Podcast

Dobrý den, moje jméno je Jirka Vycherek.

Ahoj všem, moje jméno je Barbara Jinerová.

Vítáme vás u dalšího dílu Datatolku.

Naším dnešním hostem je Tervel Shopov, ředitel AI a DAT a brzy také partner v Deloitte.

Ahoj, Tervele.

Ahoj, děkuji za pozvání.

Ještě než začneme naše povídání s Tervelem, mám pro vás pozvánku. V Praze se 12. června koná Google Cloud Summit Czech Republic. Bude to velká akce. Vývojáři, cloud inženýři, devopsáci a všichni fanoušci Google Cloudu by podle mého měli přijít povinně. Program je ale koncipován mnohem širší. Hodně prostoru bude věnováno e-commerce, od personalizace a AI asistentů až po last mile delivery. Dvě samostatné přednášky má Rohlík. Na své si přijdou také startupy, Google totiž pro ně připravil nový cloudový offering. Hlavní trek, který nás zajímá nejvíce, je však nepřekvapivě data and AI. Můžete si tak poslechnout, jak správně implementovat LLM (velké jazykové modely), novinky z Vertex AI, taky z Gemini, ale hlavně vizi dalšího vývoje AI v Google stacku, a to od lidí, kteří na něm skutečně pracují. Odkaz na konferenci najdete v popisku tohoto podcastu, nebo si prostě vyhledejte Google Cloud Summit Czech Republic. S Datatelkem u toho budeme také, takže se těším na vás 12. června v Praze v kongresovém centru.

Nejdříve s Tervelem projdeme, jak se dostal k datům, co vlastně konzultační společnost Deloitte a konkrétně oddělení AI a Data dělají, pro jaké klienty, a taky co Tervel z pozice napříč zeměmi a z určitého konzultačního pohledu vidí, že se právě teď na datovém a hlavně AI trhu děje.

Děkujeme, že jsi přijal pozvání, Tervele, a začněme na začátku. Jaká byla tvá cesta?

Moje cesta k datům byla taková, že nemám technický background. Během střední školy jsem se začal věnovat hudbě, začal jsem DJovat, hrával jsem hip-hop po celé České republice, jezdil jsem do Berlína nakupovat vinyly. Přes den jsem si vydělával finančním poradenstvím, což nebyla úplně moje vysněná kariéra, ani jedno z toho. Vydělalo to ale na DJing a na vinyly?

Ano, rád na to období vzpomínám. Byla to určitě zábavná léta. Věděl jsem ale, že chci dělat něco jiného a vlastně trochu naslepo jsem hledal obor. Byl jsem po střední škole obchodník, takže jsem hledal obchodnické pozice. Nakonec to dopadlo tak, že jsem v roce 2012 nastoupil do firmy Acrea, což je v Čechách a na Slovensku business partner IBM. Primárně se zaměřuje na prodej řešení od IBM právě kolem dat a datové analytiky. Hodně jsme pracovali s SPSS, kterou asi dost lidí zná ze školy. Nastoupil jsem tam s úkolem bavit se s pojišťovnami a bankami na trhu o jejich analytických a datových use casech. Tehdy to byly hlavně věci kolem kreditního rizika, věci poháněné regulací, ale již probublávaly také komerčně zajímavé případy použití.

Moc mě to chytlo a propadl jsem tomu ze dvou důvodů. Za prvé mě velice zaujala datová analytika, protože se o ní tehdy ještě příliš nemluvilo, a podle mě byly dva spouštěče. Prvním byl Facebook, kdy se sociální sítě začaly dostávat do popředí a lidé začali přemýšlet nad tím, co se děje s daty. Druhým byly volby v Americe, tehdy Obama usiloval o znovuzvolení a říká se, že v roce 2012 rozhodli právě data. Tak mě téma začalo bavit.

Druhý aspekt, který mě fascinoval, byly korporace. Do té doby jsem se s nimi nesetkal a byla pro mě fascinující jejich komplexita, zmatek prostředí, ale zároveň i dopad, který může člověk udělat, pokud dokáže tu komplexitu navigovat. Tam jsem byl asi tři roky, pak jsem však přestal vidět v té firmě vizi růstu, byla docela malá, a rozhodl jsem se zkusit něco divočejšího, což byl startup. Startup se jmenoval Descalabs a vznikl zde v Čechách.

Nastoupil jsem tam, byli jsme přijati do StartupYardu v Praze, což bylo super. Poté jsme se dostali do Techstars v Londýně. To byla opravdu intenzivní zkušenost, asi nejvýznamnější část mé profesní kariéry z hlediska zkušeností. Tam jsem byl vlastně třetím zaměstnancem a mou hlavní náplní byl obchod, ale také partnerský management, protože jsme tehdy viděli možnost prodávat jak channelově, tak direct sales. Zaměřovali jsme se na kybernetickou bezpečnost, což bylo rovněž těžké téma, a prodávali jsme největším firmám – tedy komplexní prostředí.

Poté jsem se rozhodl vrátit do Čech, ženil jsem se a hledal místo, kde bych mohl pokračovat. Náhodou jsem narazil na Deloitte, kde jeden člověk vedl současně data i cyber týmy. To mi padlo do noty, protože jsem měl zkušenosti z obou oblastí, a tak jsem nastoupil. Od té doby už je to skoro osm let mé historie v Deloitte.

Začal jsi v Deloitte také obchodem?

Ano, začínal jsem jako manažer a měl jsem za úkol rozvíjet obchod na domácím trhu. Tehdy byl tým hodně zaměřený na spolupráci s ostatními kancelářemi Deloitte v rámci větších projektů.

Jak jsi se propracoval z obchodníka či manažera obchodu do pozice ředitele AI a dat a budoucího partnera?

