V oblasti firemní AI často nestačí ukázat, že technologie funguje. Mnohem důležitější je předvést, jak přesně pomůže konkrétnímu podniku, konkrétnímu týmu a konkrétním zákazníkům. Právě tady podle mě vzniká největší rozdíl mezi zajímavou ukázkou a skutečně přesvědčivým řešením.
Role solution engineera stojí přesně na tomto rozhraní. Nejde jen o vývoj, automatizaci nebo technickou implementaci. Jde také o porozumění. Je potřeba pochopit firmu, její produkty, signály z trhu, komunikaci se zákazníky i to, co lidé říkají mimo oficiální kanály. A potom z toho všeho vytvořit něco, co dává okamžitý smysl.
V případě nástroje Codex se tato práce výrazně mění. Z náročného a časově dlouhého skládání podkladů se stává pružný proces, ve kterém lze rychle analyzovat zpětnou vazbu, navrhnout změny, připravit funkční maketu a ukázat hodnotu AI v kontextu, který je zákazníkovi blízký.
Tohle je podle mě jeden z nejzajímavějších příkladů praktického využití generativní AI v pre-sales a solution engineeringu. Ne kvůli efektním sloganům, ale kvůli tomu, že se AI používá k překladu složitých možností do řeči reálných potřeb.
Obsah
- 🔍 Solution engineer nestaví jen řešení, ale hlavně porozumění
- 🧩 Co vlastně znamená „udělat AI hmatatelnou“
- 📥 Surový kontext jako vstup: e-maily, produktové informace, signály z trhu i recenze
- ⭐ Analýza Trustpilot recenzí jako rychlá cesta k hlasu zákazníka
- 🛠️ Od analýzy k akci: maketa zákaznického webu během krátké chvíle
- 💡 Proč zákazníci podobné ukázky oceňují
- 🧠 „Light bulb moments“ a proč na nich záleží
- 🧰 Skills jako způsob, jak proměnit úspěšný nápad v opakovatelný workflow
- 📣 Hlasový komentář a balení dema do přesvědčivého celku
- 🏢 Co si z toho mohou odnést firmy napříč obory
- 🌐 Proč je práce s veřejnou zpětnou vazbou strategickou výhodou
- ⚙️ Codex jako partner, ne jen nástroj na psaní kódu
- 📈 Co tento přístup vypovídá o budoucnosti solution engineeringu
- 📝 Praktické principy, které si z toho beru
- 🚀 Proč je to důležité právě teď
🔍 Solution engineer nestaví jen řešení, ale hlavně porozumění
Stephanie Anani popisuje svou práci velmi jednoduše, ale přesně. Velkou část její role netvoří jen samotné budování řešení, ale i hluboké pochopení prostředí zákazníka. To je důležitý moment, protože v praxi bývá lákavé soustředit se především na technologii.
Jenže zákazníci většinou nechtějí slyšet abstraktní popisy modelů, agentů nebo automatizace. Chtějí vědět, zda se díky AI zlepší zkušenost jejich klientů, zrychlí interní procesy nebo odhalí přehlížené příležitosti. Jinými slovy, nezajímá je jen to, co nástroj umí obecně. Zajímá je, co umí pro ně.
Proto je solution engineering do velké míry disciplína založená na překladu. Technické schopnosti je třeba převést do obchodního a produktového jazyka. Nejde o zjednodušení za každou cenu, ale o zasazení technologie do reality firmy.
Právě zde může Codex fungovat jako partner. Nepůsobí jen jako pomocník při psaní kódu, ale jako nástroj pro práci s neorganizovaným kontextem. A to je v podnikových scénářích mimořádně cenné.
🧩 Co vlastně znamená „udělat AI hmatatelnou“
Když se mluví o tom, že je potřeba udělat AI hmatatelnou, nejde jen o hezkou prezentaci. Znamená to převést potenciál technologie do něčeho, na co lze přímo reagovat.
Místo obecné věty typu „náš model umí analyzovat zákaznickou zpětnou vazbu“ je mnohem silnější ukázat:
- co přesně zákazníci dané firmy opakovaně řeší,
- jaké slabiny se objevují v recenzích,
- které požadavky se vracejí nejčastěji,
- jak by se tyto poznatky propsaly do podoby webu nebo produktu,
- a jak rychle lze podobné změny navrhnout a demonstrovat.
