Firmy, které zavádějí AI nástroje do každodenní práce, rychle narazí na jednoduchou, ale důležitou otázku: co se v nich vlastně děje? Nestačí jen vědět, že lidé nástroj mají k dispozici. Potřebuji rozumět tomu, kolik kreditů spotřebovávají, které týmy jej používají nejvíc, jaké pracovní postupy se prosazují a kde AI skutečně přináší měřitelnou hodnotu.
Právě k tomu slouží Computer Analytics v Perplexity. Analytika ukazuje využití Perplexity Computer uvnitř organizace včetně spotřeby kreditů, nejaktivnějších uživatelů, nejčastěji používaných konektorů, skills, projektů, workflow a vytvořených artefaktů. K dispozici je přehledný dashboard i API pro automatizované reportování.
Z mého pohledu nejde jen o kontrolu nákladů. Dobře použitá analytika pomáhá rozpoznat interní ambasadory, najít týmy s rychlou adopcí, identifikovat nečekané výkyvy ve spotřebě a přenést data o AI práci do systémů, kde už firma řeší finance, plánování a reporting.
Obsah
- 🧭 Dva pohledy na používání Computeru
- 📈 Denní spotřeba kreditů ukazuje trendy i výkyvy
- 🏆 Žebříček uživatelů pomáhá najít interní ambasadory
- 🧩 Co dashboard sleduje kromě kreditů
- 🗓️ Filtry pro 7, 30 a 90 dní
- 📤 Export dat pro finance, reporting a vlastní analýzu
- ⏱️ Počítejte s denní obnovou dat
- 🔌 Computer Analytics API pro enterprise organizace
- 🏗️ Kam lze analytická data přivést
- 👥 Jak sledovat adopci podle týmů a oddělení
- 💰 Plánování kreditů bez odhadování naslepo
- 🔍 Dashboard vysvětluje minulost, API propojuje data s rozhodováním
- ✅ Co si z Computer Analytics odnést
🧭 Dva pohledy na používání Computeru
Computer Analytics rozlišuje mezi osobním přehledem a přehledem za celou organizaci. To je praktické, protože stejné údaje potřebují různí lidé z jiných důvodů.
Individuální členové organizace a běžní uživatelé mají k dispozici statistiky vlastního používání. Mohou si tak ověřit, jak jejich práce s Perplexity Computer vypadá v čase, kolik využívají kreditů a jaké typy výstupů vytvářejí.
Administrátoři organizace naopak vidí souhrnná data za všechny členy. Právě tento organizační pohled dává prostor pro skutečné řízení adopce. Admin může porovnávat využití mezi skupinami, sledovat nejaktivnější uživatele a analyzovat, kam směřují kredity i práce vytvářená pomocí Computeru.
Je důležité držet se tohoto rozdělení oprávnění. Celofiremní data jsou dostupná pouze administrátorům, zatímco jednotliví členové mají přístup jen k vlastním statistikám. Organizace tím získává centrální přehled, aniž by každý uživatel automaticky viděl aktivitu ostatních.
Kam v rozhraní přejít
Administrátor otevře přehled přes nastavení organizace v této cestě:
- Otevřít Organization Settings.
- Přejít do sekce Analytics.
- Vybrat položku Computer.
Jednotlivý člen organizace se ke svému přehledu dostane přes vlastní nastavení, konkrétně přes sekci Settings a následně Analytics.
Tento rozdíl je malý, ale podstatný. Pokud hledám osobní spotřebu, nemusím procházet organizační reporty. Pokud naopak řeším rozpočet, adopci nebo interní reporting, potřebuji administrátorský pohled.
📈 Denní spotřeba kreditů ukazuje trendy i výkyvy
Prvním výrazným prvkem dashboardu je rozpad spotřeby kreditů po jednotlivých dnech. Tato časová osa je užitečná právě proto, že agregované měsíční číslo často schová důležité souvislosti.
Když se spotřeba kreditů zobrazuje den po dni, lze snáz rozpoznat:
- Výrazné špičky, které mohou souviset s intenzivním pracovním obdobím nebo rozsáhlejším využitím Computeru.
- Dlouhodobé trendy, například postupný růst adopce v organizaci.
