Victor Coimbra, technický ředitel a řídící partner ve společnosti Artefact – série rozhovorů

Victor Coimbra je technickým ředitelem a řídícím partnerem ve společnosti Artefact, kde vede týmy zaměřené na umělou inteligenci, datovou vědu a vývoj v celé Americe. Jeho kariéra spojuje zkušenosti s obchodní strategií ve společnostech Bain a Accenture s praktickým vedením týmů, které dodávají systémy umělé inteligence a strojového učení ve složitých podnikovém prostředích. Zaměřuje se na pomoc organizacím při propojování technických možností s měřitelnými obchodními výsledky, včetně architektury, řízení a provozních modelů potřebných k rozšiřování využití umělé inteligence.

Artefact je globální poradenská společnost zaměřená na data a umělou inteligenci, která pomáhá podnikům vytvářet strategie, budovat datové platformy, zavádět řešení umělé inteligence a řídit organizační změny. Působí v řadě odvětví, mimo jiné ve finančních službách, zdravotnictví, výrobě a maloobchodu. Před akcí Adopt AI Summit, která se uskuteční 3.–4. prosince 2026 v pařížském Grand Palais, Coimbra hovoří o tom, jak mohou podniky překonat fázi pilotních projektů, budovat týmy propojující lidi a agenty umělé inteligence a měřit přínos umělé inteligence v ostrém provozu.

Vaše kariéra vás zavedla od obchodní strategie ve společnosti Accenture k vedení týmů zaměřených na umělou inteligenci, datovou vědu a vývoj ve společnosti Artefact napříč Amerikou. Jak tato kombinace strategického poradenství a praktického technického vedení ovlivnila váš přístup k pomoci podnikům proměňovat investice do umělé inteligence v měřitelné obchodní výsledky?

Naučilo mě to vždy propojovat strategii v oblasti umělé inteligence s její realizací. Díky strategické práci ve společnostech Bain a Accenture jsem pochopil, že vedení firem investuje do změn konkrétních položek ve výkazu zisku a ztráty. Inženýrská praxe mě naučila, že se velká část této hodnoty může ztratit někde mezi prezentací a ostrým provozem.

Dnes je umělá inteligence méně o technologiích a více o budování ochranného valu kolem klíčových obchodních činností. Zásadní otázkou je, jak proměnit individuální produktivitu v přínos pro celý podnik a vytvořit skutečně sdílenou kognitivní kapacitu napříč společností.

Vyžaduje to kombinaci strategie a realizace, a právě díky tomu, že jsem se věnoval obojímu, jsem se toho hodně naučil.

Přestože organizace do umělé inteligence výrazně investují, mnohé z nich mají stále problém posunout se za fázi úspěšných pilotních projektů. Jaké jsou podle vašich zkušeností nejčastější překážky, které brání podnikovým iniciativám v oblasti umělé inteligence dostat se do ostrého provozu, a čím se liší společnosti, kterým se daří jejich nasazení úspěšně rozšiřovat?

Podle mých zkušeností se řada pilotních projektů zastaví, protože se umělá inteligence přidává do organizací navržených výhradně pro lidi. Technologie obvykle funguje. Často ale zůstává nevyřešené rozdělení práce: které úkoly mají na starosti agenti, které zůstávají lidem, kdo výsledky kontroluje a kdo za ně odpovídá.

Škálování navíc obvykle zpomalují 3 problémy: náklady na tokeny, které při cenách závislých na využití prudce rostou, zabezpečení a řízení a také zavádění, při němž přístup nikdy nepřeroste ve skutečné používání.

Společnosti, kterým se podle mých zkušeností daří rozšiřovat využití umělé inteligence, ji vnímají jako příležitost k přebudování organizace. Realizaci rozdělují do 2 smyček. Vnitřní smyčku zajišťují agenti od začátku do konce: píší kód, sestavují, testují, odesílají a kontrolují. Ve vnější smyčce lidé určují záměr, ověřují výsledek a sledují náklady i kvalitu. Poté vybudují jednotnou platformu, na níž všechna řešení stavějí a kterou opakovaně využívají pro každý případ použití.

Píšete o tom, jak důležité je budovat organizaci, jejímž základem je umělá inteligence, místo pouhého přidávání chatbotů a kopilotů do stávajících systémů. Jaké zásadní změny v architektuře podnikových technologií jsou pro tento přechod nezbytné a do čeho dnes firmy investují méně, než by měly?

