Naplánovat pracovní cestu, najít zásadní problém v uživatelské zpětné vazbě a zorientovat se v pracovních zprávách. Právě na těchto běžných, ale překvapivě náročných úkolech staví OpenAI ukázku dots z DevDay 2026. Službu představuje jako průběžně dostupné AI agenty, kteří poznávají, na čem člověku záleží, a přebírají část jeho práce.
Za nejzajímavější na této prezentaci považuji posun od jednotlivého dotazu k navazující spolupráci. Nestačí najít let. Je potřeba ověřit jeho podmínky, zohlednit čas příjezdu a přemýšlet o případné schůzce. Nestačí shrnout zprávy. Je třeba poznat, které problémy stále nemají řešení a jak jejich význam souvisí s četností hlášení.
Ukázka tak spojuje osobní organizaci s týmovou prací. Nejde přitom jen o pohodlnější komunikaci s umělou inteligencí. Hlavním tématem je schopnost držet pohromadě cíl, omezení a další kroky, i když se zadání během rozhovoru mění.
Současně zachovávám důležitou hranici: předvedená situace není úplnou technickou dokumentací produktu. Z dostupných informací nelze určit všechny integrace, oprávnění ani míru samostatnosti agentů. Hodnotu ukázky proto hledám především v konkrétních pracovních situacích a v otázkách, které otevírá.
Obsah
- 🧭 Dots staví na průběžné spolupráci, ne jen na jednorázové odpovědi
- 📞 Hlasový rozhovor otevírá praktické plánování cesty
- ✈️ Vhodný let musí splnit několik podmínek současně
- 🕛 Příjezd kolem poledne mění význam původního návrhu
- 🧩 Skutečným úkolem je spojit jednotlivé požadavky
- 📊 Dashboard shrnuje práci, ale nezachycuje automaticky nové zprávy
- 🔎 Hlavní otázka zní: které velké problémy stále nemají řešení?
- 🔄 Smyčka zpětné vazby potřebuje víc než evidenci
- ⚖️ Nejčastější téma nemusí být automaticky nejdůležitější
- 💬 Slack představuje další vrstvu pracovního kontextu
- 🖼️ Krátká zmínka o fotografiích rozšiřuje osobní rovinu
- 🛠️ Zpřesňování zadání je důležitou součástí předvedené spolupráce
- 🧠 Co si z ukázky odnáším pro hodnocení AI agentů
- 🔐 Co prezentace nechává otevřené
- 🚀 Hlavní zpráva: méně přepínání mezi informacemi a rozhodováním
🧭 Dots staví na průběžné spolupráci, ne jen na jednorázové odpovědi
OpenAI v představení dots popisuje produkt jako AI agenty, kteří jsou průběžně k dispozici, postupně poznávají osobní priority a pomáhají ubírat práci. V ukázce se tento záměr promítá do několika různých oblastí: cestování, vyhodnocování zpětné vazby a orientace v komunikaci na Slacku.
Společným jmenovatelem není konkrétní aplikace. Je jím práce s kontextem. Každý z předvedených úkolů vyžaduje, aby asistent rozuměl něčemu víc než poslední větě. U cesty jsou to preference a pravidla. U zpětné vazby stav řešení. U pracovních zpráv souvislost s tím, co tým právě dělá.
Já v tom vidím praktický rozdíl mezi odpovědí a spoluprací. Odpověď může být správná v okamžiku, kdy vznikne, ale spolupráce musí zvládnout i opravu zadání. Pokud člověk upřesní, že chce dorazit blíž poledni, předchozí návrh už nemusí vyhovovat. Agent musí změnu promítnout do dalšího hledání.
Označení průběžně dostupného agenta však samo o sobě neříká, jak často kontroluje nové informace nebo jaké úkony smí provádět bez potvrzení. Tyto vlastnosti z ukázky nevyvozuji. Podstatné je, že prezentovaný způsob práce počítá s návazností: úkol má historii, nové požadavky a postupně zpřesňovaný výsledek.
To je srozumitelnější příslib než obecná představa umělé inteligence, která zvládne všechno. Dots zde míří na konkrétní každodenní zátěž: znovu vysvětlovat priority, dohledávat souvislosti a kontrolovat, zda návrh skutečně odpovídá potřebě.