Byla to postupná cesta. Vždy jsem měl chuť být zapojený i do věcí po samotném obchodu, začal jsem se více angažovat v dodání projektů a zjistil jsem, že funguje kombinace obchodního pohledu a hluboké technické expertízy, kterou klienti dokážou ocenit. Tak jsem se přirozeně dostával i k dodávce a díky tomu jsem si získával důvěru lidí. Při změnách v týmu jsem pak postupně přebíral vedení a dnes mám na starost část týmů já.

Pojďme si představit, jak vypadal tým v roce 2016–2017, s jakými use casy jste pracovali a co vlastně dělaly týmy pro data a kybernetickou bezpečnost?

Historie týmu AI a data v Deloitte je zajímavá a podle mě sahá asi 15 let zpět. Začínala jako technologická podpora forenzního vyšetřování. Zní to trochu tajemně, ale ve skutečnosti to znamená, že Deloitte řeší forenzní vyšetřování v případech, kdy má firma problém, který je třeba prošetřit.

Takový úkol řeší většinou právníci a specialisté spíš s právním backgroundem, ale první fáze vyšetřování se nazývá discovery. To znamená, že je třeba získat všechna data, která mohou pomoci s vyšetřováním – typicky laptopy, e-maily, veškerá komunikace a data z firemních systémů jako například NOLIX exchange.

Historicky se to dělalo tak, že právníci fyzicky přišli, sebrali šanony a právní koncipienti po nocích ty materiály přepisovali. To už je ale dávno přežitek, a pro Deloitte to bylo přežité už tehdy. Proto byl vybudován technický tým s vlastní forenzní laboratoří v Praze, který měl odlišné přístupy. Tito lidé nosili mobilní servery, zabezpečené zařízení, a s tímto vybavením přicházeli do firem, často „vpadli do místnosti“ a prováděli sběr dat.

Ty okolnosti sběru dat byly mnohdy zajímavé, často probíhalo monitorování pod velkým časovým tlakem a během noci. Poté bylo nutné z celé množiny získaných dat vyfiltrovat to jedno procento relevantní pro konkrétní případ. To je už datová analytika.

Až pak tato vybraná data předávají právníkům a dalším expertům, kteří hledají průkazní materiál. Používá se například NLP analýza.

Zmínil jsi jeden z případů, kterého ses účastnil a který je všem dobře známý. Můžeš ho popsat?

Ano, je to velká historicky významná zkušenost. Projekt byl veřejně známý, takže můžu o něm mluvit. Když jsem do Deloitte nastoupil, tento projekt běžel a patřil mezi velké a dlouhodobé. Šlo o tzv. Dieselgate.

Když se na veřejnost dostalo, co se dělo ve Volkswagenu, tak Volkswagen najal právní firmu a Deloitte, aby provedly interní vyšetřování s cílem zjistit, kdo všechno o podvodu věděl a jakým způsobem se podílel na rozhodnutích vedoucích ke kauze Dieselgate. Trvalo to několik let a šlo o obrovské množství dat, takže to bylo velmi zajímavé cvičení.

Můžeme se podívat na postup od začátku až po současnost. Do Forensic prací patřily zejména první fáze, které byly často chaotické a pod časovým tlakem. Projekty byly často utajované a měly svá kódová jména. Základ byl sběr všech relevantních dat – tedy discovery, kde byl AI a data tým Deloitte velmi zapojený. Dále následovala spolupráce s právníky a dalšími týmy, včetně třetích stran.

Jak se z Forensic vyšetřování stal samostatný a plnohodnotný AI a data tým?

Myslím, že už vypsání pozice, na kterou jsem reagoval, znamenalo signál, že se chce záběr týmu více rozvíjet směrem ke komerčním případům využití dat. Firmy chtěly své zkušenosti s forenzní analytikou využít jako základ více tradičního data analytického týmu.

Když jsem nastupoval, tým měl asi 30 lidí a od té doby výrazně vyrostl. Začínali jsme s věcmi, které jsme znali – například pricingem, kterému jsme dlouho věnovali pozornost, a postupně tým vyrostl na současných asi 150 lidí v rámci střední Evropy. Důležité je také říct, že se tým regionalizoval a nyní není jen v Praze, ale působí v pěti zemích regionu CE.

Můžeš popsat, jak je tým strukturovaný, když je tam tolik lidí?

Ano, struktura hezky sleduje životní cyklus dat. První část tvoří AI a datová strategie, tedy co by firmy vůbec měly s daty dělat, jak by se měly uvnitř organizovat a jaké aktivity prioritizovat.

Druhá část je data engineering – výstavba datových platforem, migrace do cloudů a podobné úkoly.

Třetí část je jedna z nejzajímavějších – science. Zahrnuje všechny oblasti data science, přes NLP, generativní AI, počítačové vidění, MLOps až po datovou vizualizaci a dashboarding.

Poslední částí je inteligentní automatizace, což dnes zahrnuje například inteligentní kontaktní centra, která kombinují voice boty, chat boty, hlasové technologie a hyperautomatizaci ve firmách.

Můj úkol je starat se o AI datovou strategii a oblast data science, takže vlastně nosím dva klobouky.

Kolik lidí je pod tvým vedením?

Asi třetina z těch 150 lidí, tj. asi 50. Mě na tom baví, že historický pohled na velkou čtyřku je, že pokud řeší AI a technologie, končí se obvykle prezentací. Podle toho, co říkáš, už to dávno není pravda, ale vzali jste si pod sebe vlastně…

Jak moc ty dvě domény u tebe protkávají? Jak moc to, že víš, co je možné a jak je to náročné v data science, se projevuje v AI strategii a naopak?

To je výborná otázka. Když nad tím přemýšlím, skladá se to do silné propozice. Často jsou problémy realizace konkrétního use case z oblasti data science způsobeny tím, že v strategii firmy chybí nějaké důležité pilíře. Proto je pro mě kombinace hlubokého technického pohledu a strategického vhledu velmi efektivní, protože pomáhá firmám vyřešit nejen technologickou stránku, ale i organizační a strategické záležitosti potřebné k úspěchu.

