Ve finančních institucích se dnes opakuje stejný problém. Týmy tráví obrovské množství času prací, která je nutná, ale sama o sobě nepřináší to nejcennější. Lidé sbírají podklady, hledají informace v důvěryhodných zdrojích, přepisují poznatky do tabulek, upravují modely, chystají prezentace a teprve potom se dostanou k tomu, co je skutečně důležité: k úsudku, rozhodnutí a odpovědnosti.
Právě tady se podle mě nejlépe ukazuje skutečný přínos moderní umělé inteligence. Nejde jen o to udělat stejnou práci rychleji. Jde o to posunout jednotlivce i celý podnik na vyšší úroveň fungování. Pokud zaměstnanec zvládne díky AI úkoly, které byly dříve příliš časově náročné nebo složité, nezískává jen produktivitu. Získává vyšší kapacitu přemýšlet, rozhodovat a vytvářet hodnotu.
Ve finančních službách je tento posun mimořádně důležitý. Práce je zde silně závislá na přesných datech, důvěryhodných zdrojích, auditovatelnosti, konzistentních procesech a schopnosti proměnit analýzu v konkrétní obchodní doporučení. Když se AI zapojí správně, může propojit všechny tyto části do jednoho plynulého pracovního postupu.
Níže rozebírám, jak takový přístup vypadá v praxi, proč je důležitý zejména pro banky, investiční týmy a další regulovaná prostředí, a jak může ChatGPT fungovat jako platforma pro každodenní práci jednotlivců i celých organizací.
Obsah
- 🏦 Proč je AI pro finanční služby jiná disciplína
- 📚 Kontext jako základ dobrého rozhodnutí
- 🧠 Vyšší schopnosti jednotlivců, ne jen vyšší rychlost
- 🔌 AI musí být tam, kde už lidé pracují
- 📈 Jak vypadá praktický investiční workflow s AI
- 🧮 Scénáře bear, base a bull během minut
- 📝 Od modelu k prezentaci pro investiční komisi
- 🔍 Auditovatelnost není detail, ale podmínka důvěry
- ⚙️ Proč jsou interní dovednosti a šablony tak důležité
- 📊 GPT-5 a měření výkonu ve finančních úlohách
- 🚀 Nasazení AI v organizaci není jen technický projekt
- 👤 Co zůstává lidem a proč je to dobře
- 💡 Co si z toho odnáším pro budoucnost práce
- ✅ Shrnutí: Jak AI skutečně posouvá práci ve financích
🏦 Proč je AI pro finanční služby jiná disciplína
Ve většině odvětví je možné část nepřesnosti tolerovat. Ve financích to obvykle neplatí. Každé investiční doporučení, každý model, každý podklad pro interní komisi nebo vedení musí stát na kvalitních a dohledatelných informacích.
To znamená, že už nestačí mít jen chytrý model, který umí hezky formulovat text. Potřeba je mnohem širší:
- Aktuální a důvěryhodný kontext, ze kterého AI vychází.
- Napojení na pracovní nástroje, které týmy používají každý den.
- Vestavěné procesní know-how, aby výstup odpovídal interním standardům.
- Auditovatelnost, tedy možnost ověřit zdroje, předpoklady i výpočty.
- Respekt k lidskému úsudku, protože finální rozhodnutí nemá dělat stroj.
Ve finančních institucích je tedy AI užitečná teprve tehdy, když zvládne víc než generovat text. Musí být schopná pracovat s odbornými zdroji, umět se pohybovat v tabulkách, připravit strukturované podklady a podpořit rozhodování bez toho, aby z ní vznikla nepřehledná černá skříňka.
Právě tento směr je dnes klíčový. Nejde o jednotlivé izolované funkce, ale o platformu, která se zapojí do celého pracovního řetězce od výzkumu až po rozhodnutí.
📚 Kontext jako základ dobrého rozhodnutí
Kvalita výstupu AI začíná kvalitou vstupů. To je ve finančním světě naprosto zásadní. Pokud má analytik připravit názor na konkrétní společnost, nestačí obecný přehled z internetu. Potřebuje přístup k důvěryhodným, aktuálním a odborně relevantním zdrojům.
Proto dává smysl napojení na zavedené informační zdroje, které jsou ve financích dlouhodobě považovány za standard. Mezi zmiňované příklady patří datové a informační služby jako Dow Jones, London Stock Exchange nebo S&P Global. Taková napojení pomáhají zajistit, aby AI nepracovala jen s obecným textem, ale s podklady, které odpovídají standardům finanční analýzy.
