====== AI jako strategický partner CEO ====== //Analýza rozhovoru s Davidem Kolářem (Scale Up Board)// {{youtube>3MB_K9oqvHo?}} Ve videu se odkazuje na tento zdroj od Tomáše Čupra: https://tomascupr.substack.com/p/stop-prompting-start-briefing Tento asistent (Prompt Context Engineer) slouží k vypracování detailního zadání (promptu) pro jiné AI asistenty. Asistent tvoří prompty v souladu se stylem Tomáše Čupra – je velmi výkonný a velmi datově zaměřený. Na základě článku vznikl tento asistent: https://chatgpt.com/g/g-6898371603b08191b9d49a655b2eee95-your-personal-context-engineer ===== 1. Kontext a shrnutí ===== V tomto zápisu dokumentuji, jak lze generativní AI používat ne jako „chytrý nástroj“, ale jako **strategického partnera CEO**. Vycházím z rozhovoru s Davidem Kolářem, spoluzakladatelem Scale Up Board, a převádím jeho přístup do technicky uchopitelných kroků, které mohu aplikovat ve vlastní firmě. Zaměřuji se na: * konkrétní prompty a principy promptování, které umožní AI fungovat jako advisory board, * use-cases napříč strategií, marketingem, obchodem a financemi, * nástrojový stack (LLM, automatizace, databáze), * technické best practices a akční checklist pro implementaci. Cílem je mít dokument, ke kterému se mohu vracet při návrhu vlastních AI workflow a agentů pro C-level rozhodování. ---- ===== 2. Klíčové prompty a techniky promptování ===== Základní princip, který jsem si potvrdil: **„Garbage In, Garbage Out“**. Kvalita výstupu není primárně o modelu, ale o: * kvalitě kontextu, * preciznosti delegování, * definici rolí, omezení a formátu výstupu. David Kolář popisuje AI promptování jako **formální proces delegování**, který je náročnější než delegování na člověka: **„Jestli neumíš delegovat, nebudeš umět delegovat na AI, protože je to ještě těžší.“** ==== 2.1 Radikální důraz na kontext ==== Pro strategické úkoly nestačí dotazy typu „Strugglujeme v tržbách, poraď, jak je zvětšit“. Takový dotaz bez kontextu vede k: * generickým radám, * halucinacím, * neakceschopným výstupům. Při tvorbě vlastního „AI Advisory Boardu“ pracuji s radikálně opačným přístupem: * **Multimediální vstup** – do asistenta nahrávám hodinové video shrnující strategickou situaci firmy. * **Strukturovaná data** – doplňuji firemní prezentaci s klíčovými metrikami a čísly. * **Interní data** – přidávám interní dokumenty, reporty, výstupy z CRM apod., aby AI měla kompletní obraz problému. Teprve na tomto základě má smysl chtít po AI strategický plán. ==== 2.2 Anatomie promptu: „AI Advisory Board“ ==== Nejdůležitější koncept je pro mě **multi-persona strategický asistent**, který simuluje poradu vedení / advisory board. Prompt má několik povinných částí: === a) Multi-persona simulace === Definuji konkrétní role, které nad problémem vedou simulovanou debatu, typicky: * CSO (Chief Strategy Officer), * CFO (Chief Financial Officer), * CMO (Chief Marketing Officer), * investor, * akcionář. Každá persona reprezentuje jiný úhel pohledu a přináší odlišný typ argumentace. === b) Detailní definice person === Každé roli popíšu: * dovednosti a expertízu, * odpovědnosti ve firmě, * hlavní cíle, * způsob, jakým nahlíží na risk a návratnost. Tím zajistím, že „debata“ nebude plochá a všechny výstupy nebudou znít stejně. === c) Negativní omezení (negative constraints) === Do promptu explicitně zapisuji, co **AI nesmí** dělat. Tato část dramaticky zlepšuje spolehlivost výstupů. Typické formulace: * „Pokud si nejsi jistý fakty, ověř si je znovu.“ * „Označ výstupy, které jsou pouze tvým předpokladem a nejsou ověřené.“ * „Nevymýšlej čísla, pokud nejsou ve vstupních datech. Raději přiznej neznalost.“ === d) Specifikace výstupního formátu === Výstup musí být **okamžitě akceschopný**, ne jen „chytře napsaný“. Typicky definuji: * **90denní exekuční plán** (milníky, odpovědnosti, metriky), * **analýzu hlavních rizik** a návrhy mitigace, * případně varianty strategie (konzervativní vs. moonshot). === e) Nastavení „osobnosti“ a risk apetite === Do promptu přidávám parametry typu: * „risk apetit: moonshot“ – očekávám agresivní růstovou strategii, * nebo naopak „risk apetit: konzervativní“ – fokus na stabilitu, cash-flow, ochranu marže. Tím vysvětluji, **jak moc může AI „riskovat“ ve svých návrzích**. === f) Vynucení kvalitního vstupu === Asistenta nastavím tak, aby: * **neodpovídal na nekontextové dotazy**, * v případě krátkého zadání si sám vyžádal: * popis situace, * cíle, * data, * omezení. Funguje to jako interní „mastermind zadávací dokumentace“ – AI mě nutí zadání nejprve promyslet. ==== 2.3 Srovnání: špatný vs. strategický prompt ==== ^Přístup ^Příklad dotazu ^Očekávaný výsledek ^ |**Před (nízký kontext)**|„Jak můžeme zvýšit tržby?