AI jako přirozené pokračování analytiky. Pohled společnosti ACREA po třiceti letech práce s daty

ACREA pracuje s daty už od konce 90. let — tedy dávno předtím, než se z umělé inteligence stalo všudypřítomné téma. Díky této zkušenosti dnes dokáže nahlížet na AI s klidem a nadhledem, ne jako na zázračné řešení, ale jako na přirozené rozšíření analytické práce, která stojí na datech, statistice a porozumění souvislostem. V rozhovoru se Aneta Živná, ředitelka společnosti, vrací k tomu, co se v analytice s nástupem AI skutečně změnilo, co naopak zůstává stejné, a proč bez kvalitních dat, promyšlené metodiky a odpovědnosti za rozhodnutí nemůže dobře fungovat ani ta nejmodernější technologie.

ACREA pracuje s daty už od roku 1998. Jak se váš přístup změnil s nástupem AI?

Když jsme v ACREA začínali, svět dat vypadal úplně jinak. Pracovali jsme s menšími objemy dat, spoléhali jsme na poctivou statistiku, precizní metodologii a trpělivost. Všechno mělo svůj rytmus — od přípravy dat až po tvorbu modelů.

A přesto jsme s těmi nástroji dokázali dělat projekty, na které jsme dodnes hrdí: od predikcí pro energetiku, přes detekci podvodů až po sofistikované statistické studie pro státní správu.

AI ten svět nezbourala. Ona ho rozšířila.

„AI nezměnila to, co je v analytice podstatné. Jen nám umožnila dělat tutéž práci rychleji, flexibilněji a s mnohem větším rozsahem dat.“

Dřív jsme některé projekty dělali týdny, dnes je díky AI stihneme za minuty. Ale to, co drží kvalitu, se nezměnilo — stále řešíme stejnou otázku jako v roce 1998:
Co přesně chceme z dat pochopit? A jaký model nebo metoda je k tomu ta nejlepší?

Umělá inteligence nám dala novou vrstvu možností. Systémy, které dřív uměly jen predikovat, dnes umí zachytit nuance — jemné změny chování zákazníků, nepravidelnosti v senzorických datech, vzorce v transakcích, které byly dřív prakticky neviditelné.

Ale základní práce je stejná: pochopit souvislosti, validovat výsledky, ptát se proč.

A tohle je něco, co do ACREA vnáší naše historie. My jsme nebyli firma, která vznikla až s nástupem AI.
My jsme firma, která dělala analytiku dávno před ní — a přesně proto ji umíme používat s rozumem, s pokorou a hlavně s výsledky.

Stejné typy projektů, které jsme dělali před lety, děláme i dnes: prediktivní modely, scoring, detekci podvodů, modelování rizik, analýzy pro veřejnou správu. Jen dnes pracujeme rychleji, přesněji a s možnostmi, o kterých se nám dřív ani nesnilo.

AI je pro nás partner, ne náhrada. A sílu má hlavně ve chvíli, kdy stojí na zdravých základech — statistice, metodologii, zkušenosti.

A to je princip, který se za těch více než dvacet let nezměnil a nezmění.

Dobrý analytik není ten, kdo umí použít nejnovější model.
Dobrý analytik je ten, kdo rozumí problémům, datům i tomu, co se skrývá pod povrchem.

A AI je jen nástroj, který nám umožňuje tuhle práci dělat ještě lépe.

V portfoliu máte SPSS, Modeler, R i Python. Kde dnes AI dává největší smysl?

Když se mě někdo zeptá, kde dnes AI dává největší smysl, říkám: všude tam, kde je dat tolik, že už neexistuje reálný způsob, jak je všechny „udržet v hlavě“. Jsme v éře, kdy data nepřicházejí po stovkách, ale po milionech. Kdy jeden zákazník generuje desítky signálů týdně, kdy jeden stroj posílá nepřetržitý proud senzorických hodnot a kdy jeden finanční proces obsahuje tolik kroků, že je nemožné sledovat jejich provázanost ručně.

A to je přesně chvíle, kdy začíná být AI ne jen užitečná, ale nezbytná.

