Používání AI vs. Budování kolem ní: Kde je hranice?

Slovo AI používáme k popisu různých věcí, od rozhovoru s ChatGPT v prohlížeči až po provozování celých podniků, kde by operace bez jazykových modelů jednoduše přestaly existovat v současné podobě. Kde je hranice mezi používáním AI automatizace a tím, že je AI jádrem podniku? V jakém okamžiku nastává zásadní posun? A co je nejdůležitější, měly by společnosti vůbec usilovat o to, aby AI byla ve středu pozornosti?

Kdy je podnik AI‑nativní?

Dnes, i když management nikdy neoznámil transformaci na AI, zaměstnanci stále používají Gemini k vyhledávání informací, ChatGPT k psaní e‑mailu, Grok k přípravě zprávy, Claude k psaní kódu a tak dále. Přístup k nástrojům LLM se stal tak rozšířeným, že samotné jejich používání vám už mnoho neříká o společnosti.

Pro mě existuje mnohem jednodušší test: co se stane, když AI vypnete?

Vezměme si společnost vyvíjející účetní software. Její vývojáři mohou používat AI k psaní funkcí nebo údržbě produktu. Pokud tyto nástroje zítra vypnete, inženýři pravděpodobně budou pracovat pomaleji. Software však bude i nadále existovat, účetní jej budou i nadále používat a zákazníci za něj budou i nadále platit. AI zlepšuje způsob, jakým společnost funguje, ale samotný podnik na ní nezávisí.

Nyní si představte bankovní call centrum, které dříve mohlo zaměstnávat deset tisíc lidí. První generace AI v tomto prostředí fungovala téměř jako podnětník sedící vedle operátora: poslouchala konverzaci, rozuměla problému a navrhovala odpověď. V mnoha případech se tento podnětník nyní stal samotným agentem. Zákazník řekne, že mu byla účtována špatná částka; systém zkontroluje záznamy, prověří relevantní data, identifikuje problém a někdy jej vyřeší bez zapojení člověka. Člověk zasáhne jen tehdy, když případ vyžaduje eskalaci.

Jedná se o naprosto odlišný vztah k technologii. Účetní společnost se bez AI stane méně efektivní. Call centrum možná bude muset přestavět velkou část svého provozního modelu. Tento rozdíl je mnohem bližší tomu, co mám na mysli pod pojmem AI‑nativní, než počet AI předplatných, která společnost má, nebo zda se „AI“ objevuje na její úvodní stránce.

Kde je to nejviditelnější?

Některé společnosti postavily své podnikání na pomoci ostatním při tomto přechodu. Cohere je dobrým příkladem: kanadská firma se rozrostla v významný podnik tím, že pomáhala podnikům přecházet od tradičního softwaru a pracovních postupů k AI. V jiných odvětvích je však AI již tak hluboce zakotvena v produktu, že je téměř nemožné je od sebe oddělit.

Autonomní řízení je pravděpodobně nejjasnějším příkladem. Pokud se od auta očekává, že bude vidět silnici, rozpoznávat objekty, chápat, co se kolem něj děje, a samostatně rozhodovat, pak nelze AI odstranit bez odstranění základní myšlenky produktu.

Medicína a farmacie tuto myšlenku vyjadřují podobně, zejména v oblasti objevování léků. Jedním z nejlepších příkladů, co to může v praxi znamenat ve velkém měřítku, je práce DeepMind na proteinových strukturách.

Protein Data Bank byl založen v roce 1971 a trvalo desetiletí práce vědců po celém světě, aby se vybudoval velký soubor experimentálně určených struktur. databáze překročila 1 000 struktur v roce 1993, 10 000 kolem roku 2000 a 100 000 v roce 2014. Do ledna 2023 překročila 200,000experimentálně určených biomolekulárních struktur. Jinými slovy, po zhruba šesti desetiletích strukturální biologie si výzkumníci nashromáždili přibližně dvě sta tisíc experimentálně určených struktur.

Pak přišel AlphaFold, systém DeepMind pro předpovídání trojrozměrné struktury proteinu z jeho aminokyselinové sekvence. V roce 2022 AlphaFold zpřístupnil více než 200 milionů předpovězených proteinových struktur, pokrývajících téměř každý katalogizovaný protein známý vědě v té době. To neznamená, že AI „objevila každý existující protein“. Jedná se o předpovězené struktury založené na již známých aminokyselinových sekvencích. Ale rozdíl ve měřítku je stále obrovský.