- Anomálie, tedy neobvyklé změny, které stojí za bližší prověření.
- Rytmus využití, který ukáže, zda je práce s Computerem stabilní, nárazová nebo koncentrovaná do konkrétních období.
Já bych se na graf nedíval jako na pouhý účet za AI. Spotřeba kreditů je signál. Sama o sobě neříká, zda je práce kvalitní nebo přínosná, ale ukáže, kde je vhodné položit další otázky. Co se v den prudkého nárůstu změnilo? Vznikl nový projekt? Začal tým používat konkrétní skill? Přesunula se část práce do nového workflow?
Tohle je přesně rozdíl mezi pasivním reportem a užitečným provozním přehledem. Číslo je začátek vyšetřování, ne jeho konec.
Proč denní data dávají smysl
V prostředí AI nástrojů se způsob používání může měnit rychle. Jeden nový pracovní návyk, nový konektor nebo interní iniciativa dokáže během krátké doby výrazně posunout objem práce. Denní členění proto usnadňuje propojení využití s reálnými událostmi uvnitř firmy.
Pokud například vidím soustavný růst během několika týdnů, může to naznačovat, že Computer získává stabilní místo v každodenní práci. Jednorázový nárůst naopak může ukazovat na konkrétní úkol, projekt nebo intenzivní období. Analytics nepřidává automatické vysvětlení těchto pohybů, ale dává administrátorovi data, ze kterých může vycházet.
🏆 Žebříček uživatelů pomáhá najít interní ambasadory
Dashboard obsahuje také leaderboard, tedy žebříček nejaktivnějších uživatelů Perplexity Computer v organizaci. Na první pohled může působit jako jednoduché pořadí, ale z hlediska adopce jde o velmi praktický nástroj.
Nejaktivnější lidé bývají často ti, kteří už našli konkrétní způsob, jak Computer zapojit do práce. Mohou znát užitečné postupy, dokážou popsat, kde jim nástroj šetří čas, a mají zkušenost s kombinováním konektorů, skills, projektů nebo workflow.
Právě tady lze najít několik typů lidí:
- Power users, kteří Computer používají opravdu intenzivně.
- Interní šampiony, kteří mohou sdílet funkční pracovní postupy s kolegy.
- Zdroje interních případových studií, tedy lidi schopné ukázat konkrétní využití v praxi.
- Průkopníky nových metod práce, jejichž zkušenosti mohou být užitečné pro další týmy.
Já bych leaderboard nevnímal jako soutěž o nejvyšší spotřebu. Vysoká aktivita automaticky neznamená nejvyšší hodnotu. Je to však dobrý filtr pro hledání lidí, se kterými má smysl mluvit. Mohou pomoci odhalit, které úlohy se pro Computer hodí, jaké návyky fungují a co brání širšímu využití.
Takový rozhovor může být často hodnotnější než dlouhá prezentace o AI strategii. Místo obecných proklamací se firma dostane ke konkrétním pracovním postupům, které už někdo reálně používá.
🧩 Co dashboard sleduje kromě kreditů
Spotřeba kreditů je jen jedna část celého obrazu. Computer Analytics nabízí i další rozpad využití, který ukazuje, jaká práce v Perplexity Computer vzniká a které části platformy se v organizaci prosazují.
Mezi dostupné metriky patří:
- Vytvořené artefakty
- Nejpoužívanější konektory
- Nejpoužívanější skills
- Nejaktivnější projekty
- Workflow
- Průměrná délka úloh
Tyto metriky dohromady vytvářejí mnohem užitečnější obrázek než samotný počet uživatelů. Dvě organizace mohou spotřebovat podobný objem kreditů, ale jejich využití může být úplně jiné. Jedna může vytvářet velké množství artefaktů, druhá může používat především specifické konektory a třetí může mít soustředěnou aktivitu kolem několika projektů.
Vytvořené artefakty
Počet vytvořených artefaktů ukazuje, jaký objem výstupů Computer generuje. V kontextu analýzy jde o důležitou doplňkovou metriku ke kreditům. Spotřeba vypovídá o využitých zdrojích, zatímco artefakty naznačují, že práce směřuje k konkrétním výstupům.
