Podcast

Dobrý den,
moje jméno je Jirka Vešerek a vítám vás u dalšího dílu podcastu Datatolk. Mým dnešním hostem je Tomáš Rezek, vedoucí kompetenčního oddělení ve společnosti Profinit. Ahoj, Tomáši.
Ahoj, Jirko.

My se s Tomášem podíváme do Profinitu, významné české IT firmy, ve které nedávno proběhla velká změna – úspěšný exit na začátku roku. Společnost koupil MDOX, takže se podíváme, co vlastně tento exit znamenal a jak to dnes v Profinitu vypadá. Také se zaměříme na to, jak se za posledních 4–5 let změnila nabídka služeb a činnost Profinitu, protože firma byla vždy zaměřená na data, cloudové technologie a nyní do toho přišla umělá inteligence, především generativní AI. Probereme, jak se tyto změny promítly dovnitř firmy i navenek.

Než se k tomu všemu dostaneme, řekni nám, jak vypadá dnes práce v datovém skladu a jak do ní vstupuje AI, a také nám pověz, jaká byla tvoje cesta – jak ses dostal k datům v IT a poté do Profinitu.

K datům jsem se vlastně dostal omylem, nejsem typický vývojář, analytik ani matematik, na to máme teďka jiné experty. Začínal jsem v Accenture, kde jeden z mých prvních projektů zahrnoval testování systému s Jarem, což mě úplně nezaujalo. Nabídla se ale příležitost jít dělat do týmu datového skladu jako juniorní analytik, a to mi docela šlo a bavilo mě to víc, takže jsem u toho zůstal. Postupně jsem se přes juniorního analytika, takovou “holku pro všechno”, propracoval přes seniora, architekta a projektového manažera až k řízení vlastních projektů, které jsem navrhoval s týmem. To byla má cesta k datům, a u nich jsem zůstal, s určitými výjimkami, až dodnes.

A kdy jsi byl v Accenture?
V Accenture jsem pracoval hned po škole, začínal jsem tam v roce 2009. Tehdy měli krásný dům a kanceláře v Tančícím domě, ještě nebyl tak obvyklý přesun firem na periferii jako dnes. Vydržel jsem tam asi sedm let, pokud si dobře pamatuji.

Poté jsem přešel do Komerční banky, kde hledali projektového manažera, který rozumí datům a nebojí se francouzštiny, protože plánovali projekt ve spolupráci s centrálou v Paříži. Ten jsem dostal na starost a následných asi sedm let byl tento projekt velmi náročný. Podařilo se nám vytvořit tým o 150 lidech, který měl na starosti vývoj a údržbu datových řešení pro všechny pobočky kromě francouzských, především v zemích Afriky. To bylo něco, co jsme vyvíjeli, řídili a spravovali z Prahy pro celou Systémovou generální podporu.

V rámci tohoto projektu jsem konečně mohl využít znalosti z ekonomie ohledně kulturního porozumění, protože kromě spolupráce s Francouzi, která má svá specifika, jsme pracovali i s kolegy z Maghrebu – z Alžírska a Maroka, měli jsme tam vývojové centrum i v Pobřeží slonoviny a v Senegalu. Najednou to byl projekt velmi odlišný od toho, na co jsem byl zvyklý doma v ČR.

(…text pokračuje…)

Zde je opravený text:

Idi sedí v jedné kanceláři. Najednou, aniž ještě začal covid, jsme se museli bavit online, museli jsme být schopni spolu komunikovat a taky vnímat to, co řeší naši partneři a kolegové. Takže několikrát se nám stalo, a teď nevím, jestli to byl Senegal nebo Pobřeží slonoviny, že jsme měli mít důležité jednání o tom, jak to budeme nasazovat, jak budeme školit uživatele, a nikdo se nepřihlásil. Pak jsme říkali, co se děje, proč jsou všichni naštvaní, když měli být včas. A pak přišel jenom e-mail: „Hele, omlouváme se, fakt sorry, ale máme prezidentské volby.“ Říkali jsme si, no a? Prezidentské volby znamenají zákaz vycházení, tam posledníci chodí s kalašnikovama a jezdí tanky. Pak jsme si přečetli v novinách, že prezidentské volby nejsou volby jako volby, takže jsme se naučili vnímat, že tam to berou trochu jinak.

Stejně tak například jsme měli jet školit uživatele na Madagaskar. Měli jsme frontu zájemců, kteří se těšili, že to je přesně ono. Stejně tak jsme měli frontu lidí, kteří se nabízeli, že pojedou na Réunion školit uživatele, ale z toho se nakonecšlo nic. A z Madagaskaru taky ne.

Tam se totiž ukázalo, že řádí epidemie moru, takže nikam jsme nejezdili a ku podivu se nikdo nestěžoval. To jsou dobré historky.

Ty jsi tam tedy byl, že jsi vedl ten 150členný tým?
Ano.

A co bylo to řešení, na čem to stálo?
To řešení bylo založené na poměrně unikátním datovém skladu, který stále dnes používá Komerční banka, ačkoliv už trochu přechází jiným směrem. V té době toto řešení ocenil i Gartner jako nejlepší v Evropě a šlo o klasickou třívrstvou architekturu postavenou na Teradatě. A díky tomu, že Teradata byla hodně předimenzovaná, umožňovala tuto nadbytečnou kapacitu a výkon dedicovat na něco jiného. Řekli jsme si, že máme lidi, kteří vědí, jak to dělat, máme vzor, podle kterého to můžeme udělat, a máme stroj, na kterém to můžeme pustit, tak proč to nezkusit. Takto to vlastně začalo.

Byli jsme tři, čtyři lidé v týmu a postupně jsme dokázali, že to opravdu jde – že jsme schopni vzít to řešení, které používala v té době Komerční banka, odsekat z něj lokální věci, přinést do toho parametrizaci, abychom mohli vyvíjet automatizovaně, ještě bez AI, a nahrát do toho data z jejich systémů. Vlastně to fungovalo – jen s tím, že to bylo proloženo nějakým čištěním, tedy staging, core, mart a najednou měli první reporty.

To byla velká změna, a hlavně v té době… Situace se za ty roky změnila, ale tenkrát Societe Generale prezentovala africké země jako největší potenciál pro růst a hodně v těchto zemích investovala do řešení, která měla podporovat prodej a byznys v těchto zemích. Takže i třeba došlo ke prodeji některých balkánských entit a vlastně k swapu, díky kterému banka dostala další banky v afrických zemích. Tím se nám rozšířilo portfolio.

To znamená, že ke konci – když jsem odcházel – byl tým stabilní...

Pokud chceš, můžu pokračovat v opravě nebo v úpravě dalších částí textu.

Opravený text:

Bylo nás asi 27 zemí, pro které jsme to spravovali, a bylo to jedno řešení na jednom serveru, které dokázalo replikovat kód pro jednotlivé země s těmi parametry. Všechny automatizované testy jsme tam vlastně udělali a tam se to jakoby rozdvojilo – komerční banka a jednotlivá řešení si žila svým životem. My jsme ale měli separátní větev, kde jsme se snažili vše maximálně automatizovat, protože když to děláš pro 27 entit, tak to prostě nelze dělat ručně. To jednoduše nejde. Takže to byl způsob, jak jsme to dokázali udržet, a co jsme vlastně potom přinášeli jednotlivým zemím.

Ještě jedna věc mě zaujala: mluvil jsi o francouzštině, ke které se ještě dostaneme. Jak moc veliký diferenciátor to je? V komunikaci s těmi 27 zeměmi to byla převážně francouzština, vzhledem k tomu, že se jednalo převážně o bývalé francouzské kolonie? Nebo byl primární jazyk angličtina? Primární jazyk byla angličtina. Nicméně je potřeba říct, že oficiálně samozřejmě byla angličtina – i Francouzi podepsali, že oficiálním jazykem je angličtina. Ale na určité úrovni to bez francouzštiny nejde. A zase jsme u toho – myslím, že se k tomu ještě dostaneme – je to o důvěře a řízení očekávání. Pokud technický tým mluví anglicky a nemá s tím problém, je to výborné a hodně to pomáhá. Ale často se stává, že generální ředitel nebo šéf dané pobočky či země anglicky neumí, protože to nepotřebuje, má lidi, kteří mu to přeloží nebo s ním spolupracují, protože on je ten, kdo má kontakty, ten vliv. A když jdeš mluvit s tímto člověkem, nemůžeš s ním mluvit anglicky. Proto jsme vždycky, když jsme měli setkání s generálním ředitelem jednotlivých poboček, jezdili s kolegy z Paříže. Jasně, přijížděli i lidé, kteří byli schopni aspoň pozdravit francouzsky a usmívat se. Takže to byl moment, kdy jsem si oprášil francouzštinu a rozšířil slovní zásobu o termíny jako „datové sklady“ a podobně. To není úplně něco, co používáš běžně v konverzaci. Hlavně Francouzi jsou národ, který nemá příliš velkou toleranci k „čengliš“, ne?

Ne, ne, ne, mají... Mění se to, už jsou tolerantnější než dřív, ale pořád tam jsou specifická slovíčka a obraty a ta francouzština je ten icebreaker. Pokud vidí, že tu v Evropě, v zemi, kde jejich jazyk neslyšeli, je někdo, kdo mluví stejným jazykem, je to mnohem lepší. Pořád si to dávají někde na východ, jako kdybychom žili v nějaké vesnici.

Ale to se nám podařilo změnit. A já jsem za ty roky, co jsme začínali, viděl první projekty i u Francouzů. Říkali: „No já nevím, tam na východ je to takové... máte tam elektřinu?“ A já jsem řekl: „Jste se zbláznili? Co tím myslíte?“ Opravdu někdy bylo náročné se udržet, ale právě díky tomu, co jsme dělali a co jsme dodávali, si myslím, že jsme k tomu přispěli.

Opravený text:

To, že aspoň část Francouzů se naučila, že outsourcovat na východ nemusí být úplně špatné. A že ta „jítá“ uprostřed Evropy jsou Češi, kteří to vlastně umí a dělají to velmi dobře. Takže ta francouzština je o tom, že nikdy nevíš, kdy se ti co bude hodit. Já jsem tady s francouzštinou dosáhl tohoto, a byla to do určité míry shoda náhod, nebo tomu můžeme říkat jinak, ale mně se to hodně líbilo. Skrz tu francouzštinu jsem se pak vlastně dostal někam dál, ale k tomu se asi dostaneme.

No a v roce 2021 přecházíš do Profinitu. Co tě přesvědčilo opustit tady „teplé francouzské místečko“ a vydat se do Profinitu?

Jasně, „teplé francouzské místečko“ — to se mi líbí. To je takové... Jasně, v ten okamžik, kdy odcházím, je ten tým velice zkušený, stabilní, funguje to. Vždycky tam budou nějaké problémy, ale už to nebylo to moje řešení, které jsem si někde vypiplal. Už to prostě bylo něco, co patřilo všem těm lidem, kteří najednou věděli o tom mnohem víc než já, protože v okamžiku, kdy se posouváš žebříčkem nahoru, už nemůžeš mít ten detail a už to tak nemůžeš dělat. Už to tedy fungovalo. Jasně, asi bych tam mohl něco dělat dál, ale naskytla se příležitost jít do Profinitu, kde jsem měl spoustu kamarádů a známých, a řekl jsem si, proč to nezkusit? Naučil jsem se tady něco v mezinárodním prostředí, pracoval na velkých projektech, což v té době ještě nebylo úplně časté, a věřil jsem, že je to něco, co může být pro Profinit přínosné.

Bavili jsme se v té době s managementem Profinitu, který chtěl expandovat na zahraniční trhy. V té době jsme měli, nebo po mém nástupu začínali realizovat, několik projektů v Anglii, později přibyla Německo. Neříkám, že jsem na to měl zásadní vliv, protože to zařizovali obchodníci, ale podílel jsem se na tom, a bylo to, co mě na tom bavilo.