Dokonce si myslím, že někdy je přílišná posedlost hledáním jednoho výrazného „killer“ use case a často slýchám „ukažte mi ten jeden případ, který nám přinese obrovské výnosy“. Podle mě takto nevznikají velké věci s velkým dopadem.

Příkladem na českém trhu je třeba Kate – voice asistent ČSOB. Mluvil jsem s lidmi z ČSOB – ačkoliv jsme na tom projektu nebyli přímo zapojeni, jde o dobrý insight. Přiznali, že kdyby business case počítali „racionálně“ v době rozhodování, Kate by nikdy nepostavili. Šlo o rozhodnutí pionýrského CEO skupiny, který věděl, že toto téma bude velké, a šel do toho i přes bariéry, které byly převážně strategické a organizační, nikoli technologické.

Tato kombinace strategie a techniky podle mě velmi dobře funguje.

Velké věci ale dělá jen malé procento firem, nebo si je jen malé procento firem může dovolit. Jak se vám daří s klienty na tomto trhu?

Je vždy určitý ideální profil klienta, kterého chceme oslovit, a co jedna firma či jednotlivec chce dělat. Spousta firem ještě stále tápe u základních věcí, například základního BI reportingu. Můžeš si představit, že to platí i u některých větších firem, které zkrátka nemají nastavené solidní základy, třeba nejsou ani v cloudu.

Takto je těžké pak vymýšlet a realizovat velké věci, které mění budoucnost.

Pro nás je tedy rozhodující sweet spot, kdy…

Je to komplikované a multidisciplinární, zejména když jde o širokou škálu problémů a o zásadní změnu, kterou potřebujete realizovat v organizaci. To však nemusí nutně znamenat, zda je náš zákazník velká nebo malá firma, ale znamená to, že pokud chcete řešit přímočarý případ použití, kdy máte přesnou představu, jak danou věc udělat, pravděpodobně se nebudete obracet na nás.

Naopak pokud chcete realizovat nějakou rozsáhlou změnu, která může být komplikovaná i z hlediska jedné disciplíny, tedy ji nevyřešíte jen datovými vědci nebo datovými inženýry, může to být případ právě pro nás. Právě tyto rozsáhlé a komplexní věci mě na naší práci baví, protože díky firmě máte možnost se s takovými případy setkávat poměrně často.

Když se podíváme na to, jak velká část vaší práce spočívá ve spolupráci s jinými odděleními a auditem, nebo management consultingem – působíte spíš v oblasti velkého change managementu, jehož součástí je AI strategie a datová implementace. Jak velká část klientů k vám přichází a poté na to mohou navazovat jiná oddělení? Existují nějaká pravidla?

Musím přiznat, že tolik, kolik bych si přál, s ostatními týmy ve smyslu dodávek například pro finanční poradenství či podobných oblastí nespolupracujeme; spíše jde o menší případy. Často ovšem pracujeme s ostatními AI a datovými týmy v rámci globální sítě Deloitte. Typicky se to týká západní Evropy, Velké Británie či jiných kontinentů, kde mají klienty, kteří operují v úplně jiné škále a potřebují buď specifickou expertízu, kterou my zde máme, nebo kapacitu, kterou v jejich zemi nemají.

Jaké specifické expertízy tedy v regionu střední Evropy držíte? Historicky jsme zde vyvíjeli globální nástroj zaměřený na zpracování veřejně dostupných informací, tzv. open source intelligence (OSINT). To spadalo do disciplíny zpracování přirozeného jazyka (NLP), a zároveň je to úzce spojené s forenzními metodami, kde jsme byli velmi silní.

Paradoxně, když tento nástroj odešel z Deloitte a vývoj skončil, přišel hype kolem generativní umělé inteligence (Gen AI). Měli jsme velký tým, který několik let pracoval na zpracování přirozeného jazyka a byl tedy velmi dobře připraven na toto nové téma, které je v podstatě dalším vývojem právě zpracování přirozeného jazyka.

Než se dostaneme k současnému AI revolučnímu období, pojďme si představit typ klientů, pro které běžně pracujete. Řekl jste, že jde o komplexní případy – pokud bychom nahlédli do vašeho projektového systému, co tam najdeme? Jaké typy zakázek či případů jsou to?

V poslední době pracujeme dost s e-shopy, které typicky působí na více trzích, nejedná se o lokální hráče. Témata se týkají například personalizace, dynamické tvorby cen, ale nejen analytické části, ale i související strategie. Například jsme spolupracovali s klientem, který byl dobře etablovaný na domácím trhu střední Evropy a chtěl expandovat na nové trhy.

Řešili jsme například, jak stanovit ceny na nových trzích, což je sice datové cvičení, ale zároveň je to více o provozním modelu. Tento klient měl portfolio desítek tisíc produktů a široké spektrum konkurentů z různých kategorií, které se často překrývají s jinými segmenty. Jedním z úkolů bylo definovat, kdo je relevantním konkurentem, na jehož cenu se mají dívat a brát ji v potaz. To pak vstupovalo do modelu, který ceny počítal.

Dále produkty byly na každém trhu velmi unikátní – často tam nebyla alternativa daného produktu nebo se nenabízely stejné produkty, proto bylo třeba chytře identifikovat alternativní produkty, s nimiž se má firma porovnávat a vůči nimž se má pozicovat. Tento příklad projektu lze tedy označit za datově založený, ale přesahuje čistě data science a přesahuje až do oblasti byznysového strategického poradenství.

E-commerce je spíše doménou s velmi silnou datovou základnou právě proto, že jde o digital first odvětví a s daty se zde pracovalo již od začátku. Máte ještě něco dalšího? Spíše mi přijdou na mysl velké koncerny a fyzická výroba.

Ano, hodně pracujeme i v oblasti automotive, což je oblast, odkud pocházíme. Spolupracujeme i s dodavateli v rámci automotive. Nyní například začínáme projekt zaměřený na strojové vidění a detekci anomálií na výrobní lince, cílem je snížit počet vadných výrobků – to je příklad poměrně specializovaného úkolu.

