C-SUITE MEETUP VOL. 14: NOTES

Jak pustit AI do vývoje: Riziko, nástroje, agenti

Náš 14. C-Suite Meetup byl druhým setkáním v nových prostorách v pražských Holešovicích.

Tentokrát jsme se věnovali tématu, které dnes rezonuje ve stále větším množství firem: jak pustit AI do vývoje softwaru tak, aby přinášela skutečnou hodnotu, ale zároveň nezvyšovala riziko, neztrácela se kontrola nad kvalitou a bylo jasné, kdo za výsledek odpovídá.

Cílem nebylo vést debatu o tom, kdo má v přístupu k AI pravdu. Chtěli jsme ukázat různé pohledy a zkušenosti lidí, kteří AI ve vývoji, v produktech, v interních procesech i v řízení firem skutečně řeší.

Hosty přivítal spolumajitel INVENTI Marek Mach, celým programem provedl CMO INVENTI Pavel Bartoš.

C-Suite Meetup v kostce

Diskuse se postupně dotkla několika rovin:

• jak hledat vlastní cestu k AI ve vývoji,

• jak se orientovat v situaci, kdy od nápadu k prototypu může někdy stačit jeden prompt,

• jaké předpoklady musí firma vytvořit, aby lidé mohli pracovat novými způsoby,

• jak získat a udržet konkurenční výhodu,

• kde AI pomáhá zrychlit vývoj a kde je naopak potřeba zůstat opatrný,

• jak se mění role vývojářů, produktových týmů i byznysových zadavatelů.

Pozvání přijali hosté s velmi různými zkušenostmi...

Meetup řečníci

Odpolední program

Hned na začátku jsme se přes Slido zeptali publika, s jakým přístupem k AI hosté přicházejí. Ukázalo se, že většina účastníků „jede hranu“, část otevřeně přiznala FOMO a téměř nikdo se nepřihlásil k tomu, že by byl AI skeptik.

AI může pomáhat v každé profesi

První část diskuse jsme otevřeli s Václavem Šlajsem ze společnosti Y Soft.

Y Soft je původem startupová firma, dnes má už ale přibližně 400 lidí po celém světě. Hlavním produktem je pro Y Soft software pro optimalizaci tisku. Využívají jej především velké mezinárodní firmy (včetně společností ze seznamu Fortune 500). Riziko chyby je u těchto společností velmi drahé. Václav Šlajs proto upozornil, že v rámci tohoto hlavního produktu není prostor pro neřízené experimenty. I proto zdůraznil, že přístup k AI se musí lišit podle toho, kde ji firma používá. 

Jiná situace ale nastává u interních aplikací, toolingu v “okolí” hlavních produktů nebo procesů, kde si firma může dovolit zkoušet nové přístupy a učit se z nich.

A jak probíhala adopce AI ve Y Softu? Firma začala s Claude Codem brzy po jeho vydání na jaře 2025. Už v létě vznikaly první interní aplikace, které zatím nebyly kritických procesů. Na přelomu roku pak tým začal stavět agenty, kteří umí revidovat kód.

Důležité podle Václava bylo začít tam, kde případná chyba nebude mít zásadní dopad. Například na interní docházce nebo vykazování práce. Firma tak mohla vytvářet procesy, kterým postupně začala věřit.

Vývoj probíhá ve více fázích: první je prototyp, který vzniká v Claude Codu. Následuje implementace a práce se sadou pravidel, která popisují, jak ve firmě funguje vývojový proces. Václav je přirovnal k instrukcím, které by běžně dostal třeba nováček ve firmě.

Třetí fází je review. Y Soft používá více agentů, kteří hledají logické chyby, bezpečnostní nedostatky, kontrolují UI nebo správné používání knihoven. Výsledkem je sada nálezů, která se vrací zpět agentovi, jenž aplikaci vytvořil.

Rozhodnutí o nasazení do produkce ale zůstává na člověku.

V této části jsme se znovu obrátili na publikum a ptali se, jak AI ve firmách využívají účastníci. Odpovědi ukázaly široké spektrum použití: audit, interní aplikace, tvorba obchodních nabídek, právo i další oblasti. Někteří účastníci uvedli, že AI používají prakticky všude.

Na otázku, co Y Softu pomohlo rozjet AI správným směrem, Václav odpověděl, že klíčoví jsou lidé, kteří se tématu aktivně věnují a následně ho šíří dál do firmy. Firma je podporuje, motivuje a nechává je ukazovat ostatním, jak může AI v praxi pomoci.

