Většina firem, které nás osloví s tím, že chtějí „nějakou AI pro zaměstnance", má v hlavě obrázek ChatGPT s firemním logem. Ve skutečnosti potřebují něco úplně jiného. Interní AI asistent není chatovací rozhraní napojené na obecný jazykový model. Je to systém, který umí odpovídat na otázky vašeho týmu pomocí vašich dat, ve vašem kontextu, s ohledem na to, kdo se ptá a co smí vidět.
Rozdíl mezi „chatbotem pro zaměstnance" a skutečně funkčním firemním asistentem je propastný. Tady je rámec, který používáme u projektů, kde se asistent stane reálnou součástí každodenního provozu — a nikoli jen hračkou, na kterou si po dvou týdnech nikdo nevzpomene.
Proč interní AI asistent není ChatGPT pro zaměstnance
ChatGPT, Claude nebo Gemini jsou skvělé na obecné úkoly — napsat e-mail, vysvětlit pojem, navrhnout strukturu dokumentu. Co ale neumí: odpovědět vašemu obchodníkovi, jaká je platná cena pro klienta XY podle aktuálního ceníku, který se mění každý měsíc. Neumí říct, jak postupovat při reklamaci konkrétního produktu podle interní směrnice. Neumí najít, kde leží smlouva s dodavatelem, který dodal vadnou dodávku.
Obecný model totiž nezná vaši firmu. Zná jen to, co bylo na internetu před datem cutoffu jeho trénovacích dat. Pokud se ho zeptáte na něco firemního, buď řekne, že neví, nebo si — což je horší — vymyslí pravděpodobně znějící odpověď. V kontextu byznysu je halucinace o ceně nebo postupu nebezpečnější než „nevím".
Interní AI asistent oproti tomu kombinuje dvě věci: schopnost jazykového modelu rozumět dotazu a generovat odpověď, a přístup ke kurátorovaným firemním datům jako primárnímu zdroji pravdy. Model neodpovídá z hlavy. Odpovídá z dokumentů, databází, ticketů a procesních manuálů, které mu vystavíte. Tomu se říká RAG — retrieval augmented generation — a je to standard, na kterém dnes stojí jakýkoli vážný firemní asistent.
Tři role asistenta: hledač, kolega, eskalátor
Když navrhujeme interního AI asistenta, vždycky začneme tím, že rozlišíme tři role, které může v týmu hrát. Většina firem to neudělá a dopadne to tak, že asistent se snaží být vším naráz — a nezvládá nic pořádně.
Hledač je nejjednodušší role. Asistent dostane dotaz a najde relevantní pasáž v dokumentech. Není to konverzace, je to chytré vyhledávání. „Kde je směrnice o dovolených?" → odkaz a citace konkrétní kapitoly. Tahle role dává smysl všude, kde má firma víc dokumentů, než si lidé dokážou pamatovat.
Kolega jde dál — místo aby odkázal na dokument, formuluje odpověď v přirozeném jazyce. „Jak postupovat při reklamaci od B2B klienta nad 50 tisíc Kč?" → konkrétní postup vytažený z více zdrojů, s odkazy na zdrojové dokumenty. Tady už je nutné, aby měl model dobře připravená data a aby uměl spojit informace ze dvou nebo tří míst.
Eskalátor je role, kterou většina firem podcení. Asistent musí umět říct „na tohle neumím odpovědět, předávám člověku XY". Bez této role se asistent stane nebezpečným — bude se snažit pomoct i tam, kde nemá data, a začne si vymýšlet. Eskalace musí být explicitní součást návrhu, ne až pozdější nálepka.
V praxi to znamená rozhodnout dopředu, na jaké typy dotazů má asistent odpovídat sám, kde má jen ukázat zdroj a kde má rovnou předat zaměstnance, který má daný typ otázek na starosti.
Z čeho se interní asistent skládá: znalostní báze, model, kontext
Architektura interního AI asistenta má tři pilíře, a všechny tři musí fungovat. Selhání kteréhokoli z nich znamená, že systém bude buď nepřesný, nebo zbytečný.
Znalostní báze je kurátorovaná sbírka firemních dokumentů, ze kterých asistent čerpá. Není to „vyhoďte tam všechny soubory z Google Drive". Je to vybraná, strukturovaná sbírka — procesní manuály, směrnice, ceníky, FAQ, technická dokumentace produktů, historické tickety. Kvalita znalostní báze určuje strop kvality asistenta. Pokud do ní hodíte 5 let starou směrnici, asistent bude odpovídat podle 5 let staré směrnice.
Model je jazykový model, který interpretuje dotaz a formuluje odpověď. Pro většinu firem stačí standardní komerční modely (GPT, Claude, Gemini), pro citlivá data lze nasadit open-source variantu lokálně. Volba modelu je až sekundární rozhodnutí — výrazně důležitější je, jak dobře jsou připravená data a jak je nastavený kontext.