“ |Obecné, generické rady bez praktické hodnoty, vysoké riziko halucinací. | |**Po (vysoký kontext)** |„Zde je 1h video o naší strategii, P&L report a data o zákaznících. V roli CFO, CMO a investora navrhni 90denní plán na zvýšení LTV zákazníka s moonshot risk apetitem a identifikuj hlavní rizika.“|Strukturovaný, datově podložený a okamžitě použitelný strategický plán s jasnou strukturou a riziky.| Tyto principy používám jako šablonu pro všechny další AI use-cases ve firmě. ---- ===== 3. Praktické use-cases ===== Níže shrnuji čtyři ověřené use-cases, které ukazují, jak se AI může stát strategickým partnerem napříč odděleními. ==== 3.1 Use Case 1: Strategické rozhodování (AI Advisory Board) ==== * **Problém:** Potřeba zlepšit Customer Lifetime Value (LTV). Lidský advisory board (Pavel Řehák, Petr Šmída, Dana Bérová, Jitka Dvořáková) stojí cca **500 000 Kč za jedno zasedání**. * **Workflow:** * připravím hodinové video se shrnutím strategie, * přidám prezentaci s metrikami a interní data, * vše nahraji do GPT-4, * použiji multi-persona prompt „AI Advisory Board“, * provedu několik iterací a zpřesnění. * **Výsledek / ROI:** * AI dodá **datově hlubší a systematičtější výstup** než lidský board, * náklad na jedno „zasedání“ cca **600 Kč vs. 500 000 Kč**, * lidský board je silný v commitmentu a odpovědnosti, AI v analytické hloubce. Pro strategii to znamená přechod z modelu „AI jako exekutivní nástroj“ na **„AI jako spolurozhodující partner“**. ==== 3.2 Use Case 2: Marketing a generování leadů ==== * **Problém:** Náklady na Sales Qualified Lead se pohybovaly okolo **500 Kč**. * **Workflow:** * klasický PDF lead magnet (checklist) transformuji na **interaktivního AI asistenta** (např. „AI Rockefeller checklist“), * místo pasivního downloadu dostane uživatel **průvodce**, který ho metodikou aktivně provede. * **Výsledek / ROI:** * snížení nákladů na kvalifikovaný lead cca o **85 %** (z 500 Kč na 80 Kč), * model úspěšně replikovatelný na všechny metodiky, * nová defaultní forma lead magnetu = **AI asistent místo PDF**. ==== 3.3 Use Case 3: Augmentace obchodního procesu ==== * **Problém:** * slabá příprava obchodníků, * nekonzistentní kvalita schůzek, * náročný manuální coaching ze strany manažerů. * **Workflow (end-to-end):** - **Příprava schůzky** * obchodník využije GPT asistenta, * na základě dat z nástroje Merk se vytvoří profil firmy, * profil se vizualizuje v **Miro boardu**. - **Průběh schůzky** * nástroj **Fireflies.ai** automaticky nahrává a přepisuje konverzaci. - **Analýza a zpětná vazba** * transkript nahraji do specializovaného GPT asistenta, který: * extrahuje problémy zákazníka, * navrhne nejvhodnější řešení z portfolia, * vytvoří **zpětnou vazbu pro obchodníka** (argumentace, otázky, struktura). * **Výsledek / ROI:** * výrazné zvýšení důvěryhodnosti u zákazníka (kvalitní příprava), * zrychlení tvorby nabídky, * **škálovatelný AI coach**, který analyzuje každou schůzku – bez nutnosti manuálního coachingu. ==== 3.4 Use Case 4: Finanční analýza a reporting ==== * **Problém:** * finanční analýza je drahá a časově náročná, * mnoho majitelů detailně nerozumí vlastním výkazům. * **Workflow:** * do LLM nahraji **PDF s výsledovkou a rozvahou**, * položím dotazy typu: * „Zhodnoť finanční zdraví firmy.“ * „Identifikuj hlavní rizika.“ * „Navrhni příležitosti pro růst.