Umělá inteligence ve financích už dávno není jen experiment na okraji firmy. V podání London Stock Exchange Group, tedy LSEG, se z ní stává infrastruktura pro každodenní práci, rozhodování i zákaznické služby. Když jsem si skládal hlavní myšlenky z vystoupení Emily Prince, zaujalo mě hlavně to, jak prakticky o AI mluví. Ne jako o módním tématu, ale jako o nástroji, který musí obstát v prostředí s vysokými nároky na důvěru, přesnost, governance a regulatorní disciplínu.
LSEG je globální hráč ve finanční tržní infrastruktuře a datech. Poskytuje finanční informace, cenová data, modely, analytické nástroje i služby spojené s burzovní a clearingovou infrastrukturou. V takovém prostředí je nasazení AI mnohem složitější než v běžném kancelářském provozu. Nestačí, aby systém jen plynule generoval text. Musí pracovat s důvěryhodnými daty, respektovat interní standardy a přinášet konkrétní obchodní hodnotu.
Právě to je na přístupu LSEG zajímavé. Nesoustředí se pouze na výběr modelu. Místo toho řeší širší otázku: jak AI bezpečně propojit s obrovským objemem finančních dat, jak ji zasadit do různých pracovních rolí a jak vytvořit podmínky, aby mohla růst rychle, ale bez ztráty kontroly.
Obsah
- 📌 Co vlastně LSEG ve světě financí dělá
- 🧭 Strategie LSEG Everywhere: AI ukotvená v důvěryhodných datech
- 🔗 Proč je propojení AI s daty důležitější než samotný model
- ⚙️ Od experimentů ke škálování napříč firmou
- 📏 Hodnocení, evaluace a jasná definice úspěchu
- 👩💼 Jak AI mění práci analytiků
- 📊 Když je možné mluvit se spreadsheetem
- 🏗️ Rychlost bez chaosu: jak skloubit inovaci a kontrolu
- 🛡️ Responsible AI a governance jako podpěra inovací
- 🌍 Nejtěžší část není technická, ale kulturní
- 🎓 Jak má vypadat skutečné zavádění AI uvnitř firmy
- 🚀 Vývoj se zkracuje a týmy musí fungovat jinak
- 💡 Jakou radu si z toho odnést pro ostatní finanční firmy
- 🧠 Proč na AI ve financích neexistuje hotový návod
- 🔍 Co je na přístupu LSEG nejcennější
📌 Co vlastně LSEG ve světě financí dělá
Aby dávalo celé téma smysl, je dobré si nejprve ujasnit roli LSEG. Tato skupina nepůsobí jen jako provozovatel burzovních služeb, jak si část lidí stále myslí. Její význam je širší. Dodává trhu důvěryhodné finanční informace, od surových dat přes ceny až po různé modely používané pro řízení rizik a analýzu trhu.
Vedle dat nabízí i služby, které pomáhají trhu fungovat jako celek. To znamená, že stojí na průsečíku infrastruktury, datové analytiky a finančních operací. A právě proto je pro ni AI mimořádně zajímavá. Když organizace obsluhuje desítky tisíc zákazníků napříč mnoha trhy, každý nástroj, který zlepší přístup k informacím, může mít obrovský dopad.
Emily Prince v této oblasti vede analytiku a AI a její role se podle všeho dělí na dvě velké části:
- interní využití AI, tedy jak AI pomáhá zaměstnancům, týmům a procesům uvnitř firmy,
- externí využití AI, tedy jak AI zlepšuje služby a produkty pro zákazníky.
To je důležité, protože mnoho firem řeší jen jednu z těchto stran. LSEG se ale snaží rozvíjet obě zároveň. AI nemá být jen interní asistent. Má se stát součástí toho, co organizace poskytuje trhu.