Kontext je pravidla a instrukce, podle kterých asistent funguje. Jakým tónem mluví. Co smí říct a co ne. Jak se chová, když si není jistý. Které role mají k jakým datům přístup. Tohle je vrstva, kterou firmy nejvíc podcení — a přitom je to to, co dělá z modelu „chatbot na obecné dotazy" reálného firemního asistenta.
Jak připravit firemní data, aby z nich asistent uměl odpovídat
Tohle je nejnáročnější část projektu. Většina firem si myslí, že má dobrou dokumentaci, dokud se ji nepokusí strukturovaně zpracovat pro AI. V tu chvíli zjistí, že polovina dokumentů je zastaralá, třetina existuje ve dvou verzích a zbytek je popsaný neformálně v Slacku nebo v hlavě jednoho člověka.
Příprava dat má několik fází. Nejprve inventura — co všechno máme, kde to je, kdo to vlastní. Pak kurátorování — co je platné, co je zastaralé, co je duplicitní. Pak strukturace — rozdělení dokumentů na logické celky, přidání metadat (typ dokumentu, datum platnosti, vlastník, oddělení). Až potom indexace do AI znalostní báze, kterou asistent reálně používá.
Důležitá pravda, kterou si firmy musí vnitřně přijmout: asistent nebude mít kvalitnější výstup, než je kvalita vstupních dat. Pokud vaše procesní manuály jsou nejasné, neúplné nebo si vzájemně odporují, asistent vám tohle nevyřeší — jen to zviditelní. Často je samotná příprava dat hodnotnější než samotné nasazení asistenta, protože poprvé donutí firmu skutečně popsat, jak věci dělá.
Druhá zásadní věc je udržování. Znalostní báze není projekt s koncem, je to průběžný proces. Musí existovat jasný workflow, kdo aktualizuje který typ dokumentů a jak často. Bez tohoto procesu se kvalita asistenta začne během měsíců rozpadat, protože svět kolem se mění a báze zůstává mrazená v čase.
Oprávnění a bezpečnost: co kdo smí vidět
AI asistent je natolik bezpečný, jak je bezpečná jeho vrstva oprávnění. Pokud do něj naházíte všechny firemní dokumenty bez kontroly, kdo se na co smí ptát, vytvoříte si bezpečnostní riziko, které si neuvědomíte do první nepříjemné situace.
Praktický příklad: do znalostní báze patří mzdové směrnice a interní personální poznámky. Pokud asistenta používá jak HR, tak řadoví zaměstnanci, musí systém vědět, že obyčejný zaměstnanec se nesmí dostat k poznámkám o ostatních lidech. Stejně tak obchodník nemusí vidět finanční marže, technik nemusí vidět zákaznické smlouvy.
Funkční řešení má tři úrovně:
- Identita uživatele — asistent ví, kdo se ptá, ne jen že „někdo" pokládá otázku. Většinou přes SSO nebo napojení na firemní identity provider.
- Role a oprávnění — každý uživatel má roli, která určuje, k jakému segmentu znalostní báze má přístup. Filtruje se to už při vyhledávání, ne až ve výstupu.
- Auditní stopa — každý dotaz a každá odpověď se logují. Když potřebujete zpětně zjistit, kdo se na co ptal a co dostal jako odpověď, máte to.
Kromě toho je zásadní rozhodnout, jestli data opouští firemní infrastrukturu. Komerční modely (GPT, Claude) běží v cloudu poskytovatele. Pro většinu dat to je akceptovatelné, pro citlivá (mzdy, smlouvy, IP) řada firem preferuje lokální nasazení open-source modelu. Tahle volba má technické, finanční i právní rozměry — a měla by být součástí návrhu od první minuty.
Měření kvality: jak poznat, že asistent skutečně pomáhá
Firmy, které asistenta nasadí a pak ho nechají bez měření, ho během půl roku zase vypnou. Nikdy totiž nemají důkaz, že pomáhá — jen pocit. A pocit nestačí, když přijde otázka, jestli to dává nějakou návratnost.
Kvalitu interního asistenta měříme ve čtyřech rovinách:
- Využití — kolik lidí ho používá, jak často, na jaké typy dotazů. Pokud po nasazení padá využití, něco nefunguje a je třeba to řešit.
- Přesnost — kolik odpovědí je skutečně správných. Měříme přes vzorek dotazů, které ručně ověřujeme. Cíl není 100 %, cíl je vědět, kde leží reálná kvalita.
- Eskalace — kolik dotazů asistent správně předal člověku, místo aby si je vymyslel. Vysoký podíl eskalací není problém, je to známka zdravého systému.
- Zpětná vazba uživatelů — palec nahoru/dolů u každé odpovědi, případně textová zpětná vazba. Bez ní nemáte data pro iteraci.
Bez měření nikdo nepozná, že znalostní báze zestárla. Bez měření nikdo nepozná, že se objevily nové typy dotazů, na které asistent neumí odpovědět. Bez měření je celý projekt jednorázová akce místo živého systému.
