Hlavní strana -> Časopis IT Systems -> Rok 2026 -> IT Systems 5/2026 -> Z pilotu do produkce
IT SYSTEMS 5/2026 , AI a Business Intelligence

Z pilotu do produkce

Proč vizuální orchestrace rozhoduje o úspěchu AI agentů

Sara Maldon

Experimenty, pokusy-omyly, hraní si, objevování. Sem tam pád na zem, často aha moment. Proč ne? Nástup AI je a byl zběsilý a prudký, a kdo z téhle horské dráhy alespoň jednou nevyletěl, ať hodí kamenem. Takhle nějak bychom mohli charakterizovat loňský rok, kdy se firmy po opatrném našlapování vrhly do nasazování AI do procesů – ale šlo vlastně o takové pilotní období. Nultá sezona. Letos přirozeně navazuje posun. Management ani investoři už nechtějí laborovat, ale čekají konkrétní výsledky, měřitelný dopad a také návratnost svých investic. Cesta z pilotního režimu do ostré produkce však vede skrze otevření pověstné „černé skříňky“ a nastavení jasných pravidel pomocí vizuální orchestrace, která vnáší do práce AI agentů tolik potřebný řád a důvěru.


Je přirozené nevidět výsledky okamžitě

Ze spousty rozjetých projektů se do produkce dostane jen menší část, zhruba čtvrtina. Zbytek zůstává někde na půli cesty. Přitom potíž není v tom, že by AI nefungovala, ale že ji nikdo systematicky neřídí, neměří a vlastně jí ani úplně nerozumí.
AI pak působí jako takový „black box“: nevidíme dovnitř, nevíme, co se děje na pozadí, přirozeně vzniká nedůvěra a firmy se pak zdráhají využít její potenciál naplno. Zároveň je ale důležité říct, že v téhle fázi je to běžné. Pilotní projekty ale negarantují okamžitý výsledek, pomáhají pochopit, co funguje a co ne. Chyby k tomu patří a do určité míry jsou i žádoucí, protože pomáhají si práci s AI osahat a postupně zjistit, kde má skutečný přínos.
Zároveň je potřeba počítat s tím, že výsledky nepřijdou hned. Důležité je vyhradit si na projekt dostatek času a prostoru a nehodnotit jej na základě prvních týdnů. V mém případě jsme na startu měli téměř 80 % projektů bez byznysového impaktu. Po třech měsících už za něco stála přibližně polovina, po šesti měsících jsme byli na 70 % a dnes vykazuje reálný přínos 90 % našich AI projektů. A i ten sebelepší chce prostě čas na vychytání chyb a zjištění toho, co funguje. 

Pilot? Jenom začátek cesty

Situace, kdy se projekty rozběhnou, ale neposunou se dál do reálného fungování, je pořád velmi častá realita. Což znamená, že ve firmách vzniká velké množství iniciativ, ale málokdo dokáže říct, v jaké jsou fázi, jaká je jejich adopce nebo jaký mají skutečný přínos. S každým dalším pilotem se přidává i únava a laxnost lidí, protože jde o x-tý projekt bez viditelného dopadu.
Důvodem přitom nebývá to, že by technologie nefungovala. Často jde spíš o kombinaci faktorů, které se postupně nasčítají. AI často naráží na to, že data ve firmě nejsou na jednom místě a jednotlivé systémy spolu nekomunikují. Každý nástroj tak pracuje jen s částí informací a nevidí celý kontext. Do toho chybí jasně nastavená pravidla a to, kdo má k čemu přístup, co může agent dělat a kdo za jeho chování odpovídá. Bez téhle základní struktury je těžké projekty posunout dál a přirozeně se objevuje opatrnost ze strany managementu.
Velkou roli hraje i to, jak je projekt ve firmě ukotvený. Často se setkávám s tím, že AI dostane na starosti někdo jen jako vedlejší projekt, kterému může věnovat jen třeba čtvrtinu svého času, pokud vůbec. Jenže takhle se pak projekty posouvají opravdu velmi, velmi zvolna. Pokud má mít projekt šanci dostat se z pilotu dál, potřebuje jasného „ownera“, který za něj nese odpovědnost a aktivně ho tlačí dál.
Důležité je i to, co se v projektu měří, protože ty, co zůstávají v pilotu, se zhusta dívají na to, co se vytvořilo nebo nasadilo. Naopak ty úspěšné sledují konkrétní dopad na byznys – nejen to, „že jsme si odškrtli kus úkolu“, ale hlavně „co se změnilo a jak nám to pomohlo“. 
Počítá se i s tím, že implementace je jen začátek? I to totiž kreslí neviditelnou hraniční čáru mezi úspěšným projektem a pilotem na poličce. Projektům, které mají šanci uspět, se odpočítává čas, aby přišly nejenom s technickým řešením, ale i uvedením do praxe. Navíc, nezřídka za nimi stojí i jasná podpora vedení, která jim dává váhu a prostor pro růst.
Když není všechno kvalitně podchyceno, projekt začne být nepřehledný a nenápadně se vytrácí původně bohulibý směr a lidi od něčeho takového okamžitě dají ruce pryč. Neděje se tak proto, že by práce s AI nefungovala – spíš prostě nikdo neví, co přesně má dělat a jak vlastně AI došla ke svým výstupům. Závěr? Důvěra je ta tam. 
 

