Nasazení Codexu v NTT DATA ukazuje, jak rychle může generativní umělá inteligence proměnit každodenní pracovní postupy ve velké organizaci. Během několika měsíců se počet aktivních uživatelů dostal nad hranici 10 000 a komunita kolem Codexu se zařadila mezi největší interní komunity společnosti.
Nejvýraznější přínos se projevuje tam, kde lidé dříve trávili mnoho hodin technickou analýzou a přípravou výstupů. Činnosti, které vyžadovaly přibližně dva dny práce specialisty, lze nyní automatizovat a dokončit zhruba za 30 minut. Vedle technických týmů nachází Codex uplatnění také v obchodních procesech, například při správě seznamů zákazníků.
Pro mě je tato zkušenost důležitým signálem, že přínos AI nespočívá jen v rychlejším psaní kódu. Codex může pomáhat měnit způsob, jakým týmy analyzují problémy, vytvářejí reporty, pracují s daty a navrhují zcela nové pracovní postupy.
Obsah
- 📈 Rychlé rozšíření mezi více než 10 000 aktivních uživatelů
- ⚙️ Automatizace složité analýzy incidentů
- 📊 Výkonnostní analýza jako další oblast využití
- 🕒 Dva dny práce specialisty se mění na půlhodinu
- 💼 Codex ve službách obchodních týmů
- 🧭 Proč se interní komunita stává součástí úspěchu
- 🔍 Jak rozpoznat smysluplný případ použití AI
- 🛡️ Rychlost má největší hodnotu spolu s odborným úsudkem
- 🌱 Co si z příkladu NTT DATA odnáším
📈 Rychlé rozšíření mezi více než 10 000 aktivních uživatelů
V NTT DATA se Codex během několika měsíců rozšířil na více než 10 000 aktivních uživatelů. Takové tempo adopce je podstatné nejen kvůli samotnému počtu lidí, ale také kvůli tomu, co tento počet naznačuje: nástroj si našel využití napříč organizací a není omezený na úzkou skupinu vývojářů.
Vznik jedné z největších interních komunit kolem Codexu ukazuje, že pracovníci v něm našli praktickou hodnotu. Technologii lze považovat za skutečně užitečnou tehdy, když se přirozeně začlení do běžné práce a lidé pro ni opakovaně nacházejí konkrétní úkoly.
V tomto případě stojí za pozornost i role interního centra odbornosti zaměřeného na OpenAI. Jeho cílem je podporovat přijetí Codexu i širšího portfolia produktů OpenAI. Takový přístup dává zavádění AI jasný rámec: nejde jen o zpřístupnění nástroje, ale také o hledání vhodných scénářů použití a podporu lidí, kteří s ním pracují.
Široké využití Codexu může v organizaci vytvořit společný jazyk pro automatizaci. Jeden tým začne řešit technickou analýzu, jiný správu zákaznických seznamů a další mohou navázat vlastními postupy. Výsledkem nemusí být jediný univerzální proces. Větší hodnotu může přinést soubor menších, praktických automatizací, které dohromady šetří významné množství času.
⚙️ Automatizace složité analýzy incidentů
Jednou z hlavních oblastí použití v NTT DATA je automatizace analýzy složitých incidentů. Incidenty zpravidla vyžadují rychlé pochopení situace, práci s technickými informacemi a následné sestavení srozumitelného závěru. Tato práce může být náročná zejména tehdy, když je nutné propojit více zdrojů informací a připravit zprávu pro další rozhodování.
Codex zde pomáhá automatizovat samotnou analýzu i tvorbu reportu. Dříve byl pro srovnatelný výstup potřeba technický specialista, který pracoval přibližně dva dny. Po nasazení Codexu lze tento proces dokončit automaticky za asi 30 minut.
Rozdíl mezi dvěma dny a půlhodinou není jen otázkou produktivity. V prostředí, kde se řeší incidenty, může rychlost ovlivnit schopnost týmu soustředit se na další kroky. Když méně času zabere sestavení analýzy a reportu, více prostoru zůstává pro posouzení priorit, komunikaci a řešení samotného problému.