Co je ale důležité — AI sama o sobě nic neřeší. Nebuduje strukturu, nevysvětluje vztahy, neříká, proč se něco děje. To je stále doména tradiční analytiky, statistiky, modelování a nástrojů jako SPSS či Modeler.

A právě tady vidím tu největší sílu moderní datové práce: AI není náhrada těchto nástrojů — je jejich přirozené pokračování.

SPSS nám dává robustní statistické základy, auditovatelnost, stabilitu a přesnost.
Python nám dává flexibilitu, otevřenost a výpočetní sílu.
Modeler zase vizuální transparentnost a rychlost prototypování.
A AI to celé propojuje tím, že dokáže vidět jemné nuance v datech, které tradiční matematické metody sice tuší, ale neumějí zachytit v takové šíři.

Uvedu příklad, ale ne detailní — spíš obecný, aby bylo vidět ten princip.

Představte si scoringový model, který roky fungoval skvěle. Víme, jaké faktory na něj působí, jaké proměnné zvyšují riziko, jaké ho snižují. SPSS nám dá jistotu, že model je stabilní, statisticky správně postavený a vysvětlitelný.

A pak přidáme AI, která si z tisíců případů všimne jemné odchylky v chování klientů ještě dřív, než ji vidíme ve standardních ukazatelích. Nejdřív upozorní, pak trend potvrdí a nakonec pomůže model zpřesnit.

A to je přesně ten svět, ve kterém dnes žijeme: statistika dává modelu kostru, AI mu dává nervovou soustavu.

Ale to nejdůležitější?
AI akceleruje práci, ale transparentnost přinášejí tradiční nástroje.

Nasadit AI je jedna věc.
Udržet AI, vysvětlit její výsledky, obhájit je před auditorem, vedením nebo regulátorem — to je úplně jiná disciplína. A tam se SPSS, klasické modelování a poctivá statistika stávají nenahraditelným partnerem.

V ACREA vždy stojíme nohama pevně na zemi: AI je úžasná, otevřela nám nové možnosti. Díky ní řešíme podvody, predikujeme poruchy, analyzujeme texty, skórujeme transakce. Ale kdykoliv potřebujeme jistotu, že vše stojí na pevných základech, vracíme se ke statistice, k matematice a k nástrojům, které nás provází už dvě dekády.

A právě propojení tradice a inovace je to, co dnes přináší největší hodnotu našim klientům.

Firmy často chtějí „nasadit AI“, ale nevědí, proč. Jak s nimi pracujete?

Když za mnou firmy přijdou s tím, že „chtějí nasadit AI“, většinou už po několika minutách rozhovoru zjistíme, že přesně nevědí, co od ní vlastně čekají. AI je dnes obrovské téma, všude se o ní mluví, působí jako povinnost — jako kdyby každý, kdo ji nepoužívá, zůstával pozadu. A já to chápu, ten tlak je silný.

Jenže technologie sama o sobě nikdy nic nevyřeší. Skutečně přináší hodnotu až tehdy, když přesně víme, kterou část rozhodovacího procesu má zlepšit, zrychlit nebo zpřesnit.

Proto vždycky začínáme úplně prostou otázkou:

„Jaké rozhodnutí chcete dělat lépe než dnes?“

A najednou se atmosféra v místnosti změní. Tempo klesne, tlak mizí a firma si poprvé dovolí popsat realitu bez technických ambicí. Co jim dnes nejvíc komplikuje práci? Kde vznikají ztráty? Kde se rozhoduje pozdě, kde se rozhoduje od oka a kde by lepší vhled mohl zásadně změnit výsledek?

A tady se ukazuje, jak důležité je nevidět AI jako řešení, ale jako možnost.

Někdy zjistíme, že firma potřebuje predikovat chování zákazníků nebo vznik poruch ještě dřív, než si jich všimne člověk. Někdy se ukáže, že klíčem je detekce anomálií — vzorců, které lidé jednoduše nikdy nemohou zachytit. Jindy zase potřebují odstranit opakující se rutinu nebo zautomatizovat něco, co dnes zaměstnává tři lidi na plný úvazek.

A někdy, a toho si velmi cením, se ukáže, že AI vlastně není potřeba — že největší rozdíl přinese kvalitní datová příprava, poctivý statistický model nebo zpřesnění procesů.

