Rob Collie, generální ředitel a zakladatel P3 Adaptive a autor knihy Fair Game – série rozhovorů

Rob Collie je zakladatel a generální ředitel společnosti P3 Adaptive, partnera Microsoft Solutions Partner pro data a AI, který obsluhuje stovky středně velkých a Fortune 1000 klientů. Bývalý vedoucí inženýr v Microsoftu v týmech Excel, Bing a Power BI, po odchodu z Microsoftu vedl vlnu Power BI a napsal tři předchozí knihy o podnikání a technologiích (více než 92 000 prodaných kopií). Také moderuje podcast Raw Data with Rob Collie. Jeho čtvrtá kniha, Fair Game: Customizing AI to Your Business Is Easier Than You Think (srpen 2026), přenáší tuto praktickou důvěryhodnost do období AI.

Strávili jste více než deset let v Microsoftu a pomáhali vyvíjet funkce business intelligence v Excelu a Power BI, než jste v roce 2013 založil P3 Adaptive. Jaký dopad měl přechod od vývoje softwaru uvnitř Microsoftu k řešení datových problémů pro klienty na váš současný pohled na podnikové AI?

Když jsem vedl produktové týmy v Microsoftu, budovali jsme software, který musel fungovat pro celý svět a nemohl být přizpůsoben potřebám konkrétního zákazníka. Říkali jsme tomu „objednání pizzy, jejíž přísady jsou přijatelné pro 300 milionů lidí.“ Existuje nutně nálada nejnižšího společného jmenovatele a také určitá vzdálenost od jednotlivých zákazníků.

Bylo to určitě prestižní pracovat na tak velkém pódiu, ale nebylo to tak emocionálně uspokojující jako pomáhat konkrétním klientům realizovat jejich jedinečné ambice. Když úzce spolupracujete s klientem, máte možnost investovat do jeho úspěchu a zkoumat kreativní řešení, která by nikdy nepasovala do univerzálního modelu velkého softwaru. Je to v mnoha ohledech intelektuálně podnětnější a přímé spojení s našimi klienty dělá úspěchy mnohem uspokojivějšími.

Ale je tu i větší odpovědnost. V Microsoftu byl jeden nespokojený zákazník jen statistikou a já si stížnosti každodenně odkládal jako součást své práce. V P3 Adaptive však jeden nespokojený klient znamená selhání. Neexistují žádné statistiky. Máme odpovědnost ke každému jednotlivému vztahu.

V Microsoftu jsem se naučil spoustu cenných věcí a vyměnil bych tuto zkušenost za cokoli, ale často se označuji za „vyléčejícího se softwarového inženýra“, protože úspěch nyní znamená fungovat naprosto odlišně.

A to je přesně ten úhel pohledu, který přenáším do podnikového AI. Hotové AI je jako dokonalá pizza pro 300 milionů lidí – skutečný zázrak, navržený tak, aby byl užitečný pro každého, ale nikomu nepřizpůsobený. Avšak organizační úspěchy AI přicházejí z přizpůsobení – z toho, že se přiblížíte jedné konkrétní firmě a přizpůsobíte AI jejím datům, procesům a definicím. Strávil jsem svou kariéru na obou stranách tohoto rozdělení a nemám žádné pochybnosti, na které straně podnikového AI zvítězí.

V Fair Game tvrdíte, že mnoho společností přistupuje k umělé inteligenci obráceně tím, že rozšiřuje licence na obecné chatboty místo budování systémů, které rozumí jejich provozu. Kde končí limity hotových AI asistentů a jaké signály naznačují, že podnik potřebuje něco přizpůsobeného?

Hotové AI má doktorát ve všem kromě vašeho podnikání. Přečetlo celé internet, ale na internetu chybí definice vaší společnosti, co je „aktivní zákazník“, vaše cenová logika, vaše provozní procesy a které ze dvou systémů je třeba důvěřovat, když se rozcházejí. Tyto znalosti nikdy nebudou veřejně dostupné. Proto obecné AI, které je špičkou pro osobní použití, selhává v reálném podnikatelském prostředí a rozdíl mezi těmito dvěma zkušenostmi je jak odrazující, tak matoucí.