Takový přístup mění dynamiku rozhovoru. Místo debat o hypotetických možnostech se jedná nad konkrétním materiálem. Zákazník neřeší teorii, ale vlastní realitu.
To je mimochodem princip, který se objevuje i v jiných oblastech digitální transformace. Například při návrhu uživatelských zkušeností nebo při produktovém výzkumu se osvědčuje vycházet z reálného chování a reálné zpětné vazby. Stejnou logiku lze uplatnit i u AI.
📥 Surový kontext jako vstup: e-maily, produktové informace, signály z trhu i recenze
Jedna z nejzajímavějších myšlenek v popsaném pracovním postupu je to, že Codex nepomáhá jen s jedním čistým typem dat. Naopak si dobře poradí se směsí různých vstupů, které bývají nepořádné, nejednotné a často roztříštěné.
Mezi typické zdroje patří:
- zákaznické e-maily, kde se skrývají opakující se otázky, stížnosti i obchodní signály,
- oborové signály, tedy to, co se děje na trhu a jak se mění očekávání zákazníků,
- produktové informace, které určují, co je firma schopna dodat,
- veřejné recenze, například z Trustpilotu, kde bývá vidět upřímná reakce lidí na zkušenost se značkou.
Právě schopnost pracovat s tímto „surovým kontextem“ je důvod, proč může být AI tak užitečná v předprodejní fázi. V běžném režimu by člověk musel tyto materiály ručně procházet, třídit, sumarizovat a pak z nich vyvozovat návrhy. To je pomalé a často i neúplné.
Codex tento proces zrychluje. Umožní získat přehled o tom, co zákazníci skutečně říkají, co se opakuje a kde jsou nejsilnější příležitosti ke zlepšení. Výsledek pak není jen souhrn, ale základ pro další krok.
Pokud firma pracuje s recenzemi ve větším měřítku, může být užitečné sledovat i osvědčené principy zákaznické zkušenosti, které shrnuje například Harvard Business Review v tématu customer experience. AI sama o sobě problém nevyřeší, ale může velmi dobře odhalit, kde problém skutečně je.
⭐ Analýza Trustpilot recenzí jako rychlá cesta k hlasu zákazníka
Stephanie uvádí konkrétní příklad, který je velmi praktický. Použije Codex k analýze recenzí na Trustpilotu. Na první pohled jde o jednoduchý krok, ale jeho význam je větší, než se může zdát.
Trustpilot a podobné platformy představují veřejně dostupný zdroj zákaznického sentimentu. Lidé zde obvykle popisují, co se jim líbilo, co jim vadilo a co by chtěli jinak. Tato data mají několik výhod:
- jsou poměrně spontánní,
- často odhalují konkrétní třecí plochy,
- obsahují jazyk skutečných zákazníků, nikoli interní firemní formulace,
- umožňují najít vzorce napříč větším množstvím zkušeností.
Když Codex nad takovým souborem provede analýzu, může pomoci identifikovat opakující se témata. Například problémy s orientací na webu, nejasnosti kolem cen, složitost objednávky nebo nedostatek informací o produktu. Důležité ale je, že nejde jen o analytiku pro analytiku.
Tento výstup se okamžitě stává podkladem pro další návrh. Pokud zákazníci opakovaně říkají, že na webu obtížně hledají určitou informaci, lze rovnou připravit ukázku, jak by mohl web vypadat po úpravě. Tím se z komentářů stává velmi konkrétní vstup pro produktové a designové rozhodování.
Podobný princip používá i obor výzkumu uživatelské zkušenosti. Nielsen Norman Group dlouhodobě upozorňuje, že přímá zpětná vazba od uživatelů je cenná hlavně tehdy, když se promění v konkrétní změny. Právě v tomto bodě může AI výrazně urychlit cestu od poznatku k návrhu.
🛠️ Od analýzy k akci: maketa zákaznického webu během krátké chvíle
Samotná analýza by nestačila. To nejdůležitější přichází v dalším kroku, kdy Stephanie použije Codex k vytvoření makety zákaznického webu. Smyslem není připravit finální produkční řešení, ale rychle demonstrovat, jak snadné může být zapracovat změny, které si zákazníci přejí.
