Skutečný boj se neodehrává v hlavách AI nadšenců. Odehrává se ve firmách, kde si specialisti a manažéři lámou hlavu s umělou inteligencí. Většina lidí naskočilo na ChatGPT nebo jiné nástroje a teď vám povím, že je to málo. Důvodem je nedostatek kontextu. A přesně o tomhle si popodíváme: jak ve firmě vybudovat kontextovou vrstvu pro AI agenty a vše, co k tomu potřebujete vědět.
Starý vs. nový způsob práce
Představte si Pepíka. Přijde ráno do práce, otevře si svůj úkolovník, do další záložky CRM a aplikaci Outlook. Jsou to z principu oddělené nástroje. Pět nebo deset otevřených záložek v Chromu. A když má Pepík postavit report nebo analýzu, je to hodina klikání a kopírování mezi okny.
Nyní si představíme jinou situaci. Pepík se vzbudí, sedne k počítači a má všechny tyto nástroje napojené přes API nebo MCP. Místo klikání si o úkolu povídá s AI. Píše prompty typu: „Připrav mi report za minulý týden.“ Olala, report je na světě, protože vidí do všech systémů najednou.
Zní to jako sci-fi? Dneska je to realita a firmy v IT sféře do toho šlapou, aby si svou kontextovou vrstvu postavily.
K čemu je kontextová vrstva dobrá
Proč byste tomu měli věnovat pozornost? Protože místo kopírování informací z jednoho okna do druhého nebo zadávání úkolů kolegovi napojíte své systémy přímo na AI. Ušetříte čas, vytáhnete z nestrukturovaných dat pořádnou analýzu a to je možná nejdůležitější...budujete paměť pro příští projekty. Práce, kterou jednou odvedete, zůstane v systému a příště na ní stavíte.
Co to vlastně je kontextová vrstva?
Kontextová vrstva (anglicky „context layer”) je mezivrstva, která modelům typu GPT nebo Claude dodává veškerý kontext o vaší firmě nebo projektu. Představte si most mezi vašimi aplikacemi a samotnou AI.
Hezky koncept kontextové vrstvy popisuje MindStudio. Matematicky vyjádřeno jako:
Kontextová vrstva = role + data + paměť + nástroje + cíl
A co to znamená v praxi? Vraťme se k Pepíkovi:
- Role – kdo jsem a co dělám. (Pepík, marketér ve firmě Easy8.)
- Data – s čím pracuju. (Třeba databáze v BigQuery.)
- Paměť – co jsem s AI řešil, kontext k projektu a co si z toho odnáším. (Minulé kampaně, brief, co fungovalo a co ne.)
- Nástroje – co AI smí používat. (MCP konektory na MS 365, GA4…)
- Cíl – co má být výstup. (Formát reportu, kritérium „hotovo“.)
Teprve když máte všech pět dílků, dostáváte z AI něco, co dává smysl. Samotný chytrý model bez kontextu je jako kolega první den v práci. Geniální, ale netuší, kde co je.
Příklady využití kontextové vrstvy v praxi
Marketing
Typická práce marketéra nebo marketingového manažera je sledovat, jak si vede návštěvnost webu a konverze. A když něco zaskřípe, dostat se i do ostatních nástrojů. GA4, GSC, Ahrefs, Semrush, AWS, Cloudflare, Apify. Každý z nich jde napojit přes MCP. Pak na každý nástroj pošlete specializovaného agenta (klidně paralelně), nastavíte cíl analýzy a místo dvou hodin proklikávání máte report, který by jinak zabral půl dne.
Sales
Jste obchodník a chystáte se na schůzky. Máte Outlook nebo Gmail, nějaké CRM jako Raynet nebo HubSpot. Než začnete s realnou prací, musíte si vyhledat klienta, přečíst poslední maily, kouknout do kalendáře a ještě si vzpomenout, jestli si minule o něco neřekl. Spousta nástrojů, spousta klikání. S kontextovou vrstvou se zeptáte jednou: „Co mě čeká zítra, připrav mě na schůzky.“ A dostanete brief z mailů, chatů, internetu, CRM i kalendáře na jednom místě. Příprava, která zabrala půl hodiny, je najednou otázka pár minut.
Management
Přiznám se na rovinu, že nejsem manažér, ale zkusím představit myšlenku. Na týdenní, měsíční nebo kvartální bázi se řeší performance týmu nebo celé firmy. Některé firmy na to mají BI reporty v Power BI, jiné je prostě staví v Excelu (ano, pořád živý nástroj, který zvládne skoro všechno). A pokud máte v datech bordel a posledních pár let jste prospali datové obrození? Dobrá zpráva: AI si dnes poradí i se špatně strukturovanými daty. Petr Kasa v rozhovoru na kanálu Scaleupboard hezky popisoval, jak data nažene do AI a nechá si je přežvýkat.
Jak začít? Startujeme s levelem #1
Popíšu nejpopulárnější cestu, kterou se firmy vydávají, když chtějí pustit AI na své projekty a procesy. Jmenuje se Claude od Anthropicu. Ano, dál to bude hodně o Claude, je to nástroj, který sám denně používám a na kterém stavíme v Easy8, nicméně princip ale platí napříč modely.
