“AI nemá lidi nahrazovat. Má jim pomoct dělat lepší práci” říká Kevin Harmer, Chief Cloud Officer v Adastra North America

8 ledna, 2026

Kevin Harmer, Chief Cloud Officer v Adastra North America, vysvětluje, co znamená Agentic AI a jak firmám umožňuje přesunout kapacity z rutinní práce na činnosti s vyšší hodnotou. Popisuje tři fáze vývoje: od decision insights, přes decision augmentation až po automatizaci rozhodování v měřítku celé organizace – s řízenou autonomií, human-in-the-loop kontrolami a jasně definovanými prahy důvěry.

Ukazuje, jak se posunout od nástrojů osobní produktivity typu Copilot k enterprise agent frameworku a katalogu znovupoužitelných agentů (např. KYC agent). Zároveň představuje tříkrokový přístup: strategie a process mining, lighthouse proof a následně řízenou platformu pro škálování.

Na konkrétních příkladech demonstruje přínosy v praxi: automatizace fakturace s úsporou 200 000 hodin ročně, „agentic workforce“ v revenue cycle managementu snižující náklady a zrychlující inkaso, nebo logistické řešení „Happier Trucks“, které díky route-aware doporučením omezuje prázdný prostor a zvyšuje tržby.

• Co je potřeba k přechodu od insightů a doporučení k důvěryhodné automatizaci v enterprise měřítku?
• Kdy jsou data dostatečně dobrá a jak mohou agenti postupně odhalovat mezery a zvyšovat přesnost?
• Jaké governance, operating modely a change postupy budují důvěru, aniž by zpomalovaly exekuci?

Sledujte celý rozhovor v angličtině:

Poslechněte si podcast v angličtině:

Přečtěte si podcast jako rozhovor

(Rozhovor byl zkrácen a upraven pomocí ChatGPT)

Mark Kohout: Agentic AI je další technologická hranice v AI revoluci a může přinášet výhody, které si zatím jen představujeme. Co to znamená v praxi a jak s agentic AI začít? Vítejte u podcastu Adastra o Agentic AI. Budeme rozebírat, co Agentic AI je, jak vypadá skutečná transformace a jak udělat první kroky. Jmenuji se Mark Kohout a v Adastra North America vedu oblast governance. Je mi potěšením přivítat mého přítele a hosta, Kevina Harmera, Chief Cloud Officera společnosti Adastra. Kevin má za sebou 30 let v oboru, z toho 16 let v Adastra, kde stojí v čele agentic transformace u našich zákazníků. Ve volném čase je fanouškem powersports a vášnivým – i když momentálně lehce zklamaným – podporovatelem Toronto Blue Jays. Kevine, kdy tedy s agentic AI začít?

Kevin Harmer: Vždycky až příští rok.

Mark Kohout: Naděje umírá poslední, že? Kevin se ke mně dnes připojuje v našem torontském studiu, abychom oddělili realitu od hypu kolem Agentic AI. Vítej, jsem rád, že jsi tady.

Kevin Harmer: Díky, Marku. Jsem rád, že jsem tady — o agentech mluvím vždycky rád.

Mark Kohout: Začněme od začátku. Co je Agentic AI a proč se k ní organizace obracejí? Máme za sebou roky prediktivních modelů a machine learningu, v poslední době velké jazykové modely. Co navíc přináší Agentic AI?

Kevin Harmer: Agentic AI uvolňuje lidi od repetitivní práce s nízkou přidanou hodnotou, aby se mohli soustředit na činnosti s vyšší hodnotou – přemýšlení, spolupráci a inovace. Pokud agenti dokážou automatizovat 50–75 % rutinních úloh vyžadujících jen lehké rozhodování, firmy tím výrazně odemknou lidský potenciál pro důležitější práci.

Mark Kohout: Takže rutinu delegujeme na technologie a lidské schopnosti přesouváme tam, kde mají pro byznys větší hodnotu.

Kevin Harmer: Přesně tak. Agentic transformaci vnímám ve třech horizontech:
Horizon 1 – Decision insights: získávání insightů z firemních dat, jak strukturovaných (data lakes, datové sklady), tak nestrukturovaných (dokumenty, obrázky, video).
Horizon 2 – Decision augmentation: využití těchto insightů k doporučení konkrétních kroků.
Horizon 3 – Decision automation: exekuce těchto kroků ve velkém měřítku, s dohledem.

Mark Kohout: Z pohledu governance to zní, že je potřeba mít pod kontrolou věci jako SharePoint a dokumenty.