Ne všechno ale šlo podle očekávání. Tým například předpokládal, že techničtí lidé budou mít k AI přirozeně blíž. Ukázalo se, že adopční křivka je podobná napříč firmou. Pomohlo proto jít příkladem a ukazovat konkrétní výsledky.

Část otázek z publika směřovala ke code review. Václav vysvětlil, že u interních aplikací bez zákaznických dat se mohou do revize výrazně zapojovat agenti. U produktů, které firmu živí, ale zůstává lidská kontrola zásadní.

Dotazy se týkaly i rozpočtu a času na experimentování. Ve Y Softu se velká část učení odehrává z iniciativy lidí, které téma baví. Rozpočet podle Václava zatím není velký. Důležitá je hlavně chuť zkoušet nové věci, protože dovednosti získané při práci s AI mají hodnotu i pro samotné lidi.

Z publika přišla také otázka na lidi, kteří AI aktivně blokují. Václav uvedl, že takových případů ve firmě mnoho nemají. Pracují s nimi postupně, spíše přes ukázky a konkrétní přínosy než formou tvrdého tlaku.

Prvním úkolem, který Y Soft přes AI řešil, bylo zpracování objednávek přicházejících v PDF. Úspěšnost čtení se podle Václava pohybuje přibližně mezi 80 a 90 procenty.

Velká část diskuse se přirozeně dotkla také nákladů na předplatná, tokeny a rozpočet na AI. Stejně tak jsme se dostali ke compliance a bezpečnosti. Pro Y Soft je zásadní rozdíl v tom, zda AI pracuje se zákaznickými daty. Data zákazníků ze západní Evropy nemohou posílat do amerických systémů, a proto mají klasifikaci nástrojů podle toho, jaká data do nich lze vložit.

Závěr rozhovoru se věnoval starším interním aplikacím. Václav popsal přístup, kdy je možné nechat AI aplikaci analyzovat, projít zdrojový kód, vytvořit specifikaci a testy a následně ji postavit znovu. Opět ale zdůraznil, že se bavíme o nekritických interních aplikacích, jako je docházka nebo vykazování práce.

Poslední otázka směřovala k tomu, zda se díky AI zmenší tým.

Podle Václava existují dvě možné cesty. Firma může ve stejném počtu lidí dodat větší hodnotu, nebo při stejné hodnotě potřebovat méně lidí. Je ale na každé firmě, jakou cestu zvolí.

Y Soft podle něj nepřemýšlí primárně o zmenšování týmu. Cílem je lidem ušetřit čas a přemýšlet, co s tímto časem dělat dál.

Z rozhovoru s Václavem Šlajsem vyplynulo, že pro Y Soft není AI izolovaný experiment, ale postupně budovaná schopnost firmy. Důležité je začít na správných místech, tedy tam, kde případná chyba neohrozí zákazníky ani core produkt, a teprve postupně rozšiřovat důvěru v nové procesy.

Zároveň se ukázalo, že samotné nástroje nestačí. Stejně důležité jsou interní pravidla, práce s daty, bezpečnost, zapojení lidí a jasné rozhodnutí, kde může AI pomoci samostatně a kde musí zůstat člověk poslední instancí.

Z vývojářů se stanou vizionáři a architekti reálného byznysu

Druhým hostem byl Vít Schlesinger, který dnes ve společnosti Liberty Choice staví společně s kolegy celý digitální ekosystém.

Současnou situaci ilustroval na příkladu finanční ředitelky, která si vytvořila s pomocí Claude celý ekosystém nástrojů pro sledování cashflow. Podle Víta to ukazuje větší změnu: lidé, prakticky bez ohledu na věk, kteří mají technologický základ, kolem sebe nebudou vždy potřebovat velký tým dalších lidí.

Podobnou zkušenost popsal i přes vlastní příběh: když začal více investovat do nemovitostí, rostla i potřeba mít osobní finance pod kontrolou. Nejprve používal Excel, později si ale vytvořil vlastní aplikaci, která monitoruje osobní cash flow, investice a další finanční data. Aplikaci má napojenou na bankovní účty, dává mu tedy přehled, který by se dříve bez vlastního systému vytvářel mnohem složitěji.

