AI jako manažerské rozhodnutí: proč BigHub začíná u problému, ne u technologie

V roce 2016, kdy byla umělá inteligence v Česku stále spíše akademickým tématem než součástí rozhodování firemního managementu, se dva čerství absolventi rozhodli pro odvážný krok. Založili BigHub – společnost s ambicí propojit svět dat a AI s reálnými potřebami byznysu. O téměř deset let později patří BigHub mezi přední partnery pro datová a AI řešení, realizuje projekty pro klienty jako Kooperativa či Datart a meziročně roste o desítky procent.

V rozhovoru s Karlem Šimánkem, CEO a Co-founderem BigHub, se dostáváme k podstatě: proč technologie sama o sobě nestačí, jak se buduje důvěra při práci s citlivými daty, co do praxe skutečně přináší AI Act a kde dnes leží největší příležitosti dalšího rozvoje. Řeč přichází i na situace, kdy je lepší klientovi otevřeně říct „ne“, než slibovat řešení, která sice dobře znějí, ale reálný dopad nepřinesou.

BigHub vznikl v roce 2016. Jak tehdy vypadala situace s AI a co vás přimělo založit vlastní společnost? 

V roce 2016 bylo AI v Česku pořád spíš „akademické slovo“ než něco, co by reálně řešil management firem. Zároveň ale začínala velká datová vlna a i náš název BigHub je její otisk. Vznikl jednoduše z názvu “Big Data“, který tehdy symbolizoval datovou revoluci.

My jsme už tehdy cítili, že se z toho časem stane něco mnohem většího. Jenže v našem tehdejším zaměstnání pro to nebylo moc pochopení. A protože jsme zároveň viděli, že podobné projekty firmám často nefungují, rozhodli jsme se založit vlastní firmu. Ne kvůli technologii, ale kvůli tomu, jak se k ní přistupovalo. Špatně uchopené zadání, nerealistická očekávání a chybějící datový základ. Dodnes si pamatuji hlas bývalého nadřízeného, který mi řekl, že v AI to budeme mít „pekelně těžké“. Měl pravdu. 🙂

Začátky byly náročné. Byli jsme čerství absolventi a chyběly nám hlavně obchodní a konzultační zkušenosti. Data ani AI tehdy zdaleka nebyla téma, které by samo otevíralo dveře. Často bylo těžší dostat se s klienty do smysluplné diskuze než postavit samotné řešení. Proto jsme důvěru budovali postupně, často přes srozumitelnější datová zadání, a krok za krokem jsme se dostávali k větším projektům, včetně projektů v USA a Německu, kde jsou nároky na kvalitu a doručení nekompromisní.

Právě tyhle zkušenosti pomohly BigHub vyrůst v to, čím je dnes. Prémiového partnera pro data a AI, který dokáže doručovat měřitelné výsledky, ne jen slibovat technologii.

Často zdůrazňujete přístup „Business first“. Jak v praxi klientům vysvětlujete, že nejde o AI jako cíl, ale o řešení jejich skutečných problémů?

Na trhu je dnes obrovské množství AI nástrojů a řada z nich má reálný přínos. Klientům ale často vysvětlujeme jednu zásadní věc: lokální úspora času ještě automaticky neznamená skutečný byznysový dopad. Když máte tým 20 lidí a každému „ušetříte“ hodinu denně, na papíře to vypadá skvěle. V praxi se ale úspora často rozmělní, protože narazí na procesní brzdy, schvalování a návaznosti mezi týmy.

Proto se snažíme, aby se pozornost nezasekla u toho, „který nástroj je lepší“. Místo toho vracíme diskuzi k podstatě: kde přesně vzniká problém, jak vypadá cílový stav, jaký je měřitelný přínos a jaká je nejrychlejší cesta k výsledku. Teprve potom dává smysl vybírat technologii.

„Business first“ pro nás znamená začít u problému, definovat hodnotu a metriky úspěchu a až následně řešit nástroje. A když tohle chybí, umíme podobnou debatu na chvíli odložit, dokud není jasné, že další krok přinese konkrétní dopad.

Působíte v mnoha odvětvích – od energetiky a zdravotnictví po retail. V čem se podle vás nejvíce liší výzvy jednotlivých sektorů při zavádění AI?

Napříč sektory se často liší hlavně konkrétní scénáře, ale přístup i technologický základ bývají podobné. Největší rozdíly jsou v tom, kde AI přináší v každém odvětví největší hodnotu. V pojišťovnictví to bývá automatizace likvidací, v e-commerce nákupní asistenti a personalizace nákupní cesty, ve výrobě a retailu zase plánování, zásobování a řízení dodavatelského řetězce. Zároveň existují oblasti, které fungují téměř všude, typicky zákaznická péče a podpora, kde se AI rychle projeví v nákladech i kvalitě.