Z pohledu komplexity jsme realizovali i projekt či iniciativu v pojišťovnictví, který má i osobní příběh, protože zde v Praze mám jmenovce. Jsou zde dvě rodiny Šopovů, které mají podobný příběh; oba otcové přišli z Bulharska a usadili se zde, přibližně ve stejné generaci.

Když jsem se začal oborem zabývat, lidé se mě ptali na ty „druhé Šopovy“, kteří byli mojí generací, znali jsme se, ale nikdy jsme se nesetkali. Před několika lety za mnou přišel tehdejší partner Deloitte z oblasti pojišťovnictví a řekl: „Hele, je tu nějaký Boril Šopov, má startup a dělá zajímavé věci s umělou inteligencí, tak se s ním potkej.“

Sešli jsme se a ukázalo se, že Boril má geniální případ zaměřený na detekci pojistných podvodů na základě analýzy fotografií. Zvládl srovnat dvě fotografie, pořízené v různý čas, různým přístrojem a z různých úhlů, a rozpoznat, že zobrazují stejnou škodu na majetku, což je technologicky velmi silné.

Aby to mohlo v praxi fungovat, je potřeba porovnávat fotografie z různých pojišťoven. Diskutovali jsme o tom, líbilo se mi to, ale naráželi jsme na problémy s prodejem, protože jde o velmi obtížný případ použití. A právě zde se ukázala síla Deloitte, protože jsme do toho šli a já jsem případ vedl.

Za necelé dva roky jsme s Borilem navštívili asi 65 pojišťoven po celé Evropě, což bylo možné právě díky síti Deloitte. Odstartovali jsme několik celonárodních pilotních projektů, kde se porovnávaly fotografie ze všech pojišťoven. Typicky to vyžadovalo zapojení nějaké pojišťovací asociace nebo centrálního subjektu, který tyto aktivity koordinoval.

To je ideální příklad komplexního případu, kde může Deloitte opravdu pomoci. Mimochodem, nikdy jsme celý projekt nezvrátili, rezistence byla příliš velká, ale Boril svůj byznys velmi dobře pivotoval a dnes dělá něco trochu jiného. No, asi budeme mít příležitost představit dalšího Šopova v našem datovém studiu, ne?

Určitě.

Tím, že jste otevírali dveře některým inovacím, když se podíváme na váš technologický stack, máte nějaké partnery v cloudu a podobně, ale jste úplně agnostičtí, takže bez ohledu na technologii váš tým AI a dat zahájí práci – nebo máte nějaký preferovaný stack, s kterým přicházíte?

Nemáme preferovaný stack. Dokonce mají týmy uvnitř většinou specializace v různých technologiích, abychom byli schopni pokrýt hlavní oblasti, kterými se zde zabýváme. Klienti často oceňují, že jsme technologicky agnostičtí a dokážeme jim pomoci bez ohledu na to, jaký stack používají.

Mohu uvést příklad? Když klienti diskutují o datových platformách nebo datovém mesh, často se setkávají s různými vendory nabízejícími své koncepty, které jsou dobré v určitých situacích, ale ne univerzální. To, co klienti oceňují na nás, je to, že přicházíme s konceptem, který mu pomůže nejdříve definovat, zda vůbec má jít směrem datového meshe, což znamená výraznou organizační a kulturní změnu, nebo zda má zvolit jiný přístup a až potom vybírat konkrétní technologii, která mu nejlépe sedne.

Jak moc musíte držet specialisty na zcela staré, legacy systémy, abyste byli schopni obsluhovat třeba mainframy v bankách a pojišťovnách? Nebo jsou už velké firmy do značné míry cloudové?

Naštěstí se s tímto nesetkáváme, netrpíme tím, že by nás projekty technologicky držely zpátky. A je to dobře, protože je to i důležitá zpětná vazba v náboru lidí – pokud by šli na projekt, kde by technologie byla zastaralá, byli by nešťastní. Takové projekty neděláme, naopak se zaměřujeme na nové technologie, které přicházejí.

Když už mluvíme o projektech, mě zajímá, jaké s sebou nesou rozpočty – kolik peněz jako firma potřebuji mít na projekt s vámi?

To hezky ukazuje typ klientů, které obsluhujeme, a co pro nás znamená komplexní change management. Naši klienti rozhodně nejsou typickými marnivými korporacemi, které bezhlavě utrácejí miliony za konzultanty – minimálně v našem oboru to tak není.

Stejně jako v jiných konzultačních firmách musíme rozpočet vždy hájit a většinou začínáme něčím menším – typicky nějakým prvním cvičením, ať už Proof of Concept (POC) nebo tzv. Discovery. To začíná třeba na 50 tisících eurech a postupně přecházíme k větším projektům.

Moje filozofie je, že je třeba průběžně sledovat návratnost, nemám rád dvouleté projekty, které jsou černou dírou – raději postupuji iterativně a vidím postupný přínos.

K tomu mám otázku: Je možné dělat POC bez zaměření na nějaký business case?

Ano, o tom jsme se právě bavili. Abyste dělali opravdu velké věci, nestojíte pouze na business case, ale pořád přemýšlíte, jak POC udělat tak, aby zákazník pochopil jeho hodnotu. Proto obvykle potřebujete začít na nějakém business case, nebo alespoň na něčem, kde bude jasně vidět, že řešení má smysl.

To nás vede k otázce strategie. Mám příklad: Firma ve střední Evropě má share services, kde je i oddělení automatizace. Historicky se tu používal hlavně robotics process automation (RPA), což není žádná sofistikovaná AI. Dnes se řeší strategie této jednotky v rámci organizace.

Tím prvním úkolem je vzít vedení firmy – nejen share services – a říci: „Máte jednotku, která dělá toto, ale nově přicházejí témata jako AI, GenAI, analytika. Co chcete s tímto dělat? Má to být v kompetenci tohoto týmu nebo jiného?“

To pak podložíte daty o možných dopadech na různé případy použití a pomůžete definovat směr a priority, kterým by se měl tým věnovat.