Vít také zmínil graf, který podle něj dobře popisuje změnu ve vztahu mezi nápady a exekucí. Dříve bylo mnoho lidí potřeba především na realizaci. Dnes se poměr otáčí. Nápadů je mnoho, ale skutečně je realizovat dokáže jen hrstka.

Část rozhovoru se věnovala i tomu, jak funguje Liberty Choice. Firma pomáhá lidem s finančními strategiemi pro osobní finance a s investicemi do nemovitostí. S tím se pojí složitá agenda: osobní data, hypotéky, katastr, dokumenty i řada kroků mezi klientem, poradcem a dalšími stranami. Dříve by podobný ekosystém vyžadoval větší tým externích vývojářů. Dnes ho Liberty Choice částečně staví s pomocí AI a menšího týmu, kde většinu tvoří AI vývojáři.

Z toho podle Víta plyne důležitá změna v roli vývojáře.

Jako další příklad popsal koncept mobilní aplikace Liberty Choice. Aplikace umožňuje chatovat, ukládat dokumenty a řešit řadu souvisejících úkonů. Přesto byl její vývoj velmi rychlý. To podle Víta neznamená, že by týmy neměly co dělat. Naopak. Díky AI mohou dodávat více věcí rychleji a efektivněji.

Následně jsme se publika ptali, k jakým typům úkonů ve vývoji AI používají. Objevila se analýza a tvorba zadání, vymýšlení features, generování kódu, UX design, generování testů i realizace testů.

Diskuse se následně posunula k dovednostem, které budou vývojáři a další profese související s vývojem produktu potřebovat. Podle Víta poroste hlavně význam komunikace se zadavatelem. Pokud někdo vyvíjí finanční nástroj, měl by rozumět ekonomii, fungování peněz a byznysovému kontextu. Jen tak dokáže držet tempo s majitelem nebo zadavatelem.

Technická vrstva se podle něj začne snižovat a důležitější bude schopnost přesně formulovat zadání.

Vít zmínil také firmy, které do AI výrazně investují. Podle něj se dopady adopce AI mohou naplno projevit velmi rychle. Firmy, které ji dokážou skutečně zapojit, mohou zásadně zlepšit zákaznickou péči, zrychlit komunikaci a změnit způsob práce s klienty.

Zároveň upozornil, že v některých oblastech se může proměnit i samotná potřeba firem jako prostředníků. Jako příklad uvedl vzdělávání, kde si řadu věcí lidé mohou díky AI postavit sami.

Na závěr této části se rozhovor vrátil k otázce, jaký mindset má mít AI engineer. Podle Víta nejde jen o schopnost psát kód. Důležitější je úroveň abstrakce, schopnost automatizovat rutinní věci a přemýšlet nad celým problémem.

AI engineer by podle něj měl být konzultant, builder i člověk, který dokáže zadání zasadit do příběhu a byznysového kontextu.

Vít Schlesinger přinesl do diskuse především technooptimistický a vizionářský vhled. AI podle něj nemění jen rychlost vývoje, ale i to, kdo může tvořit digitální produkty a jaké schopnosti budou mít v budoucnu největší hodnotu.

Compliance jako součást řízení rizika

Třetím hostem byl Tomáš Ščerba, partner advokátní kanceláře DLA Piper. V diskusi s ním jsme se věnovali hlavně regulatornímu pohledu na AI, který se ukázal jako zásadní protiváha k předchozím technologickým a produktovým blokům.

S Tomášem jsme otevřeli témata, která dnes začínají dopadat na velké firmy, technologické týmy i menší a střední podniky: EU AI Act, duševní vlastnictví, reporting incidentů, digitální omnibus, kyberbezpečnost a širší otázku toho, jak v prostředí nových pravidel zachovat schopnost inovovat.

V úvodu diskuse jsme se podívali na situaci na trhu v souvislosti s AI. Tomáš upozornil na program Evropské digitální dekády, který má trvat do roku 2030 a přináší celou řadu nových předpisů. Podle něj se už od roku 2018 postupně snižuje agilita firem adoptovat jednotlivé evropské směrnice a nařízení.

Velké evropské firmy a velké české společnosti jsou na tom obecně lépe. Mají týmy, rozpočty i procesy, které jim umožňují nové požadavky sledovat a zavádět. U menších a středních firem je situace složitější. Některé si rizika ještě plně neuvědomují, jiné je vnímají, ale náklady na adopci jsou pro ně natolik vysoké, že se compliance dostává na konec priorit.