A vlastně ta možnost pokračovat na tom byla zajímavá — pokračovat s lidmi, kterým věřím, se kterými máme legraci, máme hokejový tým, který pořád prohráváme (kdyžby kolegové to asi neradi slyšeli), ale zaručeně máme nejhezčí dresy. Takže je to o tom...

No a ty teda hraješ hokej?

Jo, jo, snažím se, snažím se. Když to vidí moje děti, říkají: „Tatínku, hezký, ale proč je to tak zpomalený?“ Takže není to úplně jednoduché.

No, takhle jsem se dostal do Profinitu, kde jsem měl pozici seniorního architekta, programového manažera dodávky. Zajímavé byly právě ty zahraniční projekty, ale moje účast byla spíše omezená na nějaký high-level design řešení a diskuzi s vlastníky projektů.

Co mi utkvělo v paměti jako velice zajímavé, bylo AML řešení, které jsme stavěli pro Raiffeisenbank. Pomáhali jsme jim vytvářet dedikovaný datový sklad, datové řešení...

Jistě, tady je opravený text:

Í, tak to bylo fajn. No a pak vlastně najednou přes tu francouzštinu se naskytla příležitost nejenom přestoupit klubově, jako hokejově, ale i vlastně přestoupit pracovně. Tak jsem se vydal na dnešek dva roky do Montréalu, nejenom kvůli hokeji samozřejmě, ale tam do malé konzultačky Agile DSS, která se specializuje na Quebec, nicméně už dneska expanduje i do Francie, takže mají pobočky v Paříži a v Lyonu, jestli se nepletu. A vlastně dělají víc, řekněme, datovou strategii, dělají víc poradenství jako takové, ale dělají samozřejmě i realizaci. Takže tam jsem přijel, tam jsem byl dva roky a tam bylo hrozně fajn vidět, že ta data a ty datové principy, které všichni, kdo se v tom pohybujeme, známe – že musí mít čistá data, musí být prověřená, musí mít nějakou trasovatelnost atd. – tak to funguje všude, je to všude stejné. A měl jsem i příležitost to vlastně vyzkoušet napříč sektory. Změna byla taková, že asi 90 % mých projektů byly finanční instituce, banky, pojišťovny.

A tam najednou jsem měl příležitost jít dělat audit datového skladu pro Cirque du Soleil. Takže jsem přišel, bavil jsem se s IT šéfem a šéfem BI a říkám: „No dobře, asi tady nemáte, jak bych očekával, nějaké stupenky.“ On říká: „Jasně, pět systémů na to dedikovaný sklad, máme vlastně čtyři dceřiné společnosti. Jedna zařizuje to šapito, které je v Montréalu a které teď myslím bude i v Praze, druhá řeší představení pro děti, to je separátní společnost, to je druhý datový sklad, pak máme třetí, která řeší back office – finance, HR, všechny tyto oblasti, a pak máme čtvrtou společnost, která řeší soukromá představení.“ Ptám se: „Co to má znamenat?“ On říká: „No jasně, děláme to docela často, nějaký šejk nás pozve, my mu postavíme, prostě pustíme ohromné představení jenom pro něj a pro jeho rodinu, což nám dělá solidní příjmy.“ Takže čtyři datové sklady.

Zatímco ve financích máš centrum pozornosti na klientovi, na produktech, u nich jsou to atleti nebo artisté, nebo nevím, jak to nazvat lépe. A tam bylo třeba vtipné pojmenování jednoho řádku – IDčko, jak to popsat? Podstata byla v tom, že kostýmy, co mají, jsou nesmírně nákladné a jsou na míru. Když jsou na míru, ukázali mi tu datovou větu – k jednomu atletovi máš 600 parametrů, které na jeho těle měříš. A měříš je pravidelně, protože někde, když moc posiluješ, narostou ti svaly a musíš kostýmy upravit. To je zlatý klíč, to, co dělá předanou hodnotu v těch datech – tyto míry, protože podle nich děláš celou výpravu. A na konci dne je to něco, co jsem si třeba tehdy neuvědomoval – rozhoduje to o tom, jestli se atlet nezraní, protože pokud je něco moc velké a zachytí se mu to někde, tak to může být problém – a problém může skončit opravdu špatně. Takže tohle to bylo h...

Pokud chcete, můžu doladit text ještě více.

Zde je opravený text:

Různě zajímavé. Ta data fungují, ty datové principy jsou stejné. I pokud jste cirkusáci. A zase, to byl jiný klient, zavolali mi, že potřebují pomoc, protože nejsou schopní namodelovat datový sklad. Říkám si, modelovat datový sklad, to nemůže být tak těžké pro lidi s praxí, protože tam bylo pár opravdu zkušených lidí. Říkají: „No hele, nějak nám to nejde.“ Říkám: „Dobře, tak se na to podíváme. Co je to za společnost? Banka?“ Říkají: „Ne, ne, ne, vyrábí vajíčka.“ „Jak vyrábí vajíčka?“ ptám se. „No, mají obrat asi 3 miliardy vajec ročně.“ „Aha, tak to asi nebude jedna malá garážovka.“ „Ne, ne, jmenuje se to Nutri-Ev a je to velký dodavatel vajec do různých řetězců v Kanadě a Severní Americe.“ Fungovali na SAPu, a najednou jim došlo, že potřebují sjednotit data ze svých různých poboček do datového skladu, ale nebyli schopní se k tomu dobrat. Nevěděli, jestli řeší slepice, nebo vejce. No, no, u těch vajec to bylo opravdu veselé, protože měli různé klasifikace – volný chov, napůl klecové a tak dále. Měli v tom trochu binec, takže jsme jim data vyčistili a teď je to dobré.

Bylo to moc fajn, i když některé projekty neměly celou realizaci dokončenou. To je něco, co děláme v profinity – většinou přijedeme, začínáme auditem, máme na to metodu, uděláme hodnocení, benchmarking a řekneme: „Hele, jste tady, podle Gartnera je to nějaké hodnocení. Podle vaší datové strategie – kterou mnoho firem ani dnes nemá – byste chtěli být někde tady. Dobře, pojďte, my vám pomůžeme se tam dostat s těmi levými částmi. Na to si troufáme, tomu rozumíme. K implementaci už si netroufáme odhadnout, kolik procent toho děláme v profinity, ale určitě je to víc než polovina.“ V Kanadě to bylo asi 80 % konzulting.

Fascinující bylo, že ta malá – z mého pohledu malá – firmička dokázala připravit datovou strategii třeba pro přístav Quebecu, který je druhým největším přístavem v Kanadě. Řešilo se tam, jak trasovat zásilky, jak data sbírat. Říkali jsme si: „Budete monitorovat kamiony a pohyb v areálu, abyste věděli, jak kvůli bezpečnosti, tak kvůli poplatkům, které se za to platí.“ Teď řešíme, jak třeba snímat značky – dnes to není problém. „Fajn, dobře.“

Drony na focení? Říkám: „No víš, drony... no, jako jo, ale jsme v Quebecu, takže třetinu roku tam sněží nebo prší, nebo je hustá mlha, takže dron nebude fungovat.“ Říkáme: „Dobře, nevadí, vymyslíme něco jiného, třeba kamery, které to přečtou na menší vzdálenost.“ Říkáme: „Hele, dobrý.“ To byl můj nápad, ale ještě jsem si tehdy neuvědomil, že v Quebecu mají značky na...

Pokud chcete, mohu opravit a upravit i další část.

Utech jenom vzadu, že jo, poznávací značku máš jenom vzadu, takže to je jakoby v pohodě. Když přijede ten návěs, akorát oni řešili ještě to, že přijede kamion, dotáhne tam návěs, ten tam nechá, odejde si s ním, že jo, a ty nejsi schopen naskenovat značku toho kamionu, abys potom byl schopen párovat ty návěsy. Takže zase blbě, takže bylo to veselé a zajímavé.

V čem mi to hrozně pomohlo, bylo si uvědomit, že pokud rozumíš těm datům, tak jasně, vždycky tam je ten kontext daného byznysu a odvětví a je důležité být otevřený, nebránit se pravdě, nebo se naopak donutit to trochu pochopit. Ale 70-80 % tvoří ta data a pak nad tím máš nějaký kontext. Samozřejmě to nefunguje vždycky takto jednoduše. Jakmile jdeš hlouběji do detailu a komplexnějších řešení, tak tam je důležitější know-how z byznysu. Ale na začátku jsou to data, co rozhodují. Ználost, ta domenová znalost, jak se někdy říká, přichází až později.

Pokud tam přijdeš, ať už k vajíčkám nebo kamkoliv jinam, musíš se ptát: „Kde máte data, co s nimi děláte?“ a pak se pojďme bavit o tom, co byznys potřebuje.

Třeba bylo trochu vtipné, že jsme dělali audit datového skladu pro Technickou univerzitu v Montrealu – Excel, který vládne všem. Tam to sice učí, ale jejich databáze nestála ani za začátku. Je to tak. Ale tohle je hezké v tom, že je to stejné všude. Můžeme si říkat, jak jsme pozadu, nevím, co všechno, ale tady co řešíme nejčastěji, ať už v bankách nebo jinde, je to, že mám řešení – datový sklad, nebo nějaký mart, databázi – a problém je, že si to uživatelé kopírují do Excelu a tam s tím pracují. Takže ztrácíš trasovatelnost, nevíš, co se s těmi daty děje atd.

V Kanadě je to velice podobné, jenže oni nekopírují data přímo z databáze, ale z nějaké cloudové databáze a stáhnou si to do Excelu, kde s tím pracují.

Extrém byl v CDPQ, což je národní investiční banka, která spravuje peníze vybírané na důchodové a životní pojištění a financuje z nich nemocnice a podobně – národní investiční banka. Já tam pracoval na určitém skladu a snažili jsme se napárovat zdrojové systémy těch skladů, protože jich mají asi 80, takže je to opravdu rozsáhlé.

Jeden z těch skladů měl nahrazovat to, co jinak řešili (nikdo nevěděl, jak to dělají, dokud jsme se na to nepodívali). Ukázali mi, že sledují investice a vše slaďují v Excelu. Když ses posunul dolů, měla tam být suma investovaných prostředků v řádu trilionů dolarů. Říkal jsem si: „Takový Excel jsem ještě neviděl.“ To byl extrém.

Jistě, tady je opravený text:

Ale už to mají ve skladu, už to mají jako standardně, už to je v pořádku. Excel i na triliony dolarů ještě vystačil. No a tak pojďme zpátky do Profinitu, protože ty jsi říkal, že ta kanadská mise trvala dva roky a evidentně ti zase rozšířila nějaký kontext a ukázala, co platí vždycky, jaké principy fungují v Česku, na Pobřeží Slonoviny i v Québeku, a kdy naopak musíš si uvědomit, že mluvíš s výrobcem vajec nebo s cirkusáky. Tak co tě přivedlo zpátky, a když ses rozhodl vrátit, tak jak to, že ses rozhodl vrátit právě do Profinitu?