A jaká je budoucnost RPA? To mě zajímá – je to něco, co stále umožňuje „polepit“ starší systémy novými technologiemi, ale věřím, že se to hodně proměnilo. Co byste poradili našim posluchačům s ohledem na RPA?

Není to úplně má doména, ale myslím, že low code a no code nástroje budou i nadále růst. RPA podle mě kompenzuje pomalost IT v organizaci a pořád bude existovat. Je to jeden z nástrojů, který vytváří tlak na IT, aby inovovalo a posouvalo věci dopředu.

Forma RPA se možná vyvíjí, bude více propojována s GenAI a chytřejšími technologiemi, ale vždy budete dělat workaroundy nad tím, co vám IT dokáže nabídnout.

Dobrá, pojďme k „slonu v místnosti“ – co se stalo ve vašem AI a datovém týmu před dvěma a půl lety, když přišlo GPT a začala vlna AI hype? Jak to změnilo vaše postavení v rámci organizace, nabídku, klienty a případy použití?

Myslím, že došlo ke dvěma zásadním změnám. První byla uvnitř firmy – velmi brzy po příchodu GenAI jsme dostali mandat podílet se na interní adopci těchto technologií v Deloitte. Takže jsme byli zároveň klientem a konzultantem, což byl velmi přínosný případ, protože jsme sami prošli procesy, vnitřními komplikacemi a složitostmi.

To znamená, že jste uvnitř firmy jasně demonstrovali hodnotu, a ostatní tak lépe pochopili, čím se zabýváte a jaký efekt to má, což vedlo i k cross-sellu?

Ano, přesně tak.

Na druhou stranu, první krok, když chce firma adoptovat takové technologie, je používat hotové nástroje off-the-shelf. Nezačínáte hned s interně vyvinutými sofistikovanými řešeními, ale létáte si cestu skrz IT, regulaci a compliance, abyste mohli používat běžně dostupné nástroje, například v Microsoft Suites.

Můžete uvést konkrétní příklady, kde jste to využili, až jste prošli touto interní cestou?

Jakmile se otevřely například kopiloti ve všech možných Microsoft aplikacích, začaly se hledat případy použití v našich tradičních oblastech. Třeba ve finančním poradenství, kde se řeší fúze a akvizice, má generativní AI obrovský dopad, protože je to o analýze velkého množství dokumentů a finančních závěrek – technologie tento proces výrazně zrychluje.

Takže to bylo to interní nasazení. A druhým významným aspektem je, že GenAI také vytvořilo tlak na organizace, aby se tím tématem začaly skutečně zabývat a začaly přemýšlet nad vlastní strategií – co budou dělat a jaká strategie bude.

Protože mi přijde…

Že do té doby byla analytika AI hodně tématem nadšenců v organizacích a odborníků, ale vlastně neměli příliš silný hlas ve firmě. Pak, když to nebyla nějaká vyloženě inovátorská společnost, která si cíleně někoho najala, aby toto téma prosazoval, se to v podstatě ze dne na den obrátilo. Najednou si začali klepat na dveře lidé, začali klepat na dveře boardroomu a borďáci začali klepat na dveře svých lidí s výzvou: „Pojďme to začít používat. Je to všude, večer si s tím hrají, proč to nemáme ještě tady?“

To byl ohromný impuls, aby se firmy začaly zamýšlet nad strategií. My dokonce děláme každý rok průzkum v rámci MEI, který se týká toho, jak si firmy stojí z pohledu jejich maturity co se týče analytiky, AI a technologií. No a z toho, co přinesla generativní AI, nám vyplynulo, že skoro polovina firem, myslím, že to bylo 45 % v našem regionu, řeší právě teď znovu předělání nebo vytvoření úplně nové AI strategie.

Zase si myslíš, že něco děláš dobře, pak přijde něco nového a zjistíš, že máš spoustu mezer v tom využití. Ale spíš to podle mě byl fakt dobrý impuls, který všechny rozpohyboval a trochu vystrašil, protože najednou bylo evidentní, že to poskočilo hrozně moc dopředu. V datech bylo vidět, že rok po zavedení GPT byl první, kdy v tomto dotazníku vzrostl počet firem, které se identifikují jako „underachievers“. Ten počet se totiž vždycky snižoval, protože firmy vyspívaly a rostly, ale najednou ten technologický trh vystřelil a myslím, že bylo skoro o 29 % víc těch, kteří najednou řekli: „Aha, my jsme fakt jako špatní, jsme na začátku.“ Takže to bylo jakési zrcadlo a přesun laťky.

Ano, ano, přesně tak.

Vidíš tam třeba, nebo dokážeš říct, jak se liší ty odpovědi třeba podle zemí nebo podle konkrétních odvětví?

Určitě obojí je validní, určitě jsou rozdíly i podle zemí. Myslím si, že to, co nejvíc ty rozdíly vytváří, není ani tolik kultura a talent pool, ale čistě velikost trhu. Jsou země, které mají větší populaci a jsou bohatší, takže zákonitě mají snazší adopci těchto technologií. I když srovnám například nás a Polsko, tak v Polsku bude business case vycházet přibližně pětkrát lépe. To je nějaký omezující faktor, který my tady máme.

Co se týče druhého faktoru, tedy zemí a odvětví — v odvětvích je to podle mě docela vidět na pionýrech vepředu, kde bych řekl, že budou především banky a e-commerce. Banky proto, že si to mohou dovolit a fakt vedou prim v tom, jak pilují uživatelský zážitek a zpracovávají zákaznická data. E-commerce je přirozený digitální domov a musí být v čele. Pak následují další odvětví, která ještě nejsou tak dobrá.

Když se podíváme na použité případy, bavili jsme se o tom, že jste to spustili interně a vyzkoušeli si, kde se to dá použít a co všechno se napříč organizací musí změnit, aby se to dalo implementovat procesně a organizačně. Pak jsi říkal, že to vyvolalo ten trend, tu poptávku, tu prioritu.