Společnost, jejímž základem je umělá inteligence, funguje na platformě, kterou tvoří 4 vrstvy: řídicí prostředí, kontext, model a infrastruktura. Řídicí prostředí je místo, kde se lidé a agenti setkávají a spolupracují; jde o celou aplikaci vystavěnou kolem modelu. Kontext určuje, co agenti vědí a jaké mají pravomoci. Vrstva modelu zajišťuje přístup k modelům, směrování požadavků a jejich správu při odpovídajících nákladech. Infrastruktura je prostředí, v němž modely skutečně běží, a zahrnuje také otázku, kdo má přístupové klíče.

Pozornost se přirozeně soustřeďuje hlavně na viditelných 20 %: kopiloty a chatovací nástroje. Skrytých 80 % představuje většinu inženýrské práce a právě zde se rozhoduje o nákladech, zabezpečení a kontrole.

Moje doporučení je jednoduché. Obecná řídicí prostředí kupujte, ta specifická pro dané odvětví si vytvářejte sami. Modely a infrastrukturu si pronajímejte a experimentujte s nimi, protože se mění každé čtvrtletí. A svůj kontext mějte plně pod kontrolou. Právě tato vrstva je skutečně vaše a právě do ní podle mě stojí za to investovat více.

Umělá inteligence se vyvíjí od nástroje, který zaměstnancům pomáhá, k systému, jenž samostatně vykonává složité pracovní postupy. Jak by měly organizace určit, které procesy jsou vhodné pro automatizaci pomocí agentů? Jaká technická a provozní ochranná opatření je třeba zavést, než agentům umělé inteligence svěří větší rozhodovací pravomoci?

Podle mého názoru agentům velmi dobře jdou činnosti zaměřené na minulost, zatímco lidem ty, které směřují do budoucnosti. Agenti vynikají ve všem, co vychází z existujících informací, například v analytice, programování, testování, dokumentaci a odsouhlasování. Lidé mají na starosti to, co vyžaduje kreativitu, která je ze své podstaty zaměřená na budoucnost: cit, vizi, plánování, rozhodování a posuzování, zda je výsledek skutečně dobrý.

V praxi to odpovídá 2 smyčkám. Agenti zajišťují vnitřní smyčku a provádějí úkoly. Lidé mají na starosti vnější smyčku: záměr, ověřování a dohled.

Ochranná opatření jsou součástí návrhu, ne jen instrukcí v promptu. Používáme 6 vrstev řídicího rámce: zachycení úkolu, paměť, zabezpečené pracovní prostředí s izolovaným běhovým prostředím a oprávněními, pracovní cyklus s kontrolními body a upřesňujícími dotazy, směrování mezi modely a ochranná pravidla, která stanovují, co agent nemůže dělat samostatně, například požadavky na schválení člověkem, kontroly souladu s pravidly a ochranu osobních údajů. Autonomie pak roste spolu s prokázanými výsledky, stejně jako u nového zaměstnance.

Popisujete agenty umělé inteligence jako spolupracovníky, nikoli jako běžné softwarové nástroje. Jak tento pohled mění způsob, jakým by organizace měly strukturovat týmy, rozdělovat odpovědnosti a školit zaměstnance ke spolupráci se stále autonomnějšími systémy umělé inteligence?

Hybridní organizace už existují. Za nejdůležitější otázku dnes považuji, jak rozdělit pracovní sílu mezi lidi a agenty. Věřím, že právě to je klíčem k růstu ve velkém měřítku.

V hybridním týmu organizační struktura rozděluje kognitivní kapacitu, nikoli počet zaměstnanců. V zavedeném technologickém týmu podle mých zkušeností připadá 15 % práce výhradně na lidi, 25 % na práci s podporou umělé inteligence a 60 % na agenty. Vedoucí IT určuje záměr, rozděluje kapacitu a odpovídá za výsledky i náklady. Zkušený vývojář ověřuje výstupy agentů a rozhoduje o architektuře. Agent koordinátor směruje úkoly a vykazuje náklady, zatímco kontrolní agent prověřuje každý výstup.