📞 Hlasový rozhovor otevírá praktické plánování cesty
Úvod ukázky pracuje s telefonickým či hlasovým rozhovorem. Do popředí se rychle dostává cesta a možnost domluvit si během ní setkání. Zmínka o Google Maps přitom ukazuje, že rozhodování není omezené na letenku. Důležité je i místo, kam člověk po příletu zamíří, a zda se tam další plán vůbec vejde.
Za podstatnou považuji přirozenost zadání. Člověk nepopisuje kompletní plán v dokonale uspořádaném formuláři. Postupně přidává, co potřebuje: ověřit let, dodržet pravidla, zachovat možnost vrácení peněz a upravit příjezd. To odpovídá běžnému rozhodování, při kterém si požadavky často ujasňujeme až během rozhovoru.
Hlasová forma zde tedy není jen jiným způsobem psaní dotazu. Přináší průběžné doplňování priorit. Agent reaguje na změnu a přijímá pokyn, že má předchozí návrh znovu posoudit s novou podmínkou.
Současně z pouhé zmínky o mapách nevyplývá, jakým způsobem s nimi dots technicky pracuje. Pro obecný geografický kontext mohou čtenáři využít Google Maps, ale ukázka neposkytuje podrobný popis přístupu k mapovým datům ani konkrétního propojení služby.
Zpravodajsky je na této části důležité hlavně to, co se plánuje. Ne izolovaný přesun z jednoho letiště na druhé, ale cesta navázaná na další lidský závazek. Právě takové souvislosti bývají důvodem, proč jednoduchý seznam dostupných letů ještě nepředstavuje hotové řešení.
✈️ Vhodný let musí splnit několik podmínek současně
V cestovní části zaznívá požadavek, aby let odpovídal pravidlům a umožňoval vrácení peněz. Jde o dvě samostatné podmínky, které musí agent zohlednit vedle času. Let může být časově pohodlný, a přesto nemusí být přijatelný kvůli interním pravidlům nebo podmínkám tarifu.
Já tuto pasáž čtu jako připomínku, že nejlepší návrh není automaticky nejrychlejší ani nejlevnější možnost. Správnost se odvíjí od konkrétního zadání. Pokud je vratnost zásadní, nelze ji zaměnit za drobnou výhodu, kterou lze při výběru snadno přehlédnout.
Ukázka přitom neuvádí přesné znění příslušných pravidel ani tarifní podmínky. Není proto možné tvrdit, že určitý let skutečně splnil všechny požadavky. Důležitý je požadavek na ověření, nikoli zveřejněný výsledek takového ověření.
Pro přehlednost si podmínky rozděluji do tří vrstev:
- Přípustnost: odpovídá cesta pravidlům, která se na ni vztahují?
- Flexibilita: splňuje let požadavek na možnost vrácení peněz?
- Praktická použitelnost: umožňuje časový plán navazující přesun nebo schůzku?
Toto členění není představenou funkcí dots, ale způsobem, jak srozumitelně vyjádřit obsah zadání. Pomáhá vysvětlit, proč nestačí jediná věta typu „našel jsem vhodný let“. Člověk potřebuje vědět, vůči kterým podmínkám je návrh vhodný.
Právě tady se ukazuje hodnota asistenta, který dokáže udržet více požadavků současně. Úspora práce nespočívá pouze ve vyhledání možnosti, ale také v omezení opakované ruční kontroly.
🕛 Příjezd kolem poledne mění význam původního návrhu
Další upřesnění se týká času. V rozhovoru zaznívá preference dorazit blíže poledni. Agent na ni reaguje příslibem, že možnosti znovu posoudí s tímto požadavkem. Jde o drobnou výměnu, která ale dobře vystihuje celý směr prezentace.
Původně přijatelný plán může po doplnění nové preference přestat být nejlepší. Pokud je cílem i schůzka, čas příletu nelze posuzovat samostatně. Rozhoduje, zda zbude prostor na další část dne. V rozhovoru se navíc objevuje podmíněnost úvah: plán by mohl fungovat, pokud let přiletí včas a cesta bude hned pokračovat.
Takovou formulaci považuji za důležitou. Neříká, že návaznost je jistá. Připouští, že výsledek stojí na předpokladech. Dobrá asistence by měla tyto předpoklady zachovat viditelné, ne je při shrnutí proměnit v bezvýhradný slib.