Co se týká těch business caseů, use caseů a aplikace, jak se změnily věci, co děláte díky té nové dimenzi, kterou teď všichni máme k dispozici? Byl tam nějaký velký skok, nebo je to najednou jen levnější, ve větší škále, nebo je to business as usual, ale s novými nástroji?

Já bych řekl, že fundamentálně se ty use casey nezměnily, ale vlastně do každého z nich už teď, nebo v budoucnu, ta technologie promluví. Například personalizace e-shopu, kterou jsme zmiňovali, dnes stále do velké míry funguje tak, že počítáš, jaký produkt doporučíš Jirkovi na webu, nebo v jakém pořadí se produkty řadí. Ale velmi brzy podle mě uvidíme, jak se tohle kompletně změní a budou v tom naše ambice a cíle daleko víc promlouvat.

Nemyslím si, že došlo k nějaké fundamentální změně, spíš naopak se to stalo, a muselo stát součástí všeho, co děláme, jinak bychom nedokázali fungovat efektivně.

A v té části AI strategie, když děláte velké futurologické cíle, jestli se podíváš na AI strategie a dokumenty, které jste tvořili před třemi lety a na ty, které tvoříte teď, je tam nějaké zrychlení? Spousta hostů, které tady máme, je částečně překvapena rychlostí pokroku, přestože posledních deset let mluvíme o tom, že lidský mozek vnímá rychlost růstu technologií lineárně, zatímco technologie rostou exponenciálně. Myslíš, že teď to zažíváme? Že ta exponenciála se ukázala a i early adoptery to zaskočilo?

Myslím, že se to trochu změnilo, minimálně klienti, pro které pracujeme, mají big bet přístup, jsou více odhodlaní do toho jít a ve větším, protože cítí, že je to fundamentální změna, která se odehrála. Už to není otázka, proč je to téma důležité, ale spíš lídři předstoupí před své týmy a říkají: „Tohle je teď oblast, do které musíme investovat, a každý nový člověk, kterého přijmeme, každá rozumná investice se nám musí vrátit.“ Jsou motivovanější tomu věnovat pozornost. To je změna, kterou vidím ve strategických projektech.

Obecně, jak se díváš na to, jestli jde o hype nebo trendovou záležitost? Zažili jsme už několik vln, co se vždycky stává? Mám rád Gartner Hype Cycle, protože na začátku je to spoustu konzultantského „nic“, a pak to dospěje. Já jsem byl třeba na cloudových konferencích v roce 2013, abychom měli „eru Big Data“. Nyní už implementujeme to, co se tehdy říkalo. Jak se ty v tomhle naviguješ, když radíš firmě, co je relativně zralá, co zní dobře a všichni to chtějí, ale ještě nějakou dobu potrvá, než to přinese ovoce?

Já bych řekl, že ten hype není dostatečně velký. Přitom minulý týden byly oslavy verze 4.0 a mimo své odborné kruhy necítím takovou fascinaci a údiv, přitom tam jednoznačně musí být velké přísliby. Pro mě je důležité, že dlouho největší překážka v technologiích byl kanál, jak komunikujeme se stroji. Máš supervýkonný počítač a my jako inteligentní bytosti komunikujeme tak, že klikáme myší a píšeme na klávesnici, v lepším případě nějakým jednoduchým hlasovým příkazem. To je strašná překážka. To je mimochodem důvod, proč je Elon Musk posedlý Neurallinkem, protože věří, že rozšířením tohoto kanálu dosáhneme obrovského nárůstu produktivity. A daří se mu to.

Generativní AI podle mě také způsobí obrovský krok vpřed, protože jak budeme s těmi stroji komunikovat, například u GPT 4.0, bude to ohromné rozšíření kanálu. Možná ti ukážu něco kamerou, napíšu příkaz a ty to okamžitě zpracuješ a vrátíš mi zpětnou vazbu. To je brutální zvýšení produktivity, a proto si myslím, že hype ještě neodpovídá tomu, co tato technologie může přinést.

Roli sehrál také model rozhraní. Já jsem před GPT 4 znovu objevil a oblíbil si WordPress. Nejhorší systém všech dob, ale vzhledem k jeho popularitě a dokumentaci jsem díky chatu získal skvělou zákaznickou podporu a FAQ. Přestože je systém plný nedostatků, prostě se stačí zeptat a najdu, co potřebuji. Dříve to bylo uživatelsky velmi nepřívětivé, ale díky ChatGPT je uživatelská vrstva mnohem přívětivější.

Nastavení softwarů a systémů je někdy otázkou zkušeností a znalostí, kde jednotlivé funkce najít, což byla pro mnohé bariéra. Sleduji, že nyní se vše rozjíždí, a proto bude větší tlak na firmy, aby si vytvořily základní prostředí umožňující využití technologií. Myslím, že i dnes existuje mnoho firem, které interně nesmějí používat některé nástroje.

Vidíš rozdíl mezi těmi, kteří si dokážou vybudovat infrastrukturu, nejen technologickou, ale i právní a procesní, aby mohli začít technologie používat?

Mám příklad – uspořádali jsme na podzim minulého roku v Holešovicích akci Gen AI Sunday, kde jsme předváděli live use case opravdu v reálném čase, což je trochu hazard. Povedlo se to dobře, a po akci ke mně přišli dva lidé. Jeden řekl: „To bylo fakt dobré, sním se o tom, že jednoho dne takový use case nasadíme v naší organizaci.“ Druhý byl CIO ze zahraniční firmy a řekl: „Hezké, hezké, během prezentace jsem napsal kolegům a za patnáct minut mi poslali, že mají připravené demo pro ten use case.“

Rozdíl mezi nimi je, že první firma nemá to základní prostředí, a i kdybych to chtěl udělat sám, nemůže. Druhá firma investovala silně do vytvoření prostředí a rámce, který jim umožňuje ty věci realizovat. Díky tomu za patnáct minut postavili demo na věc, kterou viděli poprvé. Nebo to může být také o tom, jaký je člověk – někteří rádi sní a jiní přijdou a prostě to udělají.