Zpátky, no, můžeme si říkat, že hokejová kariéra se úplně nepovedla. Už jsem odjížděl s pocitem, že je mi tě líto, Montreal nebude hrát playoff. Už to není, co to bývalo, nikdy už to nebude. To je takové středověké vědomí — že už víš, že to nikdy nebude lepší. Takže jsme se s rodinou rozhodli vrátit a najednou jsem byl v kontaktu s kamarády a bývalými kolegy z Profinitu. Říkal jsem jim: „Hele, asi se budeme vracet, tak jak se máte, rád vás uvidím.“ Já jsem vždycky vozil javorový sirup, aby si navykli – to je jako kečup, to jim vylepšuje věci. A oni říkali: „Jo, to je výborný, protože my tady chceme vytvořit novou pozici, vedoucí kompetenčního oddělení.“

Říkal jsem: „No, zní to výborně, co to je?“ A oni: „Víš, máme ty kompetence, a potřebujeme dát lidem lepší podmínky, abychom v rámci specializací, které máme – AI, data, softwarový vývoj, cloudové platformy a migrace starých řešení – dokázali identifikovat služby a produkty relevantní pro klienty a říct: ,Hele, tohle jsou technologie, na které se prioritně zaměřujeme, protože to má smysl.‘ A tohle jsou postupy, jak lidi k tomu dostat tím, že jim dáme část odpovědnosti a vytvoříme podmínky, aby to mohlo fungovat.“

Mně to přišlo zajímavé, tak jsem na to kývnul. Ještě než jsem se stihl zabalit, mi volal můj bývalý šéf Míra Zuběk a říkal: „Víš, něco se trochu změnilo.“ Ptám se: „Co to znamená, budeme zase někam jinam?“ A on říká: „Víš, koupil nás Emdox.“ Říkám: „Aha, co to mění?“ On odpověděl: „V krátkém horizontu nic, v dlouhodobém nikdo neví.“

Takže jsem se vrátil, začali jsme dělat klasické projekty. A jasně, stali jsme se součástí skupiny Emdox. To je asi ta hlavní změna od doby, kdy jsem odjel. Zůstalo ale to, co je pro mě důležité – pořád je tam legrace, pořád máme hokejový tým, který sice pořád prohrává, ale zlepšujeme se samozřejmě. Je to pořád tým lidí, se kterými se rád potkávám, a to je pro mě důležité. Protože já nevím, jak to dneska funguje, někdy mám pocit, že si ani se svojí mladší sestrou nerozumím, o čem mluví. Takže nevím, jestli je pro dnešní generaci ještě důležité třeba chodit...

Pokud chceš, mohu text ještě více upravit dle konkrétního stylu (formální, neformální, rozhovor...). Stačí říct!

Samozřejmě, tady je opravená verze textu:

Jít do práce a být tam s lidmi, se kterými si rozumíš, nebo už to není důležité, protože stejně máš všechny kamarády online? Nevím, ale pro mě tohle pořád je důležité. A to byl jeden z důvodů, proč jsem se vracel – protože jsem věděl, že to bude fajn a že to bude legrace.

No a co se změnilo? Samozřejmě, něco se změnilo... Než přejdeme k tomu, co se změnilo, dovolte mi pár věcí kontextových. Pro ty, kteří se teprve letos přestěhovali do Česka a nikdy o Profinitu neslyšeli, pojďme krátce říct, jak je to velké, co vlastně děláme.

Pro mě jste jeden z těch velmi úspěšných příběhů, na které můžeme být hrdí. Na druhou stranu mám pocit, že Profinit ukazuje, v čem jsme jako Češi opravdu silní. Profinit není žádná garážová firma. Je to společnost, která tady působí už 27 let, pokud to dobře počítám. Na stránkách máme takový dlouhý přehled, co se kdy povedlo, kdo koho koupil a jak se rozšiřovalo portfolio. Ale to, co je důležité, je, jak říkáš, že je to firma, která má za sebou nemalé úspěchy.

Dnes je nás přibližně 600 a máme kanceláře na Florenci. Vedle toho máme pobočky v Hamburku, na Slovensku, a měli jsme klienty a tím pádem dočasnou pobočku v Anglii. Rozsah činností byl poměrně velký, možná trochu nedosahoval očekávání a plánů, které byly, ale navzdory tomu je to velice relevantní firma, která obsluhuje, řekl bych, všechny hlavní banky v České republice a na českém trhu. Má za sebou úspěchy, například projekt Manta, o kterém bude mluvit někdo jiný, ale je to určitě zajímavý příběh.

Takže ano, je to společnost, která byla rýze česká, respektive prošla různými výkyvy, ale nyní je součástí rodiny Amdox. To však nemění nic na tom, že se stále věnuje svým klientům a tomu, co dělala předtím. Data, datová kapabilita a to, co umíme okolo AI a dat, byly nakonec, alespoň podle toho, jak to bylo komunikováno a jak to chápu, hlavním důvodem, proč se Amdox rozhodl spojit se s Profinitem a koupit ho.

Amdox je globální firma s asi 30 tisíci zaměstnanci a přibližně 6 miliardami dolarů příjmů, takže je to opravdu velký hráč v oblasti telekomunikací.

Máme růžové prezentace, ve kterých se ukazuje, že 90 % veškeré komunikace, kterou uděláš přes telefon, prochází nějakým sandboxovým systémem. Paradoxně ale v oblasti dat nejsou tak zkušení nebo silní, a právě to je důvod, proč se rozhodli koupit Profinit. Věří, že společně dokážeme vylepšit nabídku nejen pro telekomunikační klienty, ale zároveň si převzít know-how, které oni mají z velkých databází, kde řeší telekomunikační záležitosti, jež mají jiné podmínky než klasický datový sklad. V těchto prostředích je často dostačující data zpracovávat „d-1“ místo „d+1“. Když se to spojí, mělo by to mít velmi zajímavé možnosti pro klienty.

Pokud chceš, můžu text ještě více upravit, zpřehlednit nebo změnit styl. Stačí dát vědět!

Jistě, tady je opravený text s lepší gramatikou a stylistikou:

Vidím to jako velkou příležitost – mít možnost se zase vrátit a podívat se na ty mezinárodní projekty. Máme kluky, kteří pracují s kolegy z Austrálie na nějakém výzkumném projektu, máme jiný tým, který řeší spolupráci s Američany, a teďka, nevím, bavíme se s kolegy z Filipín, z Indie, z Izraele, máme nějaké vývojové centrum na Kypru, takže je tam mnohem větší příležitost pro ten mezinárodní prvek, což já vítám. Je možné, že někomu z nás to úplně nevyhovuje, ale to už jsou potom nějaké osobní preference. Záleží to i na časových zónách. Jo, jo, jo, někdy to je trochu výzva, ale jasně, na druhou stranu pořád platí to, že nikdo tě do toho nemůže nutit a pořád tady Profinit bude pro své klienty, se kterými pracuje už 20 let, takže pro ně se nic nemění. Možná se mění někde nějaké jméno na papíře nebo nějaká byrokratická mašinérie, něco se musí upravit, protože už to není český vlastník atd., ale reálně na tom place v týmech to zůstává pořád stejné.

No, pojďme se podívat na to, co se změnilo v těch kompetencích. Ty jsi tady říkal svůj titul, vedoucí kompetencí oddělení; já to budu opakovat, protože se mi to moc líbí. Nebudeme si říkat celými tituly, říkáme tady prostě „pane vedoucí“. „Pane doktore“ mi říká jenom můj zubař, nikdo jiný. On ti také říká „pane doktore“, ale no, takže těch pět kompetencí, když je zopakuji. Jasně, tak je to AI, Data Science, Machine Learning – všechny ty věci spojené s pokročilou analytikou. Potom máme datovou kompetenci, která znamená datové sklady, vizualizaci, reporting – všechno, co se týká zpracování dat, řekněme. Potom máme kompetenci zaměřenou na cloudové platformy – a nejenom z pohledu cloudu jako takového, tedy Azure, AWS, Google, ale i z pohledu platforem, které potom zpracovávají data nebo další aktivity. Typicky třeba Databricks, Snowflake, Microsoft Fabric – ale neomezuje se jen na ně, nicméně to spadá pod tuto kategorii.

Potom máme softwarový vývoj, což jsou takové ty klasické Java, .NET vývoje. A pak tu je migrace legacy systémů, tedy typicky zastaralé aplikace, které je potřeba teď nějak kontejnerizovat a dostat tak do dnešní doby, aniž by to moc bolelo. Jak se v čase posouvá velikost těchto „škatulek“? Když se podíváme na tyto kategorie, tak opět všechny dávaly smysl naposled v roce 2021, když jsi do Profinitu vstoupil poprvé. Tyto škatulky dávají smysl i dnes. A když k tomu přidáme finanční sektor, řekl bych, že právě legacy a transformační oblasti dávají velký smysl. To mi vždycky přišlo zajímavé, když jsi zmiňoval Mantu, na kterou máme samostatný díl. Když jsi zmínil Mantu, tak mi přišlo úžasné, že řeší tenhle problém – že je to vlastně „painkiller“, protože klient vlastně neví, co má ve svých datech.

Takže zpět ke kompetencím a jak se vyvinuly v čase – moje hypotéza je, že se hodně přibližují. Co mě překvapilo, když jsem začal dělat Datatalk, je, jak moc se datové technologie a datoví profesionálové přibližují... (text končí)

Pokud chceš, mohu pokračovat s opravou i další části textu.

Tady je opravená verze textu:

Edu, ty principy software engineeringu, takže datové produkty najednou agilní týmy s produktovým manažerem, researchem a tak. Dokonce CI/CD a monitoring a najednou OPSi, jakože z DevOpsu. Tak najednou máme MLOps, nebo máme DataOps, MLOps a teď LLMOps. Vlastně mi přišlo zajímavé, jak se to staví, a teď s vibe codingem a JNAI.

Těžko se hledají ty kategorie. Tak jak to vnímáš ty?
Já to vnímám podobně. Jsou to dvě různé otázky.
Ta první je odpověď na otázku, jak se to vyvíjelo. Jasně, je tam ohromný nárůst AI. Když jsem odjížděl, tak jasně data science. To prostě byla složitá věda, kdy jsi tomu opravdu musel rozumět matematicky a správně to vytvořit. A najednou tam přišel takový malý ocásek AI. Uvidíme, co z toho bude. Má to velký potenciál, ale vlastně se tomu nesmí slepě věřit. Dneska už AI přeskočila zbytek. Říkáme „ano, AI“ a zatím tam někde je ten data science. Nicméně k tomu se určitě dostaneme.

Ono to ale vždycky není tak jednoduché. Ne všechno, čemu se dnes říká AI, je opravdická umělá inteligence. A rozhodně velice často to, co klienti chtějí a potřebují, nemusí nutně souviset s AI. Ale to je úplně jiný příběh. Takže to je asi první věc, kterou bych vypíchl.

To znamená, že nástup generativní AI už tady má vliv. A nějakým způsobem se to projevuje i v kompetencích. Vedle toho je tam určitě to propojování, jak se naznačovalo. Co se týče velikostí těch týmů, tak tím, že polovina našich lidí se věnuje softwarovému vývoji, což se překrývá s migrací těch starých systémů. Typicky ve stejných jazycích. Zadání je jiné, ale používají velice podobné nástroje.

Druhá polovina ze 250–300 lidí se věnuje datařině. A tam se to začíná zase mnohem víc přibližovat. Jedna věc jsou teoretické záležitosti – datové modely, data governance. To bych nazval měkkými věcmi. Musíš mít podpůrné procesy, které umožní technologii dobře fungovat. Musíš to dobře poskládat, to LEGO, aby to dávalo smysl.

A pak k tomu přijde vývoj – design, analýza, vývoj, nějaké testování. A už ti tam data proudí. Tohle se teď mnohem víc propojuje s platformami. Najednou – dobře, dělali jsme to vždycky takhle, teď jsme to vzali a dali do cloudu, a bude to fungovat stejně. Teoreticky ano, ale prakticky ne. Protože cloudové technologie a platformy mají určitá specifika, která když děláš pouze „lift and shift“, nevyužiješ naplno jejich potenciál. A naopak si tam zatáhneš některé neřesti ze starých řešení.

Takže je potřeba tohle mít na paměti a nezapomínat na to. A to je místo, kde se to právě potkává. Takže jasně, máme tým, který dělá konceptuální modely a pomáhá s change managementem směrem k data meshům. To jsou takoví teoretičtí dataři, bychom řekli, nebo architekti, nebo jak tomu chceme říkat. Pak tam...

Pokud chceš, můžu pokračovat v opravě zbytku textu.