Přínosy se násobí ve 3 krocích. Zaměstnanci, kterým pomáhá umělá inteligence, dosahují přibližně pětinásobné produktivity. Agenti jako syntetičtí zaměstnanci, kteří odvádějí práci od začátku do konce, přinášejí přibližně desetinásobnou produktivitu. Věřím, že koordinace obou skupin jako jedné pracovní síly skýtá potenciál stonásobného zlepšení.

Stejnou logikou se řídí i školení. Lidé se učí zadávat úkoly agentovi jako mladšímu vývojáři, poskytnout mu strukturovaný kontext a jasně definovat očekávané výsledky, aby svůj čas mohli věnovat úsudku, plánování a rozhodování.

Podnikové systémy umělé inteligence jsou výrazně závislé na spolehlivé datové infrastruktuře, přesto se mnoho organizací stále potýká s roztříštěnými daty, nejednotným řízením a zastaralými technologiemi. Jaké základní schopnosti by měly firmy upřednostnit při přípravě svých datových platforem na agentní umělou inteligenci a jak je mohou modernizovat, aniž naruší stávající provoz?

Navrhněte datovou platformu pro nový typ uživatelů: agenty. Když se na řídicím panelu objeví chybné číslo, člověk ho zpochybní. Agent podle chybného čísla jedná, a to ve velkém měřítku.

Upřednostněte 4 schopnosti. Sdílené obchodní definice, aby všichni agenti i týmy rozuměli pojmu „aktivní zákazník“ stejně. Integrační brána s ověřováním identity a standardními protokoly, jako je MCP, která agentům umožní přistupovat k datům s oprávněními role, za kterou jednají. Možnost sledovat kvalitu a původ dat. A také zacházení s nestrukturovanými daty jako s prvotřídním aktivem, protože většina skutečných znalostí se skrývá ve smlouvách, požadavcích a zápisech z jednání.

Aby modernizace nenarušila provoz, nejprve obalte starší systémy a migrujte postupně, případ od případu. Agenti mění i ekonomickou stránku této práce. Migrační procesy využívající více agentů dnes dokážou během několika měsíců modernizovat stovky tisíc řádků zastaralého kódu, přičemž o architektuře rozhodují lidé.

Kromě přístupu ke strukturovaným datům potřebují agenti umělé inteligence stále častěji rozumět institucionálním znalostem, obchodním procesům a kontextu organizace. Jak mohou podniky tyto znalosti účinně zachytit a začlenit do svých systémů umělé inteligence a jaká rizika vznikají, když agenti pracují bez dostatečného obchodního kontextu?

Kontext mění model v kolegu. Nástroje rozumějí úkolům, agenti kontextu. Ani mladšího vývojáře nepožádáte o práci, aniž mu vysvětlíte cíl, omezení a podobu dobrého výsledku; u agenta to není jiné.

Zachycujte znalosti přímo při práci, nikoli prostřednictvím rozsáhlých dokumentačních projektů, které se obtížně udržují aktuální. Každá schůzka, požadavek, rozhodnutí i oprava přispívají do kontextové vrstvy, která propojuje soubory, tabulky, vektory a graf vztahů. Každý dokončený úkol se zapíše zpět do paměti, takže se organizace učí s každým odevzdaným výstupem. I kontext potřebuje vlastní správu: evaluace, oprávnění a kontrolu nákladů.

Bez kontextu mívají agenti několik předvídatelných problémů. Řídí se psanými pravidly, ale přehlédnou nepsané, která všichni znají. Vyhledají nesprávné informace a odpovídají s naprostou jistotou. Pracují s údaji z minulého čtvrtletí. A kontextová vrstva bez přísných oprávnění může ohrozit citlivá data.

Mnoho společností hodnotí úspěch umělé inteligence podle zvýšení produktivity, míry přijetí nebo počtu zahájených pilotních projektů. Jakými ukazateli by měli ředitelé IT a vedoucí pracovníci firem měřit skutečnou návratnost investic do umělé inteligence, zejména s ohledem na náklady na infrastrukturu, průběžnou údržbu a provozní složitost autonomních agentů?

