Když se řekne Codex, spousta lidí si stále představí nástroj pro vývojáře, který píše kód. To už ale zdaleka nevystihuje, co se kolem něj dnes děje. Z rozhovoru s Thibaultem Sottiauxem, šéfem Codexu v OpenAI, pro mě vyplynulo něco mnohem zajímavějšího: Codex se mění v obecného pracovního agenta pro knowledge work, tedy pro každodenní práci s informacemi, dokumenty, prioritami, daty, prezentacemi i osobní organizací.
To je důležitý posun. Nejde jen o další chytrý nástroj na automatizaci jednotlivých úkolů. Jde o změnu vztahu mezi člověkem a softwarem. Místo toho, abych já obsluhoval desítky aplikací, začíná software obsluhovat mě. A právě v tom je síla Codexu i důvod, proč začíná být zajímavý daleko za hranicemi softwarového inženýrství.
OpenAI tento posun popisuje velmi prakticky: lidé používají Codex ke snižování tření v práci, k provádění nudných úkolů, ke zkoumání problému, organizaci informací nebo plánování dokumentů, které pak sdílejí dál. To už není specializovaný nástroj pro úzkou skupinu expertů. To je kandidát na univerzálního digitálního spolupracovníka.
Obsah
- 🧠 Jak Codex začínal a proč původní přístup nestačil
- 📂 Proč se z nástroje pro kód stal nástroj pro všechnu znalostní práci
- 🚀 Moment, kdy bylo jasné, že to není jen pro vývojáře
- 🏢 Jak se mění týmy a firmy, když agenti začnou opravdu fungovat
- ⚡ Největší změna: práce se dramaticky zrychluje
- 🛠️ Éra osobního softwaru na míru
- 📅 Codex jako osobní šéf kanceláře, analytik i asistent
- 😌 Méně tření, méně zahlcení, menší riziko vyhoření
- 🔐 Největší překážka ve firmách není schopnost modelu, ale důvěra
- 🎯 Co dělají úspěšní neprogramátoři jinak
- 🗣️ Jak zadávat úkoly, aby agent uspěl
- 🧾 Kde už dnes dává Codex smysl i mimo technické týmy
- 📚 Pozor na jednu chybu: nedelegovat i vlastní porozumění
- 🔭 Kam to celé směřuje: od úkolů k nepřetržitému agentovi
- 💡 Co si z toho odnáším pro běžnou praxi
- 🌍 Proč na tom záleží i mimo kanceláře a technologické firmy
🧠 Jak Codex začínal a proč původní přístup nestačil
Codex nevznikl jako obecný kancelářský pomocník. Jeho ambicí bylo pomoci vyřešit jeden z velkých problémů AI: dokázat programovat na úrovni velmi schopného softwarového inženýra. První veřejná verze, kterou tým zpětně označuje jako „Codex Web“, běžela v cloudu. Uživatel zadal úkol, agent se podíval do repozitáře se zdrojovým kódem, navrhl změny a otevřel pull request na GitHubu.
Znělo to elegantně. Jenže realita byla složitější. Aby to fungovalo, bylo potřeba zreplikovat vývojové prostředí v cloudové infrastruktuře OpenAI. To představovalo příliš mnoho nastavování, příliš mnoho tření a příliš málo přirozené práce v prostředí, které už si vývojáři pečlivě vyladili na vlastních počítačích.
Navíc modely tehdy ještě nebyly dost spolehlivé pro dlouhé a složité úkoly. Když agent není dost dobrý, každý další krok nastavování působí dvojnásobně bolestivě. Právě tady přišel zásadní obrat: místo snahy přetahovat lidi do cizího prostředí začal Codex směřovat k tomu, aby fungoval lokálně a co nejblíž skutečné práci uživatele.
Tohle rozhodnutí je podle mě klíčové i pro dnešní vlnu AI agentů obecně. Lidé nechtějí trávit čas přizpůsobováním sebe nástroji. Chtějí, aby se nástroj přizpůsobil jejich zavedenému způsobu práce, souborům, dokumentům, kalendáři, interním systémům a návykům.