Tady je opravený text s drobnými úpravami pro lepší plynulost a správnou češtinu:

Máme klasické analytiky a vývojáře, kteří spolu vždycky musí komunikovat s architekty.
A teď se k tomu přidává třetí skupina, která vlastně nastavuje platformy.
Ta jasně říká: tady budu mít takovou konektivitu na základě této architektury.
A mnohem víc musí pracovat společně a mnohem víc hraje roli, nebo je důležitější,
aby jednotliví členové týmů aspoň trochu rozuměli tomu, co dělají ostatní.
Takže například ty jsi změnil principy softwarového vývoje, na to máme v Profinitu speciální školení.
A je to možná taková úchylka – každý, kdo nastoupí do Profinitu, musí projít tímto školením,
které tam podle mě je od začátku, jako kdyby se při prvním otevření dveří Profinita vytvořilo školení s názvem „Softwarový vývoj a principy softwarového vývoje“.
A ačkoliv se tomu můžeme smát, myslím si, že to pomáhá, protože vidíš, že existují nějaké principy, které platí bez ohledu na to, co děláš.
Díky tomu dokážeš lépe pochopit dopady svých rozhodnutí nebo toho, že se na něco vykašleš, v celém procesu – na lidi za tebou nebo na další komponenty, které s tím pak pracují.

No, mám spoustu otázek, začnu první. Když mluvíš o těch platformách, jak se změnila jejich role v celém tom procesu a jaká je role cloudu?
Proč se ptám – mám pocit, že z moderního data stacku si teď skládáme řešení na míru, víc nástrojů poskládáme dohromady, a bylo běžné, že člověk měl vizualizační platformu, například Power BI, protože byl zvídavý.

Ale potom měl data sklad od Google, protože to byla e-commerce firma, takže používal BigQuery, a k tomu ETL nástroj a další součásti. Takže najednou se to centralizuje kolem ekosystému, že hyperscalers pohlcují celý trh, že se platformy skutečně platformizují, a už nejde o samostatné části, ale chtějí ovládnout celý hodnotový řetězec. To vnímáš? Myslíš, že je technické řešení nebo podvozek definující?

Do určité míry ano, protože vidím dvě tendence.
První tendence je, jak říkáš, centralizace: když si vyberu například Azure, tak od nich vezmu úplně všechno, protože je to přehlednější, licenčně často výhodnější a nižší náklady na správu řešení – vše mi sedí na jednom místě.
Druhá tendence, která je úplným protikladem, je obava z vendor lock-inu.
A já říkám, možná sice všechny platformy a řešení fungují podobně, mají svá specifika, výhody a nevýhody, a všechny zvládnou růst, ale nechci mít všechna vajíčka v jednom košíku.
Takže třeba vezmu Azure, ale nebudu používat Microsoft Fabric, protože z různých důvodů – i když je to Microsoft – si raději vyberu Snowflake nebo Databricks.
A orchestraci nebudu řešit nativními nástroji od Microsoftu ani Snowflake, ale použiju něco jiného…

Pokud chceš, mohu pokračovat v úpravě i dalších částí textu.

Tady je opravený text:

Tomu Airflow, který prostě posadím ještě vedle, a takhle si to celý rozstřelím.
Tyhle dvě tendence tady fungují, každá samozřejmě má své výhody i nevýhody, a nemyslím si, že bychom se jedné z nich nějak zcela zbavili. Velcí hráči na trhu, jako Amazon nebo Microsoft, tlačí na to, aby sis mohl vybrat, ale ideálně bylo pro tebe výhodnější pořídit všechno od nich – i za cenu vendor lock-inu, kdy odejít není úplně jednoduché.

Na druhou stranu, jak často budeš měnit platformu? Setkal jsem se s požadavky typu: „Ano, chceme to mít metadata driven, ať můžeme snadno přejít třeba z Databricksu na Snowflake nebo jinam stisknutím tlačítka.“ Fajn, dá se to takto připravit, ale přece jen, když se dříve dělaly datové sklady, počítalo se s horizontem 5–10 let. Dneska se sice vše zrychluje, a bavíme se třeba o 3–5 letech, ale i tak, za těch 5 let bys musel mít velmi vážné důvody, abys celý projekt zahodil.

A jasně, pořád jsme v konkurenčním prostředí, takže pricing a změny v něm jsou velké riziko. Firmy mají zkušenosti s tím, jak může změna v modelu ceny (compute vs. storage) přinést zásadní komplikace. Může se stát, že implementujeme něco, co je super, a pak se změní jedna položka v ceníku a celé to budeme muset překopat, protože jsme využívali nějaký loophole či nestandardní nastavení.

Spíš se mi líbí, že díky vaší škále a velikosti jste v tomhle agnostičtí – máte všechny možnosti, takže si můžete vybírat. A předpokládám, že podle toho i projekty pro klienty neděláte ledabyle, ale vždy vyberete maximálně jedno či dvě řešení, technologicky a stackově přizpůsobená danému klientovi.

Jak říkáš, spousta věcí, které vymýšlíme a děláme, je agnostická – úplně jedno, jestli postavíš třívrstvou architekturu, nějaké základy datameshe na Snowflake, Databricks, nebo jinam. Jsou to hlavně procesy, podpůrné systémy a metodologie implementace.

Samozřejmě existují specifika, která jsou dána konkrétní technologií – její výhody, rizika či nevýhody, které s sebou nese. Pro naše klienty je ale málokdy rozhodující jen technologie, což je samozřejmě cená zkušenost – mít možnost říct: „Začínáme od nuly na zelené louce, pojďme to společně vymyslet.“ To je velmi výjimečné, protože...

Obzvlášť v Česku je to tak, že když se bavíme o finančních institucích, existuje mateřská společnost, která jednoznačně nastaví strategii. Bude to prostě Azure, a tím to končí. Neřeší se AWS nebo jiné platformy, matka rozhodla. Nebo naopak máme jiného klienta, který je na Google Cloudu, a prostě se musíme přizpůsobit. Výhodou, kterou máme, je právě ta část kompetencí – říct si, že disponujeme sadou hlavních technologických kombinací a máme podle toho připravený rámec...

Pokud bys chtěl, můžu ti pomoci text i dodat do formálnější či jinak upravené podoby.

Ano, toto je ten typ řešení, které děláme často, a proto máme vypracovaný postup, jak to nasadit u každého cloudového providera a jak poskládat jednotlivé technologie tak, aby to fungovalo. A jasně, vždy se to upravuje na míru klientovi. Říkáme tedy: dobře, v některých případech, pokud chcete orchestraci více systémů, mít Databricks workflow, které jsou zaměřené jen na Databricks, asi není úplně optimální – lepší je mít nějaký externí orchestrátor. Ale pokud vám to stačí, rádi to přizpůsobíme, domluvíme se, není problém.

Je nějaký rozdíl mezi Českem nebo střední Evropou a zahraničím? Nebo už jsme tak globalizovaní, že technologie na této úrovni mají hodně podobné preference? Myslím si, že preference jsou velmi podobné, ale možnost výběru je zde spíše omezená a zároveň to souvisí s akceptací rizika. Například jsme v Evropské unii, kde máme regulace a legislativu týkající se GDPR a ochrany dat, osobních informací a podobně. V rámci mitigace rizika, že by došlo k porušení těchto předpisů, spousta firem inklinuje k tomu, aby data a služby měly umístění v evropském regionu. Jediný, kdo to dokáže garantovat, je poskytovatel cloudu. To samozřejmě ve Spojených státech nebo v Kanadě tolik neplatí. Tam je sice legislativa jiná, ale často není problém mít data v rámci Kanady, Spojených států i Evropy najednou. Velcí hráči, kteří si to mohou dovolit, totiž často nemají jen jednoho providera, ale mají řešení rozesetá napříč různými cloudy i platformami.

S tím je samozřejmě spojena výzva, jak to všechno sjednotit, ale dokážou s tím pracovat a většinou jim to funguje. Jak moc je to efektivní, na to nemám dostatek informací, abych mohl říct, jestli je to úplná blbost nebo naopak super způsob, jak ušetřit. Myslím, že máme stejné informace, víme, co se na trhu děje, známe trendy, nicméně ne vždy si lidé, kteří o tom rozhodují, mohou vybrat přesně to, co by chtěli, protože jsou svázáni omezeními spojenými s tím, že jde o zahraniční společnost velkého konglomerátu.

Také si myslím, že tady existuje určitý časový skluz. Před několika lety jsme například kopírovali data z on-prem BI do Excelu, zatímco v Kanadě už to kopírovali z cloudu do Excelu. Tento skluz tedy stále trochu trvá. Když se podíváme na bankovní domy dnes, není jich zde mnoho, které jsou na cloudu, zatímco ve Spojených státech a Kanadě většina bank už tento první krok k cloudu má za sebou. Nemyslím si ale, že bychom mohli říct, že je to špatně – je to prostě jinak. To přináší i určité výzvy, například že banky nebo pojišťovny u nás se tak vyhnou „nemocem“ prvních, kteří cloud zavedli jako první.

Tady je opravený text s úpravou stylistiky, gramatiky a interpunkce, aby byl srozumitelnější a plynulejší:

Nějak to nefungovalo, nikdo v tom neuměl dobře pracovat. Takže to už máme za sebou a můžeme z toho těžit. Myslím si, že tohle je jeden z těch rozdílů. To, jak se to projevuje, je právě v rychlosti adopce a také v tom, jak společnosti na to přecházejí s trochu jinou představou nebo s trochu jinými očekáváními než v Severní Americe. Děkuju.

Pojďme teď ke slonu v místnosti – co AI, generativní AI, ChatGPT? Zatímco v Kanadě zůstalo všechno víceméně při starém, tady vznikla nebo byla uvedena nová technologie. Jak to zasáhlo konzultační a implementační business Profinetu?

Když se podívám na rok 2021, přijdu k vám do firmy a koukám, co lidi dělají, jak to dělají a co prodávají, a porovnám to s rokem 2025, který navíc zahrnuje bonus MDOX, globální trh a telekomunikační společnosti – tedy všechny ty nové zkušenosti a potenciály. Co zůstalo stejné? Jaké principy se nezměnily ani s tím novým internetem nebo novým „ohněm“? A co se naopak změnilo úplně, protože to zamíchalo kartami?

Myslím si, že první věc je, že tato změna nebo příležitost se najednou objevila všude stejně. Už to není tak, že internet propojuje pár vysokých škol a začnou si mezi sebou vyměňovat informace. Díky globální síti to máme stejné všude. Byla to velká změna i v Kanadě. Kolegové, kteří se tomu věnovali od začátku, si s tím hráli a nyní přesně dokumentovali ty první úspěchy typu – jasně, nechal jsem si vypsat deset nejlepších kanadských spisovatelů a jejich nejlepší knihy, které píší francouzsky a jsou z Quebecu. Pak to rozebírali a říkali: „Výborně, mám seznam deseti, ale pět z nich vůbec neexistuje. Z těch zbylých pět je kombinace jmen režiséra a spisovatele a z vypsaných děl je skutečná jen jedna jediná kniha, zbytek je vymyšlený.“ Takže jsme už někde dál, ale ta důvěra – nebo spíš nedůvěra – v nové věci je všude stejná.

To je určitě něco, co zůstává a bude tu s námi ještě dlouho. Přirovnal bych to k situaci, kdy jsme dělali datové sklady v Africe. Říkali jsme: „Tady máte data, která jsou vyčištěná, můžete jim věřit.“ Druhá strana však seděla u stolu a říkala: „Já mám jiná čísla, já vidím jiná čísla.“ Tak jsme se museli bavit o tom, jak jste k tomu došli, rozluštit to, vysvětlit si to. Ale oni řekli: „Ne, já mám u sebe na stole sešit, kde si to ručně zapisuju.“ Takže se naše čísla s jejich nekryla.