Měřte hybridní pracovní sílu, nikoli nástroj. Přijetí je pouze první ze 4 úrovní a vždy se posuzuje vůči výchozímu stavu zjištěnému před zavedením. U přijetí se zjišťuje, zda lidé nástroj používají. Produktivita ukazuje, zda práci dokončujeme rychleji: měří se doba průchodu, objem práce a doba řešení. Kvalita ukazuje, zda jsou výstupy lepší: sledují se neodhalené vady, míra neúspěšných změn a opakovaná práce. U hodnoty a nákladů jde o to, zda se investice vyplatí: posuzuje se uvolněná pracovní kapacita, doba uvedení na trh a celkové náklady na úkol.

Snadno přehlédnutelným ukazatelem je přesun kognitivní kapacity mezi lidmi a agenty v jednotlivých týmech. Uvolněnou kapacitu lidí je třeba záměrně přesměrovat na práci zaměřenou na budoucnost. Jinak se část přínosu ztratí.

Pokud jde o náklady, ceny se přesouvají od paušálních poplatků k platbám podle využití, což může ztížit jejich předvídání. Směrování modelů a FinOps proto patří do platformy od prvního dne. S výdaji na AI zacházejte jako s výdaji na cloud: mějte o nich přehled, přiřazujte je konkrétním týmům a propojujte je s dosaženou hodnotou.

Artefact spolupracuje s podniky ve finančních službách, zdravotnictví, výrobě, maloobchodu a dalších odvětvích, v nichž přináší zavádění AI různé výzvy. Jaké poznatky přináší nasazování v praxi v těchto sektorech a jak by měly organizace hledat rovnováhu mezi inovacemi, dodržováním předpisů, spolehlivostí a lidským dohledem?

Každé odvětví řeší stejnou otázku: jak rozdělit práci mezi lidi a agenty. Liší se jen to, jak velká část vnější smyčky musí zůstat v rukou lidí. V maloobchodu a spotřebním zboží jsou chyby levné, takže agenti přebírají větší část práce a dělají to rychleji. Ve výrobě určují tempo požadavky na spolehlivost a integraci s provozními systémy. Ve finančních službách a zdravotnictví musí být každé rozhodnutí vysvětlitelné, a tak lidé déle zajišťují větší část ověřování i rozhodování.

Zkušenost, kterou všude pozoruji, je taková, že dodržování předpisů funguje nejlépe jako vlastnost platformy, se kterou se počítá už od začátku. Když jsou ochranná opatření, auditní záznamy a schvalování lidmi součástí řídicího rámce, přebírá je každý nový případ použití. Pokud se dodržování předpisů řeší až na konci, musí se tato diskuse znovu otevřít u každého nového projektu.

Dohled by měl být odstupňovaný. U úloh s nízkým rizikem jednají agenti samostatně, u středně rizikových se kontrolují pouze výjimky a u vysoce rizikových agenti jen připraví podklady pro rozhodnutí. Jednotlivé úrovně se mění s tím, jak roste důvěra.

V prosinci se v Paříži uskuteční summit Adopt AI pořádaný společností Artefact a diskuse o suverenitě v oblasti AI, správě a řízení i průmyslové konkurenceschopnosti nabývají na významu. Jak podle vás evropský přístup k zavádění AI ovlivňuje globální strategie podniků a jaký vývoj podle vás v příštích letech určí další etapu podnikové AI?

Evropa začala otázku suverenity řešit jako jedna z prvních a myslím, že se z ní stává globální princip návrhu. Nadnárodní společnosti nechtějí pro každý předpis jinou architekturu, a proto ji navrhují podle těch nejpřísnějších požadavků: ponechte si kontrolu nad vlastním kontextem, modely si pronajímejte a mějte pod kontrolou, kde běží a kdo drží klíče. Další příležitostí pro Evropu je vložit stejnou energii do zavádění AI, protože konkurenceschopnost bude záviset na jejím širokém využívání.

Další etapou je hybridní organizace a věřím, že právě taková bude budoucnost práce. Firmy přejdou od počítání zaměstnanců k řízení sdílené kognitivní kapacity lidí a agentů. Agenti převezmou většinu práce zaměřené na minulost: analýzy, programování a tvorbu reportů. Lidé se budou věnovat práci orientované na budoucnost: vkusu, vizi, plánování a rozhodování.

Věřím, že cestu povedou firmy, které jako první najdou správné rozdělení práce. Právě o tom chci v Paříži diskutovat, abychom určili, co nás čeká v příštích letech.

Děkuji za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o zavádění AI v podnicích, agentních pracovních postupech a transformaci dat, by měli navštívit Artefact.