Já bych tuto metriku používal hlavně ve spojení s dalšími údaji. Samotný počet artefaktů není univerzálním měřítkem hodnoty, ale může pomoci sledovat vývoj používání v čase nebo rozpoznat týmy a projekty s aktivní produkcí výstupů.
Nejpoužívanější konektory
Konektory ukazují, odkud Computer v rámci pracovních postupů čerpá nebo kam se práce váže. Přehled top konektorů může odhalit, které zdroje a systémy jsou pro organizaci při AI práci nejdůležitější.
To je užitečné například při plánování podpory, interní dokumentace nebo priorit pro další adopci. Pokud určitý konektor používá velká část aktivních týmů, je rozumné věnovat mu více pozornosti než funkci, která v praxi zůstává okrajová.
Skills, projekty a workflow
Skills představují další vrstvu analýzy. Přehled nejpoužívanějších skills napoví, jaké schopnosti Computeru se v organizaci prosazují. Podobně pohled na projekty ukáže, kde se aktivita soustředí a které pracovní celky jsou nejživější.
Workflow doplňují obraz o opakovatelných postupech. Pokud se firma snaží pochopit, kde se AI práce stává součástí běžného provozu, nestačí sledovat jen izolované úlohy. Důležité je vidět i to, zda se využití promítá do opakovaných pracovních toků.
Průměrná délka úloh
Průměrná délka úloh je další signál, který může být užitečný při interpretaci používání. Dává představu o tom, zda se aktivita skládá spíše z kratších nebo delších úloh. Ani zde nejde o samostatný verdikt nad efektivitou. Delší úloha nemusí být lepší a kratší úloha nemusí být méně hodnotná.
V kombinaci s kredity, artefakty, projekty a workflow však délka úloh pomáhá rozlišit různé vzorce používání. Organizace pak nemusí pracovat jen s jedním souhrnným číslem, ale s kontextem.
🗓️ Filtry pro 7, 30 a 90 dní
Computer Analytics umožňuje analyzovat data za posledních sedm, třicet nebo devadesát dní. Každé z těchto období odpovídá trochu jinému typu otázky.
- 7 dní se hodí pro rychlou kontrolu čerstvého vývoje, náhlých změn a aktuální aktivity.
- 30 dní poskytuje praktičtější pohled na měsíční provoz a stabilnější trendy.
- 90 dní dává širší základ pro porovnání vývoje, dlouhodobější plánování a odhady budoucí spotřeby.
Pokud řeším nečekanou špičku, začnu obvykle kratším obdobím. Pokud potřebuji připravit podklad pro finance nebo plánovat kreditovou potřebu na další měsíc, dává větší smysl devadesátidenní horizont.
Dashboard také dovoluje filtrovat spotřebu kreditů a vytvořené artefakty podle použitých modelů. To přidává další úroveň detailu. Organizace se tak nemusí dívat na AI využití jako na jednu jednolitou masu, ale může oddělit využití podle modelového rozdělení.
Filtry jsou zvlášť důležité proto, že celková čísla snadno zkreslují. Náhlý růst nemusí znamenat, že všichni používají všechno více. Může jít o změnu v konkrétním modelu, projektu nebo pracovním postupu. Čím přesnější otázku položím, tím užitečnější interpretaci z dat získám.
📤 Export dat pro finance, reporting a vlastní analýzu
Každý pohled na dashboardu lze exportovat. To otevírá prostor pro vlastní analýzy, podklady pro zainteresované strany i finanční kontrolu.
Export je praktický hlavně ve chvíli, kdy data o využívání Computeru potřebují žít i mimo samotné rozhraní Perplexity. Organizace může exportované přehledy použít například pro:
- přípravu podkladů pro vedení nebo další zainteresované strany,
- vlastní analytické zpracování,
- finanční kontrolu a diskusi o spotřebě kreditů,
- interní reporty o adopci AI,
- porovnání vývoje v různých časových obdobích.
Já bych export nevnímal jako náhradu živého dashboardu. Dashboard je vhodný pro rychlou orientaci a každodenní kontrolu. Export je silný ve chvíli, kdy potřebuji data spojit s dalším kontextem, uložit je do reportu nebo je sdílet mimo pracovní prostor analytiky.