📂 Proč se z nástroje pro kód stal nástroj pro všechnu znalostní práci
Jedna z nejzajímavějších myšlenek z rozhovoru je vlastně úplně jednoduchá: i softwaroví inženýři tráví jen menšinu dne samotným psaním kódu. Thibault odhaduje, že skutečné kódování zabírá možná 20 až 30 procent času. Zbytek tvoří čtení ticketů, prioritizace, architektonická rozhodnutí, analýza chyb, incidenty, koordinace, sběr informací a komunikace.
Jakmile se tým snažil udělat Codex užitečný pro vývojáře, narazil na to, že agent potřebuje přístup nejen ke kódu, ale také k širšímu kontextu. Tedy k informacím v dokumentech, v Notionu, v diskusích, ve firemních zdrojích a v interních nástrojích. A jakmile agent umí procházet a vyhodnocovat tento širší kontext, najednou už není užitečný jen při vývoji softwaru. Stává se užitečný všude tam, kde se rozhoduje na základě informací.
To je okamžik, kdy se kategorie „coding tool“ začíná rozpadat. Pod kapotou může stále běžet kód, automatizace a skripty, ale pro uživatele je podstatné něco jiného: agent dokáže hledat, shrnovat, třídit, plánovat, vytvářet výstupy a podnikat akce. Jinými slovy, kód se z cíle stává jen prostředkem.
Podobnou proměnu dnes vidíme i u dalších AI nástrojů. To, co dřív vyžadovalo specializovanou technickou dovednost, se přesouvá do roviny přirozené komunikace. Místo „napiš mi skript“ říkám „udělej mi přehled, najdi souvislosti a připrav mi z toho materiál“. To je mnohem širší a lidštější rozhraní pro práci.
🚀 Moment, kdy bylo jasné, že to není jen pro vývojáře
Thibault popsal konkrétní situaci, kdy mu definitivně došlo, že Codex mění víc než jen software engineering. Během příprav na uvedení produktu používal produktový manažer Alexander Embiricos Codex k tomu, aby průběžně sledoval stav všech změn, které bylo potřeba před launchi dokončit.
Codex procházel zpětnou vazbu od uživatelů, informace od vývojářů, aktualizoval plán, dohledával stav jednotlivých věcí a dokonce přes Slack obepisoval lidi, aby zjistil, co ještě chybí nebo co má zpoždění. To vše běželo, zatímco Alexander vedl další pracovní konverzace.
Pro mě je to ukázkový obraz toho, co od AI agentů firmy skutečně chtějí. Ne další chatbot v jednom okně. Ale něco, co:
- sbírá informace z více míst najednou,
- udržuje plán aktuální,
- dokáže samo dohledat chybějící status,
- a snižuje obrovské náklady koordinace.
Každý, kdo někdy vedl projekt, ví, kolik času mizí v „nahánění“ informací. Co je hotové? Kdo na tom je? Co blokuje další krok? Kde je poslední verze? Který feedback je nejdůležitější? Když tuto vrstvu práce převezme agent, nejde jen o zrychlení. Jde o to, že člověku zůstává více mentální kapacity na rozhodování.
„Naše modely jsou velmi dobré v získávání správného kontextu a ve shrnování.“
Tohle je podle mě podstata celé změny. V moderní práci často netrpíme nedostatkem informací. Trpíme nedostatkem dobře sestaveného kontextu.
🏢 Jak se mění týmy a firmy, když agenti začnou opravdu fungovat
Jakmile Codex v OpenAI začal fungovat napříč rolemi, změnila se podle Thibaulta nejen rychlost práce inženýrů, ale i rozložení úzkých hrdel v celé firmě. Inženýři stavěli rychleji, role designérů a produktových manažerů se začaly posouvat, a nové bottlenecky se přesunuly do komunikace a marketingu. Firma zkrátka vytvářela tolik výstupů tak rychle, že bylo těžší držet krok s tím, jak je vysvětlit světu a udržet příběh konzistentní.