Tento přístup je silný hned z několika důvodů.
Konkrétní problémy dostanou konkrétní podobu
Místo obecného doporučení typu „zlepšete navigaci“ vznikne návrh stránky, rozložení nebo textace, který reaguje na konkrétní stížnosti či přání. To je mnohem přesvědčivější než seznam doporučení v dokumentu.
Hodnota technologie je vidět v prostředí zákazníka
AI nepůsobí jako něco odděleného od běžného byznysu. Je zasazena přímo do webu, produktu nebo služby dané firmy. To mění vnímání celé ukázky. Nejde o technologii pro technologii, ale o nástroj řešící jasný problém.
Rychlost podporuje kreativitu
Když lze návrhy připravovat rychle, otevírá se prostor pro experiment. Je možné zkusit více variant, porovnat různé směry a ladit detaily bez vysokých nákladů na první iteraci.
V mnoha firmách je právě tato fáze úzkým hrdlem. Nápady existují, zpětná vazba také, ale cesta k první vizuální nebo funkční ukázce trvá příliš dlouho. Codex zde může sloužit jako most mezi analýzou a prototypem.
💡 Proč zákazníci podobné ukázky oceňují
Stephanie zmiňuje, že zákazníci na tento způsob práce reagují velmi pozitivně. Mně to dává velký smysl, protože firmy obvykle nechtějí jen slyšet, že jejich problémy někdo chápe. Chtějí vidět, že se s nimi dá něco konkrétního udělat.
Když se vezmou jejich specifické výzvy a přímo se ukáže, jak technologie pomáhá, vzniká mnohem silnější důvěra. Důvody jsou podle mě hlavně tyto:
- relevance , ukázka vychází z jejich vlastního prostředí,
- rychlost , změny je možné demonstrovat bez dlouhých příprav,
- srozumitelnost , výsledky se lépe chápou než abstraktní technické popisy,
- důkaz proveditelnosti , AI nepůsobí jako slib, ale jako něco uskutečnitelného,
- emoční efekt , když firma pozná vlastní situaci ve vytvořeném návrhu, snadněji si představí reálný přínos.
Tohle je mimochodem velmi důležitý aspekt enterprise AI. Přijetí nové technologie nebývá jen technická otázka. Je to i otázka důvěry, vnitřního souhlasu a schopnosti představit si budoucí stav. Dobře zacílený prototyp tento proces výrazně usnadňuje.
🧠 „Light bulb moments“ a proč na nich záleží
Stephanie mluví o momentech, kdy Codex provede nějaký úkol tak přesně a elegantně, že se objeví ten známý pocit náhlého prozření. Takové chvíle jsou při práci s AI překvapivě důležité.
Nejde jen o wow efekt. Tyto momenty ukazují, že byl nalezen opravdu užitečný pracovní vzorec. Něco, co není jednorázovým trikem, ale kandidátem na opakované použití. V praxi se totiž hodnota AI často neodvíjí od jedné velké demonstrace, ale od schopnosti zachytit malé úspěšné postupy a proměnit je ve standardní workflow.
Když se podaří rozpoznat, že určitý způsob zadání, kombinace vstupů nebo typ výstupu funguje mimořádně dobře, je škoda začínat příště od nuly. A právě tady přichází na řadu koncept dovedností neboli skills.
🧰 Skills jako způsob, jak proměnit úspěšný nápad v opakovatelný workflow
Stephanie popisuje skills jako prostředek, jak si zachytit povedený moment práce s Codexem a začlenit ho do průběžných pracovních postupů. To je podle mě jeden z nejpraktičtějších nápadů v celém sdělení.
V mnoha týmech se stává, že někdo jednou vytvoří skvělý prompt, najde dobrý proces nebo dostane výborný výsledek, ale tento úspěch zůstane izolovaný. Po týdnu už si nikdo nepamatuje přesný postup, po měsíci ho ostatní neumějí zopakovat a po čase se ztratí úplně.
Pokud však podobný úspěch zachytím jako skill, získám několik výhod:
- mohu se k němu vracet bez zbytečného hledání,
- výsledky jsou konzistentnější,
- ušetřím čas při opakovaných úlohách,
- snadněji sdílím osvědčené postupy v týmu,
- AI se stává součástí procesu, ne jen příležitostným experimentem.
