnotit celou knihovnu, což by výzkumný tým nedokázal ručně. Agenti čtou každý vzor z jiného profesionálního úhlu pohledu a hodnotí jej podle stejných pěti dimenzí. Pracují naslepo, takže žádný agent nemůže ovlivnit druhého. Používáme medián, aby jediný odlehlý výsledek nemohl skóre výrazně změnit, a nejlepších 50 jde k lidskému přezkoumání.

Lidský úsudek prostupuje celým procesem. Náš výzkumný tým schvaluje každý vzor, který vstoupí do knihovny, přezkoumává žebříčky a rozhoduje o finálních 25. Nejvíce se zaměřujeme tam, kde se agenti neshodují, a kde mediální pozornost odporuje tomu, co slyšíme v terénu. Skóre můžeme upravit, ale jen na základě zdokumentovaného pozorování: kdo jej navrhl, jak často jsme o něm slyšeli a zda vydrželo napříč organizacemi. Pouhá intuice skóre nezmění.

Nový Ground Truth Index řadí „Empty Chairs“ jako největší překážku pro podnikovou AI a popisuje organizace, které dávají AI systémům vliv na rozhodnutí jako nábor, cenotvorbu a riziko, aniž by jasně určily, kdo je za ně odpovědný nebo má pravomoc je zrušit. Jak AI přechází od doporučování akcí k skutečnému formování obchodních výsledků, jak by měla v praxi vypadat smysluplná lidská odpovědnost?

Čím více funkcí AI zasáhne, tím více rozhodnutí činí jménem společnosti. Odpovědnost se tak stává otázkou řízení dříve než technologickou.

Odpovědnost obvykle leží někde mezi tím, kdo zakoupil AI systém, a tím, kdo jej používá, a žádná ze stran ji nevlastní. Mezera zůstává neviditelná, dokud není rozhodnutí napadeno. To je prázdná židle.

Odpovědnost znamená konkrétního vedoucího, který vidí, co systém produkuje, a dokáže výsledek vysvětlit, opravit nebo systém zastavit. To vyžaduje pravomoc nad procesem, který obvykle zasahuje do několika oddělení.

Žádáme vedoucí, aby vybrali jedno zásadní rozhodnutí, při kterém AI v tomto čtvrtletí pomohla, a řekli nám, kdo je za něj odpovědný. Když odpověď není jasná, společnost změnila způsob, jakým se rozhodnutí přijímají, aniž by určila, kdo za ně odpovídá.

“Learning While Drowning” je na druhém místě v novém Indexu a upozorňuje na společnosti, které nařizují AI školení, aniž by změnily stávající pracovní zátěž zaměstnanců. Současně „Optimization Temptation“ ukazuje, jak snadno firmy dokážou kvantifikovat úspory v počtu zaměstnanců ve srovnání s těžko měřitelnou hodnotou přerozdělení lidí na práci s vyšší přidanou hodnotou. Podceňují firmy zásadně organizační investice potřebné k tomu, aby jejich pracovní síla byla s AI produktivnější, místo aby AI jen snižovaly náklady?

Ano. Úspory z odstranění role je snadné zaznamenat v tabulce. Hodnota znalostí, vztahů a úsudku této osoby je mnohem obtížnější zachytit. Úspory se projeví v tomto čtvrtletí. Ztráty se mohou hromadit po léta.

Předpoklad stojící za škrty je často také chybný. AI zefektivňuje současnou práci a zároveň odhaluje nové úkoly, které je třeba vykonat. Vidíme, že týmy se přizpůsobují, lidé přecházejí na jiné pozice místo toho, aby byly celé funkce zrušeny.

