Reálný projekt pod NDA. Konkrétní jméno firmy a screenshoty doplníme po souhlasu klienta. Čísla jsou indikativní z reálného nasazení — u jiných firem se výsledky liší podle rozsahu, kvality dat a procesů.
Výchozí situace
Provozní ředitel inženýringové firmy, 40 lidí, 5 týmů, ~25 souběžných projektů. Denně padala desítka otázek typu:
- „V jaké fázi je projekt X?"
- „Kdo má aktuálně na starost klienta Y?"
- „Kolik nám zbývá hodin na milníku Z?"
- „Kdy nám přišla poslední fakturace od dodavatele W?"
Odpovědi se hledaly v ERP, CRM, SharePointu, e-mailech, Teamsech a Excelech. Často 15–30 minut na jednu otázku. Některé odpovědi nikdy nepřišly — protože dotyčný neměl čas hledat.
Hlavní bolesti:
- Vedení trávilo 2 hodiny denně „překlikáváním" mezi systémy.
- Stejnou otázku padla z různých stran týdně 5× — pokaždé se odpovídalo znovu.
- Junior se bál zeptat → rozhodoval bez kontextu.
- Klienti čekali na odpověď i den.
Cíl
Postavit interní AI asistenta, který:
- Odpovídá v přirozené řeči na otázky o aktuálním stavu firmy.
- Cituje zdroj (z jakého ERP záznamu / e-mailu / dokumentu odpověď pochází) — vždy, když odpověď generuje.
- Pokud informaci ve zdrojích nenajde, řekne to — místo aby si vymyslel. Každá odpověď je auditovatelná (RAG architektura s povinnou citací).
- Funguje pro každého ve firmě, ne jen pro vedení.
Postup
5týdenní projekt. RAG architektura (Retrieval-Augmented Generation) — AI nehádá z trénovacích dat, ale vyhledává v reálných firemních zdrojích a cituje je.
Týden 1 — Audit zdrojů + bezpečnost
- Mapování datových zdrojů: ERP (Money S5), CRM (Pipedrive), SharePoint, Microsoft 365 (Teams, OneDrive, Exchange).
- Schválení s IT / vedením, co AI smí vidět. Permissions řešíme tak, aby se respektovala práva uživatele (junior nedostane data, ke kterým nemá přístup) — implementačně přes filtrování v retrieval kroku.
- Vybráno Azure OpenAI + Azure AI Search v EU regionu. Při výchozí konfiguraci data nejsou používaná pro trénink modelů a zůstávají v rámci klientova Azure tenantu (viz Microsoft Azure OpenAI data handling).
Týden 2–3 — Indexace + RAG pipeline
- Azure AI Search index nad SharePointem, dokumenty z OneDrive, ERP exporty (denní snapshot do Azure SQL).
- Vector embeddings pro semantic search (text-embedding-3-large).
- Inkrementální update — nové dokumenty se indexují do 5 minut.
Týden 4 — Chat UI + prompt engineering
- Webový chat (React + Next.js), integrace do Microsoft Teams (tab).
- Prompt template s explicitním pravidlem citovat. Pokud AI nenajde zdroj, nesmí odpovědět — vrátí „Tuto informaci ve zdrojích nemám."
- Konverzační kontext (poslední 3 zprávy) pro follow-up otázky.
Klíčový moment: Když uživatel zadá otázku, AI nezačne psát odpověď. Nejdřív vrátí 3–5 nalezených zdrojů s relevancí. Až pak generuje shrnutí. Uživatel vidí „co AI četla", než dostane odpověď. To staví důvěru.
Týden 5 — Adopce + učení
- Stand-up s vedením každý den. Korekce promptů na základě reálných selhání.
- Přidaný slovník firemních termínů (zkratky projektů, jména klientů). Výrazné zlepšení relevance odpovědí.
- Postupný roll-out: nejdřív vedení, pak senior, nakonec celá firma.
— Placeholder pro screenshot AI chat rozhraní s ukázkou citací zdroje. Doplníme po souhlasu klienta.
Výsledek
- ~ 16 hodin / týden ušetřeno napříč vedením a klíčovými rolemi (před tím desítky překlikávání mezi systémy denně).
- Adopce přes 90 % zaměstnanců za první měsíc (sami od sebe, bez nucení).
- Klient na pravidelné poradě sám poprosil o stejné řešení pro svůj tým. Z projektu vzniklo druhé byznys odvětví u zákazníka.
- AI asistent se stal běžnou součástí každodenní práce — ne občasným chatbotem.
Co bylo klíčové
„Po realizaci společného projektu už pro nás AI není pouze chatbot, ale reálně nám pomáhá při každodenní práci."
— Provozní ředitel
Architektura a integrace na reálná firemní data byly podstatnou částí projektu. Zbytek je integrační vodovod — důležitý, ale ne diferenciační. Kdo říká „AI samo si poradí", neviděl produkční nasazení v reálné firmě.