Časté chyby při nasazení v menších týmech
U menších firem (15–80 zaměstnanců) vidíme pravidelně tytéž chyby. Žádná z nich není technická — všechny jsou organizační.
Chyba první: spuštění bez kurátorovaných dat. Firma chce mít asistenta rychle, tak ho napojí na celý Google Drive. Asistent začne odpovídat ze zastaralých dokumentů, mixuje směrnice z roku 2022 s aktuálními, tým mu přestane věřit. Lepší cesta: začít s úzkou doménou (např. jen HR procesy nebo jen technická podpora produktu) a tu odladit pořádně.
Chyba druhá: žádný vlastník. Asistent je nasazený, ale nikdo nemá za úkol ho udržovat. Po půl roce báze nereflektuje realitu, kvalita klesá, lidé přestanou používat. Bez interního vlastníka — typicky někdo z provozu, ne IT — projekt umírá.
Chyba třetí: nasazení bez školení. Lidé dostanou link a očekává se, že to budou používat. Realita je jiná — neumí formulovat dobré dotazy, nedůvěřují systému, raději se zeptají kolegy. Krátké zaškolení s konkrétními příklady, jak se na co ptát, dramaticky zvyšuje šanci, že asistent zapustí kořeny.
Chyba čtvrtá: očekávání 100% přesnosti. Když asistent jednou nebo dvakrát odpoví špatně, manažer ho prohlásí za nepoužitelný. Realita je, že i člověk se občas splete — a chytrý systém umí říct „tady si nejsem jistý". Otázka není „je to dokonalé", ale „je to lepší než alternativa". Alternativa je obvykle hledat 20 minut ve Sharepointu nebo se ptát kolegy, který má dovolenou.
Pokud zvažujete nasazení interního AI asistenta a chcete to udělat tak, aby fungoval dlouhodobě, doporučujeme začít diskusí o tom, jaké tři až pět typů dotazů má asistent řešit. Tahle úzká definice je dramaticky důležitější než volba modelu nebo platformy. O tom, jak takový projekt strukturovat, píšeme i v souvislosti s širším rámcem AI automatizace ve firmách a digitalizace provozu.
Časté otázky
Jaký je rozdíl mezi interním AI asistentem a firemní verzí ChatGPT?
Firemní verze veřejných nástrojů (ChatGPT Enterprise, Copilot) řeší primárně bezpečnost — vaše dotazy se nepoužívají na trénink modelu. Stále ale nemají přístup k vašim firemním datům. Interní AI asistent oproti tomu odpovídá z vaší znalostní báze a respektuje vaše oprávnění. V praxi se obě řešení často kombinují: firemní ChatGPT na obecné úkoly, vlastní asistent na firemní znalosti.
Jak dlouho trvá nasadit funkčního interního asistenta?
U úzce definovaného případu užití (např. asistent pro HR otázky) jde o jednotky týdnů od kick-offu k pilotu. Většinu času spotřebuje příprava dat, ne implementace. U komplexnějších projektů s napojením na více systémů a kontrolou oprávnění mluvíme spíš o měsících. Klíčové je rozdělit projekt na fáze a první hodnotu doručit rychle.
Musíme mít vlastní serverovou infrastrukturu?
Ne. Pro většinu firem dává smysl využít komerční modely (OpenAI, Anthropic, Google) přes API a postavit vrstvu znalostní báze a oprávnění nad nimi. Vlastní hardware má smysl jen u firem s velmi citlivými daty nebo regulatorními požadavky. I tam ale dnes existují cloudové varianty s garantovaným zpracováním v EU.
Jaká data se vůbec hodí dát do znalostní báze?
Strukturované a polostrukturované dokumenty — procesní manuály, směrnice, ceníky, FAQ, technická dokumentace, znalostní článků z helpdesku. Méně vhodné je dávat tam živou databázi (transakční data, aktuální stavy skladu), pro to existují jiné mechanismy. Cíl není „dát tam všechno", ale dát tam to, co se v denním provozu opakovaně hledá.
Co když naše dokumentace není v dobrém stavu?
To je nejčastější výchozí stav. Příprava dat pro asistenta je často první projekt, který firmu donutí dokumentaci skutečně dát do pořádku. Doporučujeme to brát jako hodnotu samu o sobě — i kdyby asistent nakonec nebyl, máte konečně srozumitelně sepsané, jak věci děláte. To se vyplatí pro onboarding nových lidí i pro odolnost firmy.
Jak poznáme, jestli to firmě skutečně přinese hodnotu?
Začněte s jasným měřitelným cílem. Nejčastější: snížit čas, který tým tráví hledáním informací; zkrátit dobu zaučování nových lidí; snížit počet opakovaných dotazů na klíčové experty. Před nasazením tyhle metriky odhadněte, po nasazení je měřte. Pokud po třech měsících nejsou viditelné posuny, projekt byl špatně postavený — typicky kvůli příliš široké definici domény nebo neudržované znalostní bázi.