Pro firmy, které hledají širší informace o nasazení Perplexity v organizaci, je relevantní také stránka Perplexity Enterprise. Analytics dává konkrétní vrstvu viditelnosti nad tím, jak je Computer v podniku skutečně používán.
⏱️ Počítejte s denní obnovou dat
Data na dashboardu se obnovují jednou denně. V praxi to znamená, že nejnovější kompletní obraz bývá typicky za předchozí den, nikoli za právě probíhající den.
Tohle omezení je dobré mít na paměti při interpretaci. Computer Analytics je nástroj pro pravidelné sledování využití, hledání trendů a plánování. Není určený jako přehled aktivity aktualizovaný v každé minutě.
Já bych proto při práci s daty vždy jasně rozlišoval mezi otázkou „co se stalo dnes?“ a otázkou „jak se vyvíjelo používání v posledních dnech či týdnech?“. Pro druhou otázku je denní aktualizace naprosto přirozená a dává dostatečně stabilní podklad pro manažerské i finanční rozhodování.
🔌 Computer Analytics API pro enterprise organizace
Dashboard je vhodný pro rychlou práci přímo v Perplexity. Enterprise organizace však mohou stejná analytická data získávat také programově prostřednictvím Computer Analytics API.
API je důležité ve chvíli, kdy firma nechce data jen ručně kontrolovat nebo exportovat, ale chce je pravidelně přivádět do vlastního analytického prostředí. Endpoint vrací časovou řadu rozdělenou do časových intervalů. Obsahuje údaje o kreditech, konektorech, artefaktech, skills, projektech, workflow a délce úloh.
Jinými slovy, data dostupná na dashboardu mohou pokračovat dál do systémů, kde už firma analyzuje provoz, finance nebo adopci nástrojů.
Jak API zapnout a vytvořit klíč
Administrátor může API aktivovat a vytvořit klíč v nastavení organizace v části:
- Organization Settings
- Computer
- Analytics
Klíče jsou vázané na organizaci, nikoli na jednotlivého běžného uživatele. Spravovat je může kterýkoli administrátor organizace. Tento princip odpovídá tomu, že API poskytuje organizační analytiku a pracuje s daty napříč členy firmy.
Při práci s klíči bych k nim přistupoval jako k citlivému přístupovému údaji. Organizační rozsah znamená, že nejde o osobní experimentální přístup, ale o prostředek pro napojení firemního reportingu na analytická data Computeru.
🏗️ Kam lze analytická data přivést
Computer Analytics API je připravené pro napojení do nástrojů, které organizace používají pro data a reporting. Zmíněné možnosti zahrnují Snowflake, Hex, Metabase, tabulkový procesor nebo interní finanční systém.
Praktická výhoda je zřejmá: informace o používání AI nemusí zůstávat oddělené v jednom produktu. Mohou se objevit vedle ostatních metrik, které firma už sleduje.
Pro technické a analytické týmy to může znamenat například přenést denní data do:
- datového skladu, například Snowflake,
- analytického prostředí, například Hex,
- BI nástroje, například Metabase,
- tabulkového přehledu pro rychlou kontrolu a sdílení,
- interního finančního systému pro rozpočtové plánování.
Nejde o to, že by každý podnik potřeboval zavést všechna tato napojení. Podstatné je, že API umožňuje používat data tam, kde firma už přirozeně dělá rozhodnutí. Pokud finance pracují v jednom prostředí a tým pro business intelligence v jiném, analytika Computeru se nemusí stát izolovaným reportem bokem.
👥 Jak sledovat adopci podle týmů a oddělení
Jedna z nejsilnějších možností API spočívá v tom, že organizace může budovat vlastní interní dashboardy. Do existujícího BI stacku lze pravidelně dostávat denní spotřebu kreditů, nejpoužívanější konektory a délku úloh.
To vytváří prostor pro otázky, které jsou pro větší organizaci velmi praktické:
- Které týmy Computer využívají nejvíce?
- Jak se liší používání mezi jednotlivými odděleními?
- Které skupiny rozšiřují využití nejrychleji?
- Jaké konektory, skills nebo projekty se objevují v různých částech firmy?
- Jak se mění spotřeba kreditů v delším období?