Kevin Harmer: Kvalitně kurátorovaná a dobře organizovaná data pomáhají, ale perfektní data na začátku nepotřebujete. Se správným frameworkem dokážou agenti vytěžit nejlepší dostupná data a dodat užitečné insighty už v Horizontu 1. Typicky třeba customer 360 pohled složený ze CRM historie, průzkumů a interakcí se zákazníkem.

Mark Kohout: A tenhle základ nás posouvá k Horizontu 2. Vidíme, že LLM dnes zvládají inference i generování pro discovery a interpretaci. Je to tak?

Kevin Harmer: Ano. Jednoduchým veřejným příkladem agenta z Horizontu 1 je ChatGPT. Firmy ale potřebují privátní, bezpečné varianty běžící nad jejich vlastními daty. Horizont 2 pak tyto insighty využívá k doporučení konkrétních kroků – typicky třeba next-best offer pro cross-sell nebo upsell na základě korelace zákaznického profilu s historickými výsledky.

Mark Kohout: Jaký je v tom rozdíl oproti tradičním ML modelům – deterministickým versus probabilistickým LLM?

Kevin Harmer: Není to buď–anebo. Agenti v Horizontu 2 mohou kombinovat deterministické výstupy z ML modelů s probabilistickými doporučeními LLM. Klíčová je důvěra: nezačínáte v Horizontu 2. Nejdřív musíte prokázat kvalitu insightů v Horizontu 1 a teprve na nich stavět spolehlivá akční doporučení v Horizontu 2.

Mark Kohout: A tím se dostáváme k Horizontu 3 – automatizaci ve velkém měřítku.

Kevin Harmer: Přesně tak. Horizont 3 je o automatizaci rozhodování: realizaci doporučených akcí napříč miliony zákazníků. Pokud například Horizont 2 identifikuje nejlepší upsell příležitost, Horizont 3 vygeneruje a orchestruje omnichannel komunikaci, aby se ten výnos skutečně realizoval. V tomto měřítku už jsou nutné human-in-the-loop kontroly, nastavení důvěry, monitoring a produktový přístup k řízení automatizace. Nejde o chatovací rozhraní ve stylu ChatGPT, ale o řízenou, škálovatelnou exekuci s jasným dohledem.

Mark Kohout: Jak se posouváte jednotlivými horizonty, začíná být klíčová připravenost organizace a důvěra – tedy řízení rizik, transparentnost, vysvětlitelnost, citlivost dat a to, že agenti fungují s řízenou autonomií.

Kevin Harmer: Přesně tak. Vezměme si Microsoft Copilot: je skvělý pro osobní produktivitu – tvorbu obsahu, shrnutí, rešerše. Pokud ale chcete enterprise generátor SOP, který zpracovává dokumenty, obrázky i video napříč firmou a standardizuje třeba údržbové postupy, potřebujete výrazně větší výkon a orchestraci. To už je skutečná agentic automatizace s governance.

Mark Kohout: A tím se dostáváme k AI governance – rizikům, odolnosti a práci s osobními daty. Většina organizací začíná u nástrojů osobní produktivity typu Copilot, ale pak narazí na problém institucionalizace: řízení, transparentnost, dokumentace a zmírnění biasu.

Kevin Harmer: Souhlasím. Úspěšnou agentic transformaci vidíme ve třech krocích:
Strategie: Identifikovat vysoce hodnotné příležitosti pomocí process miningu – kde lidé tráví hodně času a kde může automatizace s určitou mírou rozhodování přinést největší efekt.
Ověření (prove it): Potvrdit přínosy na „lighthouse“ use casu. Například jeden zákazník zpracovává 50 000 faktur ročně. Automatizací manuálních kroků s inference a zachováním lidského schvalování jsme ušetřili čtyři hodiny na fakturu – tedy 200 000 hodin ročně – při zachování auditovatelnosti.
Framework: Nasadit agent framework a katalog agentů se znovupoužitelnými, důvěryhodnými system-of-record agenty. Typicky třeba KYC agent, který využívá obchod i marketing. Framework musí být bezpečný, řízený, samo-monitorovaný, bias-aware a datově zabezpečený.

Mark Kohout: To řeší governance i rizika. Vidíme, že AI governance není jen papírové cvičení, ale hlavně pragmatická implementace přímo v nástrojích. Existují standardy jako ISO 42001 a různé risk frameworky, ale klíčové je, aby governance fungovala v reálných nasazeních.