🧭 Strategie LSEG Everywhere: AI ukotvená v důvěryhodných datech
Jedním z hlavních pojmů, které s LSEG souvisejí, je strategie LSEG Everywhere. Její podstata je jednoduchá, ale silná. AI má být dostupná napříč organizací i produkty, ovšem vždy s pevným ukotvením v relevantních, důvěryhodných informacích.
Tohle je ve financích zásadní rozdíl oproti běžnému použití generativní AI. Obecný model umí shrnout veřejně známá fakta nebo navrhnout osnovu dokumentu. Jenže finanční analytik, portfolio manažer nebo produktový tým potřebuje víc. Potřebuje odpovědi, které stojí na konkrétních datech, interních standardech a někdy i deterministických modelech.
LSEG proto nestaví AI jen jako vrstvu konverzačního rozhraní nad obecným modelem. Snaží se ji propojit se svou vlastní datovou základnou. A ta je obrovská. Jen datově analytická část firmy pracuje s objemy v řádu desítek petabajtů. To už není prostředí, kde stačí improvizovat. Je potřeba dobře navržený přístup k datům, API i bezpečnostním pravidlům.
Praktický význam této strategie vidím v jedné větě: AI má být užitečná tam, kde lidé pracují, ale její odpovědi mají vycházet z ověřených podkladů. Tak se z ní nestává jen chytrý sumarizační nástroj, ale prostředek skutečné transformace práce.
🔗 Proč je propojení AI s daty důležitější než samotný model
V diskusích o umělé inteligenci se často mluví hlavně o modelech. Který je výkonnější, rychlejší nebo levnější. Emily Prince ale ukazuje, že ve firemním prostředí to bývá jen část rovnice. Skutečná hodnota vzniká ve chvíli, kdy se model spojí s kvalitním kontextem.
V LSEG tuto roli plní API strategie a také práce s protokolem MCP, tedy Model Context Protocol. Ten pomáhá modelům přistupovat ke správným zdrojům a nástrojům strukturovaným způsobem. Ve výsledku to znamená, že uživatel nepracuje jen s obecnou inteligencí modelu, ale s inteligencí doplněnou o firemní data, analytické funkce a relevantní workflow.
Tohle má několik důsledků:
- odpovědi jsou více navázané na reálnou práci,
- výstupy lze opřít o důvěryhodná data,
- není nutné dlouhé a bolestivé ruční přenášení informací mezi systémy,
- AI se snáze používá napříč různými týmy i produkty.
Zajímavé je i to, že Emily nepopisuje tento krok jako okrajové technické vylepšení. Mluví o něm jako o skutečné změně hry. A dává to smysl. V okamžiku, kdy má AI přístup ke správným datům bez zdlouhavého onboardingu, začíná být okamžitě prakticky použitelná.
Právě tady se odděluje efektní demo od opravdové transformace podniku.
⚙️ Od experimentů ke škálování napříč firmou
Každá větší organizace zažila v posledních letech podobný scénář. Někdo v marketingu vyzkoušel AI na texty, někdo v IT na dokumentaci, někdo ve financích na analýzu tabulek. Najednou vzniklo mnoho izolovaných pokusů, které sice vypadaly slibně, ale nebylo jasné, jak z nich udělat něco systematického.
LSEG podle popisu řešila právě tento přechod. Tedy jak se dostat od stavu, kdy vzniká tisíc květů, k modelu, který přináší škálovatelný dopad. To není jen technologický problém. Je to i problém organizačního designu, datové architektury a prioritizace.
Situaci navíc komplikuje fakt, že velké skupiny bývají složené z více akvizic, historických systémů a odlišných datových modelů. To znamená, že dříve než lze AI skutečně rozšířit, je potřeba vyřešit otázku integrace. Jak propojit různé datové zdroje, produkty a pracovní postupy tak, aby nad nimi AI mohla fungovat jednotně a bezpečně?
V tom je dobře vidět realistický přístup. Nestačí říct, že firma zavádí AI. Je potřeba vytvořit základy, které umožní, aby AI fungovala v různých částech organizace konzistentně a ve velkém rozsahu.