Kontext ale netvoří jen externí poskytovatelé dat. Důležité jsou také firemní dokumenty, interní šablony, osvědčené postupy a vybrané weby, kterým instituce důvěřuje. Výsledek je jednoduchý, ale velmi silný: místo přepínání mezi desítkami záložek může člověk zadat úkol v přirozeném jazyce a nechat AI, aby kontext systematicky sesbírala, uspořádala a připravila k dalšímu použití.
To je velký rozdíl proti běžnému používání generativní AI. Ve finančních službách totiž nejde jen o pohodlí. Jde o kvalitu rozhodovacího procesu.
🧠 Vyšší schopnosti jednotlivců, ne jen vyšší rychlost
Jedna z nejzajímavějších myšlenek je, že AI nemá pouze zrychlit stávající práci. Má zvýšit operační úroveň jednotlivce. To znamená, že člověk dokáže díky AI zvládnout činnosti, které byly dříve mimo jeho časové nebo kapacitní možnosti.
Tohle je podle mě mnohem důležitější než samotná úspora času. Pokud analytik během jednoho odpoledne zvládne sestavit rešerši, připravit model, projít alternativní scénáře a vytvořit podklady pro investiční komisi, pak se nemění jen tempo práce. Mění se samotný rozsah toho, co je možné stihnout na vysoké úrovni kvality.
Ve zdrojových materiálech zaznívá i výzkum, podle kterého velká část uživatelů ChatGPT dokázala s pomocí nástroje dělat věci, které dříve nezvládala. To je přesně ten bod, kde se z produktivity stává schopnost. A v prostředí bank, investičních domů a dalších finančních institucí je tento rozdíl zásadní.
Když AI odbaví rutinní část práce, zůstane více prostoru na:
- kritické posouzení rizik,
- formulaci investiční teze,
- interpretaci scénářů,
- diskusi s managementem,
- zvážení regulatorních a obchodních dopadů.
Právě sem patří lidský úsudek. A právě pro něj má AI vytvářet prostor.
🔌 AI musí být tam, kde už lidé pracují
Ve financích má Excel stále mimořádně silnou roli. Ať jde o valuace, třívýkazové modely, scénáře nebo interní finanční podklady, tabulky zůstávají jazykem každodenní práce.
Proto je důležité, že se AI nepohybuje jen v chatovacím rozhraní, ale může fungovat přímo v Excelu. Jakmile je možné komunikovat s workbookem přirozeným jazykem, odpadá velká část mechanické práce. Člověk nemusí ručně přepisovat instrukce do buněk, složitě vysvětlovat strukturu modelu nebo vytvářet každou variantu od nuly.
Místo toho může zadat záměr. Třeba upravit model podle nových vstupů, přepočítat několik scénářů, zanést určité předpoklady a shrnout, co se změnilo. AI pak udělá práci přímo v prostředí, kde se model skutečně používá.
To je mimořádně praktické z několika důvodů:
- není nutné přesouvat práci mezi různými nástroji,
- výpočty zůstávají v tabulkovém formátu, který je firmám známý,
- vzorce a poznámky lze kontrolovat a auditovat,
- AI se stává součástí existujícího pracovního toku, ne jeho narušením.
Právě integrace do nástrojů, které už týmy používají, rozhoduje o tom, zda se AI skutečně ujme v každodenním provozu.
📈 Jak vypadá praktický investiční workflow s AI
Nejlépe to ukazuje konkrétní příklad investičního analytika v bance. Zadání je poměrně typické: připravit nový pohled na společnost QXO pro zasedání investiční komise následující den.
Na první pohled jde o běžný úkol. Ve skutečnosti ale zahrnuje několik náročných kroků, které obvykle spolknou hodiny nebo dny práce:
- sesbírat maximum relevantního kontextu,
- vytěžit klíčové informace z důvěryhodných zdrojů,
- převést kvalitativní poznatky do finančního modelu,
- vyhodnotit různé scénáře,
- připravit srozumitelný podklad pro rozhodnutí.
AI zde není použitá jako jednorázový pomocník, ale jako vrstva napříč celým procesem. To je podle mě zásadní. Skutečný přínos vzniká až ve chvíli, kdy na sebe jednotlivé kroky navazují a informace se mezi nimi neztrácejí.
Hloubkový průzkum společnosti
Prvním krokem je vytvoření investičního dossier, tedy hlubšího analytického podkladu. AI dostane úkol zaměřit se například na regulatorní podání, přepisy výsledkových hovorů, prezentace pro investory a další relevantní firemní materiály.