Povinné školení je rozhodnutí o pracovní zátěži. Firmy naskládají AI školení na stávající práci a pak nízkou míru dokončení školení považují za problém motivace. Investice, kterou vynechají, je ta, která nikdy nedojde do rozpočtu. Rozhodování, která práce bude zastavena, zmenšena nebo přesunuta, aby se uvolnilo místo, a určení, kdo to schválil. Učení trvá. Aplikace vyžaduje ještě více, protože lidé musí testovat neznámé nástroje, kontrolovat výstupy a měnit dosavadní způsob práce.

Odpověď není další položkou v seznamu. Přidělte týmu reálný projekt a učení probíhá přímo v práci.

Index také identifikuje „Devaluation Anxiety“, což odráží obavy z toho, co se stane se zaměstnanci, když AI dokáže vykonávat stále hodnotnější části jejich práce. Kolik z toho, co vedoucí označují jako odpor vůči AI, je ve skutečnosti racionální úzkost o kariérní hodnotu, a co by měli lídři při zavádění těchto systémů dělat jinak?

Většina je racionální. Zaměstnanci slyší o efektivitě AI v jednom oznámení a o propouštění v dalším. Formují si vlastní závěry.

Vedení to považuje za oddělené zprávy. Týmy ne. Dokončí školení a zdráhají se experimentovat, které by jej učinilo užitečným.

Ujištění to nevyřeší. Vedoucí musí říci, co bylo rozhodnuto ohledně pracovních míst, co je stále nejisté a jakou podporu mohou lidé očekávat.

To samé platí pro odměnu. Firmy vymezují, co podnik od AI očekává, a nevyplní část pro zaměstnance. Pokud někdo pracuje rychleji, co z toho získá? Více prostoru pro kvalitnější práci, cesta k povýšení, ušetřený čas? To by mělo být součástí plánu nasazení.

Vedoucí žádají své týmy, aby s AI pracovali jinak. Týmy čekají, až to nejprve udělají vedoucí.

Dalším vzorcem, který identifikujete, je „Aktivní setrvačnost“, kdy organizace používají AI k urychlení stávajících procesů, aniž by je zásadně změnily. Jak vypadá skutečný přepracování pracovních postupů od základu pro AI a můžete uvést příklad rozdílu mezi zrychlením starého procesu a přestavbou procesu kolem toho, co AI nyní umožňuje?

Většina firem nasměruje AI na to, co je nejjednodušší automatizovat, což je často práce, která by vůbec neměla existovat. Zprávy jsou vydávány rychleji. Schválení probíhají stejným tempem jako vždy. To je Aktivní setrvačnost.

Redesign určuje předem, co AI modely dělají a co tým přebírá, a pak se staví na míru tomu místo dědění starého tvaru.

Vezměte týdenní zprávu. V rychlejší verzi ji navrhne AI a stejní lidé kontrolují stejný dokument podle stejného harmonogramu. Přestavěná verze se ptá, k čemu zpráva slouží. Pokud existuje proto, aby někdo včas zachytil problémy, systém může na problém upozornit v okamžiku, kdy nastane, a zpráva zanikne.

Napsal jste, že „hodnota se rovná schopnosti krát absorpce“ a argumentoval jste pro systémy spíše než jen software. Jak se modely na špici stále více komodifikují a jsou dostupné všem, může se schopnost organizace absorbovat a reorganizovat se kolem AI stát trvalejší konkurenční výhodou než samotný přístup k modelům?

Ano. Nasazení modelů je snadné ve srovnání se změnou práce kolem nich. Přicházejí s mimořádnou silou, každé čtvrtletí se stávají levnějšími. Stejné modely jsou k dispozici komukoli. To, co si nemůžete koupit, je jedinečný kontext ve firmě a týmy připravené je využít na plný potenciál.

To, co nazýváme „kapacita přijímání“, je starý pojem. Je to schopnost týmu přijmout něco nového a uvést to do praxe, a skládá se z rozhodovacích pravomocí, pobídek, pracovních postupů, návrhu pracovních míst a dostatečné důvěry, že lidé vám řeknou, co se pokazilo. Nic z toho nelze pronajmout.