Tohle je krásná ukázka toho, že AI není konkurencí tradiční analytiky. Je to pokračování příběhu, který začal dávno před ní — u matematiky, statistiky, modelování a datového porozumění. AI nestojí mimo to. AI na tom všem stojí. A právě díky tomu dokáže být tak užitečná.

Když se firmě podaří pojmenovat otázku, na kterou chce AI odpovědět, začne se dít něco zajímavého. Přestane se bát technologie, začne chápat souvislosti, vidí, kde může získat výhodu, a rozpozná, že AI není cíl, ale prostředek. A od toho momentu má každý projekt mnohem větší šanci na úspěch — právě proto, že nestaví výš než samotné základy.

Moje role v tom není dodat „AI řešení“.
Moje role je pomoci firmě pochopit, co vlastně chce změnit, a pak společně najít cestu, jak technologie zapadne do jejího světa tak přirozeně, že se stane jeho součástí.

A musím říct — tohle je na dnešní době to nejkrásnější. AI nám umožňuje dělat věci, o kterých jsme před pár lety jen snili, ale její skutečná síla se projeví teprve tehdy, když stojí na solidních datech, jasném záměru a realistickém očekávání.

Děláte dlouhodobě textové analýzy, prediktivní modely, scoring i detekce podvodů. Jak AI tyto oblasti změnila?

Když se mě lidé ptají, co vlastně AI do datové analytiky přinesla, říkám: rychlost, rozsah a novou úroveň přesnosti. Ne změnu principů, ale změnu možností.

S AI dnes dokážeme pracovat se stovkami či tisíci proměnných tam, kde by lidský analytik viděl jen chaotický šum. V prediktivní údržbě třeba sledujeme jemné odchylky vibrací nebo teploty, které jsou okem neviditelné, ale pro model jsou jasným signálem.

V detekci podvodů už dávno nestačí expertní pravidla — AI umí rozpoznat vzorce chování, které by člověka ani nenapadlo hledat. A scoring se posunul od jednorázové pravděpodobnosti někam mnohem dál: sledujeme trajektorie, vývojové trendy, změnu chování v čase.

AI ale naši práci nezkomplikovala. Naopak ji zpřesnila. A zároveň nás donutila být mnohem důslednější ve všech „tradičních“ dovednostech — statistice, přípravě dat, validaci, interpretaci.

Tady se ukazuje, jak nesmírně důležité je mít pevné metodické základy. Proto stále používáme SPSS a učíme práci s ním i dnes. Protože bez dobré statistiky není dobrá AI. A bez kvalitních dat nefunguje vůbec žádná.

Umělá inteligence je pro nás rozšířením nástrojů, ne jejich náhradou. Je to další krok v evoluci analytiky. A díky ní můžeme pomáhat firmám řešit věci, které byly ještě před pár lety časově nebo finančně nedosažitelné.

Jak vysvětlujete klientům, kdy má AI pravdu a kdy se jí nemají slepě držet?

Když s klienty mluvíme o tom, kdy má AI pravdu a kdy je potřeba držet se zpátky, říkám to otevřeně: AI není autorita, je to partner. A stejně jako každý partner má své silné i slabé stránky.

V prostředí, které dobře zná — tedy tam, kde jsou data stabilní, dostatečně bohatá a reprezentativní — dokáže být překvapivě přesná. Někdy až tak, že klienti mají tendenci jí začít věřit víc než sami sobě.

Ale pak přijde moment, kdy je model vystaven situaci, kterou nikdy předtím neviděl. A v tu chvíli začne „vymýšlet“, a to často velmi sebevědomě. To není chyba AI. To je vlastnost statistických modelů i neuronových sítí: umí výborně interpolovat, ale velmi špatně extrapolovat.

Proto klientům opakujeme, že skutečná síla AI je ve schopnosti upozornit na vzor, signál, odchylku — něco, co by člověk přehlédl. Ale rozhodnutí samotné musí zůstat v lidských rukou.

A vlastně i proto stále učíme statistiku, pravděpodobnost, práci s daty: aby se lidé nenechali modelem ohromit a rozuměli tomu, kdy je výsledek robustní a kdy je to jen chytrý tip.

