Umělá inteligence se ve firmách často prezentuje jako velká strategie, transformační plán nebo další bod na poradě vedení. Jenže v praxi bývá rozhodující něco mnohem prostšího. Každodenní návyk. Pravidelná práce s nástroji. Ochota zkoušet, dělat chyby a rychle se učit.
Právě na tom stojí pondělní ranní rutina Steva Haskera, šéfa Thomson Reuters. Není to okázalý systém ani složitý framework. Je to soubor konkrétních kroků, které propojují AI nástroje, přehled o dění ve světě a nepřetržitou zpětnou vazbu od týmu. Výsledkem není jen lepší příprava na pracovní týden, ale i způsob, jak řídit rozsáhlou technologickou změnu uvnitř organizace.
Zpráva, která z toho vychází, je překvapivě lidská. V době generativní AI nevyhrává ten, kdo má nejhlasitější slogan o inovacích, ale ten, kdo si vytvoří disciplinu kolem učení. Haskerův přístup ukazuje, že zavádění AI ve velké firmě nezačíná u prezentací, ale u osobního příkladu.
Thomson Reuters patří mezi společnosti, které dlouhodobě pracují s informacemi, právními daty, mediálním obsahem a profesionálními workflow. Právě proto je zajímavé sledovat, jak jejich vedení přemýšlí o AI adopci. Ne jako o jednorázovém projektu, ale jako o průběžné změně způsobu práce.
Co tedy tato AI rutina obsahuje, proč dává smysl a co si z ní může odnést kdokoli, kdo vede tým nebo chce pracovat chytřeji? Níže rozebírám hlavní principy.
Obsah
- 🤖 AI transformace podle Haskera není o teorii, ale o společném učení
- 📅 Pondělní ráno začíná používáním AI nástrojů na vlastních úkolech
- 📰 Přehled o světě je součást produktivní AI rutiny
- 🧠 Autenticita jako podmínka úspěšné AI adopce
- 📈 Nejrychleji se učí ti, kteří se hýbou jako první a dělají chyby
- 👥 Trvalý dialog s týmy, zákazníky, partnery i konkurencí
- 🛠️ Jak vypadá praktická AI rutina, kterou lze převzít i mimo velkou korporaci
- ⚠️ Přínosy i pasti. Proč nestačí AI jen zapnout
- 🚀 Co tato rutina říká o budoucnosti práce s AI
- ✅ Hlavní lekce z AI rutiny CEO Thomson Reuters
🤖 AI transformace podle Haskera není o teorii, ale o společném učení
Nejdůležitější myšlenka celé rutiny je jednoduchá: všichni se teprve učí. To platí pro vedení firmy, týmy, partnery i zákazníky. Hasker otevřeně popisuje současné zavádění AI ve Thomson Reuters jako společnou cestu učení. A právě tato formulace je důležitější, než se může zdát.
V mnoha firmách totiž vzniká při adopci AI falešný tlak na to, aby vedení působilo, že už má všechny odpovědi. Jenže u technologie, která se mění z měsíce na měsíc, je taková pozice spíš slabinou. Pokud se manažeři tváří, že přesně vědí, kam vše směřuje, často přehlédnou praktické lekce z každodenního provozu.
Hasker naopak staví na autentičnosti. U tak široké transformace je podle něj zásadní, aby vedoucí lidé sami nástroje skutečně používali. Nestačí schválit rozpočet, zadat pilotní projekt nebo chtít reporty o efektivitě. Důležité je vstoupit do procesu osobně.
Tento přístup odpovídá i tomu, co dnes doporučuje řada odborných zdrojů k řízení změny. Například Harvard Business Review opakovaně upozorňuje, že technologická transformace uspěje častěji tehdy, když lídři sami modelují požadované chování. U AI to platí dvojnásob, protože lidé potřebují nejen instrukce, ale i konkrétní příklad, jak s nástroji pracovat bezpečně a smysluplně.
Je v tom i důležitý kulturní rozměr. Když šéf firmy přizná, že se také učí, dává tím týmům prostor experimentovat bez zbytečného strachu. To neznamená rezignaci na kvalitu. Znamená to zdravé nastavení: testovat, vyhodnocovat, zlepšovat.
Pro rozsáhlé zavádění AI je to možná ten nejpraktičtější rámec:
- nikdo ještě nemá hotovo,
- učení je průběžné,
- osobní zkušenost je cennější než vzdálené řízení,
- chyby jsou zdrojem poznání, pokud se rychle zpracují.
