AI operační systém (AIOS) podle Jakuba Landy

Vytvořeno: 23.4.2026 | Aktualizováno: 23.04.2026 13:41

Automatizuj celou firmu pomocí Claude Code operačního systému a AIOS Trénink #2 – Jak funguje AI operační systém, který pracuje za mě dohromady ukazují, jak Jakub Landa staví AIOS jako pracovní vrstvu nad Claude Code, lokálními složkami, sdíleným kontextem a napojením na další nástroje. Nejde o jeden konkrétní produkt, ale o způsob práce, ve kterém AI zná fungování firmy, umí udělat audit, navrhnout priority a v některých scénářích rovnou provádí exekuci.

AI operační systém je v těchto videích popsaný jako nadstavba nad Claude Code nebo Claude Desktopem, která pracuje s reálným firemním kontextem místo jednorázového promptu. Základ je jednoduchý: mít někde složku se strategií, poznámkami, exporty, procesy a dalšími podklady, dát k ní agentovi přístup a nechat ho, aby nad ní pracoval jako nad „operační pamětí“ firmy.

V prvním videu to zaznívá velmi přímo:

„… je to zkrátka nástavba Clouda … která ví veškerej kontext o mý firmě … a na základě toho sama navrhuje, co může automatizovat, a pak ty automatizace reálně postaví.“

Druhé video ten samý princip rozšiřuje o praktičtější ukázky onboardingu, rolí agentů a práce v prohlížeči. Výsledkem není jeden chatbot navíc, ale systém, který má kontext firmy, umí se doptávat na hluchá místa a postupně přebírá opakovanou operativu.

Obě videa staví na tom, že agent pracuje nad konkrétní adresářovou strukturou. Ve druhém videu je přímo vidět práce se složkou 'import', kde má uživatel uložené podklady. AIOS z těchto souborů čte, skládá si obrázek o fungování firmy a vrací se k nim při dalších úkolech.

Praktický důsledek je jednoduchý: bez uklizených podkladů a bez nějakého rozumného místa, kde leží strategie, poznámky a exporty, bude AIOS jen dražší chat.

První video rozlišuje dvě vrstvy:

• osobní a lokální kontext konkrétního člověka,
• sdílený kontext pro tým.

Pro sdílenou část Jakub Landa používá GitHub, který ve videu přirovnává k „Google Drivu pro kód“. Nejde jen o uložení souborů, ale o společné místo pro strategie, role, postupy a dovednosti, které mají sdílet lidé i agenti.

Důležitý motiv z obou videí jsou „skills“ – dovednosti nebo uložené postupy pro časté činnosti. V prvním videu je to popsané na opakované práci s obsahem a grafikou. Ve druhém videu přímo zaznívá, že když si agent uloží dovednost, „ví přesně kam má kliknout“ a šetří tím tokeny i čas.

To je prakticky důležité hlavně u činností, které se opakují pořád dokola:

• práce v konkrétní webové aplikaci,
• tvorba určitého typu reportu,
• obchodní nebo marketingový workflow,
• ověřené klikací postupy v prohlížeči.

Druhé video ukazuje, že součástí systému je i inicializační krok přes slash command '/onboarding'. Jakub Landa ho popisuje jako funkci pro první seznámení systému s prostředím a s uživatelem. Smysl je ten, aby AI věděla, že je v projektu poprvé, prošla dostupné podklady a sama si vyžádala chybějící informace.

To dobře navazuje na princip z prvního videa: nejdřív audit a doplnění hluchých míst, teprve potom návrh konkrétních automatizací.

Vedle onboardingu ve druhém videu zaznívá i příkaz 'start', kterým si AIOS načte aktuální kontext konkrétní firmy nebo agentury. Prakticky jde o rychlý způsob, jak dostat agenta „do obrazu“ bez toho, aby se všechno znovu vysvětlovalo v každé konverzaci.

V prvním videu nezaznívá jeden finální prompt slovo od slova, ale ve druhém videu je slyšet velmi blízká formulace pro předání firemního chaosu k auditu. Smysl promptu je pořád stejný:

• udělej si obrázek o tom, jak firma funguje,
• najdi hluchá místa,
• doptávej se na role, procesy a odpovědnosti,
• teprve potom navrhuj změny a automatizace.

To je asi nejdůležitější metodická věc z obou videí. AIOS není postavený na chytrém jednorázovém promptu, ale na systematickém sběru kontextu.

Druhé video ukazuje mnohem konkrétněji roli specializovaných agentů. Zaznívají tři hlavní role:

• Hledač – hledá firmy, lidi a další podklady na webu,
• Obchodník – připravuje personalizované oslovení,
• Kritik – kontroluje kvalitu výstupu a oponuje, jestli to není moc generické nebo „moc AI“.

To dobře doplňuje první video, kde zaznívají i jiné pracovní role, například marketér, analytik nebo finanční ředitel. Praktický vzor je ale stejný: nerozumné je chtít po jednom agentovi všechno. Lepší je rozdělit práci do rolí s jasným účelem.