Jednou z hlavních otázek proto bylo, jak najít rovnováhu mezi tím, aby firma byla compliant, a zároveň se nenechala paralyzovat obavou z pokut nebo příliš složitých pravidel.

Tomáš upozornil, že stoprocentní compliance dnes v praxi často není realistická. EU AI Act je rozsáhlý předpis, který se navíc potkává s dalšími pravidly digitální dekády, navazujícími metodikami a požadavky na dokumentaci. Pro menší nebo střední firmu může být nereálné zavést všechno najednou v plném rozsahu.

Podle něj proto dává smysl hledat zdravou střední cestu. Tedy postup, který umožní firmě řídit rizika, splnit základní požadavky a zároveň nevynaložit neúměrné množství energie tam, kde to nepřináší odpovídající hodnotu.

Jako příklad Tomáš zmínil zakázané systémy podle EU AI Actu. To je oblast, kde prostor pro kompromis prakticky neexistuje. Mezi zakázané systémy patří například nástroje pro sociální scoring, systémy využívající podprahové metody nebo vybrané formy nelegitimního sběru dat, obrázků či videí. V AI Actu je těchto kategorií několik a právě jejich nepoužívání je podle něj jedna z věcí, kterou firmy mohou řešit relativně přímočaře.

V diskusi zaznělo také upozornění, že evropské předpisy se netýkají pouze firem usazených v EU. Mají extrateritoriální účinek. Prakticky to znamená, že se mohou vztahovat i na firmu mimo Evropskou unii, pokud její služby, systémy nebo výstupy dopadají na evropský trh nebo na osoby v EU. Pokud například společnost registrovaná v offshore jurisdikci dodává AI systém evropským zákazníkům, nelze automaticky předpokládat, že se evropské regulaci vyhne jen proto, že formálně nesídlí v EU.

Část rozhovoru se věnovala i tomu, jak mluvit s lidmi, kteří compliance odmítají a věří, že se jich nová pravidla nebudou týkat. Tomáš popsal dvě možné strategie.

První je varovná. Manažeři dnes podle něj nesou mnohem větší osobní odpovědnost než dříve, a to ve správní, civilní i trestněprávní rovině. Rizikem nemusí být jen pokuta pro firmu. Může jít také o ztrátu osvědčení (např. ISO), zveřejnění na stránkách NÚKIB nebo pozastavení členství konkrétní osoby v řídících orgánech firmy.

Druhá strategie je konstruktivní. Compliance nemusí být jen náklad. Může být také konkurenční výhodou, kterou firma prezentuje zákazníkům, partnerům nebo investorům. V prostředí, kde roste citlivost na data, bezpečnost a odpovědné používání AI, může být schopnost doložit vlastní připravenost důležitým argumentem.

V této části jsme se publika ptali, jak daleko jsou firmy s implementací EU AI Actu. Z odpovědí vyplynulo, že velká část účastníků zatím hlavně sbírá informace a seznamuje se s tím, co nové požadavky znamenají. Menší část už začala agendu aktivně řešit.

Na anketu jsme navázali praktickou otázkou: jak se s AI Actem vypořádat tak, aby firmy dokázaly rozumně vybalancovat návratnost investic a rizika.

Tomáš zdůraznil, že AI Act nestojí samostatně. Zapadá do širšího tématu kyberbezpečnosti, ochrany dat, governance a řízení rizik. Základem je proto mapování rizik. Tento přístup se označuje jako risk based approach a v praxi znamená, že firma nejprve určí, kde a jak AI používá, jaká data do systémů vstupují, jaké dopady může mít chyba a jaká opatření jsou přiměřená.

Úřady se podle Tomáše často nedívají pouze na to, zda firma splňuje úplně každý jednotlivý požadavek. Důležité je alespoň minimální ukotvení: například prohlášení o aplikovatelnosti, tedy jasný popis toho, co se na firmu vztahuje a jaké kroky chce udělat, aby se k požadované úrovni compliance dostala.

Zakázané systémy jsou za hranou. Mimo tuto oblast však podle něj existuje určitý prostor pro postupné zavádění, dokumentaci a komunikaci s úřady.

Následovaly dotazy z publika. Jeden z nich mířil na to, zda nejsou složité evropské předpisy kontraproduktivní pro trh a inovace. Tomáš připomněl, že podobná diskuse probíhala už u GDPR. V USA se mu řada firem nejprve smála, ale pokud chtěly působit na evropském trhu, postupně se musely přizpůsobit.