To je velmi cenné pozorování. Když zavedu silného AI agenta, problém nezmizí. Jen se přesune jinam. Firmy proto nečeká jen adopce nového nástroje, ale i přenastavení procesů, priorit a spolupráce mezi týmy.
Thibault je přitom přesvědčený, že současný stav technologie už umožňuje mnohem obecnější práci. Podle něj dnes existuje jen málo úkolů, které člověk dělá za počítačem a se kterými by agent nedokázal nějak pomoci. V OpenAI se Codex používá při:
- přípravě prezentací a sladění stakeholderů,
- marketingovém průzkumu a analýze veřejného sentimentu,
- organizaci financí,
- běžné administrativě a reportingu,
- vyhledávání informací napříč interními systémy.
Zazněl i pozoruhodný příklad z financí. CFO OpenAI Sarah Friar podle něj využila Codex při organizaci posledního fundraisingu. To je dobrá připomínka, že AI agenti nejsou zajímaví jen tam, kde vzniká software. Jsou zajímaví všude tam, kde vzniká složitá koordinovaná práce s vysokou informační náročností.
⚡ Největší změna: práce se dramaticky zrychluje
Jedním z opakujících se motivů byla rychlost. Nejen ve smyslu „to, co dříve trvalo týdny, teď trvá minuty“, ale ve smyslu, že celé pracovní tempo organizací se začne měnit. Úkoly, které dříve zabraly dny, se dají zvládnout během několika hodin. Podrobnější marketingový průzkum, analýza sentimentu kolem nové funkce nebo příprava strukturovaného podkladu se komprimují do zlomku původního času.
To má dva důsledky.
První je pozitivní a dost silný: lidé zvládnou víc sami. Nemusí čekat ve frontě na sdílené specialisty. Pokud mají přístup k datům, mohou se sami ptát na výkon v konkrétním trhu, najít dashboard, vytáhnout podklady a začít analyzovat.
Druhý důsledek je náročnější: všechno se hýbe rychleji. Rozhodnutí přicházejí častěji, očekávání rostou a role se musejí přizpůsobovat většímu tempu. AI agent tedy není jen nástroj produktivity. Je to také urychlovač organizačního rytmu.
Thibault to popisuje jako posun od situace, kdy lidé s problémem a lidé, kteří umí postavit řešení, byli oddělené skupiny. Dříve vedly dlouhé konverzace, specifikace a kompromisy ke „zhruba dostačujícímu“ výsledku. Dnes může samotný člověk, který problém má, vytvořit řešení rychleji a iterovat ho podle vlastních potřeb.
To je nesmírně důležité třeba pro designéry. V OpenAI podle něj designéři díky Codexu přímo upravují produkt, „pushují“ změny a nespoléhají jen na to, že přesvědčí engineering tým, aby zařadil jejich jemnější, ale uživatelsky důležité úpravy do priorit.
🛠️ Éra osobního softwaru na míru
Jedna z nejhezčích částí celého rozhovoru byla úplně obyčejná. Thibault chtěl v San Francisku najít nejlepší chleby za rozumnou cenu. Požádal Codex, aby našel nejlepší bochníky ve městě, vytvořil tabulku s pekárnami, typem chleba, popisem a cenou, a pak z toho udělal webovou stránku s mapou.
Výsledek vznikl během několika minut. Bez ručního sběru dat, bez ručního kódování, bez dlouhého „projektu“. Jen zadání cíle. Potom ještě ukázal, že úkol zadává hlasem, takže ani nemusí sedět a vše pečlivě vypisovat. Agent pracuje na pozadí, zatímco on se věnuje dalším věcem.