Popisuji hodnotu jako schopnost krát absorpci, protože se násobí. Nepřičítají se. Skvělý model vložený do organizace, která ho nedokáže přijmout, je dokonalá součást připevněná k selhanému těsnění. Schopnost je reálná. Návratnost je stále nulová.

Agentní AI zavádí další vrstvu složitosti, protože systémy mohou stále častěji podnikat akce, používat nástroje a sledovat cíle místo pouhého generování odpovědí. Kde by měly podniky nakreslit hranici mezi autonomií agenta a lidským rozhodováním a jaké nové řídící struktury budou potřeba, když agenti získají větší pravomoci?

Začněte jednou otázkou: kdo nese odpovědnost, když se agent mýlí?

Stanovte hranici mezi tím, co rozhodne agent, a tím, co rozhodne člověk, ještě před tím, než něco půjde do provozu. Většina firem tuto hranici najde až poté, co se něco už rozpadlo.

Kde je chyba levná na opravu a objeví se rychle, nechte agenta pracovat. Když rozhodnutí ovlivní to, co někdo vydělá, zda si udrží práci nebo kde stojí právně, člověk učiní rozhodnutí a agent jej připraví.

Instinkt je centralizovat. Zřídit výbor, napsat rámec, čekat, až to bude zvládnutelné. Do té doby, než se pokyny z vrchu dostanou k práci, jsou zastaralé, a lidé, kteří nedostanou odpověď, začnou používat nástroje, které společnost nikdy neschválila.

Řízení musí být blízko práce. Týmy potřebují vědět, co může který agent rozhodnout, kdo za to odpovídá a jak to zastavit. A potřebují záznam o tom, co udělal.

Organizační schéma nebylo nikdy vytvořeno pro agenty pracující napříč funkcemi, takže žádná jednotlivá funkce neodpovídá za selhání. Vyřešte to před nasazením, ne po něm.

Při pohledu do budoucna: pokud se největší omezení podnikového AI stále častěji stávají organizačními spíše než technickými, jak očekáváte, že se samotné firmy změní? Které části dnešního organizačního schématu, manažerské struktury, návrhu pracovních míst a rozhodovacích procesů jsou nejméně pravděpodobné, že přežijí přechod k organizacím postaveným kolem lidí a AI agentů pracujících společně?

Funkční organizační schéma je nejméně pravděpodobné, že přežije. Většina firem stále funguje podle funkcí, přičemž práce přechází z jednoho oddělení do druhého a při každém předání je vyžadováno schválení. AI vytváří práci během minut, zatímco schválení kolem ní trvají týdny. Vedoucí jsou vyzváni, aby se pohybovali rychleji v systémech navržených tak, aby věci zpomalovaly.

Toto schéma bylo vytvořeno pro lidi předávající práci lidem, ne pro rozhodnutí sdílená mezi lidmi a agenty.
Výbor to nevyřeší.

Co nahrazuje schéma, vypadá jako malé týmy organizované kolem problému. Vedoucí pojmenuje problém, který stojí za řešení, rozhodne, co musí být pravda, aby byl vyřešen, a nasadí tým lidí a agentů. Tento tým získá vlastní financování a ochranu, protože nemůže fungovat jako zbytek podniku. Lidé v něm činí rozhodnutí vyžadující úsudek a nesou odpovědnost za to, co agenti vytvoří.

Elektromotory dorazily do amerických továren v 80. letech 19. století, ale nárůst produktivity se projevil až v 20. letech 20. století. Zpočátku továrny umístily jeden velký motor tam, kde byl parní stroj, poháněly stejné transmisní hřídele a nechaly každé zařízení na místě. Zisky přišly, když každému stroji přiřadili vlastní motor a uspořádali výrobní prostor podle potřeb práce.

Přeskupení bylo revolucí.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více, mohou navštívit Andus Labs nebo se podívat na Ground Truth Index.