📏 Hodnocení, evaluace a jasná definice úspěchu
Jedna z nejsilnějších myšlenek celého vystoupení se týká evaluace. Když se dnes mluví o AI, bývá snadné sklouznout k fascinaci novými modely. Jenže v produkčním nasazení je důležitější jiná otázka: jak poznat, že systém skutečně funguje tak, jak potřebujeme?
V LSEG se proto zjevně velká část úsilí přesouvá od jednorázových pilotů k hodnoticím rámcům. To znamená:
- jasně určit, jaký problém se řeší,
- rozlišit jednotlivé uživatelské persony,
- pro každou z nich definovat, co znamená úspěch,
- měřit kvalitu a shodu výstupů v širším měřítku.
To je mimořádně důležité ve finančním sektoru, kde se potřeby jednotlivých týmů výrazně liší. Jinak pracuje finanční tým, jinak marketing, jinak produktové oddělení a jinak inženýrské týmy. Stejně tak zákaznické skupiny nejsou jednotné. Investiční bankovnictví, portfolio management nebo analytický výzkum vyžadují jiné typy výstupů, jiné standardy a často i jiné tolerance chyb.
Úspěšná AI strategie tedy nezačíná větou „nasadíme model“. Začíná otázkou „kdo přesně bude systém používat, v jaké situaci, s jakým očekáváním a jak to ověříme“. Tento princip ostatně potvrzují i doporučení z oblasti enterprise AI governance, například od NIST AI Risk Management Framework.
👩💼 Jak AI mění práci analytiků
Jedním z nejkonkrétnějších příkladů byla práce analytiků. A právě tady je dobře vidět, proč má generativní AI ve financích takový potenciál.
Analytici běžně pracují s mnoha zdroji informací najednou. Část je strukturovaná, například tabulková data nebo cenové řady. Část je nestrukturovaná, například textové dokumenty, zprávy nebo komentáře. Problém není jen v tom, že těch informací je hodně. Problém je, že lidský čas je omezený.
V praxi to často vede k tomu, že si lidé zvyknou používat jen úzký výsek dostupných zdrojů. Ne proto, že by další informace nebyly důležité, ale protože jejich zpracování zabere příliš mnoho času. Jenže právě méně zjevné souvislosti mohou přinést analytickou výhodu.
AI v tomto kontextu nabízí několik zásadních přínosů:
- rozšiřuje okruh použitelných zdrojů, protože pomáhá rychleji třídit a syntetizovat informace,
- zrychluje iteraci, takže analýza, která dříve trvala hodiny nebo dny, může vznikat mnohem rychleji,
- pomáhá udržet standardy, pokud jsou do systému zabudované politiky, preference a pravidla,
- umožňuje průběžnou zpětnou vazbu, takže analytik může odpověď postupně zpřesňovat.
Nejde tedy jen o to, že AI něco sepíše rychleji. Podstatnější je, že umožní pracovat s širším záběrem informací bez neúnosné časové zátěže. Ve financích může právě tento rozdíl znamenat kvalitnější závěry a přesnější rozhodování.
📊 Když je možné mluvit se spreadsheetem
Jedna z nejvýstižnějších částí celé debaty se týkala tabulek. Každý, kdo někdy pracoval ve financích, controllingu nebo reportingu, dobře ví, jak vyčerpávající umí být ruční reconciliace, ladění maker a nekonečné úpravy excelových souborů.
Emily Prince zmiňuje, že možnost přirozeně komunikovat se spreadsheetem dnes působí skoro radikálně. A já s tím souhlasím. Není to jen kosmetická změna uživatelského rozhraní. Je to posun v tom, jak lidé interagují s daty.
Místo složitého hledání funkcí, ručního přepisování vzorců nebo vytváření dočasných skriptů lze stále častěji zadat úkol přirozeným jazykem. Pokud je takový systém propojen s důvěryhodnými daty a firemním kontextem, může vygenerovat výstup, který by dříve zabral hodiny práce.