V této situaci rozlišuji dvě věci. Jednou je přání dorazit kolem určité hodiny. Druhou je skutečná proveditelnost celého programu. Ukázka je propojuje, ale neposkytuje podrobný itinerář ani výpočet časových rezerv. Žádné konkrétní délky přesunů proto nedoplňuji.
Největší význam má samotné přehodnocení. Agent nemá obhajovat první odpověď jen proto, že už ji vytvořil. Má reagovat na nově vyjádřenou prioritu. Pro člověka to může znamenat méně opravování a méně opakování stejného kontextu. Pro hodnocení kvality AI je to zároveň jasná otázka: změnil se po upřesnění zadání také doporučený postup?
🧩 Skutečným úkolem je spojit jednotlivé požadavky
Cestovní příklad bych mohl popsat jako hledání letenky. Takové označení by však zakrylo podstatnou část práce. Zadání zahrnuje pravidla, vratnost, čas příjezdu, geografii a možnost dalšího setkání. Každý prvek má smysl sám o sobě, ale rozhodnutí vzniká teprve jejich spojením.
Právě propojení považuji za hlavní měřítko užitečnosti. Agent může správně zachytit jednotlivé požadavky a přesto navrhnout něco, co jako celek nefunguje. Například respektování času nestačí, pokud zůstane neověřená jiná zásadní podmínka. Nejde o tvrzení, že k takové chybě v ukázce došlo, ale o vysvětlení nároků, které zadání vytváří.
U podobné spolupráce proto potřebuji rozlišovat, co už je ověřeno, co je jen pracovní předpoklad a co ještě vyžaduje rozhodnutí člověka. Bez této hranice může plynulý rozhovor působit jistěji než podklady, na nichž stojí.
V předvedené situaci není doložené dokončení rezervace ani samostatný nákup letenky. Nezaměňuji tedy plánování s provedením transakce. Dots zde vystupuje především jako pomocník při skládání vhodného návrhu a při jeho úpravě.
To nijak nesnižuje význam příkladu. Velká část administrativní zátěže vzniká ještě před závěrečným potvrzením. Je potřeba porovnat možnosti, zkontrolovat omezení a rozhodnout, zda plán odpovídá skutečnému účelu cesty. Ukázka míří právě na tuto vrstvu práce, která bývá méně viditelná než samotná rezervace, ale často zabere podstatnou část pozornosti.
📊 Dashboard shrnuje práci, ale nezachycuje automaticky nové zprávy
Druhá výrazná oblast ukázky se týká uživatelské zpětné vazby a přehledu práce. Zaznívá důležité upřesnění: dashboard práci shrnuje, ale nové zprávy automaticky nezachycuje. Zpracování zpětné vazby v popisovaném procesu stále obsahuje ruční část.
Za zásadní považuji právě tuto otevřeně pojmenovanou hranici. Přehled může vypadat uceleně, aniž by obsahoval všechny nové podněty. To není nutně chyba přehledu. Je to vlastnost toku informací, na kterém přehled závisí.
Pokud se nové zprávy dostávají do evidence ručně, vzniká rozdíl mezi tím, co lidé právě hlásí, a tím, co už dashboard dokáže shrnout. Agent musí tento rozdíl chápat, jinak by mohl existující seznam mylně považovat za úplný obraz situace.
V této části si odděluji tři různé činnosti:
- Zachycení podnětu: dostane se nová zpráva do pracovního procesu?
- Zpracování podnětu: je jasné, čeho se týká a jak souvisí s dalšími hlášeními?
- Shrnutí práce: lze zjistit, co tým řeší a v jakém je to stavu?
Ukázka připomíná, že poslední činnost automaticky neznamená zvládnutí prvních dvou. Pro čtenáře je to užitečná korekce očekávání od AI nástrojů: kvalitní shrnutí samo o sobě neodstraňuje mezery ve vstupních datech.
Nepřisuzuji dots automatizaci celého procesu. Naopak, předvedená situace ukazuje potřebu přesně pojmenovat, kterou práci už systém podporuje a která stále závisí na člověku. Bez toho nelze spolehlivě posoudit ani přínos, ani zbývající slabá místa.
🔎 Hlavní otázka zní: které velké problémy stále nemají řešení?