Zajímavé je, že systém nejprve připraví plán postupu. To má velkou hodnotu, protože člověk může ještě před spuštěním upravit, co se má zkoumat a jak. Nejde tedy o slepé odeslání dotazu a čekání na odpověď, ale o spolupráci nad strukturou analýzy.
Výstupem je souhrnný report, ve kterém lze rychle najít klíčové informace. V uvedeném příkladu se ukázalo jako podstatné, že QXO směřovalo k akvizici společnosti Beacon. Taková informace může zásadně ovlivnit investiční tezi, ocenění i vnímání rizika.
Právě zde AI šetří čas nejviditelněji. Ne tím, že by nahradila analýzu, ale tím, že připraví kvalitní podklad, ze kterého může analýza vycházet.
Převod analýzy do finančního modelu
Jakmile jsou k dispozici kvalitativní poznatky, přichází tradičně nejnáročnější část: převést je do čísel. Ve finančních týmech to zpravidla znamená připravit třívýkazový model, tedy propojení výsledovky, rozvahy a cash flow.
Tady vstupují do hry takzvané dovednosti nebo interní šablony, které v sobě nesou firemní know-how. Místo toho, aby analytik pokaždé zdlouhavě popisoval, jak přesně má model vypadat, je tato znalost už zabudovaná. AI ví, jak má banka podobné modely strukturovat, jaké předpoklady dokumentovat a jakým způsobem má být výstup uspořádán.
To je obrovsky důležité pro standardizaci. V organizaci pak nevznikají desítky odlišných variant téhož modelu, ale konzistentní výstupy, které odpovídají internímu přístupu.
Velkou výhodou je také transparentnost. Vytvořený workbook není uzavřená skříňka, do které není vidět. Naopak:
- obsahuje komentáře k předpokladům a zdrojům,
- čísla stojí na vzorcích, které lze otevřít a zkontrolovat,
- je možné ověřit, jak se k výsledkům došlo.
V regulovaném prostředí je tato auditovatelnost naprosto klíčová. Pokud má být AI důvěryhodným nástrojem, nesmí jen produkovat odpovědi. Musí ukazovat cestu, jak k nim dospěla.
🧮 Scénáře bear, base a bull během minut
Po úvodní schůzce s manažerem se investiční přístup často upřesní. V uvedeném workflow padlo rozhodnutí posoudit společnost QXO ve třech standardních scénářích:
- bear case, tedy pesimistická varianta,
- base case, tedy základní realistický scénář,
- bull case, tedy optimistický vývoj.
To je v investiční praxi běžný rámec, ale jeho příprava umí být velmi zdlouhavá. Je potřeba promítnout nové předpoklady do modelu, přepočítat výstupy, zkontrolovat návaznosti a potom srozumitelně shrnout, co se vlastně změnilo.
V prostředí ChatGPT v Excelu lze tento krok výrazně zrychlit. Analytik do nástroje vloží relevantní kontext a instrukce. AI si vyhodnotí, jaké změny mají být v modelu provedeny, a vrátí nejen upravená čísla, ale také souhrn změn, klíčové metriky a hlavní postřehy.
To má několik okamžitých dopadů:
- scénáře lze připravit téměř v reálném čase,
- analytik rychleji reaguje na nové informace,
- investiční tým se může pohybovat tempem trhu,
- více času zbývá na interpretaci a diskusi.
Podle mě je právě tohle jedna z nejsilnějších ukázek praktické hodnoty AI ve financích. Nejde o efektní demonstraci jedné funkce. Jde o zkrácení konkrétního a nákladného procesu z hodin či dnů na minuty.
📝 Od modelu k prezentaci pro investiční komisi
Finanční analýza nekončí čísly. Pokud má podpořit skutečné rozhodnutí, musí být převedena do podoby, která je srozumitelná pro investiční komisi, vedení nebo jiný rozhodovací orgán.
To znamená vytvořit prezentaci, která:
- jasně formuluje doporučení,
- ukazuje hlavní důvody pro a proti,
- zachycuje scénáře a valuaci,
- zdůrazňuje klíčové rozhodovací body,
- odpovídá firemnímu stylu a interním standardům.
I zde může AI fungovat jako praktický nástroj, nikoli jako generátor obecného textu. Pokud je v systému uložená interní znalost o tom, jak má banka stavět své prezentace, lze tuto dovednost znovu použít. Výsledkem je deck vytvořený podle firemních zvyklostí, nikoli podle náhodné šablony.
Důležitá je také možnost zapnout rozšířené uvažování, tedy dát modelu více prostoru a času na promyšlení struktury a argumentace. V kombinaci s předchozími vstupy, tedy hlubokým výzkumem a valuací, může vzniknout prezentace, která už není jen souhrnem dat, ale skutečným podkladem pro rozhodnutí.