Samozřejmě to neznamená, že kontrola přestává být důležitá. Ve financích naopak roste význam ověřování. Ale samotný pracovní tok se mění. Méně času padne na mechanické kroky a více prostoru vzniká pro interpretaci, kontrolu a rozhodnutí.
O tom, jak se kancelářská práce s AI mění, píše i Harvard Business Review v řadě textů o generativní AI a knowledge work. Ve finančním sektoru je tato změna obzvlášť viditelná, protože se dlouho spoléhal na tabulky jako základní pracovní prostředí.
🏗️ Rychlost bez chaosu: jak skloubit inovaci a kontrolu
Finanční sektor se pohybuje v prostředí, kde nelze jednoduše zvolit strategii „nejprve nasadit, později řešit rizika“. Přesto je tlak na rychlost obrovský. Technologie se vyvíjí tak rychle, že přílišná opatrnost může znamenat ztrátu konkurenční výhody.
LSEG proto hledá rovnováhu mezi rychlým přijetím AI a zachováním potřebné míry kontroly. Emily Prince to popisuje jako neustálý zápas, ale zároveň ukazuje praktický princip, který mi dává velký smysl: soustředit se na kroky bez lítosti.
To jsou takové investice, které dávají smysl téměř bez ohledu na to, jak se trh modelů vyvine. V jejich případě sem patří:
- budování API vrstvy,
- propojování datových zdrojů,
- využití MCP jako univerzálního způsobu napojení,
- vytvoření prostředí, které není závislé jen na jednom modelu.
Tento přístup je chytrý, protože odděluje trvalou architektonickou hodnotu od krátkodobých technologických mód. Modely se budou měnit. Kvalitní přístup k datům, governance a použitelné integrační vrstvy ale zůstanou důležité.
Zároveň je patrné, že v tak regulovaném prostředí je nutná aktivní spolupráce mezi technologickými partnery a doménovými experty. Finance mají vlastní specifika, například potřebu deterministických postupů, auditovatelnosti, řízení rizika a souladu s regulací. Frontier technologie nejsou automaticky připravené na tento kontext. Je potřeba je dotáhnout do praxe další vrstvou pravidel, validací a workflow.
🛡️ Responsible AI a governance jako podpěra inovací
Mnoho firem dělá chybu, že governance vnímá jako brzdu. V lepším případě jako nutné zlo, v horším jako papírový dodatek. Přístup LSEG je jiný. Odpovědnou AI a governance chápe jako scaffolding, tedy oporu, která umožňuje inovovat ve velkém bezpečněji a rychleji.
LSEG si vytvořila principy odpovědné AI a rozšířený governance rámec poměrně brzy. Důvod byl zřejmý. Pokud firma očekává vysoké tempo experimentů a nasazení, potřebuje pevné mantinely dřív, než chaos přeroste v problém.
Zároveň je důležité, že nevznikla úplně oddělená sada pravidel jen pro AI. Místo toho se organizace podívala na celý end to end způsob, jak vyvíjí produkty a poskytuje služby, a upravila stávající mechanismy tak, aby AI podporovaly. To je často lepší než budovat paralelní byrokratický svět.
Takový přístup přináší několik výhod:
- AI není vyčleněná mimo běžné procesy firmy,
- týmy nemusí studovat zcela nový a odtržený systém pravidel,
- governance se stává součástí běžné práce, ne překážkou na jejím konci,
- organizace lépe zvládá změny modelů, nástrojů i workflow.
Ve chvíli, kdy se pracovní postupy komprimují a úkol, na který dříve bylo potřeba deset lidí, mohou dnes zvládnout jeden nebo dva během zlomku času, se governance stává ještě důležitější. Kontroly a pravidla totiž nesmí zmizet jen proto, že se zrychlil vývoj.
🌍 Nejtěžší část není technická, ale kulturní
Asi nejupřímnější část celé debaty se týkala kultury. Největší bariérou při škálování AI podle všeho nebývá samotná technologie, ale lidský postoj k ní.