AI umí být neuvěřitelně užitečná. Jen se k ní musí přistupovat stejně jako k dobrému analytikovi: respektovat její schopnosti, ale také znát její limity.

Jak vysvětlujete modely tak, aby jim lidé opravdu porozuměli?

Když lidem vysvětlujeme modely, nepracujeme primárně s rovnicemi ani koeficienty. Ne proto, že by matematika nebyla důležitá — naopak. Ale protože ve finále nejde o to, aby si klient zapamatoval vzorec. Jde o to, aby pochopil logiku rozhodnutí.

Zjistila jsem, že lidé nejsou alergičtí na statistiku. Jsou alergičtí na věci, které nedávají smysl. Proto začínáme příběhem dat.

Ukazujeme, jak se chování mění v čase, kde vzniká odchylka, na co model reaguje a proč. Najednou vidíte, jak se lidem v publiku „rozsvítí“ — protože to není magie, ale struktura, která by tam byla i bez AI. Model ji jen zvýraznil.

Explainability pro nás neznamená naučit klienta interpretovat SHAP hodnoty nebo gradienty. Znamená to vysvětlit model tak, aby si člověk řekl:

„Aha, to dává smysl. To odpovídá tomu, co ve firmě vidím.“

A když se tohle stane, mizí strach. Protože ve chvíli, kdy lidé rozumějí tomu, proč model něco doporučuje, mnohem snáz přijmou i to, že pracuje s pravděpodobností a nejistotou.

AI nedělá absolutní pravdu — dělá kvalifikovaný odhad.
A naším úkolem je udělat z něj nástroj, kterému může člověk důvěřovat.

A to je vlastně úplný návrat ke kořenům datové analýzy: ke statistice, interpretaci a kritickému myšlení. Technologie se mění, ale principy zůstávají.

Jak poznáte, že firma je připravena AI skutečně používat?

Poznat, že firma je opravdu připravena používat AI, je překvapivě snadné — a vůbec to nesouvisí s technologií. Nesouvisí to ani s tím, jaký model si firma vybere. Souvisí to s jedinou věcí: kdo bude vlastníkem rozhodnutí.

Ve chvíli, kdy nám klient řekne:

„Ano, tento proces budu řídit já a rozumím tomu, na základě čeho model rozhoduje,“

máme téměř jistotu, že implementace dopadne dobře.

Protože AI sama o sobě není cíl. Je to jen nástroj — matematicky velmi elegantní, někdy komplexní, ale pořád nástroj, který pracuje s pravděpodobností. A s pravděpodobností se nedá zacházet bez toho, aby jí někdo rozuměl.

My v ACREA jsme se za posledních 30 let naučili jednu zásadní věc: organizace, které chápou alespoň základy statistiky, variabilitu dat, nejistotu modelů nebo to, jak se pravděpodobnosti mění v čase, mají s AI náskok, který se nedá dohnat žádným softwarem.

A to platí dvojnásob u textových dat. Každý, kdo někdy viděl, jak nesourodé, chaotické a jazykově pestré mohou být interní dokumenty, poznámky operátorů nebo zákaznické zprávy, ví, že AI nikdy nebude absolutní. Umí extrémně dobře abstrahovat, třídit, shrnovat — ale pořád to dělá v určitém statistickém rámci.

Když firma chápe, jak model k závěru dospěl, získá kontrolu. Když to nechá jen na modelu, riskuje.

Proto říkám, že připravenost na AI není o technologiích, ale o kultuře: o tom, jestli je tu někdo, kdo si osvojí odpovědnost a porozumí logice modelu.

Pokud ano, AI dokáže neuvěřitelně zrychlit práci, odstranit rutinu a otevřít prostor pro rozhodování, které má skutečnou hodnotu.

Pokud ne, projekt skončí dřív, než začne.
Ne kvůli matematice, ale kvůli tomu, že rozhodnutí zůstalo „ve vzduchu“.

A v tom je to krásné: i v době nejmodernějších jazykových modelů se pořád vracíme k základům — statistika, pravděpodobnost, interpretace. Kdo to zvládne, má výhodu na mnoho let dopředu.

Kde dnes vidíte největší potenciál AI a kde největší bariéry?