Kevin Harmer: Přesně tak. Dá se vycházet z DNA data governance a dalších osvědčených rámců. Důležité je nastavit rozhodovací struktury, procesy a intake mechanismy tak, aby přirozeně zapadaly do používaných nástrojů a workflow.

Mark Kohout: Teorie je fajn, ale jaká je realita? Kde dnes firmy skutečně jsou a jaké překážky řeší při posunu mezi jednotlivými horizonty?

Kevin Harmer: Většina organizací dnes pilotuje Horizont 1 – agenty pro decision support, kteří na vyžádání dodávají insighty a snižují závislost na záplavě Power BI dashboardů. Největší výzvou je přesnost. Náš přístup postavený na byznysovém kontextu, dobře katalogizovaných purpose-built agentech a metodice agent-of-agents, dokáže zvýšit přesnost insightů zhruba z 80 % na 99 %.

Konkrétní příklad je revenue cycle management (RCM). RCM poskytovatelé stojí mezi nemocnicemi a pojišťovnami. Dříve zde tým 500 lidí zajišťoval přepis lékařských poznámek, tvorbu klinických šablon, aktualizaci nemocničního PMS, výběr pojistných kódů, podávání claimů i řešení zamítnutí ze strany pojišťoven. Nasadili jsme framework se zhruba 100 agenty, kteří tyto kroky automatizují. Místo 500 lidí dnes organizace funguje s 50 lidmi, kteří agenty řídí – s nižšími náklady, zrychlením plateb z měsíců na týdny a jasnou diferenciací služby.

Mark Kohout: Agentic workforce.

Kevin Harmer: Přesně tak. Nejde o nahrazování lidí, ale o to, aby se týmy mohly soustředit na práci s vyšší hodnotou, zatímco agenti přebírají manuální, nízkohodnotné úkoly.

Mark Kohout: Kromě technologií – co lidé a procesy? Jakou roli hraje change management? Zapojujete byznys a IT stakeholdery hned od začátku?

Kevin Harmer: Je potřeba řešit čtyři dimenze: lidi, procesy, policy a platformu. Agentic transformace je ve své podstatě process re-engineering, který mění role i zaběhlé postupy. Změnu je nutné podpořit školením, jasnou governance a nástroji, které lidem pomáhají, ne je brzdí.

Další příklad je „Happier Trucks“. Dříve logistické týmy trávily většinu dne plánováním tras na další den a sales měl jen dvě odpolední hodiny na to projít trasy a zkusit upsell nebo cross-sell u zákazníků po cestě. To snížilo “white space” v kamionech zhruba z 20 % na 18 %. S agenty je optimální logistický plán hotový už v 7 ráno. Sales recommender agent identifikuje nejperspektivnější příležitosti na každé trase a obchodník má pak celý den na přípravu. White space klesá na 10 % a méně a způsob práce se mění: plán je hotový brzy a agent doporučuje, komu volat, co říct a co nabídnout.

Mark Kohout: Takže jde o kombinace procesních úspor a skokového posunu v data-driven rozhodování.

Kevin Harmer: Přesně tak. To nám umožňují agenti.

Mark Kohout: Závěrečná otázka: jak by měli byznys lídři začít?

Kevin Harmer: Držte se tří kroků. Začněte identifikací příležitostí napříč odděleními, případně s jedním nejvýkonnějším týmem. V Adastře k tomu používáme workshop Agentic AI Day, kde zmapujeme co by se dalo dělat, nasbíráme zhruba 200 nápadů a zúžíme je na pět nejlepších podle hodnoty, předpokladu úspěšné impementace a náročnosti – včetně roadmapy realizace. Druhým krokem je výběr lighthouse use casu a jeho ověření v praxi. Třetím krokem je nasazení agent frameworku a škálování – často navázáním na existující iniciativy v Horizontu 1 a 2 směrem k Horizontu 3.

Mark Kohout: Začít v malém, ale smysluplně, prokázat hodnotu a pak škálovat napříč procesy i byznysovou architekturou.

Kevin Harmer: Přesně tak. I pokud už jste začali, klíčové je soustředit se na cestu k Horizontu 3 s důrazem na governance a znovupoužitelnost.

Mark Kohout: Kevine, mohli bychom mluvit ještě dlouho, ale tady to dnes uzavřeme. Díky za tvůj čas, bylo to velmi přínosné. A vám, posluchačům, děkujeme, že jste se k nám připojili u podcastu Adastra. Pokud vám epizoda přišla užitečná, dejte like a odebírejte. Těšíme se příště.