Je však užitečné rozlišovat mezi automatizací práce a automatickým převzetím odpovědnosti. Codex může urychlit zpracování informací a přípravu výstupu, ale odborný úsudek zůstává důležitou součástí rozhodování. Přínos takového nástroje vidím především v tom, že lidem poskytuje rychleji připravený základ pro jejich práci.
Od ručního reportu k rychle připravenému podkladu
Tradiční analýza incidentu často zahrnuje několik navazujících kroků. Je nutné shromáždit informace, vyhodnotit jejich souvislosti, formulovat závěry a vytvořit report v podobě, která je použitelná pro ostatní členy týmu. Každý z těchto kroků může být časově náročný.
Automatizace má největší sílu právě tam, kde se opakují podobné činnosti: třídění podkladů, zpracování technických informací a příprava dokumentace. Zkušenost NTT DATA potvrzuje, že Codex lze použít pro práci s vysokou mírou komplexity, nikoli pouze pro jednoduché opakující se úlohy.
Za důležitý považuji také samotný report. Kvalitní výstup není jen formalita po dokončení analýzy. Je to prostředek, který pomáhá předat zjištění dalším lidem, uchovat kontext a navázat dalšími kroky. Zkrácení času na jeho vytvoření proto může mít dopad na celý pracovní tok.
📊 Výkonnostní analýza jako další oblast využití
Codex v NTT DATA nepomáhá pouze při analýze incidentů. Uplatňuje se také při výkonnostní analýze. Jde o další příklad práce, která může vyžadovat technické znalosti, soustředění a čas potřebný pro přípravu závěrů.
Výkonnostní analýza obvykle směřuje k pochopení toho, jak se systém chová a kde mohou vznikat oblasti vyžadující pozornost. Při větším množství informací může být náročné přeměnit technické podklady na strukturovaný a užitečný report. Codex tento typ analytické práce automatizuje podobně jako analýzu incidentů.
Nejdůležitějším výsledkem není samotná rychlost výpočtu nebo vytvoření textu. Podstatné je, že se zkracuje cesta od problému či dat k použitelnému výstupu. Pokud proces, který dříve vyžadoval dva dny specializované práce, trvá přibližně 30 minut, tým může s výsledky pracovat dříve.
To zároveň naznačuje širší možnosti pro organizace, které hledají vhodné případy použití AI. Smysluplné příležitosti často neleží jen v jedné aplikaci nebo v jedné roli. Mohou vznikat všude tam, kde se pravidelně opakuje náročná práce s informacemi a následná tvorba přehledného výstupu.
🕒 Dva dny práce specialisty se mění na půlhodinu
Časový údaj je nejkonkrétnějším měřítkem dopadu. V NTT DATA se analýza a vytvoření reportu, které dříve technickému specialistovi zabraly dva dny, podařilo pomocí Codexu dokončit automaticky za 30 minut.
Taková změna představuje nový rytmus práce. Dvoudenní úkol obvykle vyžaduje plánování, vyhrazený prostor v kalendáři a soustředěnou kapacitu zkušeného člověka. Půlhodinový automatizovaný proces otevírá jinou možnost: technický specialista se může věnovat úkolům, kde je jeho odbornost nejpotřebnější.
Nejde o to tvrdit, že každá pracovní činnost bude fungovat stejně. Tento případ je konkrétním výsledkem nasazení v NTT DATA. Přesto nabízí užitečný princip: při hledání hodnoty AI je vhodné zaměřit se na procesy, které jsou současně komplexní, opakované a náročné na čas specialistů.
Z pohledu řízení práce je rozdíl výrazný také proto, že zkrácení času může zlepšit dostupnost analýz. Když se potřebné podklady připraví rychleji, tým má možnost reagovat pružněji. Důležité je přitom zachovat kvalitu zadání, kontrolu výsledků a odborné posouzení tam, kde je nezbytné.
Co ukazuje tento časový rozdíl
- Specialisté získávají více kapacity: méně času věnují opakovanému zpracování a přípravě reportů.
- Výstupy mohou vznikat rychleji: analýza incidentu nebo výkonu se posune k dalším lidem v kratším čase.
- Automatizace se týká celého pracovního toku: nejde pouze o jednu technickou operaci, ale o analýzu i vytvoření reportu.