Důležitost tohoto posunu se v roce 2024 ještě více prozřela, když Demis Hassabis a John Jumper z Google DeepMind získali polovinu Nobelovy ceny za chemii „za předpověď proteinových struktur“. Druhá polovina připadla Davidu Bakerovi za výpočetní návrh proteinů. Něco, co jen před několika lety vypadalo jako působivý AI průlom, se velmi rychle stalo uznávaným základním pokrokem v moderní biologii.

DeepMind je globální, mediálně zmiňovaný příklad, ale startupy zaměřené na AI ve zdravotnictví již nejsou neobvyklé. Během mých let v Keymakr, náš tým pracoval na projektech sahajících od zubního lékařství a ultrazvukového zobrazování po intervenční kardiologii, kde byly modely trénovány k detekci srdečních chlopní, aorty a dalších struktur během zákroků. Pracovali jsme také na projektech neurochirurgie, kde se modely učily rozlišovat mozkovou tkáň, krevní cévy, chirurgické nástroje a operační oblast. Ve všech těchto případech AI nebyla jen doplňkovou funkcí přidanou k produktu; byla samotným produktem.

Od proteinových struktur po studený e‑mail

Stejné se děje v mnohem běžnějších částech podnikání. Prodej a marketing patří pravděpodobně mezi nejrychleji se vyvíjející příklady: práce, která dříve trvala hodiny, může nyní být opakována stovky či tisícekrát s velmi malým dodatečným úsilím.

CRM, kampaně, vyhledávání potenciálních zákazníků a výzkum leadů jsou postaveny kolem jazykových modelů. Už jsme daleko za bodem, kdy se ptáme ChatGPT, aby napsal studený e‑mail. Systém může procházet profil někoho na LinkedIn, zjistit, čím se zabývá, co ho zajímá a o čem píše, a pak tyto informace použít k vytvoření textu, který působí velmi osobně.

Jednou jsem obdržel zprávu v duchu: „Michele, musíte mít úžasný pocit létat ve výšce 4 000 stop a dívat se skrz sklo…“ Odkazovala na mé letecké příběhy na sociálních sítích. Moje první reakce byla, že někdo si skutečně prošel můj profil na LinkedIn a pečlivě jej přečetl. Samozřejmě to nikdo neudělal. Systém našel informace a automaticky vygeneroval oslovení.

Právě zde se začíná měnit ekonomika personalizace. Výzkum, který jednou člověku zabral hodně času, může nyní podpořit nástroj, který skenuje veřejné informace a identifikuje relevantní detaily. Pak člověk rozhodne, co je skutečně užitečné, vhodné a stojí za zahrnutí. 

Stejný posun jsem viděl u Keymakr, i když pro nás cílem nikdy nebylo automatizovat lidský úsudek nebo vztahy. Stále jsem lidi povzbuzoval, aby se podívali na opakující se části své každodenní práce a zeptali se, kde by agenti mohli ušetřit čas, přinést větší konzistenci nebo jim pomoci pracovat ve větším měřítku. 

V Scryon jsme tuto logiku již od počátku zakomponovali do společnosti. Velká část marketingové práce je zajišťována několika agenty napříč články, blogem, LinkedIn a webovými stránkami.

Zajímavé je, že jejich největší výhodou často není psaní. Řekněme, že přidáte dvacet nových stránek na web. Osoba, která píše nový článek, pravděpodobně přidá několik interních odkazů. Téměř nikdo se nevrátí k 80 nebo 800 starším položkám a nezkontroluje, kde by měly být nové stránky nyní propojeny. Agent to dokáže. V takové práci agent nemusí být chytřejší než člověk. Jen se neunaví a rozdíl mezi 80 a 800 stránkami je pro něj mnohem méně důležitý než pro nás.

Ale zde dosahuje automatizace svých limitů pro mě. Dobré PR nelze jednoduše předat agentovi a zapomenout na něj. Totéž platí pro názorový článek, kde jsou klíčové postavení, pochopení publika a schopnost rozhodnout, co říci.

Takže i když postavíte poměrně složitý systém agentů, stále potřebujete člověka, který jej řídí. Někdo musí posoudit výstup, rozhodnout, co je podstatné, a nastavit směr.

Lze automatizovat zakladatele?

V rané fázi startupu je zakladatel často technický, provozní i výkonný najednou. Proto přichází přirozená myšlenka: pokud agenti mohou týmu ulevit od velké části práce, proč jim nedat i část zakladatelovy role?

Mám samostatného agenta napojeného na Scryon Business, který o firmě ví hodně. Můžu se ho zeptat na něco jako: „Chceme získat 5 000 uživatelů příští měsíc.“ Je to realistické, nebo jen pěkné číslo, které jsem si vymyslel?

Dokáže načíst data, podívat se na trh, zkontrolovat konkurenci a propojené systémy a vrátí odpověď, že 5 000 je pravděpodobně příliš a i 2 000 by v této fázi bylo agresivní. To mi pomáhá otestovat vlastní úvahy. Agent však stále poskytuje radu.

Rozhodnutí je stále moje. Po všech datech a výpočtech někdy stále musím vyjít ven, projít se parkem a rozhodnout, kam chci firmu vést.

Pro mě skutečné odlehčení nastává, když mohu někomu svěřit odpovědnost, říct: „Tohle je tvoje,“ a o měsíc později zjistit, že to funguje i bez mého zásahu. V roli zakladatele to dnes nevidím.

Totéž platí pro role na úrovni C‑level. Jejich úkolem je nastavit směr: za šest měsíců chceme vstoupit na automobilový trh, nebo chceme, aby lidé v odvětví znali značku. VP, vedoucí a týmoví lídři pak toto přetaví na konkrétní cíle a práci.

AI nástrojová sada: osobní a firemní náklady

Nevěřím opravdu v jeden „nejlepší“ model. Záleží mi spíše na tom, který funguje nejlépe pro konkrétní úkol a kolik mě stojí jeho používání ve velkém měřítku. Často používám Codex pro programování a v něm otáčím modely podle aktuálních potřeb. Jednou mohu zkusit Claude pro design a pak přepnout na ChatGPT pro jazykové úkoly, ale tyto volby se mění měsíc od měsíce, někdy i uprostřed úkolu.

V konečném důsledku si každý postupně vybuduje vlastní stack, posuzuje, který model je optimální pro konkrétní cíl. Pokud jste technický zakladatel, který hodně kóduje sám, očekával bych, že na svůj stack vynaložíte kolem 1 000 USD měsíčně. Znám ale lidi, kteří utrácejí 10 000–15 000 USD měsíčně, protože automatizaci nasazují mnohem agresivněji.

Jakmile se AI stane součástí jádra podnikání, čísla se opět změní. S Scryon jsem si jistý, že 30–40 % příjmů může jít přímo do infrastruktury a služeb, na kterých produkt běží, ještě před tím, než započítáte lidi, kteří jej budují.

Nejprve obchodní cíl, pak technologie

V závodu o automatizaci a označování “AI společnosti” si myslím, že samotná otázka “jaký typ AI bychom měli implementovat?” je nebezpečná. Začíná to špatným koncem.

Nedávno jsme si stanovili poměrně standardní obchodní cíl – snížit náklady. K tomu jsme vytvořili agenta, poskytli mu přístup k informacím o tom, kde společnost peníze utrácí, včetně Amazonu, Googlu a dalších služeb, a požádali ho, aby pravidelně hledal anomálie a upozorňoval, pokud něco vypadá podivně.

Již během prvního týdne jsme snížili náklady přibližně o 30 %, protože systém rychle ukázal, kde se peníze utrácejí na věci, na které jsme prakticky zapomněli. Samotný agent může stát už jen 50 $ měsíčně, ale úspory mohou dosahovat desítek tisíc.

Ve společnosti Keymakr AI především posílila lidi a jednotlivé procesy. U Scryon je již součástí architektury firmy. V autonomním řízení, bez ní, produkt zmizí, a ve vývoji léků mění rozsah průzkumu.

Pro mě je otázka podkladových cílů mnohem zdravějším výchozím bodem než touha stát se AI‑nativní společností. Nejprve musí vzniknout obchodní cíl: vydělat více, rychleji škálovat, snížit náklady, umožnit nový produkt nebo radikálně změnit existující proces. Teprve poté má smysl ptát se, která technologie vás tam dovede.