Rozhovor se následně posouvá od popisu dashboardu k důležitější otázce. Cílem není jen vědět, co se zpracovává. Je potřeba porozumět velkým problémům, pro které zatím neexistuje řešení. Tím se mění povaha úkolu: ze souhrnu aktivit se stává hledání mezer.
Já tento posun považuji za jeden z nejsilnějších momentů ukázky. Přehled vykonané práce může být užitečný, ale sám o sobě neodpovídá na otázku, co zůstává nepokryté. Tým může mít mnoho rozpracovaných položek a současně přehlížet zásadní problém, který se do nich nevešel.
Agent v rozhovoru přijímá potřebu hledat největší nevyřešené oblasti. Důležité je, že nejde pouze o opakování seznamu. Zadání žádá porovnání dvou pohledů: co lidé hlásí a pro co už existuje odpověď nebo řešení.
Takové porovnání vyžaduje opatrnost. Absence viditelného řešení v jednom přehledu nemusí vždy znamenat, že řešení neexistuje nikde. Stejně tak přítomnost položky v seznamu práce nemusí dokazovat, že je problém vyřešen. Ukázka nenabízí úplná data, která by dovolila konkrétní problémy vyhodnotit.
Praktický význam je přesto jasný. Smyslem analýzy zpětné vazby není jen uklidit zprávy, ale odhalit, kde se práce míjí s potřebami. V tomto pojetí pomáhá AI především klást přesnější otázky nad dostupnými informacemi. Teprve potom může vzniknout užitečný seznam priorit, který není pouhým odrazem toho, co už někdo zapsal do dashboardu.
🔄 Smyčka zpětné vazby potřebuje víc než evidenci
V souvislosti s nevyřešenými problémy se objevuje také návaznost mezi podnětem a odpovědí. Téma lze srozumitelně popsat jako smyčku zpětné vazby: informace přichází od uživatelů, tým ji zpracuje a nějakým způsobem na ni reaguje. Samotné uložení zprávy tuto smyčku ještě neuzavírá.
Za užitečné považuji oddělit evidenci od výsledku. Evidence odpovídá na otázku, zda se o problému ví. Výsledek se týká toho, zda už existuje řešení, odpověď nebo jasný další postup. Pokud se tyto dvě věci smíchají, může počet zpracovaných zpráv vytvářet falešný dojem pokroku.
V ukázce se právě proto vrací pozornost k mezeře mezi hlášenými problémy a tím, co na ně tým skutečně má. Dashboard přitom zůstává užitečný, jen není konečnou odpovědí. Je jedním z podkladů pro širší posouzení.
Moje interpretace zde není popisem konkrétní technické funkce dots. Jde o vysvětlení pracovního principu, který z rozhovoru vyplývá. Agent má pomáhat rozlišit mezi tím, že podnět prošel procesem, a tím, že jeho podstata dostala adekvátní reakci.
Pro organizaci práce je tento rozdíl zásadní. Jinak může být snadné optimalizovat činnost, kterou lze dobře spočítat, a přehlédnout výsledek, na kterém skutečně záleží. Ukázka nedokládá konkrétní zlepšení ani naměřený dopad, ale jasně ukazuje, jaká otázka má stát v centru: které důležité potřeby ještě zůstávají bez odpovědi?
⚖️ Nejčastější téma nemusí být automaticky nejdůležitější
Další část rozhovoru se zastavuje u žebříčku témat a u toho, co lze označit za největší podle objemu. Právě toto upřesnění je důležité. Slovo „největší“ může znamenat nejčastější, nejrozšířenější nebo nejzávažnější. Bez vyjasnění se snadno porovnávají odlišné věci.
Já si z této pasáže odnáším potřebu oddělovat četnost od významu. Pokud určité téma obsahuje nejvíce hlášení, jde o informaci o objemu. K rozhodnutí, že musí dostat nejvyšší prioritu, může být potřeba ještě další posouzení. Ukázka však nepředkládá konkrétní metodiku ani bodovací systém, takže žádný produktu nepřipisuji.
Otázka nad celým žebříčkem zároveň naznačuje, že je užitečné hledat širší téma, ne jen izolovanou položku. Jednotlivé podněty mohou souviset, ale spojení je třeba podložit jejich obsahem. Nestačí je sloučit jen proto, že mají podobný název.
