AI jako strategický partner CEO [Wiki]

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== 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}}