Představme si obchodní firmu, která každé pondělí porovnává počet potvrzených objednávek za poslední dva uzavřené týdny. Vedení chce vědět, zda objednávek přibývá, nebo ubývá, a jestli je potřeba něco řešit. Analytik připravuje čísla a krátký komentář. AI mu s tím může pomoct, ale záleží na tom, co má k dispozici a jakou část práce jí svěří.

Na tomto vymyšleném příkladu projdeme šest úrovní. Postupně přidáme uložené instrukce, přístup k datům, firemní kontext, aktualizaci pravidel a samostatné provádění práce. U každé úrovně se podíváme, co se pro analytika změní. Potom ukážu, jak tyto možnosti propojuji ve vlastní práci na HeyRupu.

Je to moje praktická mapa, nikoli ověřená škála schopností. Jednotlivé možnosti se mohou překrývat a nemusíte projít všemi úrovněmi. Pro jednorázový text může stačit chat. U opakovaného reportu už může dávat smysl vyřešit i to, odkud AI bere data a co se stane, když se změní pravidla.

1. Chatovací okénko: podklady dodáte pro každý úkol

Analytik vloží do chatu tabulku a požádá AI, aby porovnala oba týdny a připravila komentář. Dostane první návrh, může se doptat nebo zadání upřesnit. Pro takto ohraničený úkol je chat užitečný: pomůže projít podklady a formulovat srozumitelný výstup.

Tabulka ale musí obsahovat údaje, ze kterých lze odpověď získat. Když jsou v ní jen dva celkové počty, AI může popsat jejich rozdíl. Z těchto čísel už nezjistí, zda analytik správně vyřadil zrušené objednávky. A samotný pokles neříká, jestli za ním stojí slabší poptávka, výpadek prodeje, nebo něco jiného.

Analytik tedy dodává nejen čísla, ale i vysvětlení, co znamenají. Zároveň kontroluje, zda komentář rozlišuje zjištěnou změnu od domněnky o její příčině. Při dalším reportu musí zajistit, aby AI měla potřebné podklady znovu.

2. Pracovní prostor: opakované zadání si uložíte

Po několika pondělcích se ukáže, že velká část zadání zůstává stejná. Analytik si proto uloží instrukce do pracovního prostoru nebo projektu: porovnávej celé týdny, uveď rozdíl v počtu i procentech a nevysvětluj příčinu změny bez podkladů. Přidá vzor dobrého komentáře a pravidlo, že zrušené objednávky do reportu nepatří.

Příště už dodá novou tabulku a požádá o další report. Nemusí znovu popisovat formát ani základní pravidla. Pořád však zajišťuje aktuální data a hlídá, zda uložené zadání odpovídá tomu, co firma potřebuje.

Tím se zjednodušilo opakování práce. Přenos tabulky ale zůstal na analytikovi. Pokud je právě tohle zbytečný ruční krok, další posun může přinést propojení s datovým zdrojem.

3. Nástroje a integrace: AI si může podklady načíst

Analytik dá AI přístup ke schválenému zdroji dat s jednotlivými objednávkami. Místo stahování a vkládání tabulky pak může zadat: „Připrav komentář za minulý týden.“ AI použije připojený nástroj, načte podklady a zpracuje je podle uložených instrukcí. Model, který může s pomocí nástrojů volit a provádět jednotlivé kroky, v tomto článku označuji jako agenta.

Rozsah přístupu se řídí úkolem. Pro přípravu reportu může stačit čtení schváleného exportu; agent kvůli tomu nepotřebuje právo měnit objednávky ani odesílat zprávy vedení. Je dobré vymezit tato oprávnění už při propojení.

Technické připojení ovšem neřeší význam dat. Agent například uvidí sloupec se stavem objednávky, ale bez dalšího vysvětlení nemusí správně určit, které stavy má započítat. Aby mohl použít firemní definici, musí ji mít kde najít a musí být jasné, jak souvisí s konkrétními daty.

4. Kontextová vrstva: k datům připojíte jejich význam

Uložený pokyn „počítej potvrzené objednávky“ byl dobrý začátek. Pro práci přímo s firemními daty je ale příliš stručný. Potřebujeme určit, který zdroj report používá, jaké stavy objednávek zahrnuje, podle kterého data je řadí do týdne a k jakému okamžiku se posuzuje případné zrušení.

