Autonomní agenti místo reportů. Kam směřuje AI podle BizzTreat

AI dnes firmy nechtějí jako „další dashboard“, ale jako nástroj, který přemýšlí s nimi – nebo za ně. Společnost BizzTreat stojí na pomezí tradiční datové analytiky a nové éry autonomních AI agentů, kteří nad kvalitními daty nejen vysvětlují minulost, ale navrhují konkrétní kroky do budoucna. V rozhovoru s CEO Patrikem Samkem otevíráme téma datové zralosti, bezpečnosti i reálných přínosů AI projektů – bez hype, ale s důrazem na to, co firmám skutečně funguje.

1. BizzTreat dlouhodobě pomáhá firmám pracovat s daty. Kdy pro vás začala AI hrát roli v projektech? A jak se změnilo to, co od vás klienti očekávají?

AI pro nás není úplná novinka, ale roky 2024 a 2025 byly zlomové. Dříve klienti chtěli hlavně vidět svá data – mít pořádek v reportingu a BI (Business Intelligence). Dnes už jim nestačí vědět, co se stalo. Chtějí vědět, co se stane a aby jim systém rovnou doporučil akční kroky nebo část práce rovnou udělal.

S nástupem Generativní AI a nástroji od Microsoft nebo Googlu, klienti už nechtějí jen dashboardy, chtějí chytré asistenty, kteří jim ta data „přežvýkají“ do lidské řeči nebo rovnou navrhnou akci.

2. Jaké typy AI dnes u klientů nejčastěji nasazujete? Jde spíše o automatizaci, prediktivní modely, nebo o generativní AI?

Je to mix, který se odvíjí od datové zralosti klienta, ale vidíme tři hlavní směry:

1. Analytičtí Agenti: To je teď největší trend.
   Nasazujeme agenty pro interní znalostní báze (např. u jednoho z našich velkých mezinárodních klientů nasazujeme AI agenta pro obchodní týmy, který dokáže člověku vysvětlovat celý datový tok, z čeho data vznikly, nebo jaký mají byznysový význam) nebo specializované asistenty, jako je náš agent „Harold“ pro dalšího tuzemského klienta, který sám hledá v datech užitečné insights, upozorňuje na ně a navrhuje konkrétní akce, to vše v přirozeném jazyce. 

2. Specializovaná automatizace: Příkladem je projekt pro klienta, kde jsme vyvíjeli AI asistenta pro tvorbu plánů BOZP. Tam jde o generování složitých dokumentů na míru, což šetří hodiny práce expertů.
   
3. Prediktivní analytika: Klasická „hard data science“ nezmizela.
   Pro další klienty řešíme případy, které tu byly už velmi dávno před nástupem generativní AI, jako například forecasting prodejů, což může být klíčové pro řízení skladových zásob.

3. V posledním roce se mnoho firem snaží „rychle něco udělat s AI“. Co je podle vás první krok, který by měl každý podnik udělat, aby se AI stala skutečným přínosem, ne jen experimentem?

Neskákat do toho po hlavě. Prvním krokem musí být AI Audit a zhodnocení datové zralosti. 

Často vidíme, že firmy chtějí AI, ale nemají konsolidovaná data. AI nad „nepořádkem“ bude jen generovat „chytré nesmysly“.

Proto u klientů začínáme právě analýzou datových zdrojů a maturity. Musíme vědět, jestli má firma data vůbec dostupná, v jaké kvalitě a jestli má smysl na ně AI pouštět. Pokud ne, prvním krokem je úklid – nasazení systému pro integraci dat nebo migrace na moderní platformy jako např. MS Fabric.

4. Při implementaci AI stojí firmy často před překážkami — kvalita dat, integrace, obavy o bezpečnost nebo compliance. Která z těchto oblastí je pro vaše klienty nejkritičtější a jak jim s ní pomáháte?

Jednoznačně kvalita dat a lineage (původ dat). Když AI agent v reportingu odpoví špatně, musíte být schopni dohledat proč.  Stalo se nám, že model OpenAI deduplikoval číselné hodnoty tam, kde neměl, nebo že chyběla data v podkladové vrstvě.

Řešíme to budováním robustní datové architektury, kde AI pouštíme až na tu poslední výstupní, ověřenou vrstvu dat.

Co se týče bezpečnosti, klienti se bojí úniku dat do veřejných modelů. Proto využíváme privátní endpointy v rámci klientova prostředí, takže data nikdy neopustí jejich bezpečnou zónu.

5. Máte zkušenosti z mnoha různých odvětví. Kde dnes AI přináší nejrychlejší a nejviditelnější výsledky? A naopak — kde narážíte na největší limity?

