Méně lidí, více AI: jak to Direct opravdu dělá
Jak Direct akceleruje AI od prvních projektů po řízení celého AI labu.
Tři pohledy na AI transformaci, která se děje teď: metodika, rozhovor s CTO Direct pojišťovnou Pavlem Lukešem a praktické ukázky z projektů.
Přednášky:
Jak postavit AI lab od nuly: kde začít, jak měřit a jaké KPIs dávají smysl, bez zbytečné teorie.
Kde začít, jak AI řídit a jak z ní udělat reálnou delivery schopnost ne jen sérii experimentů
AI dnes řeší téměř každá firma.
Jenže většina organizací naráží na stejný problém:AI iniciativy vznikají chaoticky
use cases nejsou prioritizované
chybí governance
né všichni umí měřit reálný přínos
a AI často končí jako izolovaný experiment bez dopadu na business
Tato přednáška ukáže přístup k tomu, jak postavit AI Lab jako řízenou capability firmy ne jako innovation sandbox.
Projdeme:
kde má vůbec smysl začít
jak poznat první use cases, které mají reálnou hodnotu
proč většina AI iniciativ selže na delivery a ne na modelu
jak oddělit hype od věcí, které opravdu fungují
a jak postupně postavit AI capability, která se dá škálovat napříč firmou
Otevřený rozhovor s Pavlem Lukešem, CTO Direct: od prvních projektů po akceleraci lidí AI - rozhodnutí, selhání a co přijde dál.
Začátky a první rozhodnutí: kdy a proč Direct řekl tohle vyřešíme s AI, jestli to přišlo shora nebo zdola a co byl skutečný spouštěč.
Proč AI Lab jako struktura: co vedlo k rozhodnutí budovat AI Lab systematicky místo spouštění izolovaných projektů a co muselo být na místě, než do toho šli.
První větší projekt v praxi: proč jako první vybrali likvidaci škodních událostí, jak probíhal výběr use case a co je překvapilo pozitivně i negativně.
Interně vs. externě: kde Direct staví vlastní kapacity, kde sáhli po externích partnerech a kde leží ta hranice a proč.
Fuckupy a co přijde dál: co by dnes udělali jinak, kde se spálili a kde bude Direct za rok.
Jak v Qestu stavíme AI workflow a multiagentní development napříč SDLC
Ukážeme, jak v Qestu přistupujeme k AI workflow a jak stavíme multiagentní development ne jen v kódu, ale napříč celým SDLC: od převzetí ticketu, přes specifikaci a vývoj, až po release a monitoring v provozu.
Jak vypadá náš AI workflow: co považujeme za základ, jak rozdělujeme role mezi lidi a agenty v jednotlivých fázích SDLC a co se nám osvědčilo při škálování na víc paralelních úkolů.
Multiagentní development v praxi: jak organizujeme paralelní práci agentů od ticketu přes implementaci, code review a testy až po release a sledování v produkci, kde to zrychluje dodávku a kde narážíme na limity.
Konkrétní ukázky: projedeme to na reálných projektech, co fungovalo, co ne, a co z toho má smysl přenést do vlastního týmu.