První video ukazuje AIOS jako nástroj pro audit procesů. Cíl není hned stavět workflow v n8n, ale nejdřív vytipovat 3 až 4 nejzásadnější automatizace nebo procesy, které mají největší návratnost a zároveň dávají technický smysl.

To je důležitý rozdíl oproti klasickému přístupu „nejdřív se nauč automatizační nástroj a pak v něm něco vymysli“.

Druhé video ukazuje konkrétního agenta „Adama“, který má proaktivně hledat klienty pro marketingovou agenturu. Workflow je zhruba toto:

• hledání relevantních firem na webu,
• dohledání rozhodovací osoby,
• dohledání LinkedInu nebo e-mailu,
• příprava personalizované zprávy,
• kontrola kvality přes kritika.

Důležité je, že personalizace nemá stát jen na generickém oslovení. Ve videu je vidět snaha navázat zprávu na konkrétní situaci firmy nebo na to, co dělá.

Ve druhém videu zaznívá i use-case pro reality. Agent průběžně prohledává Sreality nebo Bezrealitky, filtruje nabídky podle zadaných instrukcí a může fungovat v častém intervalu. Pointa je získat výhodu „prvního volajícího“, tedy oslovit majitele dřív než ostatní.

Zároveň tam zaznívá důležité technické upozornění: pokud se něco opakuje opravdu často, například každých 5 minut, je efektivnější řešit to přes API než přes browser agenta v Google Chromu.

První video popisuje i obsahový workflow:

• výzkum trendů na YouTube nebo Instagramu,
• návrh tématu a struktury videa,
• návrh titulku a náhledovky,
• napojení na Canvu pro grafiku.

To je dobrý příklad, kde se propojuje strategický kontext, práce s obsahem a uložené skilly pro opakované činnosti.

V prvním videu je jako příklad zmíněný iDoklad. Pointa není v tom, že by měl agent hned sám vystavovat faktury, ale že si podle poskytnutého kontextu a API klíče zjistí možnosti integrace a připraví návrh, jak účetní agendu automatizovat.

Druhé video dost detailně ukazuje AIOS jako agenta pracujícího přímo v Google Chromu. Důležité je, že agent si dělá screenshoty a vyhodnocuje rozhraní vizuálně, ne jen přes křehké skripty.

Praktický důsledek je, že když se v aplikaci něco trochu změní, není to automaticky konec celé automatizace. Podle videa právě tahle vizuální práce pomáhá s odolností vůči změnám UI.

To je zajímavé hlavně tam, kde:

• není rozumné nebo dostupné API,
• člověk stejně dnes kliká v browseru ručně,
• je potřeba rychle ověřit nový workflow bez těžkého vývoje.

První video správně tlačí princip postupného uvolňování práv. Nejprve čtení, teprve potom případně zápis nebo akce. Ve videu je to ukázané na účetní aplikaci, kde má agent nejdřív jen číst a nesmí nic vytvářet.

U podobných scénářů je to podle mě hlavní provozní pravidlo:

• nejdřív read-only,
• potom omezené akce,
• plná práva až když je workflow ověřené.

V prvním videu zaznívá, že pro citlivější scénáře dává Jakub Landa přednost použití Anthropic API místo běžného předplatného. Ve druhém videu k tomu doplňuje, že pokud chce člověk silnější ujištění ohledně práce s daty, může přejít na režim, kde platí za skutečné používání.

Ve druhém videu jsou zmíněné tyto orientační varianty:

• 20 USD měsíčně – základní varianta s omezenější kapacitou,
• 100 USD měsíčně – přibližně 5× větší kapacita,
• 200 USD měsíčně – přibližně 20× větší kapacita,
• nebo průběžná platba podle skutečné spotřeby.

Beru to jako informaci z videa, ne jako aktuálně ověřený ceník.

Druhé video explicitně zmiňuje, že ukládání dovedností pomáhá šetřit tokeny. Když agent už zná ověřený postup, nemusí ho pokaždé znovu objevovat od nuly.

1. Nejdřív je potřeba uklidit firemní kontext a připravit podklady. Bez toho AIOS nebude fungovat dobře.
2. První krok nemá být klikání v n8n, ale onboarding, audit a doptání chybějících informací.
3. Lepší je skládat AIOS z více rolí než z jednoho univerzálního agenta.
4. Browser agent je zajímavý tam, kde člověk stejně pracuje ručně v UI, ale pro časté opakování je lepší API.
5. U citlivých systémů je rozumné začínat v režimu read-only.
6. Sdílený kontext a skilly dává smysl verzovat stejně pečlivě jako kód nebo dokumentaci.
7. Vyplatí se vytěžit existující paměť z jiných AI nástrojů a předat ji do AIOS jako vstupní kontext.

• Automatizuj celou firmu pomocí Claude Code operačního systému
• AIOS Trénink #2 – Jak funguje AI operační systém, který pracuje za mě