- Komplexní úkoly jsou vhodným kandidátem: zkušenost ukazuje využití Codexu i u práce, která dříve vyžadovala specialistu.
- AI může podpořit nové pracovní návyky: zkrácení procesů vytváří prostor pro odlišné uspořádání týmové práce.
💼 Codex ve službách obchodních týmů
Významnou součástí příběhu NTT DATA je zapojení obchodních týmů. Codex zde slouží k automatizaci úloh, jako je údržba seznamů zákazníků. Tento příklad je cenný právě proto, že ukazuje využití mimo čistě technické prostředí.
Správa seznamu zákazníků může na první pohled působit jako drobná administrativní činnost. Ve skutečnosti však jde o typ úkolu, který se opakuje a vyžaduje pečlivost. Pokud je taková práce automatizována, obchodní tým může věnovat více energie činnostem, které vyžadují přímou práci s klienty a obchodní úsudek.
Codex tak není v NTT DATA popisován jen jako nástroj pro vývojáře nebo specialisty na infrastrukturu. Jeho použití se rozšiřuje také do obchodních pracovních toků. Právě tato šíře je jedním z nejzajímavějších aspektů adopce.
Z mého pohledu je příklad zákaznických seznamů připomínkou, že nejlepší příležitosti pro automatizaci nemusí vždy vypadat velkolepě. Často začínají u konkrétního úkonu, který tým opakuje každý den nebo každý týden. Pokud takový úkon zabírá čas a zároveň má jasný cíl, může být vhodným kandidátem pro podporu pomocí AI.
Nové pracovní postupy místo pouhého zrychlení stávajících
Automatizace údržby seznamů zákazníků v NTT DATA nepřinesla jen rychlejší provedení známé práce. Vedla také ke vzniku nových druhů pracovních postupů. To je možná nejzajímavější část celé zkušenosti.
Technologie často nejprve zrychlí existující proces. Teprve později lidé zjistí, že mohou práci uspořádat jinak. Nový workflow může vzniknout ve chvíli, kdy úkol, který byl dříve příliš pomalý nebo náročný, začne být prakticky proveditelný.
V obchodním prostředí může taková změna znamenat, že se práce se seznamy zákazníků nestane samostatnou administrativní zátěží, ale plynulejší součástí širšího procesu. Konkrétní podoba nových postupů se může lišit tým od týmu, ale hlavní myšlenka zůstává stejná: automatizace může vytvářet nové možnosti, nikoli jen snižovat dobu trvání starých činností.
🧭 Proč se interní komunita stává součástí úspěchu
Více než 10 000 aktivních uživatelů nevznikne jen tím, že organizace zpřístupní nový nástroj. Rozhodující je, zda lidé dokážou rozpoznat jeho využití ve vlastní práci. V NTT DATA tuto adopci podporuje centrum odbornosti zaměřené na rozšíření Codexu a dalších produktů OpenAI.
Interní komunita má význam, protože urychluje sdílení zkušeností. Jeden tým může objevit účinný způsob práce s technickou analýzou, zatímco jiný přinese praktický obchodní případ použití. Společně pak vzniká širší porozumění tomu, kde nástroj přináší hodnotu.
Za silný model považuji přístup, který kombinuje technologii s podporou adopce. Samotný nástroj totiž automaticky nezmění pracovní proces. Ke změně dochází tehdy, když ho lidé začnou používat u reálných úkolů, porovnají výsledky s dřívějším postupem a upraví svou práci podle nových možností.
Růst komunity v NTT DATA zároveň naznačuje, že Codex našel využití napříč rozdílnými funkcemi. Technické týmy řeší incidenty a výkonnostní analýzu. Obchodní týmy automatizují údržbu zákaznických seznamů. Společným jmenovatelem je snaha snížit množství času potřebného k dosažení konkrétního výsledku.
🔍 Jak rozpoznat smysluplný případ použití AI
Zkušenost NTT DATA nabízí praktickou inspiraci pro týmy, které přemýšlejí, kde začít s Codexem nebo obdobnými nástroji. Nejdůležitější není hledat nejpůsobivější ukázku technologie. Užitečnější je najít proces, ve kterém se opakovaně ztrácí čas a kde existuje jasně rozpoznatelný výstup.
V popsaných případech lze vidět několik společných rysů. Analýza incidentů, výkonnostní analýza, tvorba reportů a údržba zákaznických seznamů se liší obsahem, ale všechny jsou součástí konkrétních pracovních toků. Každý z nich vede k výsledku, který může být pro tým užitečný.
Otázky, které bych si při hledání příležitostí položil
- Jaké úkoly zabírají specialistům opakovaně mnoho času?
- U kterých procesů je nutné vytvářet report, souhrn nebo jiný strukturovaný výstup?
- Kde tým pravidelně pracuje s podobnými typy informací?
- Jaké administrativní činnosti se opakují v obchodní nebo provozní práci?
- Které kroky lze automatizovat, aniž by se vytratila potřebná odborná kontrola?
- Kde by rychlejší vytvoření podkladů pomohlo lidem rozhodovat nebo pokračovat v práci?
Tyto otázky nevytvářejí univerzální návod, ale pomáhají obrátit pozornost k reálným pracovním problémům. Případ NTT DATA ukazuje, že výrazný dopad může vzniknout jak v náročné technické analýze, tak v běžné obchodní administrativě.
Za dobrou výchozí pozici považuji jasně vymezený proces. Pokud tým ví, kolik času úkol zabírá, kdo na něm pracuje a jak má vypadat výsledek, může lépe posoudit přínos automatizace. V NTT DATA je tento přínos vyjádřen velmi konkrétně: z dvou dnů na 30 minut.
🛡️ Rychlost má největší hodnotu spolu s odborným úsudkem
Automatizace analýzy a reportingu přináší rychlost, ale u složitých úkolů zůstává důležité rozumné používání výsledků. NTT DATA popisuje Codex jako prostředek pro automatizaci vysoce komplexní analýzy incidentů a výkonu. Právě u takových činností dává smysl spojit rychlost nástroje se znalostmi lidí, kteří rozumějí provoznímu a obchodnímu kontextu.
Odborník nemusí trávit dva dny přípravou každého reportu, aby měl hodnotnou roli. Naopak, když automatizace urychlí přípravu podkladů, může se více soustředit na posouzení výsledků, stanovení priorit a další postup.
Tento model není postavený na nahrazení lidské zkušenosti. Je postavený na jejím lepším využití. Codex převezme část práce spojené s analýzou a tvorbou výstupu, zatímco lidé mohou věnovat svou pozornost tomu, kde je nezastupitelný kontext a rozhodování.
Pro mě je to střízlivý a užitečný pohled na firemní AI. Největší přínos nemusí spočívat v tom, že nástroj udělá vše sám. Často spočívá v tom, že významně zkrátí cestu k podkladům, které odborníci potřebují pro kvalitní práci.
🌱 Co si z příkladu NTT DATA odnáším
Příběh Codexu v NTT DATA stojí na několika konkrétních výsledcích: více než 10 000 aktivních uživatelů, jedna z největších interních komunit během několika měsíců, automatizace komplexní analýzy incidentů a výkonu, zkrácení dvoudenní práce na přibližně 30 minut a nové pracovní postupy v obchodních týmech.
Tyto výsledky společně ukazují, že adopce AI může být široká i praktická. Codex zde není omezený na jednu profesi ani jeden typ úkolu. Pomáhá technickým specialistům s analýzou a reportováním, zatímco obchodním týmům usnadňuje správu zákaznických seznamů.
Nejsilnější myšlenkou je pro mě vznik nových workflow. Rychlost je snadno měřitelná a rozdíl mezi dvěma dny a 30 minutami je mimořádně výrazný. Dlouhodobější hodnota ale může ležet v tom, že týmy začnou práci organizovat novým způsobem, protože dříve náročné kroky se stanou rychleji dostupnými.
Organizace, které hledají smysluplné využití Codexu, mohou začít u vlastních procesů. Vyplatí se hledat opakující se, časově náročné úkoly s jasným cílem, zejména tam, kde specialisté vytvářejí analýzy, reporty nebo pravidelně spravují informace. Příklad NTT DATA ukazuje, že právě v těchto oblastech může automatizace přinést konkrétní a měřitelný posun.
Další informace k uvedenému příkladu jsou dostupné na stránce zdroje společnosti OpenAI.