📅 Pondělní ráno začíná používáním AI nástrojů na vlastních úkolech
Nejkonkrétnější část celé rutiny přichází hned na začátku týdne. Hasker říká, že první věc, kterou v pondělí ráno dělá, je práce s AI nástroji. To je zásadní detail. Nejde o občasné testování nebo symbolické vyzkoušení novinky. AI je zabudovaná přímo do jeho pracovního startu.
Tím se z ní stává něco jiného než technologický doplněk. Je to pracovní vrstva, která pomáhá s orientací, prioritizací a přípravou na rozhodování. Takový přístup odpovídá trendu, který se čím dál častěji objevuje u vedoucích pracovníků: generativní AI jako osobní provozní asistent pro začátek dne.
Hasker tuto rutinu popisuje velmi prakticky. Využívá AI k analýze dokumentů pro daný den nebo celý týden. Prochází si kalendář, získává z něj poznatky a připravuje se na schůzky a další závazky. Jinými slovy, neřeší jen obsah práce, ale i strukturu času.
To je mimochodem jedna z nejzajímavějších oblastí, kde mohou GPT nástroje přinést okamžitou hodnotu. Nemusí nutně vymýšlet nové strategie. Často stačí, že pomohou:
- shrnovat podklady,
- vytahovat klíčové body z delších dokumentů,
- identifikovat otevřené otázky před schůzkou,
- porovnat priority v kalendáři,
- připravit stručný briefing na celý týden.
Právě tady je Haskerova rutina zajímavá i pro běžnou praxi mimo nejvyšší management. Nepopisuje futuristický scénář. Ukazuje realistické použití AI v administrativně a informačně náročném prostředí. A to je oblast, kde lze přínos pocítit velmi rychle.
Pokud člověk vede tým, rozhoduje o prioritách nebo pracuje s velkým objemem dokumentace, pondělní AI příprava může přinést několik okamžitých efektů:
- Lepší orientaci v tom, co je skutečně důležité.
- Rychlejší zpracování podkladů před poradami a rozhodnutími.
- Větší konzistenci v přípravě na týden.
- Nižší mentální zahlcení při přechodu z víkendu do pracovního režimu.
Je ale fér dodat, že tento přístup dává smysl jen tehdy, když je doplněn o rozumnou kontrolu výstupů. AI může pomoci s přípravou, ale nenahrazuje úsudek. U citlivých dat, právních dokumentů nebo rozhodnutí s vysokým dopadem musí zůstat lidská verifikace samozřejmostí.
Ostatně i Thomson Reuters působí v oblastech, kde přesnost a důvěryhodnost hrají mimořádně důležitou roli. O to cennější je, že se zde AI neprezentuje jako náhrada člověka, ale jako nástroj pro lepší práci.
📰 Přehled o světě je součást produktivní AI rutiny
Vedle práce s GPT nástroji zařazuje Hasker do pondělního rána i informační orientaci. Poslouchá Reuters News World Podcast, který je připravován převážně ve Velké Británii, takže je ráno včas dostupný. Smysl tohoto kroku je jasný: získat rychlý přehled o zásadních událostech ve světě.
Na první pohled to může působit jako detail, ale ve skutečnosti jde o podstatnou součást celé rutiny. AI sama o sobě nestačí, pokud člověk nemá kontext. A kontext dnes vzniká z kombinace interních priorit a externího dění.
Hasker zmiňuje témata jako aktuální zprávy, geopolitika a konflikty. To dává logiku. Vedoucí pracovník ve firmě s globálním dosahem potřebuje chápat, co se odehrává mimo podnik, protože vnější události ovlivňují trhy, zákaznické potřeby, rizika i rozhodování uvnitř organizace.
Tady je důležitá širší lekce. Produktivita není jen o tom, jak rychle zpracovat úkoly. Je také o tom, zda člověk pracuje ve správném kontextu. Pokud AI pomáhá zpracovat kalendář a dokumenty, pak kvalitní zpravodajský přehled pomáhá správně interpretovat, co z toho je opravdu podstatné.
Reuters jako zpravodajská značka dlouhodobě patří mezi klíčové globální zdroje informací. Pro širší kontext lze sledovat i samotný web Reuters, který nabízí průběžné mezinárodní zpravodajství. Smyslem ale není konkrétní médium napodobit do posledního detailu. Důležitější je princip: začít týden se stručným, důvěryhodným přehledem o světě.
Tento krok má několik praktických výhod:
- pomáhá rychle zachytit makroekonomické nebo geopolitické změny,
- dodává rámec pro interní rozhodnutí,
- snižuje riziko, že člověk pracuje izolovaně od reality trhu,
- umožňuje lépe číst signály od zákazníků a partnerů.