Na jedné straně stojí nadšení. Na druhé straně obavy. Lidé slyší velká tvrzení o tom, co AI změní, ale ne vždy vědí, jak přesně se jich to týká. Někdo má strach, že ztratí kontrolu nad kvalitou. Někdo se bojí, že nebude stíhat nové nároky. Někdo si není jistý, co je ještě bezpečné a co už ne.
Emily Prince proto zdůrazňuje, že klíčová je schopnost lidi zapojit bezpečně a srozumitelně. Nestačí jen říct, že AI je budoucnost. Je potřeba ukázat, jak řeší reálný problém konkrétního týmu.
Zaujala mě i myšlenka, že důležitější než formální dovednosti bývá často nastavení mysli. Největší posun dělají lidé, kteří jsou otevření experimentování, zkoušení a učení za pochodu. Právě oni zažívají ty momenty, kdy si uvědomí, že novým nástrojem lze dělat věci úplně jinak než dosud.
Ve velké organizaci ale takový posun nenastane sám. Musí být podporovaný vedením, školením i dostupností nástrojů.
🎓 Jak má vypadat skutečné zavádění AI uvnitř firmy
Kulturní změna se neodehraje v powerpointu. Potřebuje konkrétní mechanismy. Podle popisu LSEG staví interní adopci AI na třech vrstvách:
- Zpřístupnění nástrojů
Lidé musí mít k dispozici samotné AI prostředí i propojení na relevantní datové a pracovní nástroje.
- Vzdělávání
Ne jen obecné povědomí, ale i programy, které vysvětlují principy, limity a bezpečné použití.
- Praktická tvorba
Největší posun nastává ve chvíli, kdy týmy přestanou AI jen poznávat a začnou s ní přímo stavět řešení na vlastní konkrétní problémy.
Tohle považuji za velmi důležitý bod. Mnoho organizací zůstane ve fázi interní osvěty. Lidé absolvují školení, poslechnou si přednášku o promptování, možná si párkrát vyzkoušejí chat. Ale dokud neřeší vlastní pracovní situace, nevzniká skutečná změna chování.
Praktický, hands on přístup je mnohem účinnější. Finance, marketing, produkt i engineering potřebují vidět, jak AI pomáhá zrovna jim. Jak šetří čas, zvyšuje kvalitu nebo otevírá nové možnosti. Až tehdy se z abstraktního trendu stává pracovní nástroj.
🚀 Vývoj se zkracuje a týmy musí fungovat jinak
Další silná myšlenka se týká samotného způsobu vývoje. Tradiční firemní model býval často pomalý. Napsal se produktový dokument, proběhl intake proces, čekalo se na kapacity a po dlouhých cyklech se teprve dostavil výsledek.
S nástupem AI se tento model mění. Vývoj je kratší, iterace rychlejší a do jednoho pracovního prostoru vstupuje více rolí najednou. Produkt, byznys, technické týmy i experti na doménu spolupracují těsněji a v kratších cyklech.
Tato změna má velké důsledky:
- je možné rychleji testovat nové nápady,
- organizace se lépe přizpůsobuje vývoji technologií,
- zároveň ale roste potřeba průběžných kontrol a jasných pravidel.
Jinými slovy, agilita už není volitelný bonus. Stává se podmínkou přežití. Ale jen tehdy, pokud jde ruku v ruce s důvěrou a governance.
💡 Jakou radu si z toho odnést pro ostatní finanční firmy
Na závěr zazněla otázka, jaké ponaučení by Emily Prince předala kolegům z oboru. Odpověď nebyla formulovaná jako seznam manažerských pouček, ale spíš jako výzva k postoji. A myslím, že právě proto působila přesvědčivě.
Základní vzkaz je jasný: tohle je chvíle, do které je potřeba se opřít. Ve finančních službách dnes vzniká vzácná příležitost přehodnotit postupy, které se během let nabalily na sebe a často přežívají spíš ze setrvačnosti než z nutnosti.