Tohle je možná podobné v tom, že když pracuješ s těmi modely, máš výsledek – ten „sešit“ – ale co je za tím, je zatím trochu nejasné, jako v takovém obláčku. Model ti to možná zkusí vysvětlit, ale otázka je, jestli tomu doopravdy porozumíme, jak k tomu dospěl. Musíš mu buď věřit, nebo mít způsob, jak to ověřit. A to je teď to, co hodně rezonuje.

Jasně, máme nástroj, máme AI, generativní AI, a teď co s tím? Mnoho manažerů říká: „Výborně, čtecem, že to umí všechno...“

Pokud chcete, mohu text ještě více upravit podle účelu, formální úrovně nebo typu prezentace. Stačí říct.

Zde je opravený text:

„Vyhoďte všechny juniory, nainstalujte tohle, no, to půjde samo. A pak je tam ten střed s tou realitou, který je vždycky bolestný. Stejně tak — a zase se vracíme k těm manažerským pohledům — já si nemůžu říct: dobře, do teďka jsme to nějak pytlíkovali s Excelem, s datovými sklady, které mají různou kvalitu, ale nikdo je nepoužívá, protože data jsou úplně k ničemu. Ale teď máme AI a to dám tady vedle a to mě spasí. Takhle to prostě nefunguje. Naštěstí si to management už uvědomuje: můžu mít AI, ale pod ní musím mít kvalitní data. Na konci dne je to o datech, která do toho modelu dám, abych měl kvalitní výstup. Když nemám kvalitní data, nemůžu počítat s tím, že budu mít kvalitní AI.

A tím se dostáváme k tomu, že pokud chceš mít kvalitní data, musíš mít tu starou dobrou datovou větev v pořádku, ideálně s metadata. Protože metadata ti umožní odemknout potenciál těch dat, a tím můžeš na to postavit AI, která něco začne dělat, bude fungovat a lidé jí budou věřit. A jsme u té důvěry a u change managementu, což je dnes hrozně důležité. Jakmile máš nedůvěřivé uživatele nebo i vývojáře, kteří jsou v nejistotě, protože všichni říkají, že vývoj skončil, že teď mám hotovou AI, nepotřebuji vývojáře, tak vzniká pocit nejistoty, možná i existenciální strach. A pak mám řešení, které zkusím použít…

…a mám pod tím blbá data, něco do toho dám, vyhodí mi to odpověď, která nefunguje, a tím jsem skončil. Prostě to zahodím, nefunguje to, nebudu to používat. A to je škoda. Není to škoda jen pro toho člověka, který tohle rozhodnutí udělá, protože zavírá dveře k dalším možnostem, ale je to škoda i pro celou společnost. Pokud firma nedokáže zvládnout ten přechod a integraci, přichází o přínos, který to může mít pro celou firmu.

A teďka pominu, jestli to opravdu je opravdické AI nebo generativní AI, ale je to prostě něco nového, nové zvířátko, které přichází a musíme se s ním naučit fungovat. To, co se mění, je podle mě klasické kódování. Ve spoustě firem uděláte nějakou verzi kopilota, která je odstíněná od toho, že ty prompt(y) nějak pouští firmou, takže nemusíš mít strach to používat. Je to o tom dát tomu nějaké mantinely a naučit s tím lidi pracovat.

Pořád si ale myslím — a možná za pár let řekneme, že to byla zcela chybná úvaha — že pokud tomu rozumíš, pokud víš, co po tom GPT, kopilotovi nebo jakémkoliv modelu chceš, bude se ti s tím pracovat líp, než když mu jen řekneš: „Spoj tyhle dvě tabulky, potřebuji tenhle výsledek,“ a nemáš nejmenší ponětí o tom, že ti to vyplivne kód, který funguje, ale nejsi schopen si ho přečíst.

A teď v rámci M-Docs máme celé týmy agentů — jednoho, který to zanalyzuje, druhého, který to vyvine, třetího, který to otestuje, a čtvrtého, který ti to vysvětlí. Takže tohle je možná ta cesta, která to je...“

(Text končí neúplně.)

Jasně, tady je opravený text s lepší strukturou, interpunkcí a stylistikou:

Jak budeš mít celý tým těch agentů, kteří se o to postarají, pořád si ale myslím, že je pro tebe jako pro uživatele mnohem lepší, když dokážeš sám, se svým rozumem, pochopit, co on dělá, než když se spolehneš na to, že ti řekne: „Ne, to je přesně to, co potřebuješ.“ To je přesně ono. Myslím si, že tam ještě nejsme a že to bude trvat chvíli. Do té doby se ukáže, jak moc jsou témata typu „vibe coding“ a podobně použitelná v reálném světě, ve kterém máš prostě bordel v datech, nejasné procesy, spoustu znalostí v hlavách lidí, ne na papíře nebo v dokumentaci, a teď do toho chceš zapojit AI.

Když to rozklíčovávám na úrovni týmu a vývoje u vás, tak tlačíte kopiloty, pomocníky, augmented programming – je to pro vás nějaký trend, kterým jdete. Na druhou stranu většina práce pořád zůstává stejná a tohle je jen zrychlení. Máme to k dispozici, nicméně v některých případech, pokud je to možné, jdeme trochu jiným směrem.

Pokud mluvíme čistě o vývoji, říkáme si: „Hele, dobrý, fajn, metadata-driven vývoj.“ To znamená, že mám šablony, které generují kód, a do toho přidávám metadata a snažím se to automatizovat. Neříkám kopilotovi: „Hele, tady mám tabulky, chci dělat tyhle operace, napiš mi kód.“ Je to něco, co se používá, funguje a máme možnost to zkoušet. Teď testujeme možnosti využívat ty týmy agentů, ale ještě řešíme, že jsme v rámci rodiny M-Dogs krátce, takže některé procesy nejsou úplně stoprocentní. Snažíme se spíš jít cestou automatizace.

Je jedno, jestli je to AI nebo ne, důležité je, jestli ta část procesu je odbavená kvalitně a rychle. Přesně tak – je mi jedno, jestli mi to vygeneruje strojek, který tu používáme posledních sedm let, jednoduché pravidlové udělátko, kde si vyberu jednu z možností a hodně toho vyplivne, a já pak se tím kódem pracuju, zkontroluju ho, otestuju a tak dál. Nebo jestli řeknu ChatGPT nebo kopilotovi: „Tohleto potřebuji, tohle mi vygeneruj.“ Stejně musíš mít proces, jak to otestovat. Tohle zůstává stejné a pořád věříme, že je přínosné, když lidé opravdu rozumějí tomu, co jim to vyplivne.

A ještě vzpomínka z doby, kdy jsem si s tím hrál – bylo to třeba super, potřeboval jsem udělat nějaký rekurzivní select, který jsem kdysi dávno uměl napsat a stálo mě to hodně sil, už to nepamatuju, ale věděl jsem zhruba, jaké má mít strukturu.

Tady jsou ty objekty, potřebuji, aby to dělalo tohle. A najednou to vyplivlo skript, který jsem viděl. Fajn, taková ta metoda, že ho pozřu, podívám se, jak to vypadá – vypadalo to slušně, běželo to, dobrý. Dokonce to dalo výsledky, které jsem očekával. Ale pak jsem mu řekl: „Potřebuji udělat nějakou změnu, přidat podmínku.“ A ten kód... já bych pracoval tak, že bych k tomu prostě připojil další nějaký subselect nebo něco takového...

Pokud chceš, můžu pokračovat v opravě další části textu. Stačí říct.

Tady je opravený a upravený text, aby byl srozumitelnější a plynulejší:

To, co mi vyplivlo, bylo úplně jiné. Naprosto jiný kód, který jsem nebyl schopen sledovat, co vlastně změnil. Předtím to fungovalo, já jsem jen chtěl něco přilepit, ale on to pochopil tak, že to celé předělal. A to byl moment, kdy mě ztratil, protože už to nefungovalo a já to nebyl schopný debugovat. I když jsem mu dával zpětnou vazbu, že to nefunguje, situace se zhoršovala. Možná to byly nějaké halucinace – začal přidávat sloupce, které tam vůbec nebyly, a podobné věci.

Pořád si myslím, že nemůžeme tomu slepě věřit. Zkušenost lidí, kteří to programují xkrát a viděli spoustu problémů, je pořád hrozně cenná. Jasně, seniorem se člověk nestane tím, že bude povídat s ChatGPT. Musím si ten kód napsat, vyzkoušet ho a ideálně mít vedle sebe někoho, koho se můžu zeptat. Některé věci můžeme řešit přes pilotní projekty a podobně, ale pořád si myslím, že není tak efektivní a nenahradí to diskuzi s lidmi, kde se můžu na cokoli zeptat a někdo mi to ukáže.

Na některé věci je to super, podpůrná věc, výborná. Líbí se mi i to, jak to popisují Gartner nebo Forrester – pokud zavádíte AI, je to spíš obranná strategie. Nejprve to použijte tam, kde to už dneska skvěle funguje, kde je proces velmi čistý, bez prostoru pro chybu. Začněte automatizovat malé kousky, které máte pod kontrolou, aby se nemohlo stát, že výsledky budou natolik odlišné, že by to nikdo neuhlídal. Všichni to znají a rozumí tomu. Myslím, že to je ta správná strategie – možná s malými přínosy, ale zároveň nenabourá důvěru lidí. Naopak je to ujistí, že když to správně používáme, funguje to. Jako oheň – může nám dobře sloužit, ale pokud ho pustíme z rukou, může to skončit velkým průšvihem.

No, teď jsi mi nahrál otázku o juniorech, protože vnímám Profinity jako jednu z mála českých firem, která umí s juniory pracovat, která má nastavené procesy a vůbec juniory nabírá. Oproti menším produktovým firmám, které často nemají procesy a neumí se juniorům věnovat, jsou v krizi z hlediska kapacit – nemají čas seniorů, aby se juniorům věnovali. Jak vnímáš juniory v dnešní AI době? Říká se, že programátoři nepřijdou o práci, že i senioři budou vždy potřební jako softwaroví inženýři, protože nejsou to jen kodéři. Bude tu automatické generování kódu, ale co s těmi, kteří musí začít jako kodéři, aby se časem stali softwarovými inženýry nebo architekty? Jak k tomu přistupujete?

Já jsem v tomhle skeptik, možná je to charakterová vada…

Pokud chceš, mohu ti pomoci pokračovat.

Hned se to všechno změní, bude to super a dokonalé. Mám o tom ale své pochybnosti. Dost často se mýlím, výjimečně mám pravdu. Uvidíme.

K těm vysokým školám – to je pravda, byl jsem sám překvapený, kolik kolegů pořád ještě učí, že máme přednášky a úzkou spolupráci hlavně s technickými univerzitami, vedeme diplomové práce a podobně. To nám určitě umožňuje s těmi lidmi komunikovat. Jak říkáme, junior potřebuje mít příležitost stát se seniorem. Jak jsme se bavili, jedině skrz práci se to může zrychlit. Jsem přesvědčený, že různí asistenti a podobně jim pomůžou v tom procesu, jak se stávají seniory a nabírají zkušenosti, že to půjde rychleji, ale pořád si myslím, že...

To nejde kompletně přeskočit. Jak jsi se ptal, jak pracujeme s juniory, mohl bych říct, že vše funguje dokonale, ale není to tak. Vždycky jsou rezervy a co zlepšovat. A mezi moje úkoly patří, jak ten proces vylepšit, aby opravdu dával lidem to, co potřebují, a zároveň aby vytvořil podmínky nejen pro juniory, ale hlavně pro seniory, kteří se jim věnují. Není to jednoduché, protože je potřeba vnímat i pohled firmy – je to investice, a ano, je to drahé. Ale já jsem přesvědčený a bojuju za to, že to má smysl a vyplatí se.