“ * výkazy jsou strukturovaná, čistá data → ideální vstup v duchu „Garbage In, Garbage Out“. * **Výsledek / ROI:** * získám výstup na úrovni **zkušeného CFO** (hodnota cca 30 000 Kč) v řádu sekund, * **demokratizace přístupu** ke špičkové finanční analýze. ---- ===== 4. Nástroje a jejich role v ekosystému ===== Pro realizaci výše uvedených scénářů potřebuji sladit několik typů nástrojů do jednoho logického stacku. ==== 4.1 Jazykové modely (LLM) ==== * **GPT-4** * hlavní model pro komplexní analýzy a generování textu, * základ pro většinu vlastních AI asistentů. * **Gemini, Perplexity** * používám pro tzv. **„triple validaci“** – porovnávám jejich výstupy s GPT-4, * cílem je: * odhalit nesrovnalosti, * zvýšit spolehlivost, * získat širší pohled. ==== 4.2 Automatizace: N8N jako „centrální mozek“ ==== * **N8N** * slouží jako orchestrátor agentických workflow, * propojuji v něm: * LLM API, * nástroje pro schůzky (Fireflies), * databáze (Supabase), * notifikace (Slack, e-mail, CRM), * typický flow: * stáhni transkript z Fireflies → pošli GPT-4 k analýze → výstup ulož do Supabase → pošli shrnutí týmu. ==== 4.3 Vektorová databáze a práce s firemními daty ==== * **Supabase** * používám jako vektorovou databázi pro RAG, * ukládám: * dokumenty, * transkripty, * interní reporty, * umožňuje efektivní **vhy̌dávání relevantního kontextu** pro LLM. ==== 4.4 Nástroje pro obchod a schůzky ==== * **Fireflies.ai** – automatický záznam a přepis schůzek. * **Miro** – vizualizace profilů zákazníků, příprava a prezentace výstupů. * **Merk** – strukturovaná veřejná data o firmách pro přípravu obchodníků. ==== 4.5 Nástroje pro „vibe coding“ ==== * **Cloud Code, ChatGPT Codex a podobné nástroje** * využívám pro tzv. **„vibe coding“** – zadávám logiku a požadavky v přirozeném jazyce, * snižuje bariéru pro tvorbu prototypů a interních nástrojů, * vhodné i pro netechnické C-level role, které chtějí rychle testovat AI koncepty. ---- ===== 5. Technické poznámky a best practices ===== Z jednotlivých příkladů vyplývá několik obecných technických principů, které používám jako „checklist“ při návrhu AI řešení. ==== 5.1 Strategický cíl před technologií ==== Každou implementaci začínám definicí: * **jaký byznys cíl** řešení plní (snížení nákladů, zvýšení LTV, úspora času, zlepšení CX), * **jaká metrika** mi řekne, že je řešení úspěšné. Bez toho hrozí, že AI skončí jako „hračka“ bez dopadu. ==== 5.2 Formalizace delegování ==== Delegovat na AI je těžší než na člověka, protože: * AI nečte „mezi řádky“, * potřebuji explicitně definovat: * kontext, * kroky, * role, * výstupní formát, * omezení (co nesmí dělat). Investice do kvalitního promptu se vrací v každém následném běhu. ==== 5.3 Vize „AI Driven Firm 2.0“ ==== Cílový stav, ke kterému směřuji: * všechna data (CRM, ERP, disky, transkripty) jsou přístupná přes **centrální vektorovou vrstvu**, * původní systémy (CRM, ERP) se chovají jako backend, * primárním rozhraním pro práci s daty je **konverzační AI** (dotazy, analýzy, strategie). Výsledkem je možnost ptát se firmy jako „jednoho mozku“ místo hledání v jednotlivých nástrojích. ==== 5.4 Bezpečnost a soukromí dat ==== U citlivých dat (finanční výkazy, osobní údaje, obchodní strategie): * zvažuji **lokální open-source LLM**, * data zůstávají v interní infrastruktuře, * mám plnou kontrolu nad logováním, přístupovými právy a retention politikou. To je klíčové pro firmy v regulovaných odvětvích nebo s vysokými nároky na compliance. ---- ===== 6. Akční checklist pro implementaci ===== Pro okamžitý start používám následující praktický checklist: * ☐ **Audit jednoho marketingového procesu** Najdu existující lead magnet (např. PDF report) a navrhnu jeho transformaci na jednoduchého interaktivního AI asistenta. * ☐ **Prototyp „AI Sales Coache“** Nahraji záznam jedné obchodní schůzky, zajistím přepis (ručně nebo pomocí nástroje), vložím do LLM a: * nechám extrahovat klíčové body a potřeby zákazníka, * vygeneruji konkrétní zpětnou vazbu pro obchodníka. * ☐ **Test finanční analýzy** Vezmu veřejně dostupnou výsledovku a rozvahu (např. z **justice.cz**) a předám ji LLM s požadavkem: * zhodnocení finančního zdraví, * identifikace rizik, * návrh příležitostí růstu. * ☐ **Návrh vlastního multi-persona promptu** Pro konkrétní byznys problém (např. uvedení nového produktu) vytvořím prompt, který simuluje diskuzi mezi 2–3 rolemi (Produkt, Marketing, Finance). * ☐ **Explorace nástrojů** Projdu dokumentaci k: * **N8N** (vizuální automatizace a agentické workflow), * **Supabase** (data a vektorová databáze), a navrhnu alespoň jeden jednoduchý end-to-end flow (např. zpracování transkriptu schůzky → analýza → zápis do databáze → notifikace týmu). Tento zápis používám jako referenční bod pro návrh vlastních AI agentů, kteří nepracují jen //pro mě//, ale skutečně //se mnou// na úrovni strategického řízení firmy. ===== Myšlenková mapa ===== {{.:pasted:20251128-214905.png}}