Tenhle příklad může působit banálně, ale je v něm něco většího. Ukazuje, jak se rodí personalizovaný software na míru jednotlivci. Ne obecná aplikace pro miliony uživatelů, ale malý nástroj, který přesně sedí jednomu konkrétnímu člověku a jeho potřebě.
Před pár lety by taková drobnost často skončila ve fázi „to bych si někdy mohl udělat“. A nikdy by se to nestalo. Nebyl by čas. Nebyla by motivace. Nebo by chyběly technické dovednosti. S agentem se z neuskutečnitelných drobností stávají hotové věci.
Právě tady dává smysl mluvit o nové generaci softwaru:
- je osobní, protože odráží mé preference,
- je dočasný, protože může vzniknout na jeden konkrétní účel,
- je levný na vytvoření, protože nevzniká tradičním vývojem,
- je snadno upravitelný, protože změna znamená další instrukci, ne nový projekt.
Pokud mě zajímá káva místo chleba, nemusím začínat od nuly. Jen řeknu, ať agent stejnou analýzu udělá pro kavárny. A software se přizpůsobí.
📅 Codex jako osobní šéf kanceláře, analytik i asistent
Thibault popsal, že Codex používá doslova neustále. Zadává mu kolem stovky drobných úkolů denně. To už není občasný experiment. To je způsob práce.
Mezi jeho běžné scénáře patří:
- organizace souborů na ploše,
- správa a přehled o výpočetních kapacitách,
- sledování stavu on-call rotací a inženýrských týmů,
- monitoring harmonogramu launchů a rizik,
- denní souhrny z Gmailu, Notionu a kalendáře,
- upozornění na věci, které jsou ohrožené nebo potřebují pozornost.
Zajímavý je i jeho způsob automatizace. Může si nastavit, aby agent každý den v 9 ráno prošel e-mail, poznámky a kalendář, vytvořil souhrn dne a označil věci, které jsou rizikové. To už se velmi blíží roli osobního chief of staff.
Na tom je krásně vidět rozdíl mezi běžným chatovacím AI rozhraním a agentním rozhraním. ChatGPT je skvělý na rychlé odpovědi, brainstorming nebo vysvětlení. Codex je podle Thibaulta silný tehdy, když má něco udělat. Manipulovat se soubory, spouštět automatizace, pravidelně běžet na pozadí, používat nástroje, zpracovávat dokumenty a vytvářet výstupy bez ručního přepisování a kopírování.
To je možná nejpraktičtější způsob, jak si ten rozdíl představit:
- ChatGPT mi často pomáhá přemýšlet.
- Codex mi pomáhá jednat a vykonávat práci.
😌 Méně tření, méně zahlcení, menší riziko vyhoření
Velmi silně na mě zapůsobila část o tom, co se vlastně mění v každodenním prožitku práce. Nejde jen o rychlost nebo výkon. Jde o mentální úlevu.
Thibault mluvil o věcech, které dříve ani nedělal, protože by musel otravovat někoho dalšího, žádat o data nebo shánět podklady, a připadalo mu, že to není dost důležité. Teď si ty informace může nechat zjistit, shrnout nebo zpracovat sám přes agenta. Výsledkem je víc dokončených drobností, méně věcí propadajících mezi prsty a menší kognitivní zátěž.
To je zásadní. Mnoho lidí dnes netrápí jen objem práce, ale i neustálý pocit nedokončenosti. Pořád existuje něco, co by bylo dobré prověřit, opravit, dočíst nebo předat dál. Jen na to nikdy nepřijde řada. Pokud agent snižuje právě tento druh psychického tlaku, může být jeho přínos hlubší než jen produktivitní statistika.
Padl i hezký příklad s bug reportem od uživatele na sociálních sítích. Dříve by to mohla být drobnost s nízkou prioritou, která zůstane ležet stranou. S Codexem lze podobný podnět prostě předat agentovi k prověření. Najednou není potřeba rozhodovat mezi „tohle teď musím řešit sám“ a „tohle asi nechám být“. Objevuje se třetí možnost: nechám to rozpracovat agentem a pak se rozhodnu podle výsledku.
Právě proto Chris Nicholson v rozhovoru nadhodil, že by podobné nástroje mohly pomáhat proti vyhoření a informačnímu zahlcení. Tuhle úvahu považuji za velmi trefnou. Dnešní digitální nástroje často slibují pomoc, ale ve skutečnosti člověka uvězní v nekonečné správě aplikací. Agentní AI má potenciál ten vztah obrátit.
🔐 Největší překážka ve firmách není schopnost modelu, ale důvěra
Když přišla řeč na enterprise adopci, Thibault byl překvapivě jednoznačný. Největší brzdou už podle něj není schopnost modelu. Tou hlavní otázkou je důvěra.
A důvěra se ve firmách skládá hlavně ze dvou částí:
- bezpečnost,
- zabezpečení a kontrola přístupu.
Firmy nechtějí agenta, který omylem smaže citlivé soubory, odešle někam data, kam nemá, nebo podnikne nevratnou akci bez kontroly. Proto Codex běží ve výchozím nastavení v sandboxu, tedy v omezeném prostředí s jasně vymezeným přístupem. Může být omezen jen na určitou složku, může mít zakázaný přístup na síť a může mít přesně určené, jestli smí jen číst, nebo také zapisovat.
Tohle je pro ne-technické týmy velmi důležité pochopit. Agent nemusí mít „klíče od všeho“. Naopak, užitečný a bezpečný agent často vzniká právě tím, že mu dám jen takové oprávnění, jaké pro úkol skutečně potřebuje.
OpenAI navíc pracuje i s vícevrstvou kontrolou. Zazněl příklad funkce „auto review“, kdy sekundární agent kontroluje akce hlavního agenta a zastaví ho, pokud by šlo o příliš rizikový krok. Dá se na to dívat jako na digitálního rozhodčího.
To je zajímavý směr i pro budoucnost AI governance ve firmách. Nejen člověk kontroluje agenta, ale jeden agent může dohlížet na druhého. Podobné architektury mohou být důležité zejména tam, kde jde o finance, právní dokumenty, interní citlivá data nebo zásahy do produkčních systémů.
Pro širší kontext dává smysl sledovat i obecné principy práce s AI v organizacích, například doporučení kolem AI Risk Management Framework od NIST.
🎯 Co dělají úspěšní neprogramátoři jinak
Jedna z nejpraktičtějších pasáží se týkala toho, proč někteří lidé z Codexu získají hodně a jiní mají pocit, že „to moc nefunguje“. Z toho, co zaznělo, bych vybral tři návyky.
1. Hledají inspiraci v komunitě
Mnoho dobrých scénářů použití není na první pohled zřejmých. Lidé často objeví opravdu užitečné workflow až ve chvíli, kdy slyší, jak nástroj využívá někdo jiný. Komunita tedy není jen doplněk, ale akcelerátor nápadů.
2. Umějí být konkrétní
Čím přesněji popíšu, co chci, tím větší šanci mám na dobrý výsledek. U agentů je důležité nejen popsat úkol, ale i kritéria úspěchu. Nestačí říct „udělej mi prezentaci“. Lepší je specifikovat počet slidů, strukturu, typ informací v jednotlivých částech a účel výstupu.
3. Dávají agentovi kontext
Čím více relevantních zdrojů agent vidí, tím užitečnější je. Když má přístup ke kalendáři, dokumentům, Notionu, e-mailu nebo dalším nástrojům, začne chápat prostředí, ve kterém pracuji. Bez kontextu zůstává chytrý, ale izolovaný.
Thibault použil přirovnání, které se mi moc líbí: s agentem je dobré zacházet jako s novým člověkem, který právě nastoupil do firmy. Nemá můj kontext, nezná moje preference, neví, kde co hledat. Když mu to ale vysvětlím, může být velmi užitečný.
To je podle mě jedna z nejdůležitějších mentálních změn při práci s AI. Nestačí „umět promptovat“. Je potřeba umět delegovat.
🗣️ Jak zadávat úkoly, aby agent uspěl
Kromě obecných principů zazněla i konkrétní rada: pomozte agentovi vyhodnotit, zda uspěl. Tedy popište, jak vypadá „hotovo“.
To může být:
- jasně definovaný formát výstupu,
- počet položek, kapitol nebo slidů,
- požadovaná hloubka analýzy,
- otevřené otázky, které mají být na konci zachyceny,
- kritéria kvality nebo preference.
Prakticky to znamená méně mlhavých zadání a více instrukcí typu:
- „Připrav podklad o 10 slidech.“
- „První dvě stránky mají shrnout kontext, dalších šest má rozebrat problém a poslední dvě mají obsahovat otevřené otázky.“
- „Použij data z těchto dokumentů a zvýrazni nejasnosti, pokud je najdeš.“
Tohle je velmi podobné tomu, jak bych zadával práci lidskému asistentovi nebo juniornímu kolegovi. Čím lépe popíšu očekávaný výsledek, tím méně zklamání na konci.
🧾 Kde už dnes dává Codex smysl i mimo technické týmy
V rozhovoru padla řada praktických oblastí, kde se Codex používá mimo klasické programování. Když je sesumíruji, vzniká poměrně široké pole použití:
- výzkum a rešerše napříč dokumenty a veřejnými zdroji,
- plánování launchů, projektů a interních aktivit,
- organizace souborů a informací,
- automatizace opakovaných úkolů,
- analýza dat a hledání dashboardů,
- příprava prezentací a dokumentů,
- monitoring rizik a prioritizace,
- shopping a osobní administrativní úkoly,
- návody a ovládání počítače, když člověk neví, kde co v systému najít.
Thibault například zmínil, že Codex používá i pro plánování jídel a objednávání ingrediencí. To je na jednu stranu drobnost. Na druhou stranu dobře ukazuje, jak se stírá hranice mezi pracovním a osobním softwarem. Pokud agent umí bezpečně pracovat s mými nástroji, může pomáhat napříč oběma světy.
Pro lepší pochopení širšího trendu doporučuji sledovat i vývoj kategorie intelligent agents, která se z akademického pojmu rychle mění v praktickou vrstvu běžných digitálních nástrojů.
📚 Pozor na jednu chybu: nedelegovat i vlastní porozumění
Na závěr přišla možná nejdůležitější výstraha z celého rozhovoru. Největší chyba podle Thibaulta není špatný prompt. Je to příliš mnoho delegace.
Jakmile agent začne fungovat opravdu dobře, je lákavé přehodit na něj všechno. Jenže pokud na něj přenesu i vlastní porozumění problému, mohu se dostat do situace, kdy sice produkuji výstupy, ale přestávám být pevně ukotvený v tom, co se vlastně děje.
To je skvělá připomínka pro každého, kdo pracuje s AI každý den. Agent nemá být jen nástroj outsourcingu práce. Měl by být i nástroj prohlubování pochopení. Může mi vysvětlit souvislosti, kreslit diagramy, převádět složité koncepty do přehlednější podoby a učit mě. Neměl by ale úplně nahradit moji snahu věcem rozumět.
Tohle ostatně rezonuje i s tím, co dnes víme o učení a zapamatování. Aktivní práce s informací je pro pochopení zásadní. Proto je užitečné využívat AI nejen k produkci odpovědí, ale i k tomu, aby se ptala zpátky, testovala moje porozumění a nutila mě formulovat vlastní závěry.
Pokud by vás zajímalo širší pozadí tohoto tématu, užitečné jsou i obecné zdroje o kognitivní zátěži a práci se znalostmi, například přehled k cognitive load.
🔭 Kam to celé směřuje: od úkolů k nepřetržitému agentovi
Možná nejambicióznější část rozhovoru se týkala budoucnosti. Codex podle Thibaulta směřuje od jednoduchého modelu „zadám úkol a agent ho splní“ k něčemu mnohem trvalejšímu. K agentovi, který běží průběžně, 24 hodin denně, dělá užitečné věci i bez explicitního pokynu a jen se občas ozve, když potřebuje nasměrovat nebo schválit další krok.
Dnes je práce s agenty často „tahová“. Zadání, čekání, výsledek. Budoucnost může být spíš „proudová“. Agent neustále sleduje kontext, filtruje hluk, hledá důležité signály, připravuje návrhy a snižuje počet momentů, kdy se musím brodit informačním chaosem.
Do tohoto směru zapadá i zmínka o příkazu /goal, který umožňuje zadat dlouhodobý cíl a nechat agenta na něm vytrvale pracovat třeba hodiny, dny nebo týdny. Podle Thibaulta už se podobný přístup používá při optimalizaci výkonu programů, přepisu rozsáhlých aplikací mezi programovacími jazyky i u vědeckých a matematických problémů.
Tohle je fascinující hlavně proto, že mění samotnou představu o digitální práci. Software už není jen reakce na kliknutí. Může se stát trvalým aktivním spolupracovníkem.
💡 Co si z toho odnáším pro běžnou praxi
Pokud si z celého tématu mám odnést jednu praktickou radu, pak je velmi jednoduchá: nezačínat u velkých vizí, ale u jednoho workflow, které mě dnes zdržuje.
Může to být:
- příprava rešerše,
- týdenní reporting,
- onboardingový dokument,
- decision memo,
- sledování stavu projektu,
- organizace osobních souborů,
- nebo třeba pravidelný ranní souhrn toho, co je důležité.
Právě takové úkoly jsou často nejlepší vstupní branou. Nejsou příliš riskantní, ale zároveň umějí ukázat skutečný přínos. Jakmile člověk jednou zažije, že AI agent opravdu samostatně projde více zdrojů, připraví shrnutí, vytvoří výstup a ušetří několik kroků, začne přemýšlet úplně jinak o tom, co všechno je možné.
Zároveň bych si nechal na paměti tři jednoduché zásady:
- Buďte konkrétní. Řekněte, co má vzniknout a jak poznat, že je hotovo.
- Dodejte kontext. Připojte dokumenty, soubory a informace, na kterých záleží.
- Nenechte si vzít porozumění. Delegujte práci, ne vlastní schopnost chápat problém.
🌍 Proč na tom záleží i mimo kanceláře a technologické firmy
Na Codexu a podobných agentech je nejzajímavější to, že jejich dopad nemusí zůstat omezený na nejtechnologičtější firmy. V principu jde o nástroje, které mohou pomoct komukoli, kdo pracuje s informacemi, úkoly, dokumenty nebo rozhodováním. To zahrnuje malé podnikatele, výzkumníky, pedagogy, provozní role, manažery i jednotlivce, kteří si prostě chtějí lépe uspořádat digitální život.
Když Chris Nicholson na konci mluvil o tom, že Codex přináší tyto „superpowers“ širšímu okruhu lidí, nepůsobilo to jako marketingová fráze. Po všech uvedených příkladech to dávalo smysl. Schopnost najít jehly v kupce sena, zorganizovat kontext, vizualizovat data, určit priority a nechat komplexní úkoly běžet na pozadí života je skutečně něco, co může měnit práci napříč ekonomikou.
A možná ještě důležitější je jiná věc: spousta dobrých nápadů dnes nevzniká proto, že by byly špatné, ale proto, že na ně nikdy nedojde. Pokud AI agenti zmenší vzdálenost mezi „to by bylo užitečné“ a „tohle už funguje“, může z toho vyrůst velmi plodné období pro jednotlivce, týmy i celé organizace.
Právě proto bych Codex nebral jen jako nástroj „mimo programování“. Spíš jako nástroj pro novou vrstvu práce, kde software méně ovládám a více ho pověřuji.
A to je možná ta největší změna ze všech.