Realizujete projekty, kde AI zasahuje do klíčových firemních procesů a pracuje s citlivými daty. Jak s velkými organizacemi budujete důvěru, aby vám takové oblasti svěřily?

Důvěru budujeme kombinací transparentnosti, řízení rizik a rychle ověřitelných výsledků.

Nejdřív si s klientem přesně vyjasníme, co je „kritické“ a co se dá bezpečně ověřit v menším rozsahu. Začínáme řízeným ověřením na omezeném zadání a na reálných datech, ale s jasnými bezpečnostními pojistkami. Jakmile se potvrdí přínos i dopady na procesy, teprve potom řešení postupně rozšiřujeme do plného provozu.

Zároveň dodáváme vše „od začátku do konce“: bezpečnost, pravidla práce s daty, dohledatelnost rozhodnutí, průběžné sledování kvality, jasné rozdělení odpovědností a provozní podporu. Klient tak ví, že nejde o experiment, ale o řízené řešení, za které někdo nese odpovědnost a které má jasně nastavený provoz.

A důležitá součást důvěry je i to, že klientovi umíme věcně oponovat a zpřesnit zadání. Když něco nedává smysl nebo by to bylo zbytečně rizikové, řekneme to na rovinu. Právě to je podle nás standard dlouhodobého partnerství.

Na ČVUT vyučujete předměty zaměřené na data a AI v byznysu. Proč je pro vás vzdělávání důležité a co vám přináší kontakt se studenty?

Těch důvodů je více. Ten nejsilnější je nejspíše to, že cítíme, že své alma mater máme co vrátit. Hodně nám záleží na tom, aby se silně teoretické znalosti uměly propojit s praxí, a aby AI nedělali jen „uživatelé nástrojů“, ale lidé, kteří aspoň rámcově rozumí tomu, co za modely skutečně stojí. Tahle strategie se nám dlouhodobě osvědčuje. Zároveň je ale pravda, že u studentů (a obecně u technicky silných lidí) často vídáme mezeru v aplikaci v reálném byznysovém prostředí – i když poslední roky pozorujeme velký posun, a to rozhodně nejen naší zásluhou.

Druhý důležitý aspekt je průběžná spolupráce: kontakt se studenty přirozeně otevírá dveře k společným projektům, ať už čistě praktickým, nebo výzkumným. A pro mě osobně je ten kontakt navíc skvělý „reality check“. Studenti přinášejí čerstvý pohled, nové otázky a často i témata, která by nás v běžné praxi nenapadla.

AI Act přinesl nové povinnosti pro firmy. Které části podle vás společnosti nejčastěji podceňují, a kde naopak bývá zbytečná panika?

AI Act vnímáme spíš konstruktivně. Ve spoustě věcí jen formalizuje principy, které jsme stejně považovali za „správnou hygienu“: práce s riziky, dohledatelnost, transparentnost, základní governance a etické mantinely. Firmám, které k AI přistupovaly aspoň trochu disciplinovaně (a my k tomu klienty dlouhodobě tlačíme), by to – až na pár „oficialit“ typu dokumentace a procesů – nemělo zásadně změnit život.

Největší slabina bývá ne samotná regulace, ale roztříštěnost a chybějící centralizace správy AI. Realita v mnoha organizacích je, že každé oddělení používá jiné nástroje, jiné modely a jiný způsob nasazení – a pak najednou řešíte compliance a kontrolu pro desítky heterogenních mini-řešení zvlášť. V okamžiku, kdy je alespoň „regulatorní vrstva“ společná (evidence use casů, klasifikace rizika, standardy pro data, logging, schvalování, provozní monitoring), výrazně klesá over-headcount – a paradoxně to často i urychlí implementaci.

Druhá podceňovaná oblast je systematičnost u high-risk požadavků, pokud do nich řešení spadá: risk management napříč životním cyklem, průběžné vyhodnocování rizik a následný monitoring po nasazení.

Často vidíme přehnaný strach ve chvíli, kdy si firmy představí, že AI Act dopadne stejně tvrdě na každého. Ve skutečnosti je velká část „nejtěžšího kalibru“ relevantní hlavně pro poskytovatele a zejména pro velké poskytovatele general-purpose modelů (typicky velké technologické firmy). Pro většinu běžných organizací a jejich interních use casů to v drtivé většině znamená hlavně: dělat věci pořádkově, evidovat, dokumentovat a umět obhájit rozhodnutí – ne zastavit inovace.