Nejrychlejší výsledky jednoznačně u firem s vysokou datovou zralostí. Tam, kde jsou procesy digitalizované a data konsolidovaná, je nasazení AI pro analytické využití v podstatě přímočaré. Typicky je to Retail a E-commerce.

Naopak největší bariéry vidíme tam, kde je nízká datová zralost, což je často případ tradiční výroby a těžkého průmyslu. Pokud procesy nejsou digitalizované, data leží „v šanonech“ nebo v uzavřených systémech strojů, AI nemá s čím pracovat. Nejdřív musíme vyřešit sběr dat a infrastrukturu, teprve pak můžeme ladit modely.

6. Váš tým se často věnuje i zvyšování datové vyspělosti klientů. Do jaké míry je datová „připravenost“ klíčová pro úspěšné projekty s AI? A jak firmám pomáháte dosáhnout bodu, kdy je AI vůbec možné nasadit?

Je to absolutně klíčové. Naše heslo je: „S vyšší datovou zralostí otevíráte dveře k větší hodnotě.“

Pomáháme tím, že neprodáváme AI jako krabičku, ale jako součást Data Governance. Nejdřív nasadíme systém pro orchestraci dat, vyčistíme toky a teprve pak stavíme AI nadstavbu. Učíme klienty, že AI není magie, ale další systém nad kvalitními daty.

7. Generativní AI se stala trendem roku. Jaké jsou podle vás nejzajímavější praktické scénáře, kde ji klienti opravdu využívají a mají z ní reálnou hodnotu?

Kromě už zmíněného generování dokumentů (BOZP plány) vidím obrovský potenciál v „Chat with your Data“.

Manažeři nechtějí klikat ve filtrech dashboardů. Chtějí se zeptat: „Proč nám klesla marže v Q3?“ a dostat odpověď. Je to technicky náročné na přesnost, ale pro uživatele je to game-changer.

8. Když se firma rozhoduje mezi hotovým AI nástrojem a vývojem na míru, jak jim pomáháte vybrat správný přístup? Co jsou nejdůležitější faktory, které zvažujete?

Vždy začínáme kalkulací nákladů a přínosů. Pokud existuje hotový Copilot v Microsoft 365, který vyřeší 80 % potřeb, nemá smysl vyvíjet vlastního.

Vývoj na míru (Custom Agents) dává smysl tam, kde jsou specifická firemní data nebo procesy, které obecný model nezná.

Zároveň máme analytické agenty a postupy, které neustále ladíme, tak aby byly obecně použitelné například pro konverzační analytiku (uživatel se doptává a agent odpovídá na základě dat a poskytnutého kontextu na jeho otázky). Tyto agenti či nástroje jsou dnes velmi lukrativním zbožím, nejenom z hlediska připravenosti firemních dat pro nasazení takového nástroje ale taktéž z hlediska ceny samotných nástrojů.

Dokážeme pro klienta obě dvě části výrazně ekonomicky zefektivnit a rychle implementovat do klientova prostředí.

9. Jaká bezpečnostní nebo etická rizika řešíte u AI projektů nejčastěji? A jak klienty provádíte celým procesem tak, aby měli jistotu, že dodržují i nová pravidla typu AI Act?

Nejčastější je obava z halucinací (AI si vymyslí číslo) a úniku dat.

Řešíme to „Human in the loop“ principem – AI navrhuje, člověk schvaluje (zvláště u složitějších případů). Technicky pak striktním oddělením dat a využíváním enterprise instancí modelů, které se neučí na datech klientů. AI Act bereme vážně – u každého projektu děláme audit rizik, abychom věděli, do jaké kategorie systém spadá.

10. Když se podíváte na další roky — kde vidíte největší příležitosti pro propojení dat a AI? A na co se chcete jako BizzTreat zaměřit dál?

Budoucnost je v autonomních agentech. Nechceme, aby se uživatel musel ptát. Chceme, aby systém sám řekl: „Pozor, u klienta X hrozí odchod, protože mu klesly odběry, navrhuji poslat tento email.“

V BizzTreatu se zaměřujeme na hlubší integraci AI přímo do naší práce a nástrojů, které využíváme. Rozvíjíme naše R&D projekty, protože víme, že se hranice mezi „tradičním BI“ a „AI“ začíná smazávat a je tu nové éra AI datové analytiky. Rok 2026 bude o tom, aby AI nebyla jen „chat“, ale aby reálně vykonávala práci, kterou uživatelé mohou v analýze dat přenechat strojům a věnovat se přínosnějším aktivitám.