Dnes je prakticky odpovědí na otázku „co dělat s AI“ „koupit předplatné a zjistit to“. Myslím, že je to přirozený první krok, takže nikoho, kdo to udělal, nekritizuji. Naopak soucítím – nikdo si skutečně nevyhradí čas vysvětlit, že hotová předplatná nestačí, ani proč. Myslím tedy, že podniky jsou v podstatě tam, kde bychom je očekávali – zkoušejí dostupné řešení a začínají si uvědomovat, že není dostatečné.

Oprava nespočívá v úpravě samotného modelu AI – nemusíte se stát výzkumníkem LLM. Jde o vše, co model obklopuje: vaše data, vaše instrukce napsané srozumitelnou angličtinou a běžný software. Když si během týdne poprvé pátýkrát píšete stejný kontext do chatbotu, je to signál. Všechno, co neustále znovu vysvětlujete, je přesně to, co by přizpůsobený systém měl už vědět – pokaždé, když se probudí.

Používáte termín „Crafters“ (řemeslníci) k popisu datově zdatných obchodních profesionálů, kteří mohou vytvářet hodnotné přizpůsobené AI systémy, aniž by byli tradičními vývojáři softwaru. Jaké charakteristiky odlišují řemeslníka a jak mohou vedoucí identifikovat tyto lidi ve svém stávajícím týmu?

Řemeslník je někdo, který má vrozenou potřebu řešit problémy pomocí nástrojů. Podle mých zkušeností má takový tah přibližně jeden z šestiadvaceti znalostních pracovníků. Byli to uživatelé Excelu na vyšší úrovni, pak generace Power BI a následně lidé, které IT označilo jako „shadow IT“. Jsou to vaši analytici, modeláři financí, vedoucí provozu – lidé, kteří vyrostli v podniku a objevili talent na práci s nástroji.

Dvě vlastnosti je činí ideálními pro práci s AI. Za prvé, myšlení systémů: instinctivně rozkládají chaotický proces na vstupy, pravidla a výstupy, podobně jako profesionální vývojáři softwaru. Za druhé, zakotvení v podnikání: vědí, které čísla skutečně sleduje finanční ředitel, a co dotyčná osoba ve skutečnosti požaduje. Ani jednu z nich nelze naučit v bootcampu.

Jak je najít: sledujte tabulky. V současnosti ve vaší firmě jsou tabulky, dashboardy a automatizace v jádru kritických pracovních postupů. Žádný z nich nebyl vytvořen IT a každý má svého autora. Začněte tam. A pak posuďte, jak by mohli své dovednosti nasměrovat k přizpůsobeným AI řešením.

Proč se domníváte, že řemeslníci, a ne jen vývojáři, jsou nejlépe připraveni vést mnoho interních AI projektů, a jak by měly být rozděleny odpovědnosti mezi obchodní experty, datové týmy, softwarové inženýry, oddělení informačních technologií a bezpečnostní týmy?

Protože těžká část přizpůsobeného AI není kód – je to kontext. Největší přínosná aktivita v AI projektu je rozhodnout, co systém potřebuje vědět o vašem podnikání, a řemeslníci tuto znalost mají nativně. Skvělý inženýr, který přistane z třech úrovní organizačního diagramu, musí provést měsíce rozhovorů, aby se naučil to, co váš vedoucí provozu už zná reflexivně.

Ale rozhodně to není příběh o tom, že vývojáři jsou zastaralí. Rozdělení práce, které doporučuji, má tři faktory a žádný z nich není seniorita nebo osobnost: práce se přesouvá k profesionálním vývojářům, jak rostou znovupoužitelnost, komplexnost a citlivost. Cokoli, co je zákaznické, cokoli, co se dotýká citlivých dat, cokoli, co činí autonomní rozhodnutí – to je území vývojářů, a jak se počet agentů zvyšuje, tyto vzácné inženýrské dovednosti se stávají cennějšími, ne méně. Práce se přesouvá k řemeslníkům tam, kde převládá nuance obchodních procesů.