Je pozoruhodné, že Hasker nespoléhá jen na interní data a AI nástroje, ale propojuje je s externím zpravodajským vstupem. To je zdravý model. Umělá inteligence bez kvalitního vstupu může jen efektivněji zpracovávat neúplný obraz.
🧠 Autenticita jako podmínka úspěšné AI adopce
Když Hasker mluví o široké transformaci spojené s AI, za klíčové označuje autenticitu. V podnikové praxi se toto slovo používá často, ale tady má velmi konkrétní význam. Znamená, že vedení musí opravdu dělat to, co od ostatních očekává.
Autentický přístup k AI se dá podle jeho rutiny chápat takto:
- nástroje se nepředvádějí jen na pódiu nebo v interních prezentacích,
- vedení je používá na vlastní práci,
- o přínosech i slabinách se mluví otevřeně,
- zkušenosti se sdílejí průběžně, ne až po dokončení projektu.
Tento bod je mimořádně důležitý pro firemní kulturu. Pokud zaměstnanci cítí, že AI je jen další shora nařízená iniciativa bez skutečného zájmu vedení, obvykle se dostaví pasivní odpor. Někdo nástroj formálně vyzkouší, jiný si odškrtne školení, ale reálná změna chování nepřijde.
Naopak když je zřejmé, že i CEO aktivně řeší, jak pomocí AI analyzovat dokumenty nebo připravit den, z AI se stává legitimní součást práce. To vytváří prostor pro otevřenější diskusi o tom, co funguje, co nefunguje a kde jsou rizika.
Autenticita má ještě jeden efekt. Snižuje přehnaná očekávání. Místo velkých slibů vzniká realistický dialog. AI někde šetří čas, jinde vyžaduje kontrolu, někdy nabídne překvapivě užitečný pohled a jindy udělá chybu. Takové prostředí je mnohem zdravější než slepý technooptimismus.
Pro vedení firem je to silná připomínka, že adopce AI není komunikační kampaň. Je to každodenní operační chování. A to se nedá delegovat pouze na inovační tým nebo IT oddělení.
📈 Nejrychleji se učí ti, kteří se hýbou jako první a dělají chyby
Další výrazná část Haskerova pohledu se týká tempa učení. Zajímá ho, kdo je mezi prvními tahouny, kdo postupuje nejrychleji a kdo dělá nejvíce chyb. Ne proto, aby tyto chyby trestal, ale protože právě tam vzniká nejvíce lekcí.
To je jedna z nejzdravějších vět, které lze o AI adopci ve velké firmě říct. V rané fázi nové technologie často nevyhrává ten, kdo čeká na dokonalé podmínky. Výhodu získává ten, kdo bezpečně experimentuje, rychle vyhodnocuje a umí přenést zjištění dál do organizace.
Samozřejmě je potřeba rozlišovat mezi produktivním experimentem a bezhlavým nasazením. V regulovaných odvětvích, právních procesech nebo při práci s citlivými daty nelze stavět na chaosu. Haskerův důraz ale směřuje jinam: chyba nemusí být selhání, pokud vede k urychlenému učení.
To má zásadní dopad na to, jak by firmy měly měřit pokrok v AI. Nestačí sledovat počet licencí, spuštěných pilotů nebo interních školení. Je užitečnější sledovat například:
- kde se AI používá opakovaně, ne jen jednorázově,
- které týmy objevily konkrétní časové úspory,
- jaké chyby se objevují nejčastěji,
- zda se poznatky sdílejí napříč firmou,
- které use cases mají skutečný provozní dopad.
V tomto směru připomíná Haskerův přístup principy tzv. learning organization, tedy organizace, která se učí v pohybu. Známý odborný rámec kolem firemního učení rozvíjí třeba MIT Sloan, kde se dlouhodobě řeší, jak firmy převádějí experimentování do systematického zlepšování.
Na AI je navíc zajímavé, že rozdíly mezi týmy mohou být obrovské. Někde se nástroje uchytí okamžitě, jinde zůstávají na okraji. Proto dává smysl hledat uvnitř firmy takzvané rané hybatele a od nich sbírat konkrétní zkušenosti. Tito lidé často odhalí nejen příležitosti, ale i limity, které z centrály nejsou vidět.
Hasker tím vlastně navrhuje velmi praktické pravidlo: nesoustředit se jen na dokonalé případy použití, ale aktivně hledat místa, kde vzniká nejvíce učení. Tam se rodí náskok.
👥 Trvalý dialog s týmy, zákazníky, partnery i konkurencí
Součástí Haskerovy rutiny není jen osobní práce s nástroji, ale i soustavné dotazování na to, co jeho tým vidí a slyší. Zajímají ho poznatky od kolegů, konkurentů, zákazníků i partnerů. Cílem je vracet tyto poznatky zpět do firmy a tím zrychlovat vlastní cestu.