Možná jsem tímto narušil svůj narativ, ale toto jsou fakty.

K tomu ještě jedna věc, protože mluvíme o tom, jak začít použít technologie ve firmě. Zmínil jsi příklad Jirky s WordPressem, která je druhou stránkou věci: pokud chci, aby moje technologie nebo produkty generativní AI mohly doporučovat, pracovat s informacemi a odpovídat, potřebuji mít dokumentaci, kvalitní data a zpracování těchto dat, na čemž model bude pracovat.

Je to třeba i součást vašich strategií, tyto otázky nastavit – jak budeme pracovat s daty, jak bude probíhat zaznamenávání, popisování, abychom to mohli zužitkovat v budoucnu?

Jistě, typicky během strategického plánování identifikujeme největší bariéry, které firmy brzdí a které musejí řešit. Ty jsou různého charakteru – u někoho jde o organizační strukturu, u jiného o kapacity a dovednosti, ale jedna z nejčastějších překážek jsou data a jejich infrastruktura. Čím dál tím víc je toto klíčové, protože bez kvalitních dat nic nepostavíš.

Myslím, že proto se nyní hodně řeší data mesh a změna myšlení o vlastnictví dat v organizaci, protože ukazuje se, že centrální tým, který spravuje všechna data, nefunguje. Je tedy rozhodně toto téma na pořadu dne.

Myslíš si, že právě díky potřebě dat bude e-commerce tím hlavním odvětvím, které se nejdříve promění, protože tam musí být vyplněné produkty, popisky, varianty, velikosti, barvy, skladování všech těchto dat? Je to tedy ideální oblast, aby se s tím začalo?

Ano, myslím, že e-commerce a možná poté bankovnictví budou pionýry využívání asistentů a nástrojů, které ti umožní obsluhovat banku přirozeným hlasem, a e-commerce bude dalším.

Řada dat je správná, ale i když dnes něco hledám, tak filtrování na velkých e-shopech je často nepříjemné, otravné a nefunguje dobře. Když ale použiješ přirozený jazyk, jakoby přirozený dotaz, abys došel k produktu, který chceš najít, zážitek je úplně jiný. Mám osobní zkušenost – jeden z klientů, pro kterého pracujeme, má e-shop zaměřený na kosmetiku a beauty produkty. Kategorie manažeři tam hodně řeší skincare, a když jsme se bavili o SPF, ochranném faktoru, nikdy jsem ho nepoužíval, ale pak jsem se nechal přesvědčit a vzdělat.

Teď, když si otevřu e-shop, vidím produkty s popisy, které mi nic moc neříkají. Jsem analytický typ a chci pochopit rozdíly, například složení – které znám jen u dvou položek, voda. Složení obvykle obsahuje 30 až 50 položek.

Poslal jsem tři produkty do ChatGPT s dotazem, ať mi vysvětlí, co je co ve složení a jaké jsou use casey. Odpověděl mi, že jeden produkt je více zaměřený na hydrataci, druhý poskytuje větší ochranu proti slunci a třetí je kombinace obojího, s poznámkou o dvou látkách, které jsou v Evropě povolené, ale v jiných zemích zakázané – takové minired flag.

Tyto nuance v původních popisech nejsou zachyceny. Je jasné, že e-shop nenapíše „toto dvě látky jsou zakázané“, ale rozlišení, zda je produkt více na hydrataci nebo SPF, také významně ovlivní rozhodnutí zákazníka.

Jinými slovy, jakmile do e-commerce dorazí princip vlastního asistenta na daném shopu, se kterým si budu moct povídat o tom, co potřebuji a chci, zážitek se výrazně zlepší a myslím si, že i utrácení se zvýší. To si myslím, že nastane velmi brzy.

Podíváme-li se na roadmapy velkých dodavatelů, jako je Google, kteří mají řešení pro personalizaci, v jejich plánovaných aktualizacích na příští rok je převažující generativní AI. To jsou věci, které ti umožňují přirozeným jazykem… (text končí).

Lastně filtrovat a vyhledávat a tak. Takže tohle si myslím, že zažije teď v následujícím období. Na to se těšíme. Pokud si to dokážeš představit – když jdeš nakupovat s kamarádkou, prostě pak většinou říkáš: „Myslíš si, že by mi slušely tyto brýle?“

Nedávno bylo mnoho videí o tom, jak nějaký týpek vybíral outfit na pohovor nebo něco podobného, a holka mu hezky řekla: „Vypadáš, jako kdybys celou noc programoval, ale nevím, jestli je to look, kterého jsi chtěl dosáhnout.“ Takže si myslím, že je to naprosto super – že nebyla milosrdná, jasně? Ano, a to je na tom skvělé.

Já to vidím jako logický příští krok. Také jsme měli tady Altuvistu a katalogy a mě ze všeho nejvíc e-shopy v tuto chvíli připomínají právě katalogy. To je to ono. Na druhou stranu už hodně personalizují jinde a snaží se vytvářet profil. To je asi příklad těch digital natives, o kterých jsi mluvil, tedy oblast, kde je to z velké části online.

Co ty další odvětví? V e-commerce si to dovedu představit, ale co automotive? Jak Gen.AI změní automotive? Gen.AI přímo asi teď výraznou změnu neudělá, ale automotive prochází velkou transformací distribučního modelu, která je vlastně tažena inovací především od Tesly, protože automobilky…

Automobilky fungují tak, že auta prodávají prostřednictvím distributorů dealerům, což znamená, že reálným vlastníkem zákazníka – a potažmo těch zákaznických dat – není automobilka. To je obrovský blok, kterému dnes automobilky čelí, protože by chtěly dělat všechny tyto věci, ale vlastně nemohou.