Já bych při takovém srovnávání nepoužíval data jen jako žebříček oddělení. Smyslem není rozhodnout, který tým je „nejlepší“ podle jediné metriky. Každý tým může mít jiné pracovní úkoly, jiný počet lidí a jiný způsob práce s AI.
Cennější je zkoumat dynamiku. Kde využití roste? Kde je stabilní? Kde se naopak neuchytilo? A co mají úspěšně adoptující týmy společného? Možná pracují s konkrétními konektory, možná mají jasně definované projekty nebo aktivní interní šampiony. Computer Analytics poskytuje data, která takové otázky umožní položit a dál ověřovat.
💰 Plánování kreditů bez odhadování naslepo
Analytická data lze využít také pro odhad budoucí potřeby kreditů. Organizace může například exportovat posledních devadesát dní, vyhodnotit dosavadní spotřebu a z této číselné základny připravit odhad pro další měsíc.
Tohle není záruka přesné předpovědi. Budoucnost vždy ovlivní nové projekty, změny v adopci i způsob práce týmů. Přesto je rozdíl mezi plánováním na základě historie a plánováním podle dojmu.
Praktický postup může vypadat takto:
- Vybrat devadesátidenní období, které poskytne širší kontext.
- Vyexportovat data o spotřebě kreditů.
- Podívat se na vývoj v čase, růstové trendy a výrazné výkyvy.
- Prověřit, zda špičky souvisely s jednorázovými aktivitami, nebo signalizují nový běžný stav.
- Připravit číselný odhad potřeby kreditů na další měsíc.
Na stejném principu lze pracovat i s dalšími ukazateli. Pokud se zvyšuje počet artefaktů, aktivita v projektech nebo využití konkrétních workflow, může to pomoci zasadit kreditovou spotřebu do širšího provozního obrazu.
Finanční plánování je díky tomu věcnější. Místo otázky „zdá se nám, že se AI používá víc?“ může organizace pracovat s denními daty, časovým rozsahem a konkrétními kategoriemi využití.
🔍 Dashboard vysvětluje minulost, API propojuje data s rozhodováním
Nejjednodušší způsob, jak chápat rozdíl mezi dashboardem a API, je tento: dashboard ukazuje, co se stalo. API dovoluje vzít tato data a přenést je do nástrojů, kde se plánuje další postup.
Dashboard je ideální pro rychlou kontrolu, orientaci v trendech a hledání otázek. Administrátor vidí denní kredity, top uživatele, artefakty, konektory, skills, projekty, workflow i délku úloh na jednom místě.
API je naopak vhodné pro opakované a integrované reportování. Umožňuje vytvořit vlastní firemní pohled, spojit Computer Analytics s existujícími datovými procesy a zapojit informace o využití AI do pravidelných rozhodnutí.
Tyto dvě vrstvy nejsou konkurenti. Doplňují se. Jeden nástroj poskytuje bezprostřední přehled v produktu, druhý dává firmě možnost pracovat se stejnými údaji ve vlastním analytickém ekosystému.
✅ Co si z Computer Analytics odnést
Computer Analytics v Perplexity dává organizacím konkrétní způsob, jak získat viditelnost nad používáním Perplexity Computer. Nejde jen o kredity. Důležité jsou také lidé, projekty, konektory, skills, workflow, artefakty a délka úloh.
Já bych zavedl pravidelný jednoduchý rytmus práce s daty:
- průběžně kontrolovat denní vývoj kreditů,
- při změnách hledat souvislosti v projektech a používaných nástrojích,
- vyhledávat aktivní uživatele a interní ambasadory,
- porovnávat období 7, 30 a 90 dní,
- exportovat data pro finance, reporting a hlubší analýzu,
- u enterprise organizace zvážit API napojení do stávajícího BI nebo finančního prostředí.
Hodnota analytiky nevzniká samotným otevřením dashboardu. Vzniká až ve chvíli, kdy organizace začne data používat pro lepší otázky, lepší plánování a rozumnější podporu týmů. Computer Analytics poskytuje potřebný základ: přehled o tom, jak se Computer používá, kde se využití rozšiřuje a kde stojí za to hledat další přínos.
Pro další materiály zaměřené na Computer, konektory, skills a agentní workflow je k dispozici také playlist Perplexity Academy.