Tahle část je pro firemní AI strategii mimořádně důležitá, protože připomíná, že adopce neprobíhá ve vakuu. Každá organizace se učí v ekosystému. Co funguje zákazníkům, může naznačit nový produktový směr. Co zkouší konkurence, může odhalit změnu tempa trhu. Co řeší partneři, může upozornit na budoucí integrační potřeby.
Jinými slovy, AI vedení není pouze interní disciplína. Je to i schopnost sbírat signály z okolí a rychle je převádět do praxe.
Na Haskerově přístupu je cenné, že neupřednostňuje jediný zdroj pravdy. Nespoléhá jen na interní dashboardy ani jen na externí trendy. Kombinuje:
- osobní zkušenost s nástroji,
- zpětnou vazbu týmu,
- pozorování konkurence,
- signály od zákazníků,
- podněty od partnerů.
Tak vzniká robustnější obraz toho, kde AI skutečně vytváří hodnotu a kde jsou jen marketingová očekávání. Pro organizace je to důležitá obrana proti dvěma extrémům. Prvním je nekritické nadšení, druhým paralýza z přemíry opatrnosti.
Průběžný dialog má navíc silný praktický efekt. Zrychluje šíření znalostí. Pokud se například některý tým naučí lépe pracovat s dokumentovou analýzou, může tento postup rychle převzít další oddělení. Pokud zákazníci upozorňují na slabinu určitého workflow, firma může dříve upravit produkt nebo proces.
V širším smyslu jde o princip networked learning. Znalosti nevznikají jen uvnitř jedné role nebo jednoho oddělení, ale v síti vztahů. U AI, která se vyvíjí mimořádně rychle, je tato schopnost sdíleného učení často cennější než jakýkoli statický manuál.
🛠️ Jak vypadá praktická AI rutina, kterou lze převzít i mimo velkou korporaci
Přestože Hasker mluví z pozice CEO globální firmy, jeho rutina je překvapivě přenositelná. Není založená na exkluzivním interním systému, ale na několika univerzálních návycích. Kdokoli, kdo chce pracovat s AI chytřeji, si z ní může vzít inspiraci.
Když ji převedu do jednoduché podoby, pondělní AI rutina může vypadat takto:
- Získat rychlý přehled o dění ve světě. Stačí stručný a důvěryhodný zpravodajský souhrn.
- Otevřít AI nástroj hned na začátku dne. Ne čekat, až zbude čas.
- Nechat si shrnout klíčové dokumenty a podklady. Zvlášť ty, které se vážou k rozhodnutím a schůzkám.
- Projít kalendář a vytvořit si briefing na den nebo týden.
- Zaznamenat si otázky, rizika a nejasnosti. AI může pomoci odhalit slepá místa.
- Mluvit s týmem o tom, co funguje a co ne.
- Pravidelně sbírat signály z trhu. Zákazníci, partneři a konkurence často ukážou směr dříve než interní report.
Důležitá je pravidelnost. Velká část hodnoty nevzniká z jednorázového geniálního promptu, ale z opakovaného používání. Teprve při pravidelné práci člověk zjistí, kde AI šetří čas, kde je potřeba změnit zadání a kde je lepší spolehnout se na vlastní zpracování.
Pro menší firmy nebo samostatné profesionály může být tento model dokonce snazší než pro korporace. Mají kratší rozhodovací linie, méně interních bariér a rychleji poznají dopad nového nástroje na vlastní produktivitu.
Jednoduché otázky pro pondělní AI přípravu
Pokud si chce člověk vytvořit podobný zvyk, může si každé pondělí položit několik základních otázek:
- Jaké tři události z vnějšího světa mohou tento týden ovlivnit mou práci?
- Které dokumenty potřebuji pochopit rychleji a lépe?
- Na které schůzky se potřebuji připravit hlouběji?
- Kde mi AI opravdu pomůže a kde bych jí neměl slepě věřit?
- Co jsem se minulý týden naučil o používání nástroje?
- Jakou zkušenost od kolegů nebo zákazníků bych měl zachytit a předat dál?
Taková sada otázek pomáhá držet AI v roli užitečného pracovního partnera, ne rozptylující novinky.
⚠️ Přínosy i pasti. Proč nestačí AI jen zapnout
Hasker doporučuje ponořit se do práce s nástroji a mluvit o jejich přínosech i úskalích. A právě slovo úskalí je tady podstatné. Rozumná AI rutina není postavená na nekritické důvěře. Musí počítat s limity.