V našem příkladu může pravidlo znít: objednávky řadíme do týdne podle data potvrzení a při pondělní uzávěrce vyřadíme ty, které už byly zrušené. K platné definici metriky pak patří i konkrétní datová pole a stavy, podle kterých se má počítat. Agent dostane cestu k této definici, k odpovídajícím datům i informaci, kdo může nejasnost rozhodnout. To je rozdíl oproti pravidlu zkopírovanému do jednoho zadání: na stejnou definici může navazovat více úkolů a je určeno, který zdroj má při rozporu přednost.

Takto uspořádaným podkladům říkám kontextová vrstva. Mohou být rozdělené mezi dokumentaci, databázi a další nástroje. Podstatné je, aby agent dokázal pro daný úkol dohledat správné souvislosti. V reportu pak může uvést použitý zdroj, období i definici. Analytik má podle čeho zkontrolovat, jak výsledek vznikl.

Samotná dokumentace správný výpočet nezaručuje. Je stále potřeba ověřit, že použitý dotaz nebo postup definici skutečně odpovídá. Uspořádání těchto podkladů podrobněji rozebírám v článku o druhém mozku pro AI. Tady na něj navážeme otázkou: jak zajistit, aby jednou připravený kontext nezastaral?

5. Nervová soustava: oprava ovlivní i příští práci

Představme si, že analytik při kontrole podkladů zjistí, že výpočet zahrnul i zrušenou objednávku. Agent dohledá, že datový dotaz neobsahuje potřebný filtr. Kdyby opravil jen výsledný komentář, příští pondělí by mohl udělat stejnou chybu znovu.

Oprava se proto musí dostat i do datového dotazu. Agent v rámci svého oprávnění opraví dotaz, nebo připraví změnu ke schválení. Doplní kontrolu, která podobnou chybu zachytí, a zaznamená, co se změnilo a proč. Firemní definice zůstává stejná; opravujeme způsob, jakým se podle ní počítá.

Jiná situace nastane, když firma samotnou definici změní. Pak je potřeba uložit schválené rozhodnutí, datum jeho platnosti a upravit navazující postup. Další report musí vycházet z nové verze a upozornit, pokud už čísla nejsou přímo srovnatelná s minulostí.

„Nervová soustava“ je moje metafora pro toto propojení práce a zpětné vazby. Důležité zjištění se dostane do zdroje, ze kterého bude vycházet další úkol. Nestačí hromadit zápisy: musí být jasné, co je návrh, co platné rozhodnutí a kdo smí provést změnu. Agenti mohou zápisy i navazující úpravy obstarávat podle předem daných pravidel.

6. Řízená autonomie: svěříte agentovi celý vymezený postup

Dosud práci pokaždé zahajoval analytik. Teď může agent každé pondělí sám načíst podklady, provést výpočet, zkontrolovat výsledek a připravit návrh reportu. Samotný časovač by však znamenal jen automatické spuštění. O míře autonomie rozhoduje i to, které další kroky agent smí zvolit a dokončit bez člověka.

V našem příkladu dostane konkrétní kontrolní podmínky: zdroj musí obsahovat oba celé týdny, zrušené objednávky se nesmějí dostat do výpočtu a součty musí odpovídat podkladům. Pokud některá kontrola selže, postup nemá pokračovat k hotovému reportu. Agent předá analytikovi popis problému a podklady k jeho vyřešení.

Když kontroly projdou, připraví návrh s odkazy na zdroje. Analytik v tomto nastavení stále posuzuje komentář a rozhoduje o odeslání vedení. Zvlášť hlídá, zda vysvětlení změny stojí na důkazech. Ani úspěšná kontrola součtů totiž nepotvrzuje příběh o tom, proč objednávek ubylo.

Hranice mohou být u každého úkolu jiné. Rozhodující je, jak lze výsledek ověřit a co by způsobila chyba. Samostatná příprava interního návrhu má jiné důsledky než změna cen nebo odeslání zprávy zákazníkovi. Tomu musí odpovídat oprávnění i místa, kde práci přebírá člověk.