Evropská pravidla se navíc často stávají vzorem i mimo starý kontinent. Další země totiž narážejí na podobné problémy a zjišťují, že určitá forma sjednocení pravidel je pro trh nakonec užitečná. Podobně jako GDPR tak může i EU AI Act ovlivnit regulaci v některých ostatních částech světa.

Diskuse se dotkla také otázky, zda je státní správa schopná dodržování AI Actu reálně kontrolovat, a také praktických dopadů evropské regulace na velké technologické hráče. Mluvilo se například o tom, proč některé služby založené na modelech jako Google Gemini nemohou v EU fungovat stejným způsobem jako na jiných trzích.

Z rozhovoru s Tomášem Ščerbou vyplynulo, že právní rámec pro AI nelze vnímat jako okrajové téma pro právní oddělení. Dopadá na strategii, produkt, vývoj, data i odpovědnost managementu.

AI Act a související regulace nejsou jen otázkou dokumentů. Jsou to pravidla, která budou postupně určovat, jak firmy mohou AI používat, jaká rizika musí znát a jak budou muset doložit, že nad nimi mají kontrolu.

AI mění celý životní cyklus softwaru

Posledním hostem meetupu byl náš kolega Martin Giertl z INVENTI. Do diskuse přinesl pohled člověka, který se dlouhodobě pohybuje mezi technologickými týmy, zákazníky, dodávkou softwaru a řízením kvality.

Začali jsme debatou o tom, jak Martin vnímá současný hon za tím, co všechno AI umí vygenerovat.

Podle něj existují dva pohledy. První je velmi praktický: spousta softwaru by bez AI vůbec nevznikla. Dříve si firma musela koupit SaaS řešení nebo zaplatit drahý vývoj. Dnes lze mnoho menších interních nástrojů, prototypů nebo podpůrných aplikací vytvořit ve spolupráci s AI výrazně rychleji.

Druhý pohled je opatrnější. Martin zdůraznil, že má rád kontrolu nad kódem. Otázka, zda aplikace obsahuje citlivá data, je podle něj důležitá, ale není jediná. I u méně kritických aplikací je potřeba vědět, co firma vytváří, kdo tomu rozumí a kdo bude schopný systém spravovat v budoucnu.

Následně jsme se ptali, kde se dnes AI ve vývoji podceňuje.

Martin odpověděl, že pokud se na tvorbu softwaru podíváme optikou klasického SDLC, tedy celého životního cyklu vývoje softwaru, příležitosti nejsou jen v samotném psaní kódu.

Velký tlak je dnes na vývojáře. AI jim pomáhá generovat kód, navrhovat řešení a zrychlovat implementaci. Podle Martina se ale podceňuje zapojení AI do dalších fází tvorby softwaru. Například do formulace kvalitního zadání, analýzy, validace požadavků, testování nebo revize architektury.

Zároveň otevřel otázku, zda jednotlivé fáze životního cyklu vývoje softwaru zůstanou do budoucna stejné. AI totiž nemění pouze nástroje. Může měnit i samotné role lidí, způsob spolupráce a hranice mezi zadavatelem, analytikem, vývojářem a testerem.

Jak by k této úvaze měly firmy přistoupit? Podle Martina na to neexistuje jednoduchý recept. Základem je zmapovat procesy, identifikovat místa, která jsou automatizovatelná, a zhodnotit, kde AI skutečně dává smysl.

V INVENTI podle Martina podobné úvahy často řeší společně s Filipem Kadlecem. Cílem je určit, kde je AI využitelná, kde může přinést reálnou hodnotu a kde by naopak nasazení nedávalo smysl.

Řeč přišla také na spotřebu tokenů a měření přínosu AI. Martin připomněl, že dříve někteří manažeři hodnotili vývojáře podle počtu řádků kódu. Dnes se podobná chyba může opakovat s počtem spotřebovaných tokenů.

Podle něj se tím v principu nic nemění. Špatná metrika zůstává špatnou metrikou, jen se přizpůsobila nové technologii. Dobrý manažer neměří vývoj podle objemu, ale podle byznysového přínosu.

Zároveň upozornil, že současný model cenotvorby AI nástrojů nemusí vydržet dlouhodobě. Subskripční služby dnes často nabízí vysokou hodnotu za relativně nízkou cenu, ale s rostoucí spotřebou a náklady poskytovatelů je otázkou, jak dlouho bude tento stav udržitelný. Až ceny porostou, bude podle něj ještě důležitější umět obhájit skutečnou přidanou hodnotu AI.