V praxi se nejčastěji objevují tyto problémy:
- Přesvědčivé, ale nepřesné výstupy. Generativní model může působit jistě i tam, kde si vymýšlí.
- Ztráta kontextu. Shrnutí může vynechat důležitou nuanci, která je pro rozhodnutí zásadní.
- Příliš obecné odpovědi. Bez dobrého zadání bývá výsledek mělký.
- Rizika kolem dat. U citlivých informací je nutné respektovat interní pravidla a bezpečnostní režimy.
- Falešný pocit produktivity. Člověk může mít dojem, že postupuje rychleji, ale ve skutečnosti jen přesouvá kontrolu na pozdější fázi.
Právě proto je cenné, že Hasker nevytváří obraz bezchybného nástroje. Mluví o stálém dialogu o benefitech, nástrahách a lekcích. To je zdravější než jakýkoli interní hype.
Bezpečné a účelné používání generativní AI dnes řeší řada institucí. Uživatelsky srozumitelný přehled rizik a zásad nabízí například NIST, který se věnuje standardům a řízení technologických rizik. Nejde o to zavést zbytečnou byrokracii. Jde o to, aby AI pomáhala, aniž by zvyšovala provozní nebo reputační riziko.
Haskerův přístup proto stojí na rozumné rovnováze:
- AI používat aktivně,
- zkušenosti sbírat průběžně,
- chyby neignorovat,
- poznatky sdílet rychle,
- udržet člověka v roli odpovědného rozhodovatele.
🚀 Co tato rutina říká o budoucnosti práce s AI
Na celé pondělní rutině je zajímavé ještě něco. Neukazuje AI jako oddělenou disciplínu, ale jako součást běžného manažerského provozu. To je pravděpodobně směr, kterým se bude práce ve znalostních profesích dál ubírat.
Místo otázky, zda AI používat, bude stále častější otázka, jak ji zabudovat do rytmu práce tak, aby zvyšovala kvalitu rozhodování. Haskerův model na to nabízí jasnou odpověď:
- začít u vlastního používání,
- propojit AI s informačním kontextem,
- sbírat lekce z chyb,
- udržovat otevřený dialog napříč organizací,
- zrychlovat učení přes sdílení zkušeností.
To je mnohem praktičtější než honba za jedním zázračným use casem. Firmy, které si vytvoří opakovatelný rytmus učení, budou mít pravděpodobně větší výhodu než ty, které vsadí na jednorázové nadšení kolem nové technologie.
Zvlášť důležité je to v prostředí, kde se AI rychle mění. Modely se zlepšují, nástroje přibývají, integrační možnosti rostou. V takovém světě se nevyplácí čekat na konečný stav. Lepší je mít proces, který umožní průběžně testovat a zlepšovat.
Haskerovo pondělí tedy není jen osobní pracovní zvyk. Je to malý obraz širšího přístupu k vedení v době generativní AI. V centru nestojí technologie sama o sobě, ale schopnost učit se rychleji a pravdivěji.
✅ Hlavní lekce z AI rutiny CEO Thomson Reuters
Když vše shrnu, z Haskerovy AI rutiny vystupuje několik velmi silných principů, které mají hodnotu daleko za hranicemi jedné firmy.
- AI adopce začíná osobním příkladem. Pokud lídr nástroje nepoužívá, těžko vznikne důvěryhodná změna.
- Pondělní příprava může být ideální moment pro práci s GPT. Shrnutí dokumentů, přehled kalendáře a příprava na týden patří mezi nejpraktičtější použití.
- Kontext je stejně důležitý jako samotný nástroj. Přehled o světovém dění pomáhá lépe vyhodnotit priority.
- Nejvíce se učí ti, kdo bezpečně experimentují. Chyby nejsou jen náklad, ale zdroj zrychleného poznání.
- Průběžný dialog je nezbytný. Týmy, zákazníci, partneři i konkurence poskytují signály, které mohou urychlit vlastní pokrok.
- Autenticita je klíčová. U rozsáhlé transformace nestačí rétorika, rozhoduje každodenní praxe.
Možná nejzajímavější na celé věci je, jak neokázale tato rutina působí. Žádná velká gesta. Žádný složitý systém. Jen zprávy, AI nástroje, dokumenty, kalendář a rozhovory s lidmi kolem sebe. Právě v tom ale spočívá její síla. Skutečná digitální změna často nevypadá dramaticky. Vypadá jako dobrý návyk, který se opakuje každý týden.
A pokud má mít generativní AI v práci skutečný dopad, přesně takové návyky budou pravděpodobně důležitější než další hlasitá předpověď o budoucnosti.
Související odkazy:
