Ve zdravotnictví a biotechnologiích se často mluví o datech, modelech a softwaru. Jenže skutečný cíl neleží v samotném programování. Cílem jsou lepší rozhodnutí, kvalitnější věda a nakonec účinnější léčba pro pacienty. Právě tady je dobře vidět, proč se kolem nástrojů jako Codex vede tolik diskusí.
V prostředí firmy Amgen se umělá inteligence neukazuje jako efektní doplněk pro technické týmy. Působí spíš jako praktický pomocník, který odstraňuje zbytečně únavné části práce. Díky tomu mohou biostatistici, genetici i softwaroví inženýři trávit více času tím, na čem opravdu záleží. Místo nekonečného psaní kódu se soustředí na vědecké otázky, obchodní souvislosti a dopad na pacienty.
Tento posun je důležitý i mimo jednu konkrétní firmu. Ukazuje, jak může generativní AI v podnicích fungovat nejlépe. Ne jako jediná velká revoluce zavedená shora, ale jako řada menších promyšlených zlepšení rozprostřených napříč organizací. Když se tyto změny spojí, mohou přinést opravdu výrazný efekt.
Obsah
- 🧬 Když cílem není více kódu, ale lepší medicína
- 🤖 Co vlastně Codex v takovém prostředí přináší
- 💊 Proč je ve farmacii tak důležité uvolnit kapacitu expertů
- 📊 Jak AI mění datovou analýzu v praxi
- 🧠 Abstrakce jako konkurenční výhoda
- 🏥 Pacient jako skutečné měřítko hodnoty
- 🔬 AI pro biostatistiky, genetiky i inženýry
- 📈 Největší dopad nevzniká z jedné sázky
- ⚙️ Co si z toho mohou odnést další firmy
- 🌍 Širší význam pro budoucnost práce
- 🛡️ Kde je potřeba opatrnost
- 🔗 Kde hledat další souvislosti
- ✨ Proč je tento přístup tak přesvědčivý
🧬 Když cílem není více kódu, ale lepší medicína
Jedna z nejzajímavějších myšlenek je překvapivě jednoduchá. Vědecká a technická práce nemá být soutěží v tom, kdo napíše více řádků kódu. V biotechnologické firmě je software prostředek, ne cíl.
To se může zdát samozřejmé, ale v praxi se na to často zapomíná. Technologické týmy bývají hodnocené podle rychlosti dodání, množství funkcí nebo složitosti řešení. Jenže v oblasti vývoje léčiv je skutečná hodnota jinde:
- v kvalitě vědeckého uvažování,
- v rychlosti, s jakou se tým dostane k použitelným poznatkům,
- v přesnosti analýz,
- a v tom, zda výsledky povedou k lepším léčivům pro pacienty.
Když se na práci podívám tímto pohledem, role AI se hned mění. Nástroj jako Codex není zajímavý proto, že umí generovat kód. Je zajímavý proto, že snižuje množství rutinní technické práce, která odvádí pozornost od podstaty.
Ve firmě typu Amgen to může znamenat obrovský rozdíl. Biostatistik nemusí trávit tolik času ruční přípravou opakujících se analytických kroků. Genetik se může více věnovat interpretaci biologických souvislostí. Softwarový inženýr může investovat více energie do návrhu systémů, které budou opravdu užitečné pro vědecké týmy. Každý z nich pak pracuje blíž výsledku, který má skutečný dopad.
🤖 Co vlastně Codex v takovém prostředí přináší
Codex je v tomto kontextu popisován jako nástroj, který pomáhá abstrahovat od nudných a únavných částí programování. To slovo abstrahovat je tady důležité. Nejde o to, že by z práce zmizelo přemýšlení. Naopak. Zmizí část mechanické činnosti a zůstane více prostoru pro smysluplné myšlení.
To má několik vrstev.
Méně času na rutinu
Velká část technické práce se skládá z opakujících se úkolů. Převod zadání do základní struktury analýzy, příprava šablon, čištění pracovních kroků, skládání běžných funkcí nebo zapisování standardních postupů. Tyto činnosti jsou nutné, ale málokdy přinášejí strategickou hodnotu samy o sobě.
Pokud je AI zvládne urychlit, tým získá čas na otázky, které vyžadují zkušenost a úsudek. To je místo, kde se rodí skutečný přínos.
Rychlejší cesta od nápadu k analýze
Zaznívá také, že některé analytické schopnosti uvnitř Codexu jsou mimořádně silné. Stačí formulovat zadání přirozeným jazykem a systém dokáže odvodit strukturu analýzy. To je důležité hlavně proto, že snižuje bariéru mezi otázkou a odpovědí.
V tradičním procesu často následuje několik kroků:
- nejprve je potřeba přesně formalizovat problém,
- poté připravit technické řešení,
- napsat kód,
- zkontrolovat logiku,
- a teprve potom dojít k prvním poznatkům.
Pokud část této cesty zkrátí inteligentní systém, vzniká více prostoru pro experimentování. Týmy mohou klást více otázek, zkoušet více variant a rychleji se učit.
Lepší formulace výsledků
Dalším zajímavým bodem je, že výstupy nejsou jen technické. Codex může vracet i srozumitelně podané poznatky včetně důležitého obchodního kontextu. To je v podnikovém prostředí mimořádně cenné.
Analýza totiž často selže ne proto, že by byla špatná, ale proto, že není dobře vysvětlená. Když se technický výsledek nepřeloží do jazyka rozhodování, snadno zapadne. Schopnost spojit data, interpretaci a kontext pomáhá překlenout mezeru mezi analytikou a praxí.
💊 Proč je ve farmacii tak důležité uvolnit kapacitu expertů
Ve farmaceutickém a biotechnologickém výzkumu je čas odborníků velmi drahý. A nejde jen o náklady. Jde hlavně o to, že specializované znalosti jsou vzácné. Když biostatistik, genetik nebo klinický expert tráví velkou část dne mechanickými činnostmi, organizace přichází o část jejich skutečné hodnoty.
To je dobré chápat i z širší perspektivy. Vývoj léčiv je dlouhý, náročný a rizikový proces. Vyžaduje přesnou práci s daty, pečlivé rozhodování a schopnost rozpoznat signály, které mohou být na první pohled nenápadné. Každé zrychlení, které neubírá na kvalitě, může mít významný dopad.
Proto dává smysl využít AI tam, kde:
- pomůže připravit analytickou kostru,
- urychlí opakující se technické operace,
- zlepší přehlednost výstupů,
- a nechá odborníky soustředit se na interpretaci, hypotézy a rozhodnutí.
Tento princip ostatně podporují i širší debaty o využití AI ve zdravotnictví a výzkumu. Například Nature i McKinsey opakovaně upozorňují, že největší přínos umělé inteligence často neleží v úplné náhradě expertů, ale ve zvýšení jejich produktivity a kvality rozhodování.
📊 Jak AI mění datovou analýzu v praxi
Jedním z nejkonkrétnějších přínosů je oblast analýzy dat. Právě tam bývá mnoho práce zároveň kritické i rutinní. Je nutné data prozkoumat, zvolit vhodný postup, připravit strukturu analýzy a výsledky správně interpretovat.
Codex je popsán jako nástroj, který dokáže na základě zadání navrhnout samotnou strukturu analýzy a vrátit relevantní poznatky. To je silná kombinace. Nejde pouze o automatické generování technického řešení, ale o pomoc při promýšlení analytického rámce.
V dobře fungujícím procesu to může vypadat takto:
- expert formuluje otázku v přirozeném jazyce,
- AI navrhne vhodné analytické kroky,
- odborník zkontroluje logiku a případně ji upraví,
- systém připraví technickou implementaci,
- a tým se rychle dostane k prvním závěrům.
Tento model je zajímavý tím, že zachovává lidský dohled. AI urychluje a strukturuje, ale směr stále určují lidé, kteří rozumějí vědeckému i obchodnímu kontextu.
V prostředí, kde rozhodnutí mohou ovlivnit výzkumné priority, alokaci zdrojů nebo další kroky ve vývoji léčiv, je to zásadní. Rychlost sama o sobě nestačí. Potřebná je i důvěryhodnost.
Od technického výstupu k obchodnímu kontextu
Zvlášť cenné je, že analytické výstupy mohou být doplněny i o širší kontext. To znamená, že nejde jen o tabulky, skripty nebo modely, ale také o srozumitelné vysvětlení, proč daný poznatek stojí za pozornost.
Ve firmách se totiž často rozhoduje na pomezí několika disciplín. Věda, technologie, provoz a obchod se musí potkat ve společném jazyce. Když AI pomáhá převádět odborné závěry do jasně formulovaných doporučení, zvyšuje tím šanci, že analýza skutečně ovlivní další kroky.
🧠 Abstrakce jako konkurenční výhoda
Slovo abstrakce může znít akademicky, ale ve skutečnosti jde o velmi praktickou věc. Kdykoli se lidé nemusí zabývat každým technickým detailem ručně, mohou se soustředit na vyšší úroveň problému.
V historii softwaru to není nic nového. Pokrok v programování byl vždy spojený s tím, že se práce postupně posouvala od nízkoúrovňových úkonů k vyšším vrstvám přemýšlení. Od strojového kódu přes programovací jazyky až po frameworky a cloudové služby. Každá vrstva abstrakce ušetřila čas a zpřístupnila tvorbu složitějších systémů.
Codex do této linie přirozeně zapadá. Další vrstvou abstrakce se stává samotné zadání úkolu. Člověk nemusí vždy rozepisovat každý krok. Může začít záměrem, cílem a kontextem. Technická realizace se pak připraví rychleji.
Ve vědeckém prostředí je to obzvlášť silné, protože právě záměr a interpretace jsou tím, co nejvíce závisí na lidské expertize. Pokud se mechanická část zjednoduší, zvyšuje se hodnota času stráveného přemýšlením.
To je podle mě jeden z nejpraktičtějších způsobů, jak o AI uvažovat. Ne jako o magické náhradě lidské práce, ale jako o další úrovni nástrojů, které přesouvají lidskou pozornost tam, kde má největší význam.
🏥 Pacient jako skutečné měřítko hodnoty
V celé myšlence kolem využití Codexu v Amgenu je nejsilnější to, že se neustále vrací k pacientovi. To není jen marketingová formulace. Je to test toho, zda technologie opravdu pomáhá.
Když firma vyvíjí léčiva, každé interní zlepšení by mělo nakonec směřovat k některému z těchto výsledků:
- rychlejší a kvalitnější výzkum,
- lepší rozhodování během vývoje,
- vyšší efektivita odborných týmů,
- a větší šance, že se pacientům dostane lepší léčby.
Pokud AI jen přidá další vrstvu složitosti nebo vytvoří více technického šumu, její přínos bude omezený. Pokud ale uvolní prostor pro to, aby se lidé věnovali důležitějším otázkám, její hodnota se násobí.
Právě proto působí tento přístup přesvědčivě. Technologický nástroj není hodnocen podle toho, jak je působivý, ale podle toho, zda pomáhá organizaci lépe plnit její poslání.
V jiných odvětvích by se stejné pravidlo dalo přeložit podobně. V bance nejde o více dashboardů, ale o lepší rozhodnutí a služby. Ve výrobě nejde o více automatizace pro automatizaci samu, ale o vyšší kvalitu a bezpečnost. Ve zdravotnictví je tím nejvyšším měřítkem pacient.
🔬 AI pro biostatistiky, genetiky i inženýry
Zajímavé je také to, že přínos není omezený jen na vývojáře. Naopak. V Amgenu se mluví o celé škále rolí, od biostatistiků přes genetiky až po softwarové inženýry. To naznačuje důležitý trend: generativní AI se stává nástrojem pro mezioborovou práci.
Dříve bývalo běžné, že mezi odbornou otázkou a technickým zpracováním stála poměrně výrazná bariéra. Expert ve vědě nebo výzkumu musel často předávat požadavek specializovanému technickému týmu. Ten jej přeložil do analytického postupu, připravil kód a výstupy pak putovaly zpět.
S moderními AI nástroji se tento cyklus může zkracovat. Neznamená to, že technické role mizí. Spíš se mění jejich význam. Více energie jde do navrhování kvalitních systémů, ověřování správnosti, správy dat, bezpečnosti a integrace. Zároveň se i netechnické nebo méně technické role dostávají blíže k samotné analýze.
To může podpořit:
- rychlejší spolupráci mezi týmy,
- menší komunikační ztráty,
- větší samostatnost odborníků,
- a lepší propojení mezi otázkou a výsledkem.
Právě v organizacích, kde se potkávají různé specializace, je to mimořádně důležité. Inovace často nevzniká uvnitř jedné disciplíny, ale na rozhraní několika oborů.
📈 Největší dopad nevzniká z jedné sázky
Možná nejpraktičtější myšlenka celé debaty o AI v podnicích je tato: největší efekt obvykle nepřinese jedna obří iniciativa. Přichází z řady menších sázek rozložených po celé firmě.
To je realistický a velmi zdravý pohled. Mnoho firem hledá jeden velký průlomový projekt, který ospravedlní investice do AI. Jenže v praxi bývá přínos rozptýlený. Někde AI zrychlí analýzu, jinde zlepší interní dokumentaci, jinde pomůže s vývojem softwaru a jinde zase s interpretací dat.
Každé jednotlivé zlepšení může působit nenápadně. Když se ale sečtou, vznikne významná změna v produktivitě i kvalitě práce.
Jak malé sázky vypadají v praxi
- automatizace rutinních částí analytických workflow,
- podpora při tvorbě kódu a skriptů,
- rychlejší příprava prvních verzí analýz,
- srozumitelnější shrnutí výsledků pro rozhodování,
- a lepší využití času vysoce specializovaných odborníků.
Tento přístup má několik výhod. Je méně rizikový, lépe měřitelný a snadněji škálovatelný. Firma nemusí čekat na jeden monumentální výsledek. Může průběžně sbírat menší úspěchy, učit se z nich a postupně budovat širší transformační efekt.
Je to podobné jako u digitální transformace obecně. Uspějí spíš organizace, které dokážou zavést nové nástroje do každodenní práce, než ty, které spoléhají na jediný velký projekt s neurčitým horizontem.
⚙️ Co si z toho mohou odnést další firmy
Ačkoli je kontext jasně spojený s biotechnologiemi a farmacií, několik principů je přenositelných téměř kamkoli. Pokud přemýšlím o zavádění AI do firmy, tento případ nabízí velmi užitečný rámec.
1. Začít od mise, ne od technologie
První otázka by neměla znít: kde všude můžeme použít AI? Lepší otázka je: co je pro nás skutečně důležité a kde dnes ztrácíme čas nebo kapacitu? Amgen si neklade za cíl psát více kódu. Chce dělat lepší vědu a vyvíjet lepší léky. Technologie se pak hodnotí podle toho, zda tomuto cíli slouží.
2. Hledat únavná místa v práci expertů
Největší návratnost často přichází tam, kde odborníci tráví příliš času mechanickými úkoly. Když AI odstraní tuto zátěž, organizace získá více z hodnoty, kterou tito lidé přinášejí.
3. Upřednostnit praktické use casy
Místo abstraktních vizí se vyplatí hledat konkrétní scénáře. Například příprava analýzy, návrh struktury řešení, shrnutí poznatků nebo generování běžných částí kódu. Právě tam bývá dopad dobře měřitelný.
4. Kombinovat rychlost s dohledem
V citlivých a regulovaných odvětvích nestačí, že AI něco vytvoří rychle. Musí být jasné, kdo výstup ověřuje, jak se kontroluje správnost a kde zůstává odpovědnost. Nejlepší výsledky často vznikají ze spolupráce člověka a stroje, ne z úplného předání rozhodování.
5. Budovat změnu po částech
Strategie malých sázek dává smysl téměř všude. Pomáhá snížit odpor, zlepšuje adopci a přináší rychlejší zpětnou vazbu. Úspěšné příklady se pak mohou šířit dál napříč organizací.
🌍 Širší význam pro budoucnost práce
Příběh kolem Codexu a Amgenu dobře zapadá do širší změny, kterou práce právě prochází. Dlouho jsme si automatizaci spojovali hlavně s fyzickou výrobou nebo s jednoduchými kancelářskými procesy. Dnes se automatizace posouvá i do znalostní práce.
To ale neznamená, že lidská expertiza ztrácí význam. Spíš se mění rozdělení práce. Část činností, které byly dříve považovány za neoddělitelnou součást odborné práce, přebírají inteligentní nástroje. Lidé se tím posouvají k činnostem, kde je potřeba úsudek, kreativita, odpovědnost a mezioborové porozumění.
V tomto smyslu je příklad Amgenu vlastně optimistický. Ukazuje, že AI může sloužit k posílení lidského přínosu. Není to příběh o tom, jak technologie odvádí pozornost od poslání organizace. Je to příběh o tom, jak může organizaci k jejímu poslání vrátit.
Podobné úvahy se objevují i v odborných institucích, jako je World Economic Forum, které dlouhodobě sleduje, jak AI mění pracovní role. Jedním z opakujících se závěrů je, že největší hodnotu budou mít lidé, kteří umějí spojit doménovou expertizu s efektivním využitím nových nástrojů.
🛡️ Kde je potřeba opatrnost
I když je popsaný přínos velmi přesvědčivý, je fér dodat, že v takto náročném prostředí musí být nasazení AI doprovázeno pečlivostí. Zejména v oblasti zdravotnictví, výzkumu a práce s citlivými daty je potřeba myslet na několik věcí:
- ověřování výstupů tak, aby se chyby nezabudovaly do rozhodování,
- správu dat a bezpečnost, protože informace mohou být vysoce citlivé,
- transparentnost v tom, jak byly závěry vytvořeny,
- odpovědnost lidí, kteří výsledky používají,
- vhodné nastavení procesů, aby AI podporovala kvalitu namísto zmatku.
Tyto body sice nejsou rozváděny do detailu, ale přirozeně vyplývají z povahy prostředí, ve kterém se Codex používá. Čím důležitější je dopad rozhodnutí, tím důležitější je i důvěryhodné používání nástrojů.
Právě proto dává smysl chápat AI jako podporu odborné práce, ne jako náhradu odborné odpovědnosti.
🔗 Kde hledat další souvislosti
Kdo se chce podívat na širší souvislosti kolem využití tohoto řešení, může navázat přes doplněné informace uvedené u původního materiálu. V širším kontextu stojí za to sledovat také debaty o AI v biotechnologiích, výzkumu léčiv a datové vědě, protože právě tam se podobné nástroje mohou prosadit velmi výrazně.
Zároveň je užitečné sledovat, jak se mění samotná představa o produktivitě. Dříve se produktivita v technických týmech měřila hlavně počtem dodaných artefaktů. Dnes dává větší smysl ptát se, zda tým rychleji nachází hodnotné odpovědi, dělá lepší rozhodnutí a přispívá k poslání firmy.
✨ Proč je tento přístup tak přesvědčivý
Na celé věci mě nejvíc oslovuje jednoduchost základní logiky. Pokud technologie pomůže odstranit únavné a mechanické části práce, odborníci mohou více energie vložit do věcí, které vyžadují skutečné porozumění. V biotechnologické firmě to znamená více prostoru pro vědu, pro vývoj léčiv a pro pacienty.
To je možná nejlepší způsob, jak přemýšlet o umělé inteligenci v podnicích obecně. Ne podle toho, kolik kódu vytvoří nebo jak působivě zní její schopnosti, ale podle toho, zda zlepšuje práci lidí a posouvá organizaci blíž jejímu smyslu.
V případě Amgenu je tento smysl zcela jasný. Lepší nástroje mají pomáhat dělat lepší vědu. Lepší věda má pomáhat vytvářet lepší léčiva. A lepší léčiva mají pomáhat pacientům. Když se AI podaří zapojit právě do tohoto řetězce hodnoty, její přínos je mnohem hlubší než pouhé zrychlení programování.
Právě proto dává využití Codexu v takovém prostředí smysl. Největší efekt nepřichází z technologické okázalosti. Přichází z toho, že lidé mohou méně času věnovat rutinnímu kódu a více času problémům, které skutečně stojí za řešení.