Když se mě někdo zeptá, kde dnes vidím největší potenciál umělé inteligence, vždycky říkám: tam, kde už dlouho vznikají velké objemy dat a kde dobré nebo špatné rozhodnutí má okamžitý dopad.

To je průmysl, energetika, finance, e-commerce.
To jsou oblasti, kde se AI může opřít o desítky let nasbíraných dat, o stabilní procesy, o disciplínu měření — a právě proto tam i tradiční statistika a moderní AI krásně spolupracují.

My v ACREA často říkáme, že AI je vlastně jen pokračováním toho, co dělají statistici už sto let: snaží se najít strukturu v chaosu. Rozdíl je jen v rychlosti a rozsahu. Ale principy — matematika, logika, validace, zdravý selský rozum — ty se nezměnily.

A teď k bariérám.
Největší nejsou technologické, ale organizační a procesní.

Ve veřejné správě a ve zdravotnictví vidíme obrovskou snahu, ale zároveň i limity, které nelze obejít: legislativa, rozpočty, infrastruktura, datová fragmentace. A hlavně — často tam chybí jednotný datový základ, bez kterého AI nemá na čem stát.

A to je možná největší paradox dnešní doby:

AI je silná jen tak, jak jsou silná její data.

A tady se vracíme zpátky ke statistice a matematice, k úplným základům.

Pokud víte, jaká data sbíráte, proč je sbíráte, jak je měříte a jaká mají omezení, máte obrovskou výhodu. AI vám pak pomůže věci zrychlit, automatizovat, zpřesnit.

Pokud tohle nevíte, AI vám jen rychleji ukáže problémy, které jste doposud neviděli.

Proto dnes mluvíme s klienty mnohem víc o tom, jak propojit tradici — solidní analytické metody, statistické myšlení, kontrolu kvality — s tím nejmodernějším, co mají k dispozici.

Když se to udělá dobře, AI není hrozba ani revoluce.
Je to přirozené pokračování toho, co datová věda dělá už desítky let.

A tam, kde firmy mají odvahu i disciplínu spojit oba světy, tam vznikají výsledky, které jsou opravdu transformační.

Jak se změnily otázky, které vám kladou účastníci vašich kurzů?

Dřív přicházeli účastníci kurzů hlavně s technickými dotazy. „Jak postavím model?“, „Jak zvolím správnou metodu?“, „Kdy použít logistickou regresi a kdy stromy?“ Byla to krásná éra čisté statistiky — SPSS, Modeler, R, Python… a nadšení z toho, jak lze data zkrotit.

Dnes se ptají jinak.
Mnohem víc přemýšlejí nad tím, jak mají modelům vlastně věřit.

Ptají se:

„Jak poznám, že je AI férová?“
„Co mám dělat, když model udělá chybu — a on ji jednou udělá?“
„Kde leží moje odpovědnost a kde končí odpovědnost algoritmu?“

A je zajímavé sledovat, jak moc se změnil tón diskuse. Už to není strach z nové technologie. Je to spíš zdravá zvědavost, touha porozumět.

Účastníci chtějí být kompetentní. Chtějí vědět, jak AI zapadá do jejich práce. A chtějí mít klid v hlavě, že rozhodují správně.

A to je přesně prostor, kde se naše kurzy posunuly. Dnes už neučíme jen techniky. Učíme kontext, kritické myšlení, interpretaci a schopnost vést AI, ne se jí podřídit.

Naši lektoři — ať už na SPSS, Python, datovou vědu nebo moderní AI — vědí, že model není výsledek. Výsledek je porozumění. A bez něj nemůžete technologii opravdu používat.

To je mimochodem důvod, proč se tolik držíme SPSS a statistiky obecně. Bez silných základů nepoznáte, kdy je AI brilantní… a kdy jen sebevědomě halucinuje.

V kurzech vidím jedno krásné „aha“: lidé si uvědomí, že AI není konkurent. Je to nástroj, který jim může ušetřit ne hodiny, ale celé dny práce.

A umožní jim konečně dělat to, kvůli čemu do analytiky šli — chápat svět, ne bojovat s tabulkou.

Pokud byste měla na rok „zmrazit trendy“ a naučit české firmy jedinou věc, jaká by to byla?