1) Rozhodněte se, do jakého modelu jako firma jdete. Firmy volí Claude Team, firemní účet pro všechny. Proč? Pokud jedete na Microsoft 365 nebo Google Workspace, oba ekosystémy mají hotový konektor, který zapojíte jedním klikem. Tím máte první základ pracovního systému vyřešený, aniž byste cokoli instalovali. Claude Team navíc přidává řadu dalších konektorů a řeší i částečně otázku bezpečnosti (viz Anthropic vs US Defense). Zabráníte tím také tomu, aby lidé pracovali v nástrojích, které se trénují na vašich datech (typicky bezplatné verze nebo neodškrtnuté nastavení „zakázat training”).
2) Každý člověk potřebuje nějaký systém, aby se v tom on i jeho AI agent vyznali. Víc o tom řekl Dušan Šenkypl z Grouponu ve článku o AI pracovním systému.
3) Každý musí umět nástroje používat. Nejlepší cesta je learning by doing. Claude dnes nabízí několik aplikací:
Claude.ai (web) – obdoba ChatGPT, AI ve vašem prohlížeči.
Claude Desktop – aplikace pro macOS a Windows. Součástí aplikace jsou podaplikace:
- Claude Cowork – pracuje přímo s vaším zařízením a soubory, ovládáním podobné webu.
- Claude Code – Cowork na steroidech. Jak název napovídá, dáváte AI skoro neomezené možnosti: tvorbu aplikací, analýzy, komplexní úkoly. Doporučuji.
Claude pro Chrome (oficiální rozšíření do prohlížeče) – asistent, který vyskočí jako postranní chat přímo na otevřené záložce. Umí pracovat s danou stránkou a odklikat věci, které přes kontextovou vrstvu nejdou (typicky sociální sítě nebo legacy systémy).
Claude.ai, Claude Cowork, Claude Code, Claude Crome - 4 Claude nástroje, pro každý jiný use case.
A co dál? Level #2 pro pokročilé
Tady to začíná být zajímavější. Každý člověk potřebuje své firemní aplikace propojit se svou AI, někdy to lze jednoduše a někdy je to krapet složitější. Popíšu koncept, který by měl firmě pomoct kontextovou vrstvu budovat.
Říká se tomu MCP hub – centrální místo pro MCP konektory. Proč? Napojit se na firemní systém není vždy triviální; chce to buď vyšší oprávnění, nebo technickou znalost administrace. Když firma postaví MCP hub, získává kontrolu nad credentials, oprávněními a zaměstnanec dostane hotový konektor s jednoduchým nastavením. Win-win. Link na open source projekt.
Druhý díl skládačky jsou skills — v podstatě by se dalo přirovnat k receptům na konkrétní úkol nebo use case, které lze sdílet mezi kolegy v markdown formátu (.md). Pokud nemáte Claude Team, většinou se to řeší přes Git repozitář: skills nahrajete na GitHub a nasdílíte s kolegou. Bonus: máte vyřešené verzování promptu a AI s gitem umí krásně pracovat.
A co na to bezpečnost?
Mám pro vás dobrou i špatnou zprávu...záleží, jak moc to řešíte a jak citlivá data máte.
Špatná zpráva: čím citlivější data, tím víc musíte řešit oprávnění, governance a hlavně to, kde a kým se vaše data zpracovávají. Tahle část se nedá obejít a u větších firem zabere nejvíc času.
Dobrá zpráva: kontextovou vrstvu lze postavit nezávisle na volbě AI modelu. Je to náročnější, ale jde to.
A teď podle velikosti firmy:
- 1–100 lidí: nejspíš se vydáte cestou, kterou popisuju výše.
- 100+ lidí: buď je pro vás bezpečnost v rámci Claude Team schůdná varianta, nebo pokukujete po jiných providerech, ať už Mistral AI, Microsoft Azure. Trade-off: bývají méně uživatelsky přívětivé a přijdete o část funkcí, které Claude nabízí ve své platformě a aplikacích.
Závěr
Nečekejte na velký projekt. Začněte malým krokem: napojte si jeden dva nástroje a nastavte si AI pracovní systém (svůj osobní kontext) se správným promptem. Zabere to maximálně 2 hodiny pro začátek. Vybudovat celou kontextovou vrstvu je pak kontinuální proces. Napojení jednoho MCP trvá řádově 5 až 60 minut podle konkrétního řešení (čísla berte orientačně). Zbytek je iterace.
Fun fact na závěr. Za pět měsíců jsem v rámci Claude Code spálil 2,14 miliardy tokenů. Kdybych to měl jako vystudovaný ekonom přirovnat k něčemu hmatatelnému (hrubý přepočet): odpovídá to zhruba 21 400 knihám. Kdybychom je naskládali vedle sebe, pokryly by plochu více než šesti fotbalových stadionů. Přečíst všechny vygenerované texty by člověku trvalo 20 let bez nadechnutí.
Fascinující doba, ve které žijeme.
Stavíte ve firmě kontextovou vrstvu a chcete s něčím poradit? Napište mi na LinkedIn. Rád pošlu přímo prompty, které zmiňoval Dušan Šenkypl v rámci jedné AI konference a tipy, jak si AI pracovní systém nastavit. Funguje skvěle z vlastní zkušenosti.