V některých projektech používáte Databricks Mosaic, jinde vyvíjíte vlastní frameworky. Podle čeho se rozhodujete, kdy použít hotovou platformu a kdy jít cestou vlastního řešení?

Dlouhodobě se snažíme klienty i veřejnost v tomhle směru edukovat – mimo jiné i na našem blogu. Bohužel některé firmy nebo dodavatelé si tímhle rozhodováním často spíš usnadňují život: když máte v ruce kladivo, všechno se vám zdá jako hřebík. My Databricks ekosystém rozhodně nezatracujeme – naopak. Zároveň jsme ale soudní a víme, že ta platforma má svoje limity. 

Proto dnes klientům typicky říkáme: Databricks Mosaic dává skvělý smysl tam, kde jste už v Databricks ekosystému a chcete rychle postavit interní asistenty nad firemními daty a obsahem — například dotazování nad SQL, hromadné shrnování a třídění dokumentů, extrakce dat, nebo přípravu podkladů pro interní vyhledávání a znalostní bázi.

Jakmile se ale z GenAI má stát „vykonavatel“ konkrétních firemních kroků napříč systémy a procesy, typicky ve vícekrokových workflows (kde potřebujete strukturovaný výstup, nízkou latenci, spolehlivou orchestraci a auditovatelnost), Mosaic dnes častěji naráží na své limity. V takových scénářích proto obvykle dává větší smysl navrhnout custom framework (nebo middleware) na míru, který umožní přesně řídit logiku, integrace a provozní stabilitu řešení.

Spolupracujete s velkými firmami jako Kooperativa nebo Notino, ale i s menšími startupy. Kdo je dnes podle vás rychlejší a odvážnější v nasazování AI do praxe?

Paradoxně v tom dnes nevidím až tak velký rozdíl. Startupy musí – aby si obhájily další investice nebo úspěšně došly k exitu. Velké společnosti zase proto, že v AI vidí obrovský potenciál a zároveň se bojí, že konkurence bude rychlejší.

Rozdíl bych neviděl ani tak v odvaze, jako spíš v kontextu a v tom, co každá strana reálně riskuje. Startupy bývají rychlejší v rozhodování a v testování – dokážou během dní postavit první verzi, ověřit ji na uživatelích a iterovat. Velké firmy se často jeví pomalejší, protože nasazení do praxe znamená řešit bezpečnost, soulad s pravidly, integrace na stávající systémy a dlouhodobý provoz. To tempo je do velké míry daň za to, že se to nasazuje ve velkém a „na jistotu“.

Odvaha je ale na obou stranách, jen má jinou podobu. Startup riskuje hlavně čas a pozornost, zatímco korporace riskuje reputaci, dopad do klíčových procesů a odpovědnost za práci s daty. Naše role je v obou případech podobná: pomoct vybrat případy s nejvyšší návratností, nastavit realistické očekávání a dotáhnout řešení od nápadu až do bezpečného provozu.

Co dnes nejvíc táhne růst BigHub – a v čem jste pro klienty skutečně jiní oproti běžným dodavatelům dat a AI?

Letos rosteme meziročně kolem 46 %, což bereme jako obrovský úspěch.

Hlavní důvod vidím v tom, že máme relativně unikátní mix schopností: umíme infrastrukturu, data, machine learning i GenAI – a hlavně jsme silní konzultačně. Náš sen vždycky byl doručovat end-to-end řešení „na klíč“ a bavit se s členy boardu a nejvyššího managementu. A díky aktuálnímu AI vzestupu je to dnes reálně možné.

Budujeme BigHub jako partnera první volby: naše hodnota pro klienty není v tom, že dodáváme “ruce”, ale že se snažíme být inovátoři a přinášet doporučení a směry, o kterých buď ještě neslyšeli, nebo na ně zatím nemají pevně vytvořený názor.

Když se díváte dopředu – vidíte největší příležitosti v sektorech, kde už máte silné zkušenosti, nebo spíše v nových oblastech, kam se teprve chystáte expandovat?

Jsou oblasti, které nám dlouhodobě přijdou strašně zajímavé a lákavé – především zdravotnictví a farmacie. V průběhu roku 2025 se nám podařilo uzavřít nové spolupráce a už nějakou dobu tam pracujeme na use casech, které nám přijdou neuvěřitelně ambiciózní a inovativní. Upřímně se těšíme, až se budeme moct s výsledky naší společné práce veřejně pochlubit.