V popsaném příkladu měl výstup i jasně formulovaný závěr ve stylu schválení za určitých podmínek. Součástí byly také grafy vizualizující rozhodovací momenty a valuaci v jednotlivých scénářích.
To je přesně to, co rozhodovací orgány potřebují. Ne stovky stran zdrojových dokumentů, ale koncentrovaný signál, který vychází z pečlivé analýzy.
🔍 Auditovatelnost není detail, ale podmínka důvěry
Jedna z nejdůležitějších vlastností popsaného přístupu je možnost ověřit celý proces od začátku do konce. V prostředí finančních služeb totiž nestačí, aby AI přišla se správně znějícím výsledkem. Nutné je rozumět tomu, odkud se vzal.
Auditovatelnost se zde objevuje na více úrovních:
- Zdrojová data vycházejí z důvěryhodných a relevantních systémů.
- Plán výzkumu je viditelný a lze jej upravit před spuštěním.
- Model v Excelu obsahuje vzorce a komentáře, které lze zkontrolovat.
- Předpoklady jsou explicitně zaznamenané, ne skryté.
- Prezentace může obsahovat poznámky vysvětlující, proč byla určitá doporučení formulována právě takto.
Tento přístup je mnohem bližší profesionální finanční práci než jednoduché zadání otázky a přijetí odpovědi bez další kontroly. V praxi to znamená, že AI může být zapojená do regulovaného prostředí bez toho, aby rozbila základní požadavek na dohledatelnost a odpovědnost.
Právě auditovatelnost odlišuje užitečnou enterprise AI od běžného experimentování.
⚙️ Proč jsou interní dovednosti a šablony tak důležité
Ve zdrojovém materiálu mě velmi zaujalo, jak velkou roli hrají specializované interní dovednosti. V praxi jde o zabudované know-how organizace. Například jak má vypadat třívýkazový model, jak se připravuje deck pro investiční komisi nebo jak se pracuje s konkrétní typologií rozhodnutí.
To řeší jeden z největších problémů generativní AI v podnicích. Bez standardizace totiž každý uživatel píše vlastní prompty, výstupy se liší kvalitou a know-how firmy zůstává rozptýlené v hlavách lidí. Jakmile se ale osvědčený pracovní postup promění do opakovaně použitelné dovednosti, dostává organizace několik výhod najednou:
- rychlejší onboarding nových zaměstnanců,
- vyšší konzistence výstupů,
- menší závislost na individuální promptovací zručnosti,
- snazší škálování napříč týmy,
- lepší kontrola nad kvalitou práce.
Tohle je mimochodem velmi důležitá lekce pro každou firmu, která chce AI opravdu zavést. Nestačí pořídit nástroj. Je potřeba přetavit firemní postupy do forem, které umí AI bezpečně a opakovaně používat.
📊 GPT-5 a měření výkonu ve finančních úlohách
Pod povrchem těchto schopností stojí model GPT-5. Důležité ale není jen to, že jde o novější generaci modelu. Zásadní je myšlenka, že do modelu byly promítnuty i finanční procesy a způsoby uvažování relevantní pro tento obor.
Aby bylo možné takové tvrzení ověřovat v čase, vznikl také benchmark zaměřený na bankovní a finanční úlohy, označovaný jako OpenAI Banker Bench. Smyslem podobných benchmarků je měřit, jak si špičkové modely vedou v úkolech, které odpovídají skutečné práci ve finančních službách.
To je důležitý posun. Místo obecných testů schopností se pozornost přesouvá k doménově relevantnímu výkonu. Pro banku nebo investiční tým je totiž podstatné, jak dobře model zvládne:
- analytické vyhledávání v odborných zdrojích,
- práci s finančními dokumenty,
- strukturování investičních podkladů,
- tvorbu modelů a scénářů,
- připravu výstupů pro rozhodovací proces.
Právě specializované hodnocení výkonu pomáhá odlišit marketingové dojmy od praktické použitelnosti.
🚀 Nasazení AI v organizaci není jen technický projekt
Popisovaný přístup zároveň ukazuje, že zavedení AI do finanční instituce není pouhá otázka technologie. Je to také otázka deployment strategie a organizační transformace.
To je velmi dobře vidět na tom, jak spolu souvisí jednotlivé vrstvy:
- výběr spolehlivých zdrojů,
- integrace do pracovních nástrojů,
- definice interních dovedností a šablon,
- nastavení auditovatelnosti,
- jasné rozdělení mezi automatizaci a lidské rozhodnutí.