Existuje také podceněná střední cesta: řemeslník staví, vývojář audituje. IT a bezpečnost by neměli být strážci, kteří schvalují projekty k existenci – měli by vlastnit připravenou infrastrukturu. Poskytněte schválené platformy, pravidla přístupu k datům, kontrolní body revizí a nechte lidi nejblíže problémům stavět. Považujte to za model zralosti, ne za plot.

Přizpůsobené AI potřebuje přístup k firemně specifické terminologii, metrikám, procesům a institucionálním znalostem. Jakou roli hrají sémantické modely a stávající infrastruktura business intelligence při poskytování AI přesného porozumění společnosti?

Jsou to dekodérky. V současnosti jsou definice vaší společnosti – co se počítá jako aktivní zákazník, které náklady patří do hrubého zisku – uložené v hlavách lidí a v tisících mírně nekonzistentních tabulkách. AI agent nemůže spolehlivě uvažovat o vašich datech, dokud nejsou tyto definice sepsány ve formě, které stroj může důvěřovat. Průmysl začal tuto disciplínu nazývat „context engineering“ a já bych to přeložil takto: je to práce na strukturování toho, co vaše podnikání ví, aby AI to mohlo skutečně využít. Analytici to nazvali novinkou. Praktikanti BI to dělají už patnáct let.

To je dobrá zpráva, která je přímo před očima: pokud jste investovali do éry BI (a zejména pokud jste investovali do Power BI), možná už máte náskok. Dobře postavený sémantický model je přesně strojově čitelný záznam obchodního významu, který agenti potřebují. Společnosti, které svůj sémantický vrstvu braly jako doplněk, nyní zjišťují, že „nudná“ definice, kterou přeskočily, se stala mýtnou bránou na cestě k AI. A kriticky, tato práce je hluboce specifická pro vaše podnikání – což je přesně důvod, proč je to trvalá výhoda. Každý dodavatel vám může prodat stejný model. Nikdo vám nemůže prodat vaše vlastní definice.

Vytvořili jste vlastní AI editor, známý jako Eddie, který pomáhal při vývoji knihy Fair Game. Co systém během psaní skutečně dělal a co vám jeho úspěchy a neúspěchy ukázaly o navrhování AI kolem vysoce osobního pracovního postupu?

Pro upřesnění, každou kapitolu knihy jsem psal od nuly, zatímco Eddie většinou jen seděl a čekal. Někdy jsem strávil hodiny tvorbou celého oddílu kapitoly, než jsem ho požádal „ho“, aby si ho přečetl. Jindy jsem s ním výměnou myšlenek pracoval každých pár minut. Ale podstatné, Eddie byl k dispozici 24 hodin denně, 7 dní v týdnu. Mohu získat zpětnou vazbu stejně snadno ve tři ráno jako v jedné odpoledne a on ji vrátí během minuty nebo méně. Celkem si myslím, že Eddie přečetl rukopis alespoň třicetkrát. Žádný člověk by tuto práci nedokázal, protože žádný člověk by nechtěl to dělat.

Sledoval sliby, které jsem učinil ve třetí kapitole, a upozornil mě, když dvanáctá kapitola zapomněla na ně. Naučil se můj styl psaní a pak ho vynucoval – držel mě u nejlepší verze mého vlastního hlasu místo toho, aby mě nechal sklouznout do režimu Humorless Business Author. Říkal mi, když jsem byl líný a když jsem bil mrtvého koně. Měli jsme skutečné neshody a někdy on vyhrál.

Největší lekce v designu: Eddieho „mozek“ je napsán v angličtině a žije ve složce. Kdykoli poskytl zpětnou vazbu, která chyběla – příliš obecná, špatný register, zapomněl pravidlo, které jsem už uvedl – řešením bylo sepsat opravu a začlenit ji do jeho trvalého kontextu. Selhání nebyla selhání AI; byla to mezera v tom, co jsem mu ukázal. Tento cyklus – zaznamenat chybu, zakódovat lekci, sledovat, jak se uchytí – je celé řemeslo přizpůsobeného AI v miniaturě. A proto jsem nakonec vytvořil specializované Eddie pro publicitu, konkurenční výzkum a zprávy na webu. Stejný LLM pod povrchem. Ale různí specialisté.

Mnoho organizací věří, že před pokusem o přizpůsobené AI musí kompletně vyčistit a centralizovat svá data. Kolik připravenosti dat je skutečně potřeba k zahájení a jak mohou firmy začít vytvářet hodnotu, aniž by čekaly na dokonalý základ?

Dokonalost dat není předpokladem, a to je dobrá zpráva, protože dokonalost nikdy nepřijde. Pokud se nejprve snažíte vybudovat dokonalý datový majetek, jak radí mnohé poradenské firmy, budete stavět to, co nazývám „instalace potrubí jen pro sebe“ – drahé trubky všude, ale když se konečně dostanete k instalaci kohoutku, zjistíte, že tam, kde ho potřebujete, žádná trubka není.

Naše společnost místo toho prosazuje přístup „nejprve kohoutky“. Vyberte konkrétní případ použití a pracujte zpětně od obchodního dopadu místo dopředu od infrastruktury. Vybudujte MVP z tohoto případu a udělejte to s minimální novou infrastrukturou. Iterujte MVP, dokud nebude připravené do produkce, a pak se odstupte a vyhodnoťte, jak můžete svou infrastrukturu posílit, aby ji podpořila. To přináší obchodní dopad rychleji, minimalizuje náklady a informuje budoucí projekty – jak na úrovni kohoutku, tak potrubí.

Přizpůsobený AI prototyp může během demonstrace působit impozantně, ale stát se nespolehlivým při nasazení na skutečné zaměstnance, měnící se data a okrajové případy. Jaké hodnocení, monitorování a lidský dohled by měly být zavedeny před tím, než se interní AI systém stane provozním?

S několika výjimečnými výjimkami si myslím, že demonstrace jsou v éře AI méně cenné než v éře softwaru. Softwarové demonstrace vždy přeháněly a všichni jsme to věděli. AI demonstrace budou ještě dál od vaší reality.

AI se týká pracovních postupů. A není nic více přizpůsobeného než tisíce pracovních postupů, které pohánějí operace konkrétní organizace. Vraťte se k metaforě „nový zaměstnanec s PhD ve všem“. Kolik školení – a praktické zkušenosti v práci ve vaší firmě – nový zaměstnanec potřebuje, aby byl ve firmě efektivní? Jak může demonstrace vůbec zohlednit vše to?

Proto používáme demonstrace k podněcování myšlení. Ukázat jim, co je možné. Ne prodávat jim produkt. Skutečná demonstrace začíná prototypem přizpůsobeného řešení – MVP. A pak iterujeme a zlepšujeme. Rychle.

V určitém okamžiku je připraven na měkké spuštění nebo pilotní program. A opět se učíme – společně – a rychle zlepšujeme na základě toho učení. Toto je často fáze, kdy se monitorování, hodnocení a dohled dostávají do ostrého zaměření. Věci, které nakonec potřebujete, jsou často velmi odlišné od toho, co byste předem odhadovali.

Jak mohou firmy umožnit řemeslníkům experimentovat, aniž by vytvořily novou generaci shadow AI systémů, duplicitních pracovních postupů, bezpečnostních zranitelností a nástrojů, za které nikdo není zodpovědný?

Pamatujte, odkud vznikl shadow IT: nešlo o zlomyslnost, ale o nezbytné uspokojení nevyhověné poptávky. Řemeslníci staví, protože je trápí problémy – to je gen. Pokud schválená cesta znamená čekat rok, shadow AI zaplní mezeru – a to pod radarem, kde je nejnebezpečnější.

Proto udělejte schválenou dráhu snadnou. Dejte řemeslníkům schválenou platformu se zabudovanými bezpečnostními zábranami – identita, přístup k datům, logování – takže souladná volba je také pohodlná. Vedení lehké evidence: vše, co přechází z osobního experimentu na něco, na čem závisí druhá osoba, se zapíše s určeným vlastníkem. Toto jediné pravidlo eliminuje většinu problému s opuštěnými nástroji, protože nástroje s uvedeným jménem nejsou tiše opuštěny.