Následovaly otázky z publika. Jedna z nich mířila na riziko, že si lidé ve firmě začnou po vlastní ose vytvářet různé AI aplikace, které spolu nespolupracují, neprocházejí procesy a postupně se začnou zaplétat do firemního prostředí.

Martin potvrdil, že je to je reálné riziko, na druhou stranu připomněl, že ani svět SaaS služeb není bez problémů. V posledních letech se podle něj řada SaaS nástrojů zhoršila a firmy už teď často bojují se ztrátou vlastnictví nad částí svého technologického prostředí.

Dotaz směřoval také k tomu, kde je AI nadužívaná. Martin rozlišil generativní AI a technické role. U generativní AI je podle něj rizikem hlavně tvorba obsahu pouze kvůli objemu. Výsledkem je AI slop, tedy obsah bez hodnoty, který nerespektuje příjemce. V technických rolích podle něj nadužívání AI nehrozí stejným způsobem. Tam jsou zásadní hlavně kontrolní mechanismy.

Diskuse se vrátila i k tomu, zda už se mění samotný životní cyklus vývoje softwaru. Martin uvedl, že v některých oblastech se začínají více propojovat role zadavatele a analytika. U QA je větší přesah přirozený, protože automatizace v této oblasti hrála roli už dříve. Ne všude ale podle něj dochází k eliminaci rolí. Výraznější změny zatím vidí právě v analytice.

Na otázku, kde AI výrazně pomohla, Martin uvedl příklad konzultační služby v INVENTI. Dříve by pro podobný typ revize bylo potřeba zapojit řadu seniorních rolí: seniorního vývojáře, infrastrukturního architekta, QA manažera nebo analytika. Dnes je možné část práce připravit s pomocí AI a experty zapojit především do validace. Díky tomu lze službu dodat rychleji, s menší kapacitní zátěží a v podobě, která by dříve pro klienta kvůli ceně často ani nebyla prodejná.

Druhý příklad se týkal leasingové společnosti. Klient poptá automobil, firma následně osloví dealery a obdrží nabídky v různých formátech: PDF, Excel, ručně psaný a naskenovaný dokument. Každá nabídka má jinou strukturu, jiné parametry a jiný formát. Ruční zpracování desítek takových nabídek může trvat dlouhé minuty. AI dokáže tyto kroky zvládnout během několika vteřin a podobné řešení lze podle Martina implementovat v relativně krátkém čase.

V závěru jsme se publika ptali, jak moc firmy využívají lokální modely.

Z rozhovoru s Martinem Giertlem vyplynulo, že AI ve vývoji nelze redukovat na generování kódu. Skutečný potenciál leží v celém procesu tvorby softwaru: od zadání přes analýzu, architekturu, testování až po provoz a vyhodnocení přínosu.

Zároveň ale platí, že čím snadnější je dnes něco vytvořit, tím důležitější je udržet kontrolu nad tím, co ve firmě vzniká. AI může výrazně zvýšit rychlost a dostupnost vývoje, ale bez procesů, ownershipu a měření podle byznysové hodnoty může stejně rychle vytvořit nový druh technologického dluhu.

Martinův blok proto uzavřel dopolední diskusi velmi prakticky: otázka nezní jen, co všechno AI zvládne. Důležitější je, kde její využití skutečně zlepší fungování firmy.

Odpolední program: workshopy a diskuse v menším kruhu

Meetup jsme poprvé rozšířili o navazující odpolední program: k hlavnímu bloku jsme přidali praktické workshopy.

První z nich vedl náš další kolega z INVENTI Filip Kadlec. Zaměřil se na využití AI agentů v praxi. Účastníkům ukázal vlastní agentní systém, který využívá při konzultacích, QA auditech i business analýzách. Nešlo o technický tutorial, ale o praktickou ukázku, kdy dává smysl využívat cloudové modely, kdy lokální řešení a jak přemýšlet o nákladech na tokeny, předplatná a provoz.

Vojtěch Tuma, rovněž náš kolega z INVENTI, pak uspořádal druhý workshop. Diskuse s názvem Když se AI utrhne ze řetězu přinesla příklady situací, kdy se AI chová nečekaně, bizarně nebo rizikově.