Mnoho procesů ve financích je těžkopádných. Někdy kvůli regulaci, někdy kvůli historickému vývoji, někdy prostě proto, že se to tak dělalo vždycky. AI podle ní otevírá prostor pro zdravou sebedisrupci. Ne destruktivní změnu pro změnu, ale poctivé zpochybnění starých pracovních postupů.
Klíčové otázky zní:
- Je tento proces opravdu nutné dělat právě takto?
- Vyžaduje to skutečně regulace, nebo jen opakujeme starý zvyk?
- Pokud můžeme postup změnit, jakou novou hodnotu tím získáme?
Tohle je velmi silný rámec. Neomezuje se jen na nástroje. Směřuje k samotné podstatě práce ve finanční instituci. Pokud organizace najde odvahu přezkoumat vlastní rutiny, může AI využít nejen ke zrychlení, ale i k novému odlišení na trhu.
🧠 Proč na AI ve financích neexistuje hotový návod
Možná nejstřízlivější poznámka zazněla úplně na konci. Neexistuje žádná hotová příručka, kterou by si firma mohla otevřít a podle ní přesně zavést AI do finančních služeb. Žádný definitivní blueprint zatím není.
To může znít nepříjemně, ale současně je to osvobozující. Znamená to, že dnešní lídři nejsou jen implementátoři cizích osvědčených postupů. Jsou spoluautoři nového modelu práce.
Právě proto je tak důležité mít několik pevných orientačních bodů:
- důvěryhodná data,
- jasné vyhodnocování kvality,
- odpovědnou governance,
- praktickou adopci uvnitř týmů,
- ochotu zpochybňovat staré procesy.
Kdo tyto body zvládne spojit, může z AI vytěžit mnohem víc než jen produktivnější kancelář. Může změnit způsob, jak organizace přemýšlí, pracuje a obsluhuje zákazníky.
🔍 Co je na přístupu LSEG nejcennější
Kdybych měl celý přístup shrnout do několika nejsilnějších poznatků, vypadal by seznam asi takto:
- AI musí být ukotvená v důvěryhodných datech. Bez toho ve financích nepřináší dostatečnou hodnotu.
- Skutečný problém není jen technologický. Stejně důležité jsou kultura, vzdělávání a organizační design.
- Nejde jen o model. Zásadní je integrační vrstva, API strategie a práce s kontextem.
- Evaluace je klíčová. Každá persona a každý use case potřebují jasnou definici úspěchu.
- Governance nemá inovaci dusit, ale umožnit. Dobře navržený rámec dává týmům svobodu tvořit bezpečně.
- AI otevírá prostor pro revizi zastaralých procesů. To může být cennější než samotná automatizace jednotlivých úkolů.
Na tom všem je sympatické, že nejde o přehnaný technooptimismus. V přístupu LSEG je cítit respekt k realitě finančního odvětví. Rizika se neignorují, ale ani se jimi neospravedlňuje nečinnost. Místo toho vzniká pragmatický model, kde se rychlost, bezpečnost a kvalita snaží fungovat společně.
A právě to je podle mě jeden z nejzajímavějších signálů současné éry enterprise AI. Vítězit nebudou nutně ti, kdo nejrychleji nasadí nejnovější model. Spíš ti, kdo dokážou propojit silné modely s vlastními daty, procesy, kulturou a důvěrou.
Ve finančních službách to platí dvojnásob.
Další kontext k tématu regulace a odpovědného nasazení AI v evropském prostředí nabízí například přehled EU AI Act, který ukazuje, proč je u podnikových AI řešení tak důležitá kombinace inovace a řízení rizik.
Pokud bych si měl odnést jedinou větu, byla by jednoduchá: budoucnost AI ve financích nebude stát jen na inteligentnějších modelech, ale na chytřejším propojení lidí, dat, pravidel a práce.