Firma prostě nepřestane existovat za rok nebo kdykoliv, protože „už máme hotovo“. Naopak, je tady s vizí na několik let dopředu a rozhodně nepočítá s koncem. Naopak chce růst, potřebujeme lidi, nejen kvůli AI, ale i protože trh je bohatší. Dřív si datová řešení mohly dovolit jen ty největší firmy, dnes díky cenovému tlaku a konkurenci si je může dovolit i menší hráči. Proto je to mnohem zajímavější, potenciálně víc práce, a je potřeba to správně uchopit.

To ale neuděláš jen s týmem expertů. Je efektivnější mít pyramidu, protože junioři mají lepší podmínky naučit se doménové znalosti. To znamená, že i když mají základ ve vývoji a softwarovém inženýrství, například jejich první projekt je u „cirkusáků“. Výborně, protože je to baví a stanou se experty na data v té dané doméně – akrobat, clown, nebo jiný specifický kontext. Jsou schopni komunikovat s klientem detailněji o komplexnějších věcech, než senior, který má sice přehled o datech, ale možná nemá tolik zájmu pronikat do specifik dané domény.

Takže vidím, že to je win-win situace – člověk, který začíná v datovém světě a má nějaké základy, má šanci...

Jasně, tady je opravený text s lepší srozumitelností a správnou interpunkcí:

Pro něj je to způsob, jak se naučit víc a objevit něco, co ho může bavit. A pro ty seniory je to možnost, jak to předat dál, a věci, které někoho nebaví, mohou přenechat juniorovi, protože v tom je dobrý a může se v tom realizovat. Mně to přijde jako výhodný díl. Jo, pro mě taky nekončí svět s příchodem GPT a velkých jazykových modelů. Vidím to tak, že se tím zvyšuje chuť řešit problémy, že se počet věcí, které můžeme řešit, rozrostl, a beru to jako další abstrakci možná.

Na to bych se tě chtěl zeptat. Jak jsi říkal, máte už dlouho od začátku Profinitu nějaké základy a zásady softwarového vývoje, takže pro mě je to další krok k té abstrakci. Kolik lidí, kteří jsou skvělí softwaroví inženýři, dneska opravdu umí řadiče, chápe hardware, ví, jak se data zapisují na disk, jak to vůbec funguje, nebo to optimalizují? Pro kolik z nich je to potřeba? A přitom pořád jdeme do abstraktnějších a abstraktnějších vrstev – dnes máme nejen programovací jazyky, ale i frameworky, a najednou do toho přišel třeba Copilot. Je dobré tomu rozumět, ale zároveň můžu být úspěšný elitní webový programátor a nikdy jsem se nemusel dotknout C++.

Jo, rozumím tomu, co říkáš. Je to tak – zvětšuje se nám ten „black box“. Máme věci, které považujeme za dané, za funkční, a proto se jimi nemusíme detailně zabývat. Tou abstrakcí je to kouzelné – můžu se soustředit na věci nad tím black boxem. Ale přesně tak, kdo dneska opravdu ví, jak se posílají pakety přes internet, kolik je tam řídících bytů a co všechno se děje? Já jsem to nikdy pořádně neuměl a rozhodně nemám ambici to naučit se do hloubky, ale stále si myslím, že je důležité, aby někde byl někdo, kdo tomu aspoň trochu rozumí, protože když se něco rozbije, pak je problém.

Myslím si, že by to tak mělo být i ve firmách – nemyslím si, že IT prostě skončí. Jasně, něco outsourcujeme, ale pořád potřebuju mít někde zdroj informací, abych to byl schopný opravit, až se něco pokazí. A pokaždé si najde něco, co se pokazí. A i kdyby ne, je důležité na to být připravený. Jeden extrém jsou třeba ministerstva, která mají pořád oddělení na psací stroje – to je jeden extrém, ale...

Ve finančních institucích je někdo, kdo má tužku a papír. Jo, tužku a papír. Já jsem myslel třeba COBOL. Jo, jo, tak to je výhodný byznys, COBOL. Ale to je právě ta migrace legacy systémů. Nebezpečí je v tom, že se to stává magií – něco to dělá, ale ty vlastně nevíš jak a musíš tomu věřit. Je to zjednodušení, které má své výhody, ale i nevýhody. Pro mě ta nevýhoda je, že neznáš principy, na kterých to funguje, a tudíž nemůžeš spolehlivě předjímat, co se stane, když něco selže.

Ne vždycky je to potřeba, ale ty příklady kvalifikují – je to takový kamenem úrazu, když v dobrém SQL poznáš, kdo jsou začátečníci a kdo už něco umí.

Pokud chceš, mohu ti pomoct i s další úpravou nebo zjednodušením textu.

Zde je opravený text:

Mají to naprogramované. Protože prostě víš, že když píšeš kvalifikaci, tak to musíš mít deterministicky určené, jinak ti to hází náhodná čísla. A tohle je o tom. Pokud já nevím, jak ten black box funguje – a teď si za black box můžeme představit AI – a jestli náhodou tam nemá v sobě tu kvalifikaci, a já mu dávám špatné vstupy, na základě kterých mi vyhodí s určitou konzistencí dobré výsledky, ale když změním ty vstupy, tak ty výsledky najednou mohou být špatné a já to nepoznám, protože mu už věřím a nemám způsob, jak rozklíčovat, co je uvnitř, když tomu nerozumím. To je případ toho juniora, který si někdy kvalifikaci nenapsal a nenapadne ho, že tam to riziko je, a máme jenom ten vstup a ten výstup. Jasně, může být argument, že mám agentistu, který mi to vyvine, a teď budou mít i testovací agenty a celý tým, který mě přesvědčí o tom, že to je dobře. Na druhou stranu máme napsáno na hrnečkách, že se snažíme vylepšit kvalitu kódů tím, že budeme víc testovat – to je stejné, jako si myslet, že zhubneš tím, že se budeš víc vážit. Neřeší to podstatu. A ty musíš mít know-how a znalosti, abys byl schopen dát správnou zpětnou vazbu a říct: „Tohle je špatně, tohle nefunguje,“ a stroj si to opraví. Jazykový model si to dokáže naučit a dokáže se tomu nějak vyhnout, ale musí dostat tu zpětnou vazbu. A jasně, tu zpětnou vazbu může dostat během cyklu po deseti tisících kolech testování, ale ani to ti nezaručí, že narazíš na případ, kdy to nebude fungovat, protože tam je strukturální problém. A narazíš na to až v produkci, kdy to prostě celé spadne a nikdo nebude vědět proč, a stejně tam bude muset někdo jít a analyzovat to. A dobře, možná to bude další agent, který to najde, ale vyplatí se to? Stojí to za to riziko? Dnes si myslím, že ne. Možná za pár let to bude tak jednoduché, že se to vyplatí, ale pořád si myslím, že člověk, který tomu rozumí, se v tom automatizovaném světě stejně nestratí. Takže z tvého pohledu a z pohledu profinitu se pro juniory nemají zase až tak moc možností jako s Amdocsem a tak, takže příležitost je velká a mnohem větší. AI může pomoci, ale core princip se učit, osahat si to, dostat se k reálným projektům a chápat, co mi generuje AI, tam zůstává a během následujícího roku či dvou podle tebe nezmizí. Já si myslím, že to nezmizí. Asi se budou zvyšovat nároky, což znamená, že ano, dělám datažinu, ale potřebuji alespoň základně chápat, jak funguje jazykový model, jak funguje AI, protože s nimi budu přicházet do styku, ať už jako s rádcem, pomocníkem, anebo budu pracovat na řešeních, jejichž data nebo výstupy asi vstupují do AI. Musím rozumět těm principům, abych byl schopen líp dělat svoji práci. Ale to je stejné jako kapesní překladače – jasně, není potřeba se učit cizí jazyky, protože prostě do toho něco řekneš a v reálném čase ti to odpovídá.

Tady je opravený text s náležitou interpunkcí, opravou pravopisu a větší srozumitelností, přičemž jsem zachoval původní význam a styl:

...a v jakémkoliv jazyce. Nemám úplně pocit, že by to znamenalo krach pro jazykové školy. A dobře, můžeme jít ad absurdum. Prostě to, že se ty věci učíš, nějakým způsobem rozvíjí mozek atd. Ale to nechme stranou.

Ano, za mě - a možná mě budoucnost ukáže, že jsem neměl pravdu - nejsem přesvědčený a nevěřím tomu, že junioři a programování teďka zanikají, protože nastupuje AI. Nevěřím tomu. Jo, myslím si, že máme...

Ještě je hodně práce, co dělat, a lepší lopaty se budou jenom hodit. Jo, ne, určitě. No tak nejhorší je, že já se vrátím do kejna profesionální úrovně a hodíme to. To by musely být opravdu velké pokroky v robotice. No, když půjdu o úroveň výš, tak co to znamená pro ty vaše kompetence? AI, data science, machine learning, data, cloud, legacy software engineering...

Moje laické chápání je, že se to díky generativní AI vlastně rozplétá, propisuje a prolíná, že jsou si ty obory blíž než kdy předtím. Je to tak? Je to tak. Zatímco dřív jsme byli v situaci, že na tu poptávku jsme dávali nabídku v rámci jedné kompetence, tak dneska už je to o tom, že tam vždycky jsou dvě, tři kompetence, které prostě dohromady to musí vymyslet. Jak ty říkáš, jsou tam přesahy, ty systémy jsou na sebe napojené, není to prostě oddělené. Není to snadno definovatelný problém, je to komplexnější a vyžaduje to větší spolupráci.

Do určité míry konečně mám kolegu, který by řekl: „Konečně došlo na moje slova,“ protože on je velkým fanouškem metadat. A teď my - jako, čo, Manta, jak jsi říkal, budete o tom mluvit - to je postavené prostě na základu metadat, je to způsob, jak budovat metadatové sklady a sbírat ta metadata. Tak máme k tomu pořád ještě blízký profil a jsme přesvědčení o tom, a dlouhou dobu jsme to našim klientům ukazovali, že ty data nemůžeš naplno využívat, pokud nemáš kvalitní metadata.

A nemyslím tím jenom takové pasivní, že si je jen sbírám, jako „k čemu přistoupil.“ Já si pamatuju, že v bance byl jasný robot, který kontroloval... nebo roboty, byly to klasické podmínky, ale pokud sis spouštěl příliš konkrétní skripty, tak to hodilo alert a někdo se na to musel koukat. Byla přesná instrukce: „Prosím vás, jakmile budete selektovat klientky s vyšším věkem než 75 a s větším zůstatkem na účtu než 90 milionů korun, svobodné, hned se to pozná, hned se to najde.“

Tak to je přesně o tom! Ty metadata - fajn, máš nějaká pasivní, to jsou tyhle věci, ale je to i o tom, jak je aktivovat. Takže jasně, Gartner mluví o aktivních metadatech tím, že s nimi prediktivně pracuješ a tak. A to je něco, s čím jsme chodili po trhu a říkali: „Hele, máme řešení, které to umí dělat, jsme na to připravení, pojďme se na to společně podívat.“ A často bylo: „No, ale to je takové, víš, data jsou zajímavější, metadata nemají tu hodnotu.“

K tomu se dostaneme někdy příště. No a teď, právě díky AI - jak by řekl můj kolega - konečně došlo na jeho slova, najednou ty velké firmy, které jsme znali...

Pokud bys chtěl, mohu text také stylisticky více upravit nebo přizpůsobit konkrétnímu účelu.

Opravený text:

Odněkud rigidní si uvědomují, že ta metadata jsou fakt důležitá. Bavili jsme se o tom, že máme diversifikaci, nebo jako diversifikační strategii – takže nemám jednoho vendora, mám to rozestavěné po více systémech, v některých případech po více cloudech na jednom řešení. Potřebuji ta metadata, abych byl schopný to celé řídit, abych věděl, co se mi kde děje, protože nemůžu prostě přecházet od systému k systému a koukat se pod pokličku, jestli náhodou něco nebublá špatně. Musím mít jedno místo.