Kdybych měla na rok zmrazit všechny trendy a nechat firmám jedinou věc, kterou se mají naučit, pak bez zaváhání řeknu: kvalita dat.

Možná to nezní tak vzrušivě jako „generativní AI“ nebo „autonomní agenti“, ale je to úplně základní kámen. My v ACREA to vidíme už více než dvacet let na každém projektu — ať už jde o predikci odchodů zákazníků, detekci podvodů, AML, průmyslové modely nebo automatizaci procesů.

S dobrými daty můžete vybudovat téměř cokoliv.
S daty, která jsou neuspořádaná, neúplná, nekonzistentní… to celé stojí na vodě.

A AI to jen urychlí. Dnešní modely jsou neuvěřitelně silné — ale dokážou také neuvěřitelně rychle zesílit i tu nejmenší chybu v datech.

Firmám často říkáme:

„AI vám nepomůže ohnout realitu. Pomůže vám ji rychle pochopit — a někdy i bolestivě přesně.“

A to je moment, kdy se projeví rozdíl mezi nadšeným experimentem a opravdu funkčním projektem.

My v ACREA jsme za těch 30 let viděli spoustu módních vln: Big data. Data mining. Machine learning. Deep learning. A teď AI.

Ale jedna věc se nikdy nezměnila:
Pokud jsou data v dobrém stavu, projekty jsou úspěšné.
Pokud nejsou, technologie problém jen dramaticky zviditelní.

Proto při projektech — ať už děláme prediktivní modely, scoring, AML, nebo třeba náš nástroj Opinion Insight — začínáme u dat. U jejich struktury, původu, kvality, procesů.

A možná právě díky téhle konzistenci s námi firmy rády spolupracují. Nejsme startup. Jsme společnost, která staví řešení na zkušenostech, ne na hype.

A když říkáme, že něco bude fungovat, je to proto, že jsme to už mnohokrát viděli v praxi.

Pokud bych měla dát českým firmám jednu jedinou radu, která jim skutečně ušetří peníze a čas, pak je to tahle:

Postavte si pevný datový základ.
AI pak nebude překvapení — ale přirozené pokračování.

Kde vidíte největší příležitost pro ACREA v tom, jak firmy dnes pracují s daty a AI?

To, co dnes vidíme napříč firmami, je obrovský hlad po tom, aby datová analytika konečně začala fungovat v praxi — ne jen na papíře.

A právě tady má ACREA obrovskou příležitost.

Firmy se potýkají se třemi velkými problémy:

Mají data, ale nemají jasný proces, jak z nich dělat rozhodnutí.

Mají AI modely, ale chybí jim důvěra, interpretace a governance.

Mají povinnosti (např. AML), ale nemají nástroj, který by jim pomohl je plnit.

A přesně do těchto tří oblastí zapadá naše práce.

Když vezmu AML Ready — to je nádherný příklad toho, jak může AI a statistika pomoci tam, kde je chaos. Účetní a daňoví poradci mají zákonnou povinnost identifikovat podezřelé transakce, ale nikdo jim nikdy neřekl jak.

My jim dáváme konkrétní nástroj, konkrétní pravidla a úplně nový způsob kontroly, který je rychlý, auditovatelný a obhajitelný.

Nebo Opinion Insight — to je zase situace, kde mají firmy tisíce zákaznických komentářů a nevědí, co z nich číst. My jim ukazujeme témata, která jim unikala roky, a to má přímý dopad na tržby, retenci i produktové rozhodování.

A pak je tu naše tradiční doména — SPSS, statistika, datová analytika.

My nejsme startup, který se zrodil na vlně AI hype. Máme zkušenost, během které jsme viděli stovky projektů uspět i selhat.

A umíme klientům říkat to, co dnes paradoxně dost málokdo říká:

AI není náhrada. AI je akcelerátor — a funguje jen tam, kde jsou dobrá data a dobré rozhodování.

To je naše největší příležitost: pomáhat firmám, aby AI používaly s hlavou, ne jen proto, že „se to má“.

A díky tomu, že děláme jak klasickou statistiku, tak moderní AI, tak vývoj produktů pro konkrétní segmenty, máme poměrně unikátní pozici: dokážeme firmu vést celou cestou — od problému, přes data, algoritmus, až po implementaci a dlouhodobé používání.