Vizuální orchestrace jako způsob řízení práce

Abychom mohli AI agenty sebevědomě nasadit, musíme vědět, jak pracují s daty a na základě čeho nám dávají svoje výstupy. A odpovědí je vizuální orchestrace. Představte si zkrátka vstupy a výstupy. Dříve jsme byli zvyklí, že veškerou práci vykonával člověk, dneska se naše role mění. Teď určujeme, co se má stát a jak má celý proces proběhnout, zatímco jednotlivé kroky vykonávají agenti. Tím se postupně posouváme do role manažerů, kdy neřešíme jenom výsledek, ale i proces vzniku.
Celý proces prostě máme před očima – a to je vizuální orchestrace. Vidíme výsledky, co se děje, jak agent nad úkolem přemýšlí, jak se jednotlivé kroky mezi sebou propojují a jak mezi nimi proudí data. A pokud cestu vidíme takhle komplexně, umíme jí porozumět, a tím pádem i důvěřovat. Zároveň se tím výrazně zjednodušuje práce s chybami. Ve chvíli, kdy přesně vidíme, kde se proces zastavil nebo odchýlil a jaká data k tomu vedla, dokážeme mnohem rychleji najít příčinu a opravit to. 

Vizuální orchestrace v praxi

Příklad ze salesu ukazuje, jak může orchestrace fungovat v reálu. Po obchodním hovoru vznikne transkript, který agent analyzuje a na jeho základě potom identifikuje, co je potřeba udělat dál. Pokud zazní technická otázka, agent ji rozpozná, kontaktuje příslušného kolegu a připraví odpověď pro obchodníka. Zároveň může naplánovat follow-up, připravit návrh e-mailu nebo další kroky.
Výhodou je, že obchodník nemusí už sám řešit jednotlivé úkoly, ale spíše dohlíží na proces a doplňuje vstupy tam, kde je to potřeba. Podobně se může orchestrace využít i na individuální úrovni. Při přípravě odborného textu například kombinuji více agentů, kteří paralelně zpracovávají rešerše, interní data nebo zákaznické vstupy a skládají je do jednoho strukturovaného outputu.

Bezpečí a jasná pravidla

Aby bylo možné AI agenty pustit do produkčního provozu, je potřeba mít pod kontrolou několik základních oblastí. Důležité je logovat všechny interakce, tedy mít přehled o tom, jak agent odpovídá a jak se rozhoduje. Stejně tak je potřeba testovat zátěž v simulovaném prostředí, aby bylo jasné, že systém zvládne reálný traffic.
Z pohledu bezpečnosti je zásadní nastavit jasná pravidla pro práci s daty. Agent by neměl mít oprávnění provádět operace, které mění datovou strukturu, například update, delete nebo create. Stejně tak je nutné oddělit kontext jednotlivých uživatelů, aby nedocházelo k nechtěnému sdílení informací. Kvalitu výstupů je pak možné sledovat pomocí metrik, tzv. evals, které hodnotí například přesnost odpovědí nebo stabilitu systému.

Jak přemýšlet o návratnosti

Návratnost investic do AI se neprojeví okamžitě v podobě vyšší marže a často ani není tím hlavním, na co má smysl se v první fázi soustředit. V praxi se dopad objevuje spíše v podobě úspory času, snížení chybovosti nebo zvýšení throughputu, tedy množství práce, které je firma schopná zvládnout ve stejném čase. Právě tyhle změny pak ve výsledku vytvářejí prostor pro růst a zisk, i když se neprojeví hned v přímých číslech.
Ve finále se dá měřit skoro všechno, někdy přímo, jindy nepřímo přes takzvané proxy metriky. V našem případě sledujeme například míru adopce, tedy kolik lidí AI doopravdy používá v praxi, kde jsme se v roce 2025 dostali na 96 %. Druhou metrikou je úspěch rate projektů, tedy kolik z nich má reálný dopad na klíčové byznysové metriky jednotlivých týmů. U nás se pohybujeme okolo 75 %, ale industry průměr je přibližně 5 %.
První výsledky můžeme pozorovat v horizontu 8 až 12 týdnů. Samotná implementace trvá klidně i několik dnů nebo týdnů, ale adopce a zaškolení lidí zpravidla zabere násobně více času.

AI jako „parťák“ týmu

Rok 2026 nebude o počtu spuštěných experimentů, ale o jejich dopadu. Do popředí se dostává záměrnost – vybírat si, kde AI dává smysl, a vědomě s ní pracovat. Společně s tím se postupně mění i způsob, jakým fungují týmy. Vedle lidí začínají přirozeně existovat i agenti a komunikace už neprobíhá jen mezi člověkem a nástrojem, ale právě i mezi jednotlivými agenty navzájem. V takovém prostředí už nejde jen o to, jestli AI použít, protože mnohem důležitější je umět s ní pracovat a mít přehled o tom, co se v daný moment děje.
 
Sara Maldon
Autorka článku působí na pozici AI Leading AI Automation & Transformation ve společnosti Make, která stojí za stejnojmennou no-code platformou, která umožňuje vytvářet komplexní automatizace přetahováním modulů v drag-and-drop editoru.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.