No a to nás vede k tomu, že jsme se toho trochu dotkli – data observability, což je zase takový pěkný termín, který jednoduše říká, že bychom měli vědět, co se tam děje. A jasně, bez těch metadat nejsi schopen spolehlivě říct, co se v tom systému děje. Takže tohle je jedna z těch příležitostí, ke které se dostáváme díky AI: že jsme připravení s tímto našim klientům pomoct a zároveň jim předpřipravit ta metadata s těmi daty, aby mohla být vstupem pro AI.

Protože znovu, AI není zázračný všelék, který vyrovná rozpočet a vylečí bradavice. Je to skvělý nástroj, který může velmi dobře fungovat, ale musí mít ty správné vstupy. A potřebuje kontext. Z úplně laického pohledu, jestli mě AI něco naučila, tak jak lépe zadávat lidem úkoly, protože jsem si u chat GPT uvědomil, že nemá můj kontext, že nebyl na schůzce a tak. U mých kolegů, když byli na té schůzce, tak moje přesvědčení (a mylný předpoklad) je, že si z ní odnesli dost to samé a ten samý kontext jako já. Takže když zadávám úkol, dávám mnohem větší kontext. A to je podle mě to zlato v těch metadatech – vlastně máš ten kontext a máš...

...ten příběh té firmy a těch dat.

Druhé téma, které se tímto také trochu otevírá, je konceptuální modelování. To znamená, že určitě vycházíš od těch business procesů a jdeš dolů, protože právě s příchodem AI se najednou děje – nebo taková ta poučka je – chceš to asistentovi vysvětlit nebo ho to naučit, dělej to, jako bys to popisoval svému juniorskému kolegovi. A najednou se setkáváme s tím, že to přece je standard – tak mám popsané, co mám dělat. Jako jo, ale vlastně to nikdo nepoužívá, je to staré, a když nevím jak to, tak zajdu tady a on mi poradí, a když on neví, tak byl někdo, kdo to dělal před pěti lety, ale už je na jiné pozici, ale pořád si to pamatuje. A najednou se ukazuje, že po technické stránce – dobře, někde máš data, metadata v ideálním případě, napojíš to na AI a chceš vysvětlit, co má dělat. A v té firmě nejsme schopní shodnout se na tom, co by to mělo být, jaká by měla být definice toho procesu, protože to nějak do teď fungovalo a nebylo potřeba to pojmenovat.

Protože ta znalost, to know-how, sedělo v hlavách těch lidí a teď je potřeba to dát na papír. Právě to konceptuální modelování má pomoci to přenést na papír, business procesy dále rozpracovat a pomáhá vůbec v té firmě si opravdu sednout a vydefinovat...

Finovat si, co je co a jak to má fungovat. Někdy je opravdu překvapující, jak moc se znalosti nebo předpoklady liší oddělení od oddělení, nebo i v rámci jednoho týmu se dva lidé na to dívají úplně jinak, ale nějak jim to funguje. Ale v okamžiku, kdy to mají naučit nějaký model, tak to nejde, protože každý mu říká něco jiného.

Když se podíváme o úroveň výš, tak jsi tady v našem rozhovoru zmínil, že je rozdíl mezi tím, co klient často požaduje, chce, a co opravdu potřebuje. Mám pocit, že v tomhle udělalo AI velkou změnu — že lidé, kteří dříve nechtěli data, teď chtějí AI a potřebují data. Jak vnímáš tenhle posun? Říkáš tedy, že u těch interních věcí to zatím není revoluce, ale spíš evoluce, další nástroj, principy zůstávají stejné. Na druhou stranu jsi mluvil o MDocs, kde jedna z motivací ke koupi byla AI zdarma a to, že máte tuto datovou excelenci, kterou můžete rozšířit do společné nabídky. Jak vnímáš trh po příchodu GPT z obchodního a klientského hlediska?

Je to velmi zajímavé pozorovat. Už jsme tím prošli, byla tu vlna Big Data, všichni je chtěli, byla to velká budoucnost. Manažeři, kteří o tom rozhodovali — bohužel ne vždy měli dost informací — chtěli obrovská data, a pak ještě větší a dvakrát tolik. Pak přišla agilní metodika, takže všichni chtěli agilní vývoj, ale zároveň zadavatelé vyžadovali projektový plán, cenu a časový harmonogram. Ti, co tomu rozuměli, viděli, že v tom je něco špatně. Teď máme vlnu AI. A je správné, že ji firmy nemohou propásnout. Není to revoluce, ale způsob, jak vylepšit služby a objevit nové možnosti — bylo by chyba to úplně ignorovat.

Na druhou stranu to vnímám trochu smutně, protože to odsunulo ostatní témata, která fungovala velmi dobře a podle mě mají své místo na trhu. A to je právě machine learning a data science — nejsou mrtvé obory, které by AI nahradila a ukončila. Ale teď přijde klient a chce AI. A my říkáme: Hele, to, co popisuješ — a to se nám reálně stalo — je typická úloha pro data science s nějakým decision engine. Odpověď byla: Ne, ne, ne, já chci AI. OK, náš zákazník, náš pán, dali jsme znovu na stůl možnosti z hlediska cen a všeho, opět odpověď byla: Ne, potřebuji AI, protože to rozhodl management.

Udělalo se AI, stálo to, nevím, dvakrát tolik než jiné řešení, a bohužel tým neměl dostatečnou zralost na provozování toho modulu, protože s tím nikdy předtím nepracovali. Bylo to poměrně komplexní řešení, předalo se to klientovi, ale do půl roku se to vypnulo. Takže teď tam přicházíme znovu a říkáme: Hele, nejdřív musíte vybudovat tu...

Zde je opravený text:

Kapabilitu pak můžete zkusit takto. A mezitím pojďme používat starou dobrou data science, protože ta plně pokryje zhruba 85–90 % toho, co potřebujete, a extrémy si můžete pořešit ručně, protože jich je tak málo, že se nevyplatí je pokrývat automatizovaně. Takže tohle je taková smutná zkušenost, kdy horečka okolo AI přebije racionální uvažování.

A to je jeden příklad. Druhý je marketing – když máme poptávku po AI, tak všude začneme dávat AI. I u nás, když máme datovou kompetenci a pořád provozujeme datové sklady nebo datová řešení, která dobře známe, s kolegy z MDocs jsme párovali služby, abychom věděli, s kým se bavit v určitých tématech. Já jsem to procházel a nemohl jsem najít datové sklady nebo datová řešení nebo klasickou datazinu, ale viděl jsem tam „AI ready data“. Říkal jsem si – co to je? Nějaká příprava pro modely? Ale ne, to marketing přejmenoval klasické datové sklady, protože tam „musí být AI“, jinak to u klientů nefunguje dobře.

Rozumíme tomu, že v rámci Ameriky máme AI ready data, ale vlastně je to klasická datazina. Myslím, že tohle za chvíli zase zmizí, protože je to jen další vlna – všechno musí být AI, jako dřív bylo všechno digitální, nebo Bluetooth – všude dáme Bluetooth, protože to bude lepší. Je to hodně podobné.

Tato vlna „to smije z písku“ – další hype. Myslím si ale, že s námi zůstanou jasně AI, generativní AI, jazykové modely, agenti, asistenti atd. To se ustálí a zase se vrátíme k tomu, že nepotřebujeme mít AI ready data, ale kvalitní data, která prostě sedí pod modelem.

Mě například a myslím, že i jinde nebyl takový buzz ani šílenství kolem širokých dat (wide data), což označuje sběr širší dimenze dat, ne jen obrovské množství informací o jedné dimenzi. To dává oceněnější obrázek a věřím, že s rostoucí složitostí je to pro AI důležitější než mít dlouhou historii dat. Ale to asi záleží na účelu.

Já to ale spíš vnímám negativně, protože těchto vln jsem zažil už několik a vždy to znamená, že se neúměrně přitahuje pozornost jenom k jedné věci, a ostatní, které fungují, jsou upozaděné a nikdo se o ně nechce bavit, protože nejsou trendy.

My držíme narativ, že pořád máme data science, pořád máme machine learning, nemáme jenom AI, a jsme přesvědčeni, že tyto věci budou pořád potřeba a neskončí. Oceňuji to a mám pocit, že v tom je rozdíl mezi postsovětskou, respektive středoevropskou nebo českou mentalitou, která pojmenovává věci tak, jak jsou, oproti západní mentalitě, která hodně boostuje komunikaci a všechno je „awesome“, i když to ještě nemáme.

Takže je potřeba tuto rovnováhu najít.

Co by mě ale zajímalo, je, jak se na to díváš ty, když jsi několikrát citoval Gartnera a Forrestera…

Pokud chceš, mohu text ještě více upravit nebo zestručnit.

Jasně, tady je opravená a stylisticky upravená verze tvého textu:

Díváš se na jejich práci? Podle mě je to něco jako „dobrý sluha, špatný pán“. Gartner rozhodně tlačil AI hodně, stejně jako tlačil big data. Je otázka, jak moc je to nástroj, který ti pomůže se orientovat v globálním enterprise a technologickém prostoru, a jak moc na to vlastně potřebuješ reagovat. Protože někdo zpívá určitou písničku, ale dělat si svoje je důležité.

Předně bych řekl, že obdivuju ten business model, který vytvořili. Je to fascinující. Obě strany platí, takže je to opravdu vyvážený modelem, a myslím si, že jim to funguje úžasně. Muselo to stát spoustu úsilí, ale dotlačili to tam, kde jsou. A ti lidé, kteří pro ně pracují – ti analytici a tak – to nejsou hloupí lidi. Takže to, co říkají, a jak popisují ty technologie, mi přijde super. Máme to štěstí, že s nimi můžeme konzultovat – ať už z Forrestera nebo Gartnera máme možnost sledovat jejich práci.

Někteří jejich lidé jsou velmi zajímaví, s mnohými z nich souhlasíme, některé věci dále rozvíjíme a používáme jejich postupy. To se bavíme hlavně o takzvaně tvrdých věcech – mám nějaký framework, koncept nebo blueprint, který vychází ze zkušenosti, ale naše zkušenost je trochu jiná, takže jsem schopný to adaptovat. To je jedna část jejich práce a služeb, které poskytují.

Druhá část je o naslouchání – a tam si myslím, že metodicky to mají velice dobře podchycené. Věřím a jsem přesvědčený, že s pomocí behaviorálních psychologů a statistiků to dotahují do detailu. Reagujeme i my na některé jejich studie a rešerše, takže to mají dobře zajištěné.

Nicméně ve mně pořád je takový malý hlas, který říká: „Hele, to je spíš to, jak se přání mění ve skutečnost.“ Spousta trendů, které popisují, vychází z rozhovorů s rozhodovateli. Takže ano, obvolají tady 120 globálních CIO a na základě toho tvrdí, že tohle je trend. Ale proč to CIO říkají? Protože to slyšeli od druhých? Nebo protože to někde četli, a teď je to takové sebenaplňující se proroctví? Mluvím o tom, vidím, že o tom mluví ostatní, tak to asi začnu dělat taky. Ale opravdu to potřebuji, nebo je za tím skutečný základ? Myslím, že to je potřeba brát s rezervou a nejsem tak dogmatický, abych tomu věřil stoprocentně.

Ano, mluví se o AI, o těch kvadrantech, o tom, kam všude se to cpě a jak to roste. Uvidíme časem, jak moc se trefili. Určitě jim vyjde, že to bude růst a že AI prostoupí více sektorů a činností, ale tím bych to asi uzavřel. Spousta rešerší je založena na tom, co si kdo myslí a říká, a v tom množství dat se snaží skrýt individuální motivace. Myslím si ale, že to ne vždycky úplně funguje a celý obraz není úplně čistý.