Jak to vypadá v mojí práci

U HeyRupu řeším podobnou otázku ve větším rozsahu: jak zadat práci na jednom místě a přitom využít informace i nástroje rozdělené napříč projektem. HeyRup má aplikaci, veřejný web a produktové HQ ve třech repozitářích. Aplikace a web mají patnáct jazykových verzí. K tomu patří rozhodnutí ze schůzek, průběžná komunikace a data z provozu.

Jedno místo pro zadání, více míst pro práci

Pracuji hlavně v ChatGPT a Codexu. Úkoly zadávám přes své HQ_RadekDuha: repozitář s pracovními instrukcemi a mapou projektů a jejich zdrojů. Z jednoho okna tak řídím práci, kterou agenti vykonávají na různých místech. Do repozitářů HeyRupu sám nepíšu; změny v nich provádějí agenti.

Mapa v HQ jim pomáhá určit, kam úkol patří a jaká pravidla si mají načíst. Když potřebují pracovat s databází nebo jiným nástrojem, využívají příkazový řádek (CLI), MCP servery či nativní pluginy. To jsou různé způsoby, jak se dostat k potřebným datům a provést povolenou akci. Když je potřeba pracovat s rozhraním aplikace, mohou ovládat i prohlížeč.

Souvislosti dohledávají a ukládají agenti

Pokyny k úkolu ale nevznikají pokaždé od začátku. V Notionu mám přepisy schůzek a pracovní log důležitých rozhodnutí a poznatků, nazvaný Activity / Signal Log. Agenti do něj podle mých instrukcí automaticky zapisují. Při další práci v těchto zdrojích vyhledávají a třídí relevantní informace. Já kvůli tomu do Notionu nechodím ani ručně nedoplňuji zápisy.

Notion uchovává přehled toho, co se řešilo a rozhodlo. Pokud rozhodnutí mění trvalé pracovní pravidlo, agent je promítne také do příslušného projektového HQ, kde je najde při dalším úkolu. Zápis ze schůzky tak může posloužit k dohledání důvodu, zatímco platný postup má své určené místo.

Další souvislosti uchovává dlouhodobá paměť ChatGPT. Když nestačí, agenti se podle instrukcí mohou vrátit k vybraným starším konverzacím a záznamům svých běhů, označovaným jako sessions či traces. Hledají v nich relevantní detaily, opakující se problémy nebo poučení pro další práci. Podle úkolu využívají také Slack, e-mail a měřicí nástroje. Tohle dohledávání dělají agenti; já jim nemusím pokaždé sestavovat celý příběh projektu znovu.

Část práce pokračuje i bez nového zadání

Na stejných instrukcích a zdrojích stavím agentní automatizace. Vymezenou opakovanou práci mohou spouštět a provádět bez toho, abych ji pokaždé zadával do chatu. Každá má určený rozsah, oprávnění a způsob kontroly výsledku.

Já určuji, čeho chci dosáhnout, a schvaluji kroky s dopadem na produkt, zákazníky nebo zveřejněný obsah. Agent může samostatně dokončit povolený, vratný krok. Zveřejnění, zásah do ostrého provozu nebo citlivá operace musí mít odpovídající schválení; když je pro danou akci nemá, zastaví se. Přijaté rozhodnutí pak zaznamená a podle potřeby upraví pravidla pro další práci.

Takto používám AI při rozvoji a provozu HeyRupu. Popisuji svůj pracovní postup, nikoli funkci nabízenou zákazníkům HeyRupu. Největší přínos pro mě spočívá v návaznosti: zadání vede k dohledání souvislostí, provedení práce a záznamu toho, co bude potřeba příště. Jedno okno je vstupem do tohoto postupu. Jeho užitečnost stojí na propojení zdrojů, pravidel a kontrol za ním.

Jak najít užitečný další krok u sebe

Začněte jednou prací, která se opakuje a u které znáte dobrý výsledek. Může to být report, příprava porady nebo třídění e-mailů. Popište, co dnes děláte vy, co dělá AI a kde se práce zasekává. Právě tam hledejte možnost zlepšení.

