AI jako strategický partner CEO

Analýza rozhovoru s Davidem Kolářem (Scale Up Board)

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.

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.“

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.

Nejdůležitější koncept je pro mě multi-persona strategický asistent, který simuluje poradu vedení / advisory board. Prompt má několik povinných částí:

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.

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.

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.“

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).

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.

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.

Tyto principy používám jako šablonu pro všechny další AI use-cases ve firmě.

Níže shrnuji čtyři ověřené use-cases, které ukazují, jak se AI může stát strategickým partnerem napříč odděleními.

• 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“.

• 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.

• Problém:
  • slabá příprava obchodníků,
  • nekonzistentní kvalita schůzek,
  • náročný manuální coaching ze strany manažerů.
• Workflow (end-to-end):
  1. Příprava schůzky
     • obchodník využije GPT asistenta,
     • na základě dat z nástroje Merk se vytvoří profil firmy,
     • profil se vizualizuje v Miro boardu.
  2. Průběh schůzky
     • nástroj Fireflies.ai automaticky nahrává a přepisuje konverzaci.
  3. 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.

• 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.

Pro realizaci výše uvedených scénářů potřebuji sladit několik typů nástrojů do jednoho logického stacku.

• 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.

• 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.

• Supabase
  • používám jako vektorovou databázi pro RAG,
  • ukládám:
    • dokumenty,
    • transkripty,
    • interní reporty,
  • umožňuje efektivní vhy̌dávání relevantního kontextu pro LLM.

• Fireflies.ai – automatický záznam a přepis schůzek.
• Miro – vizualizace profilů zákazníků, příprava a prezentace výstupů.
• Merk – strukturovaná veřejná data o firmách pro přípravu obchodníků.

• 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.

Z jednotlivých příkladů vyplývá několik obecných technických principů, které používám jako „checklist“ při návrhu AI řešení.

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.

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.

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.

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.

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.