To je mimořádně důležité zejména ve firmách, které chtějí AI škálovat. Jednotlivé úspěchy nestačí. Potřeba je systém, ve kterém se dobré postupy ukládají, opakují a postupně zlepšují.
Podobná logika ostatně funguje i v softwarovém inženýrství obecně. Osvědčené vzory, šablony a znovupoužitelné komponenty pomáhají zvyšovat kvalitu i rychlost. Skills převádějí tento princip i do práce s AI.
📣 Hlasový komentář a balení dema do přesvědčivého celku
V popisu videa zaznívá ještě jedna důležitá součást pracovního postupu. Výsledné demo lze zabalit i s hlasovým komentářem, který provede zákazníka navrženými změnami a vysvětlí jejich smysl.
Tohle je cenné, protože dobré demo není jen soubor obrazovek nebo vygenerovaného kódu. Potřebuje i příběh. Je třeba propojit:
- z jakých vstupů návrh vychází,
- jaké problémy byly identifikovány,
- jaké změny byly navrženy,
- jaký dopad by mohly mít na zákaznickou zkušenost.
Hlasový doprovod nebo vysvětlující prezentace pomáhají vytvořit souvislosti. Zákazník pak nevidí jen to, co bylo změněno, ale i proč to bylo změněno. A právě významová vrstva bývá při rozhodování o adopci AI klíčová.
V profesionálních týmech to navíc podporuje asynchronní spolupráci. Demo nemusí být vázáno na jeden živý okamžik. Může putovat mezi stakeholdery, kteří si udělají obrázek i bez dlouhého úvodního kontextu.
🏢 Co si z toho mohou odnést firmy napříč obory
Ačkoli je příklad zasazený do role solution engineera, principy jsou použitelné mnohem šířeji. Vlastně vidím několik týmů, pro které může být takový přístup velmi přínosný.
Produktové týmy
Mohou rychleji převádět zpětnou vazbu do návrhů rozhraní, priorit funkcí a experimentálních maket.
Marketingové týmy
Mohou z recenzí a e-mailů získávat přesnější jazyk zákazníků a upravovat komunikaci tak, aby odpovídala skutečným otázkám a obavám.
Zákaznická podpora
Může lépe odhalovat opakující se problémy a navrhovat změny v samoobsluze, nápovědě nebo onboardingových materiálech.
Pre-sales a obchodní týmy
Mohou připravovat personalizovaná dema, která místo obecných slibů ukazují konkrétní přínos pro danou firmu.
Design a UX specialisté
Mohou rychleji testovat alternativy řešení a opírat se přitom o reálné vstupy z trhu.
Společným jmenovatelem je jedno. AI dává největší smysl tam, kde pomáhá zkrátit cestu od nejasného problému ke konkrétnímu návrhu.
🌐 Proč je práce s veřejnou zpětnou vazbou strategickou výhodou
Veřejné recenze bývají někdy podceňované, protože nejsou dokonale strukturované. Jenže právě v tom je jejich síla. Obsahují autentický jazyk, spontánní reakce a často i podněty, které by se do interních reportů vůbec nedostaly.
Pokud firma dokáže tyto informace pravidelně analyzovat, může získat lepší přehled o tom:
- co zákazníci oceňují nejvíce,
- kde vzniká frustrace,
- jaké problémy se opakují napříč segmenty,
- co lidé očekávají od digitální zkušenosti,
- které změny by měly největší praktický dopad.
Codex v tomto scénáři není jen analytický nástroj. Pomáhá tento hlas zákazníka převést do něčeho použitelného. Tedy do návrhu, který je možné ukázat, upravit a dále rozvíjet.
Pro širší kontext práce se zákaznickou zpětnou vazbou může být užitečné i téma customer feedback management, které popisuje, jak firmy systematicky sbírají a vyhodnocují podněty od zákazníků. AI tento proces nezastupuje, ale výrazně ho urychluje.
⚙️ Codex jako partner, ne jen nástroj na psaní kódu
Na celé ukázce mě zaujalo ještě něco. Codex je zde představen jako partner v různých typech kontextu. To je podstatný posun oproti úzkému vnímání AI jako asistenta pro programátory.
