AI-native firma a riadenie tímu: čo sa mení pri 25 ľuďoch

Riadenie tímu v AI-native^?Firma, ktorá stavia procesy priamo okolo AI, nie ako doplnok, ale ako základ prvej verzie väčšiny výstupov. firme sa nemení ani tak v tom, koľko nástrojov nasadíte, ako skôr v tom, ako rozdelíte prácu medzi človeka a jazykový model. Keď každý proces, od písania kódu cez meranie marketingu po internú komunikáciu, stojí na LLM^?Veľký jazykový model, systém trénovaný na obrovskom množstve textu, ktorý generuje odpovede, kód či analýzy na základe zadania., manažér prestáva riadiť úlohy a začína riadiť úsudok: kto rozhodne, či je výstup modelu správny, a kto za to nesie zodpovednosť.

Túto tému otvoril výkonný manažér, ktorý na Reddite opísal svoju firmu: 25 ľudí, prevažne seniori, jeden 26-ročný junior menom Matt bez veľa praxe. Píše, že sú „AI native“, teda všetko sa výrazne opiera o LLM. Príspevok je jediný nepotvrdený zdroj, názov firmy ani totožnosť autora sa overiť nedajú. Beriem ho preto ako podnet, nie ako doložený prípad. Otázka, ktorú kladie, je však reálna a v produkcii sa s ňou stretávam.

Čo vlastne znamená, že firma je AI-native?

Znamená to, že AI nie je doplnok k procesu, ale jeho základ. Rozdiel oproti „firme, ktorá používa AI“, je v tom, kto robí prvý draft. V AI-native tíme napíše prvú verziu kódu, reportu či emailu model a človek ho koriguje. Český konzultant Radim Kameník to zhŕňa tak, že AI-native firma nezačína pri nástroji, ale pri prestavbe procesov.

V praxi sa tým mení to, čo je vzácne. Vzácny prestáva byť výstup, tých je zrazu veľa a lacno. Vzácny je úsudok, či je výstup správny. To je jadro problému s juniormi.

Prečo je riadenie juniorov v AI-native firme ťažšie?

Pretože model dá juniorovi hotový výstup skôr, než si stihne vybudovať úsudok na jeho posúdenie. Matt z redditového príspevku dostane od LLM analýzu alebo kód za sekundy. Chýba mu však odžitá skúsenosť, aby rozpoznal, kedy je výstup ticho nesprávny. Seniorovi model šetrí čas, juniorovi zakrýva medzery vo vedomostiach.

U nás sa to prejavilo pri prvej verzii vyhľadávania. Postavili sme ho nad embeddingami celej databázy, v testoch bežalo výborne, v produkcii padalo na dopytoch s číslami. „Tri izby do 300 000 eur“ vracalo aj byty za 450 000, lebo textová podobnosť cenu ignoruje. Skúsený človek takú chybu čaká. Junior, ktorý dôveruje modelu, ju prehliadne.

Praktický záver: junior v AI-native tíme potrebuje viac spätnej väzby, nie menej. Konkrétne:

• úlohy, kde vie výstup modelu overiť sám, nie kde musí veriť naslepo,
• pravidelný review, kde sa nepozeráme len na výsledok, ale aj na to, ako k nemu prišiel,
• explicitné povolenie povedať „modelu neverím“ a preveriť to.

Ako riadiť tím, keď LLM vstupuje do každého procesu?

Základom je jasný ownership^?Jasne určená zodpovednosť za nástroj alebo proces: kto ho vlastní, rozhoduje o ňom a ručí za výsledok. a pravidlá prístupu k dátam. Blog ui42 pri manažmente AI nástrojov vo firmách odporúča audit existujúcich riešení, nastavenie štandardov a centralizáciu kritických nástrojov, spolu s bezpečným priestorom na experimentovanie a súčasnou kontrolou prístupu k dátam. Bez toho vzniká tieňová AI, kde každý používa niečo iné a nikto nevie, kam tečú firemné dáta.

Kým dáme modelu nový nástroj, počítame, čo sa stane, keď ho použije zle. Odoslať klientovi nesprávne porovnanie je nepríjemné, zapísať zlé dáta do CRM je drahé. Preto u nás smie agent sám iba čítať, každý zápis prechádza cez potvrdenie človekom. Znie to konzervatívne, no za rok prevádzky nám tento jeden princíp ušetril viac problémov než všetky vylepšenia promptov dokopy. Kto rieši, ktorý model má čo robiť, nájde praktický rámec v našom texte o multi-model orchestrácii, kde silný model riadi a lacné pracujú.

Ak vediete firmu s 10 až 50 ľuďmi a chcete si ujasniť, ktoré AI zámery majú zmysel a kde sú povinnosti podľa AI Act, oplatí sa pozrieť na jednodňový sprint, ktorý vedeniu pomôže prioritizovať AI prípady a definovať prvý krok. Nie je to pre firmy, ktoré chcú len zoznam nástrojov; má zmysel tam, kde chcete rozhodnutie, do čoho ísť a do čoho nie.

Postupná optimalizácia, alebo veľká implementácia naraz?

Postupná optimalizácia vyhráva takmer vždy. Návod doneby.cz pre malé a stredné firmy aj slovenský prehľad praktických využití generatívnej AI odporúčajú to isté: rozbiť procesy na menšie časti, merať prínos a škálovať tam, kde dáva najväčší zmysel. Pri opakujúcich sa úlohách, ako je prepisovanie dát, formátovanie dokumentov či reporting, uvádzajú úsporu niekoľkých hodín denne na človeka.

Tieto čísla platia pre bežné firmy, nie pre konkrétny startup z Redditu. Berte ich ako rámec. Podstatné je, že úsporu treba merať, inak neviete, či AI naozaj pomáha, alebo len presúva prácu z písania na kontrolu.

Kedy má AI-native model zmysel a kedy nie?

Má zmysel, keď máte seniorný tím schopný korigovať model a jasne definované, kto rozhoduje o hraničných prípadoch. Nemá zmysel, ak staviate tím prevažne z juniorov a čakáte, že im AI nahradí skúsenosť. Nenahradí, len ju odloží na neskôr, keď chyba vyjde draho.

Pre produktových a inovačných lídrov, ktorí riešia, ako AI zapojiť do objavovania príležitostí a validácie funkcií, môže byť užitočný dvojdňový workshop zameraný na to, ako AI mení dizajn, roadmapovanie a zavádzanie funkcií. Pomáha, keď už AI používate a chcete z toho spraviť systém; menej, ak hľadáte prvý úvod do témy.

Zhrnutie z produkcie: AI-native firma neušetrí na úsudku, iba ho presunie z tvorby na kontrolu. Kto tento posun zvládne u seniorov a nepremrhá rozvoj juniorov, získa reálnu výhodu. Kto ho podcení, zaplatí za to ticho chybnými výstupmi, ktoré nik včas nepreveril.