Samozřejmě si počítají nějaký next best nebo se snaží optimalizovat to, jak konfigurují auta na sklad, ale reálně ty koncová zákaznická data nemají. Mají pouze data o tom, jak řeší svůj obchodní vztah s distributorem. Největší transformace tedy spočívá v tom, aby se automobilky dostaly přímo ke klientovi a měly stejný distribuční model jako Tesla. Díky tomu si sáhnou na ta data a budou schopné pak fungovat se zákazníkem.

Takže tam jde spíš o vytvoření podmínek pro to, aby dopad směrem ke klientovi vůbec mohl vzniknout. To, co podle mě potvrzují i věci z e-commerce, a o čem jsi mluvil, tedy změna paradigmatu pro výrobce aut, je snaha mít zákaznická data a cílit přímo na ně.

Kam to vlastně povede? Jaká je ta linie? Nechci tady použít další buzzword, ale za mě se mi líbí koncept hyperpersonalizace. Když si vezmeš veškerá data, která máš k dispozici o klientovi, můžeš použít velký jazykový model k tomu, aby ti připravil popis segmentu o jednom klientovi.

V dalším kroku vezmeš třeba doporučení, která máš vypočtená pro konkrétního klienta z nějakého recommender systému. Tyto dvě věci jsou vstupem pro další model, který na základě preferencí vytvoří buď zprávu na e-mail, push notifikaci, nebo SMS zprávu.

To je podle mě hezký příklad využití těchto technologií v něčem, co dnes funguje v ohromné míře, což je marketingová automatizace v organizacích, která je však často rule-based a scénářová. Takže máš scénáře marketingových kampaní, které jedeš, a toto ti umožní dělat to na one-to-one bázi a ideálně s větším dopadem.

To by bylo skvělé, ale pořád je otázkou, co je možné udělat technologicky a kam technologie půjde. Máš nějaký odhad, jaká může být adopce mezi koncovými uživateli, aby něco takového začali používat? Protože stále ve veřejnosti – nebo u běžného obyvatele – existuje určitá skepse, že někdo ví, co děláš, někdo tě sleduje, dávají ti až příliš personalizovaný obsah. Může to vyvolávat i strach z těchto technologií.

Takže otázka: máš odhad adopce, jak rychlá bude adopce něčeho takového koncovými uživateli?

Adopce podle mě půjde standardní křivkou, takže vždy v populaci nějaká část inklinuje k novým technologiím. Obavy z dat ve skutečnosti v Evropě firmy berou vážně a mají velkou zodpovědnost vůči ochraně osobních dat. Nemyslím si, že obecná populace má velký strach ze zneužití.

Jiná situace je v případě služeb, které nejsou evropské, ale myslím, že panuje velká důvěra populace směrem k evropským firmám, se kterými každý den interagují. To dle mého nebude blokovat adopci, ale určitě to bude probíhat v souladu s běžnou adopční křivkou.

Když se podíváš na dotazníková šetření, kde se lidi ptají, jestli by AI používali, a potom se podíváš do telefonu těch, co říkají, že AI používat nechtějí, najdeš Waze, Spotify, Gmail a TikTok. A určitě TikTok. Facebook a další služby – teď je trochu zmatení, co se považuje za AI.

Vidím tam obdobu s tím, kolik lidí používalo Siri, hlasové asistenty nebo hlasové vyhledávání. Protože to není úplně dokonalé. Jasně, není to vždy tak hodnotné, aby to bylo pro uživatele životně měnící, ale je to dobrý příklad toho, jak interakce s hlasem funguje a jak uživatelé k tomu přistupují.

Je to také generační zákonitost. Některé generace některé věci nepřijmou. Když se podíváš, jak jiná generace pracuje s technologií, je to úplně jiné.

Asi nikdy nedocílíš toho, že nástroj bude používaný napříč celou populací.

Zastavme ten vývoj? Zastavme ho! Tento aspekt vnímám a snažím se mu bránit.

Jak to máte ve Deloittech, když se díváte takhle dopředu? Přinášíte nové koncepty, děje se toho mnoho, takže jak rozeznáváte signál od šumu a jak se v tom orientujete?

Musím říct, že hodně pomáhá být součástí velké organizace. Máme samozřejmě monitorování trhu, které teď v rámci GenAI funguje hodně aktivně, každý týden bývá přehled nových vylepšení.

Ale nejen vylepšení nových technologií, ale i partnerství mezi velkými firmami, korporacemi, technologickými dodavateli a podobně. Máme tedy robustní monitoring.

Zahraničně – například v Holandsku a v Americe – fungují týmy, které se čistě zabývají analýzou budoucnosti daného odvětví. Jsou to lidé, kteří se věnují consumer businessu, výzkumníci, kteří s klienty diskutují o tom, co je čeká za rohem a jak se na to připravit.

Možná otázka na závěr: na co se máme připravit? Co predikuješ ze svého pohledu v Česku pro lidi zabývající se oborem datové analytiky, data science? Kdybychom to prodloužili o dva, tři roky, co bys vsadil, že přijde?

Myslím si, že v Čechách máme skvělou komunitu v této oblasti, která je i regionálně vidět. Máme velmi výhodnou a dobrou pozici být součástí změny, která se děje.

Myslím, že ty firmy a větší organizace, které se rozhodnou do toho jít – možná zpočátku i bez jasného plánu – pak postupně udělají malé kroky před těmi konzervativnějšími, kteří se tomu brání.

Takže doporučení na závěr: začněte řešit AI. All in. All in. Budoucnost je teď. To je tutovka. Hlavně odvahu.

Děkujeme moc, Teruele, držíme palce, ať se vám daří měnit firmy k větší odvaze a směrovat je více do budoucnosti. Věřím, že se zde ještě uvidíme.

Děkuji, děkuji za pozvání.

Díky moc.

A to je všechno. Děkujeme, že jste poslouchali až do konce. Děkujeme také našim partnerům: Big Hubu, Intexu, Sastce, Bystreetu, Colors of Data, Revolt BI, Good Data, Kebule, E-marku, Karel Data Company a Datamindům.

Pokud vás zajímá více, navštivte naše stránky datatalks.cz a přihlaste se k odběru našeho newsletteru.