Ano, tvorba kódu a prototypů je důležitá. Jenže stejně důležitá je práce předtím a kolem toho:
- porozumění problému,
- syntéza různých zdrojů informací,
- identifikace vzorců,
- návrh změn,
- příprava srozumitelné ukázky pro další rozhodování.
Pokud AI zvládá pomáhat napříč tímto celým řetězcem, její hodnota dramaticky roste. Už nejde jen o akceleraci jedné technické činnosti, ale o podporu celého procesu, který vede od poznání k rozhodnutí.
Právě proto mi dává smysl používat slovo partner. Neznamená to, že AI přebírá odpovědnost nebo strategické myšlení. Znamená to, že výrazně rozšiřuje kapacitu člověka pracovat s komplexitou.
📈 Co tento přístup vypovídá o budoucnosti solution engineeringu
Role solution engineerů se bude podle mě dál posouvat směrem ke kombinaci technické zdatnosti, obchodního porozumění a schopnosti pracovat s AI jako se spolupracovníkem. Nestačí jen umět něco nasadit. Bude stále důležitější umět:
- rychle pochopit kontext zákazníka,
- rozlišit signál od šumu v neorganizovaných datech,
- převést insighty do prototypu nebo dema,
- vysvětlit přínos v jazyce zákaznické hodnoty,
- opakovaně zachycovat a škálovat úspěšné pracovní postupy.
Tento posun je v souladu s širším vývojem AI nástrojů v byznysu. Úspěšné týmy nebudou vyhrávat jen díky přístupu k modelům, ale díky tomu, jak dobře tyto modely zapojí do každodenních workflow.
Ostatně i řada analýz od firem jako McKinsey nebo Gartner dlouhodobě ukazuje, že největší hodnota AI vzniká tam, kde je propojena s konkrétními procesy a měřitelnými cíli. Přesně to tento způsob práce ilustruje.
📝 Praktické principy, které si z toho beru
Z popsaného přístupu vyplývá několik velmi praktických zásad. Kdybych je měl shrnout do přenosné podoby, vypadaly by takto:
- Začínat u reality zákazníka. Ne u funkcí nástroje, ale u skutečných problémů, potřeb a signálů z trhu.
- Pracovat se surovým kontextem. E-maily, recenze, produktové informace i oborové dění dávají dohromady mnohem silnější obrázek než jeden izolovaný zdroj.
- Převádět insighty do něčeho viditelného. Analýza má největší sílu ve chvíli, kdy vede k maketě, návrhu nebo prototypu.
- Ukazovat změny v prostředí zákazníka. Personalizace dema výrazně zvyšuje důvěru i pochopení.
- Zachytávat úspěšné postupy jako skills. To, co jednou fungovalo výborně, by se mělo dát snadno zopakovat.
- Budovat příběh kolem řešení. Samotný výstup nestačí. Potřebuje kontext, vysvětlení a návaznost na obchodní cíl.
Na těchto zásadách se mi líbí hlavně to, že nejsou závislé na jednom úzkém scénáři. Lze je použít v enterprise softwaru, e-commerce, SaaS i v interních firemních procesech.
🚀 Proč je to důležité právě teď
Dnes už většina firem ví, že AI může být užitečná. Mnohem méně firem ale skutečně ví, jak její hodnotu předvést tak, aby byla uvěřitelná, rychlá a zasazená do konkrétního kontextu. Právě tady vidím největší přínos popsaného přístupu.
Nejde o okázalé sliby. Jde o disciplinovanou práci s kontextem, zpětnou vazbou a prototypováním. Codex zde nevystupuje jako kouzelná skříňka, ale jako urychlovač porozumění a realizace. Pomáhá vzít neuspořádané vstupy, proměnit je v poznatky a ty pak okamžitě přetavit do podoby, na kterou lze reagovat.
A to je nakonec možná nejdůležitější lekce. V podnikové AI často nevyhrává ten, kdo má nejhlasitější vizi. Vyhrává ten, kdo dokáže rychle a srozumitelně ukázat, jak technologie zlepší konkrétní zkušenost konkrétních lidí.
Pokud se to podaří, AI přestává být abstraktním příslibem budoucnosti. Stává se praktickým partnerem pro dnešní práci.
Zdroj videa: Codex for Solutions Engineers: Making AI Tangible for Customers