Jinými slovy, úspěšná AI strategie v regulovaném prostředí musí být součástí provozního modelu firmy. Nestačí nasadit chatbota a očekávat změnu. Je potřeba promyslet, kde AI přidává hodnotu, kde musí být kontrola, jaké zdroje smí používat a jak bude výstup navazovat na stávající procesy.
Právě finanční instituce mají v tomto směru velkou příležitost. Pokud dokážou AI ukotvit v každodenní práci lidí, mohou zrychlit interní procesy a současně podpořit inovace směrem ke klientům. Podrobnější rámec pro bezpečnou a odpovědnou práci s AI nabízí například i doporučení Bank for International Settlements nebo materiály Financial Stability Board.
👤 Co zůstává lidem a proč je to dobře
Možná nejdůležitější závěr je ten, že AI nenahrazuje lidský úsudek. Odstraňuje především časově náročnou práci, která sama o sobě nevyžaduje vysokou míru lidského rozhodování.
To je ve financích mimořádně zdravý princip. Odpovědnost za investiční doporučení, schválení transakce, interpretaci rizik nebo volbu postupu musí nést člověk. AI může připravit kontext, sestavit model, navrhnout scénáře a vytvořit přehlednou prezentaci. Ale konečný úsudek, včetně pochybností a zohlednění širších souvislostí, zůstává lidský.
Podle mě je to správná role technologií v profesionálním prostředí. Neodsunout odborníka stranou, ale odstranit tření kolem něj. Tím se jeho práce stává hodnotnější, ne méně důležitou.
Ve výsledku pak člověk tráví méně času:
- ručním shromažďováním podkladů,
- mechanickým přepisováním dat,
- opakovaným formátováním modelů a prezentací,
- rutinní přípravou standardních výstupů.
A více času tráví:
- hodnocením relevance informací,
- diskusí o rizicích a alternativách,
- testováním investiční teze,
- rozhodováním s dopadem na byznys.
💡 Co si z toho odnáším pro budoucnost práce
Když se mluví o AI na pracovišti, debata se často zjednodušuje na dvě krajnosti. Buď jde jen o nástroj na zrychlení rutiny, nebo se naopak mluví o úplném nahrazení lidí. Příklad z finančních služeb ukazuje mnohem realističtější a užitečnější cestu.
AI může fungovat jako pracovní vrstva, která propojí výzkum, modelování a komunikaci výsledků. Pokud je postavená na důvěryhodném kontextu, integrovaná do známých nástrojů a navržená s ohledem na auditovatelnost, dokáže výrazně zvýšit dopad jednotlivce i celého týmu.
To je podle mě skutečný význam myšlenky násobení dopadu pracovní síly. Nejde o to, že jeden člověk dělá totéž rychleji. Jde o to, že zvládne kvalitně pokrýt širší úsek práce, rychleji se dostane k podstatě problému a má víc prostoru na úsudek.
Ve finančních službách to může znamenat:
- rychlejší přípravu investičních podkladů,
- lepší reakci na pohyb trhu,
- vyšší konzistenci modelů a prezentací,
- silnější propojení mezi daty a rozhodnutím,
- efektivnější fungování v regulovaném prostředí.
A pokud se tento přístup rozšíří napříč organizací, nejde už jen o jednotlivou produktivitu. Jde o systémovou změnu toho, jak firma pracuje se znalostmi, jak převádí informace do akce a jak škáluje kvalitní rozhodování.
✅ Shrnutí: Jak AI skutečně posouvá práci ve financích
Když to shrnu, největší hodnota AI ve finančních institucích neleží v samotném generování textu. Leží v propojení několika klíčových schopností do jednoho pracovního toku.
- Důvěryhodný kontext z profesionálních zdrojů.
- Hloubkový výzkum nad firemními materiály a relevantními dokumenty.
- Integrace s Excelem pro modelování a scénáře v přirozeném jazyce.
- Vestavěné firemní know-how prostřednictvím interních dovedností.
- Auditovatelné výstupy s komentáři, vzorci a zdroji.
- Automatizace přípravy prezentací pro rozhodovací orgány.
- Zachování lidského úsudku jako finální autority.
Tohle je model, který dává ve financích smysl. Respektuje nároky regulovaného prostředí, zvyšuje produktivitu, ale hlavně rozšiřuje schopnosti lidí. A právě tím může skutečně násobit dopad práce.
Pokud bych měl celou myšlenku vyjádřit jednou větou, řekl bych to takto: nejlepší AI pro finanční služby není ta, která rozhoduje místo lidí, ale ta, která lidem uvolní ruce pro lepší rozhodnutí.