Poté aplikujte model eskalace: experimenty běží volně, ale jakmile se něco stane kritickým – více uživatelů, vyšší citlivost, větší autonomie – získává postupně více inženýrské revize. Řemeslník si udržuje vlastnictví obchodní logiky; vývojář posiluje to, co je třeba posílit. Cílem je model zralosti, ne proces povolení. Firmy už tento scénář s tabulkami prováděly a vítězi nebyli ti, kteří zakázali Excel.

Pro společnost, která zahajuje svůj první projekt přizpůsobeného AI, jak by měla vybrat počáteční případ použití, měřit, zda projekt přináší smysluplnou obchodní hodnotu, a rozhodnout, zda jej rozšířit, přepracovat nebo opustit?

Máme dva typy výchozích bodů, které používáme s našimi klienty.

Varianta první, hledejte úkoly, které nikdo nedělá – ne úkoly, které byste chtěli odstranit. Rád se manažerům ptám: „Kde jste si pomysleli: ‘kdybych měl jednoho člověka, který by to neustále sledoval a přemýšlel o tom, věci by se výrazně zlepšily – ale nemohl bych si dovolit najmutí celé pozice pro to’?“ Tyto často představují nejlepší výchozí body. Jsou bezpečné, budují důvěru, nikdo se necítí jako cíl, a kontrafaktuální je upřímný: alternativa nebyl člověk, který to dělá dobře, ale nikdo to nedělá (jako můj přítel editor Eddie).

Varianta druhá, zvažte nahrazení dashboardů datovými agenty. Ačkoliv se dashboardy zdály jednoduché, v praxi výrazně selhaly v naplnění slibu. Když má někdo obchodní otázku, je pro něj náročné přeložit tuto otázku do prostředí dashboardů. Kde je dashboard, který na tuto otázku odpovídá? Jak se jmenuje? Existuje vůbec? A pokud najdete „správný“, je přehledný a pohodlný k použití? Musíte jej opakovaně manipulovat, zapisovat nebo pořizovat snímky obrazovky různých verzí, abyste sestavili celkový obraz, který potřebujete?

V AI éře stačí vzít svou obchodní otázku – svými slovy – a napsat ji (nebo diktovat!) datovému agentovi, který vše za vás vyřídí a vrátí ověřenou, dobře prozkoumanou odpověď – včetně vizualizací – během minuty či dvou. Když máte doplňující otázku, rád ji také rychle zodpoví – během schůzky, dokud lze ještě rozhodovat.

Společná nit, která spojuje obě tyto úvodní možnosti? Obě řeší bolestivé body, které zaměstnanci přijmou místo odporu. Nechcete, aby vaše první AI iniciativy zasévaly nedůvěru. Chcete, aby naopak přivedly zaměstnance k diskuzi. Chcete, aby zaměstnanci navrhovali zlepšení a nové projektové nápady. Protože opět, vaše firma se skládá z tisíců pracovních postupů a vaši zaměstnanci je znají lépe než vy.

Co se týká rozšíření, přepracování nebo opuštění – buďte k sobě laskaví, protože výzkum v této oblasti je skutečně povzbuzující: většina úspěšných nasazení AI měla předtím selhání. První projekt, který přinese lekci místo výnosu, je výuka, ne důkaz, že AI nefunguje. Moje pravidlo: pokud lidé systém používají, rozšiřte jej. Pokud jej lidé nepoužívají, zjistěte proč, a odpovědi mohou být různorodé – od „protože nefunguje dobře“ po „protože tomu nerozumím“ až po „straší mě“. Odpověď určuje, zda zlepšit, přepracovat nebo opustit. Nemusíte předvídat, kam vše dopadne. Stačí začít někde poctivě.

Děkujeme za skvělý rozhovor, čtenáři by si také měli přečíst Fair Game: Customizing AI to Your Business Is Easier Than You Think.