Pokud chceš, můžu ti text ještě víc zestručnit nebo upravit do konkrétního stylu. Stačí říct!

Jasně, tady je opravený text:

Je tam nějaký zkreslující faktor. Jo, a jako vždycky, když se někoho ptáš a on se sebe reportuje, tak i to je zkreslené. Tak to tam vidím já a pro mě marketing není jen komunikace nebo propagace, ale marketing je to, jak vypadá trh – co je na něm unikátní je ten insight, vlastně souhrn toho, co ti lidi chtějí. Možná ne to, co potřebují, ale rozhodně to, co chtějí. Takže zřejmě tam nebudou datové sklady, ale budou tam AI ready data. Je to tak, je to tak.

Co nás těší, je, že teď hodně rezonují metadata v jejich zprávách, což je určitě příležitost. Ale je to, jak říkáš, přání stává skutečností, objevuje se to v těch slidech a tím se samo živí, takže je potřeba to brát s rezervou.

No a v tomto kontextu mám ještě jednu otázku – mám pocit, že na čem Profinit vyrostl, a ty jsi toho příkladem, je propojení konzultačního know-how, toho analytického přístupu typu „velká čtyřka“ – když vezmu konkurenci na jedné straně – a na druhé straně těch „špinavých rukou“, vyhrnutých rukávů, té implementační end-to-end práce. To je princip, na kterém Profinit vyrostl a kterému se daří – že jste schopni být parťákem jak ve strategickém, tak i v implementačním procesu do konkrétního legacy řešení.

Myslíš si, že se to s AI bude měnit? Často se mluví o tom, že bude potřeba víc produktových manažerů, protože AI uvolní vývoj a delivery, a najednou bude možné rychleji dodávat větší celky. V takovém případě bude ještě důležitější kontext, který určí, co se má dodat, a správné porozumění tomu. Říká se, že poměr produktových manažerů vůči vývojářům poroste ve prospěch produktových manažerů. Jak to vidíš ty z konzultačního pohledu, když se uvolňuje vývoj a delivery?

Neznamená to, že z vás budou spíš konzultanti, protože většina řešení bude komoditizovaných?

Zajímavá otázka. Obecně Profinit, jak se říká, realizuje projekty end-to-end, od strategie až po „špinavé ruce“. Ale nebylo tomu tak vždycky. Postupem času to rostlo – začínalo to spíš tou implementační částí a k ní se postupně přidávala konzultační činnost.

U konkurence typu velké čtyřky je to naopak – začínají strategickými věcmi a postupně rozšiřují zkušenosti směrem k implementaci.

Zrychluje se to teď. Myslím, že je to komplexní záležitost, stále musíš mít kapacitu a schopnost to udělat opravdu end-to-end a dodat to, co naslibuješ. To je velice důležité, nejen vůči klientovi, ale i interním týmům. Někdo totiž nemusí být schopen dodat to, co my můžeme slíbit – tím jsme si asi všichni prošli.

Dnes můžeš mít customizovaná řešení nebo balíčky, které postupně dodáváš a jen lehce upravuješ, což zrychluje proces. Ale konzultační tým stále musí velmi dobře rozumět tomu, co objednává. Nemůže to být tak, že nemám znalost a přesto chci fungovat. To je cesta do pekel. To je právě oddělený prodej od vývoje, kdy nemám za projekt plnou odpovědnost.

Pokud chceš, můžu tento text i více zkrátit nebo přeformulovat pro lepší srozumitelnost.

Opravený text:

Ost a tím končím. My se třeba snažíme, když máme ten prodejní tým, takže ten dotyčný, kdo si to vymyslel, tam nějakou dobu zůstane nejen kvůli tomu, aby to předal, ale i aby... že to vyžral. No, já jsem to takhle chtěl říct, ale jako jo, protože pak tam přijde nějaký jiný chudák, který to má na starosti, a není to úplně fér. Takže tohle si myslím, že není úplně v pořádku. To já chápu úplně. Můžu víckrát říct, že nemá dělat binec, ale dokud si to po sobě nemusí uklidit, tak bude binec dělat pořád. Ale ve chvíli, kdy má na starost to, že bude muset vzít ten vysavač, tak mnohem víc si dává pozor na to, kam ty drobky padají. Funguje to tak, takže to propojení je podobně důležité. Tím pádem jasně je… A my to vidíme i u sebe. Máme dobré řešení, které prostě dokáží fungovat datově. Vidíme, že to funguje u těchto tří typů byznysu. A teď přemýšlíme, kam dál s tím. To je dobré. Máme nějaké nápady a jasně potřebujeme… Nebo dobře, máme člověka, který je schopný o tom mluvit. Ale na ten produkt nějak máme tady prostě typizované řešení. Ale potřebuji toho partnera, se kterým jsem schopen to rozvést pro ten daný byznys. A pak potřebuji jít do detailu. A k tomu zase potřebuji ten tým, který řekne: „Aha, dobrý, tady by to šlo, 80% shoda, ale těch 20% je v té kritické části a tam to musíme kompletně předrátovat, protože by to jinak nefungovalo.“ Ale tím, že prostě dáme dohromady ten end-to-end chain, tak to bude fungovat. Takže myslím si, že poroste nárok na lidi typu produktových manažerů ve smyslu, aby měli znalost o tom, co řeší, aby byli schopní o tom mluvit jak s klientem, tak s člověkem s doménovou znalostí, ale pořád zpátky i s týmem, který to má na starosti, protože na konci dne to bude o komunikaci, o přizpůsobení se. Já moc děkuji za to, že spoustu věcí, které z X nebo LinkedInu zní, jako že jsme je už propásli, tak že jsou v procesu a rozhodně nejsou tak revoluční, jak se můžou právě ze sociálních sítí zdát.

Co tebe a Profinit čeká v následujících měsících nebo v následujících 12 měsících? Když se podívám na to takhle, tak teď máte novou mateřskou společnost a asi budou další integrace. Předpokládám, že teď po tři čtvrtě roce už máte možnost pracovat na nových klientech, ke kterým byste se předtím asi nedostali, jako tady samotní samotníci Profinitu. Tak co se teď děje a na co se těšíš? Co vás teď čeká? Já bych to rozdělil na tu část, která se týká MDoxu, nebo řekněme těch možností, které získáme díky MDoxu, a vlastně na to, co máme v plánu sami, protože jak jsem říkal na začátku, ten prvotní dopad na naše klienty a na naše lidi je minimální. Prostě fungujeme tak, jak jsme fungovali doteď, máme určitou míru nezávislosti, dobře, na úrovni středního a vyššího managementu jsou nějaké diskuze a nové byrokratické, administrativní procesy, ale vztahu s klienty a vztahu mezi námi se to nějak nedotýká. Takže v rámci Profinitu teď hodně úsilí stojí...

Vlastně…

Příprava naší AI konference AI Hotspot, která bude v říjnu, takže se na ni všichni těšíme – nejenom proto, že se uskuteční v Doxu, ale i proto, že tam budou zajímaví lidé a budeme mít možnost například pohovořit o tom, jak se AI využívá v různých oblastech. Bude to určitě zajímavé.

Vedle toho, v rámci Profinitu, když to vezmu sobecky za sebe, budu mít za úkol pokračovat ve vytváření podmínek pro naše kompetentní lidi, zejména seniory, aby měli možnost dál se rozvíjet v technologiích, a zároveň pomáhat juniorům. Společně s nimi budeme vybírat trendy, na které se vyplatí reagovat. Ne všechny novinky totiž vydrží – životní cykly technologií se často zkracují a orientovat se v tom bývá náročné.

Samozřejmě máme i klasický projektový život – pracujeme pro klienty, kde řešíme nasazování různých řešení, což je takový day-to-day business. Zároveň chceme více rozvíjet koncept pro určité klienty, týkající se data self-service s využitím Microsoft Fabric. Vnímáme, že Fabric, ať už skrze Power BI nebo jiné nástroje, se ve firmách pomalu rozšiřuje, a když už tam jednou je, je dobré ho plně využít. Na tento koncept chceme dále pracovat a připravovat se i na nové funkcionality, které se objeví.

Začátkem roku jsme se zabývali migracemi do cloudu – to jsou témata, která budou pokračovat. Nyní se k tomu začínají nabalovat i AI nástroje pro migraci legacy kódů, takže je potřeba je důkladně otestovat a prověřit. Těmto technickým tématům se budeme věnovat.

Z pohledu byznysu pracujeme klasicky pro naše klienty. Snažíme se know-how, které máme v oblasti dat, posunout i do dalších odvětví, protože právě data a jejich porozumění spojují různé byznysy a představují velkou příležitost, kterou je potřeba správně využít. Myslíme si, že právě nyní nastal ten správný čas. Cloud už není jen vzdáleným konceptem nebo „mrakem na obzoru“, ale realitou, která stojí za to využít. Přináší s sebou určitě investice, které jsou ale relativně dostupné, což je příležitost dostat data i tam, kam dříve nebyla dostupná – například k cílovým uživatelům či jinam.

V rámci spolupráce s Docs nám interně pomáháme, protože máme přístup k různým informacím. Nemluvě o základních nástrojích, které jsou dostupné všem. MDocs má navíc poměrně silné partnerství s Nvidia, takže naši AI kolegové mají s nimi intenzivní komunikaci a společně pracují na nápadech a inovacích, což je velmi přínosné.

Určitě chceme dál využívat potenciál, který v těchto oblastech je. V některých směrech jsme silnější my, například pokud jde o partnerství, ale MDocs má zase silnější pozici z hlediska využívání zdrojů a dalších možností.

Tady je opravený text s lepší strukturou a gramatikou:

Ty různé ECFy a různé benefity jsou mnohem dál a to sebou nese možnosti, které my tady nemáme, protože nejsme schopní tohleto čerpat globálně, ale jen z českého trhu. Takže to je určitě pro ty kompetence velké lákadlo a velká příležitost.

Ruku v ruce s tím potom jdou mezinárodní projekty, kde začínáme. Máme opravdu pár lidí, kteří už jsou zapojeni v nějakých většinou spíš výzkumných činnostech, ale podílíme se i na nabídkách, které jdou ke klientům – nechci říkat po celém světě, ale hlavně v Severní Americe a v Asii. To jsou ta místa, kde to teď řešíme, a myslím si, že to do budoucna poroste právě proto, že máme datově schopné lidi, kteří najednou budou mít možnost se ukázat u klientů, kteří dlouhodobě pracují s MDocs, ale tahle část jim chyběla, a teď je způsob, jak to spojit.

Příležitostí máme spoustu, ať už interně, nebo externě. A ruku v ruce s tím samozřejmě jde snaha zaujmout nové kolegy, potenciálně je přivést k nám, protože věříme, že ve spolupráci s MDocs jsme schopni nabídnout možnosti, které dosud v Profinitu nebyly – ať už se bavíme o zahraničních projektech, zahraničních kolezích, ale i o vnitřních zdrojích, které jsou pak k dispozici pro osobní rozvoj a podobně.

Takže pokračujeme v tom, že stále sháníme nové lidi – napříč všemi kompetencemi. Ano, opravdu napříč všemi kompetencemi, a včetně juniorů, ty obzvlášť. Super, já být juniorem a mít aspoň jednu z těch kompetencí, tak neváhám.

Díky moc.

Takže, Tomáši, děkuji, že jsi nás provedl a ukázal, že na druhé straně oceánu, v Québecu a Montréalu, není tráva o nic zelenější a bez ohledu na změny, co říká Gartner, nebo kde jste a jestli děláte pro circus nebo výrobce vajíček, některé principy zůstávají úplně stejné. Je dobré je i v roce 2025 znát, umět a mít je pod kůží.

Děkuji moc za příjemné povídání a držím palce.

Jirko, děkuji za příležitost, bylo to moc fajn a budu se těšit někdy příště.

Pokud chceš, mohu text ještě více upravit pro styl nebo srozumitelnost.