Následující prompt vám pomůže tento postup rozebrat. Z výsledku se dozvíte hlavně to, co vyplývá z vašich podkladů; model sám nezjistí, jak vaše práce skutečně probíhá. Pro začátek stačí popis práce a příklad bez citlivých údajů. Před sdílením dokumentů ověřte, že s nimi použitý nástroj smí pracovat. 

Chci zmapovat, jak dnes používám AI v tomto konkrétním workflow: [popis práce].

Použij jen informace v této konverzaci nebo v dokumentech, které jsem ti výslovně připojil. Nepředstírej přístup k mé paměti, souborům ani systémům, které nevidíš. Rozliš, co je doložené, co odhaduješ a co nevíš. Pokud chybí důležité informace, polož mi nejvýše 8 konkrétních otázek.

Použij šest úrovní z článku jako pracovní mapu, ne jako certifikovaný standard:
1. Chatovací okénko: jednorázový úkol, kontext dodávám ručně.
2. Opakovatelný pracovní prostor: uložené instrukce, šablony nebo oddělené prostředí pro podobné úkoly.
3. Nástroje a integrace: AI pracuje s povolenými soubory, aplikacemi nebo daty.
4. Kontextová vrstva: AI umí najít aktuální definice, zdroje pravdy, rozhodnutí a pravidla.
5. Živá nervová soustava: změny, rozhodnutí a opravy se vracejí do správného kontextu pro další práci.
6. Řízená autonomie: opakované kroky běží samostatně v jasných mezích, s kontrolami a lidským zastavením tam, kde je potřeba.

Posuď zvlášť:
- běžné úkoly a jejich opakování
- workflow a používané nástroje
- kvalitu a dostupnost kontextu
- aktualizaci informací a předávání rozhodnutí
- ověřování výstupů a cenu případné chyby
- míru autonomie a lidské kontroly

U každé oblasti uveď konkrétní důkazy, úroveň nebo rozpětí a neznámé informace. Nedávej mi jedno souhrnné skóre a nepředpokládej, že vyšší úroveň je vždy lepší. Nakonec doporuč jednu praktickou změnu tohoto postupu. Popiš, podle čeho při příštím úkolu poznám zlepšení, jak ověřím správnost výsledku a co má zůstat pod lidskou kontrolou.

Vyberte jednu změnu a ověřte ji při další práci

Pokud z rozboru vyjde, že pokaždé znovu píšete stejné zadání, uložte si instrukce a při dalším úkolu sledujte, co ještě musíte doplnit. Jestli nejvíc času zabírá přenášení tabulek, zkuste omezený přístup ke zdroji. Pokud se výsledky liší kvůli různým definicím, nejprve sjednoťte pravidlo a určete, odkud se má načítat.

U pondělního reportu můžete poznat posun docela konkrétně: připravili jste ho s menším množstvím ručních kroků, čísla souhlasí se zdrojem a komentář nevydává domněnku za vysvětlení. Teprve když se takový postup osvědčí, má smysl rozšiřovat samostatnost agenta. Ověřte také, co udělá při chybějících datech nebo neúspěšné kontrole.

Hotově vypadající výstup může svádět k tomu kontrolu přeskočit. V AI Fluency Indexu Anthropic u konverzací s vytvářenými výstupy pozoroval méně výslovného ověřování faktů a upozorňování na chybějící kontext. Studie ovšem neviděla kontroly provedené mimo chat a neprokazuje příčinu tohoto rozdílu. Beru ji jako připomínku, že způsob ověření patří k zadání práce.

Posun k „nervové soustavě“ pro mě znamená, že další úkol využije to, co už se při práci zjistilo a rozhodlo. Někde k tomu stačí uložené instrukce, jinde propojené nástroje a automatizace. Vyplatí se začít tam, kde dnes zbytečně opakujete práci nebo ztrácíte důležité souvislosti.

Další čtení: Every: The Eight Levels of AI Adoption, Anthropic: AI Fluency Index a Simon Willison: Context engineering. Tyto texty nabízejí různé pohledy na práci s AI. Šest úrovní v tomto článku je moje vlastní syntéza.