Pro interpretaci takového přehledu mi pomáhají tři jednoduché otázky:
- Co přesně pořadí vyjadřuje: počet hlášení, nebo jiné hledisko?
- Jsou jednotlivé položky samostatné problémy, nebo části společného tématu?
- Je u nejvýraznějších témat jasné, zda už mají řešení?
Tyto otázky rozvíjejí zadání, nikoli doložené funkce služby. Přínos ukázky spočívá v tom, že neopouští význam pojmů. Dobrý pracovní přehled nemá pouze ukázat první řádek seznamu. Má pomoci vysvětlit, proč je určitá položka nahoře a co z jejího umístění skutečně plyne.
💬 Slack představuje další vrstvu pracovního kontextu
Popis ukázky výslovně zmiňuje také dohánění pracovního dění na Slacku. Tento motiv zapadá do ostatních situací: agent má pomáhat zorientovat se v informacích, které souvisejí s probíhající prací a s tím, co je právě důležité.
V této oblasti je však dostupných podrobností méně než u plánování cesty a zpětné vazby. Neuvádím proto konkrétní způsob připojení, rozsah přístupu ke kanálům ani pravidla, podle nichž dots zprávy vybírá. Pro základní kontext pracovního prostředí slouží oficiální stránky Slacku, nikoli jako doklad konkrétní integrace dots.
Za důležité považuji propojení pracovních zpráv s rozpracovanými tématy. Obecné shrnutí komunikace může říci, o čem se mluvilo. Užitečný přehled by měl navíc pomoci pochopit, jak se nové informace vztahují k dosavadní práci. Právě tuto potřebu ukázka vedle zpětné vazby otevírá.
Nejde nutně o to číst méně za každou cenu. Jde o omezení zbytečného dohledávání. Pokud člověk musí po shrnutí znovu zjišťovat, k jakému problému zpráva patří a zda se něco změnilo, podstatná část práce zůstává na něm.
Na úrovni prezentovaného záměru tedy Slack doplňuje dashboard: jeden pomáhá komunikovat, druhý shrnuje práci. Dots je zasazen do prostoru mezi informací a orientací. Jak úplně a spolehlivě tento prostor pokrývá v praxi, z uvedené ukázky určit nelze.
🖼️ Krátká zmínka o fotografiích rozšiřuje osobní rovinu
V závěrečné části se krátce objevují také fotografie a výběr jedné z nich. Tento detail rozšiřuje prostředí ukázky za čistě pracovní témata. Vedle letů, zpětné vazby a zpráv se do rozhovoru dostává i osobní preference.
Protože je tato část velmi stručná, nepřisuzuji jí konkrétní funkci pro práci s obrázky. Není jasné, odkud fotografie pocházejí, jak byly nabídnuty ani zda jejich výběr provedl člověk nebo zda mu s ním agent nějak pomáhal. Spolehlivě lze říci jen to, že se výběr fotografie v rozhovoru objevil.
Já tento moment vnímám především jako doplnění hlavního příslibu služby: znát kontext člověka neznamená znát pouze jeho pracovní úkoly. Současně však osobní tón rozhovoru není důkazem hluboké znalosti preferencí nebo určitého mechanismu paměti.
To je důležitá hranice i pro další čtení celé ukázky. Přirozeně působící komunikace může vytvářet dojem širokého porozumění, ale konkrétní schopnosti je potřeba hodnotit podle konkrétních výsledků. U fotografií takový podrobný výsledek k dispozici není.
Nechávám proto tento motiv v jeho skutečné velikosti. Je součástí pestré každodenní interakce, nikoli hlavním důkazem nové obrazové technologie. V celkovém obrazu dots však připomíná, že prezentovaná asistence nemá být sevřená do jediné pracovní aplikace nebo jediného druhu požadavku.
🛠️ Zpřesňování zadání je důležitou součástí předvedené spolupráce
Napříč jednotlivými tématy se opakuje stejný vzorec: člověk nejprve pojmenuje úkol a potom upřesní, co opravdu potřebuje. U cesty doplňuje čas příjezdu. U dashboardu vysvětluje, že nejde jen o shrnutí práce. U zpětné vazby se ptá na největší nevyřešené problémy a význam pořadí.
Já v tomto vzorci vidím důležitější zprávu než samotnou šíři témat. Užitečný agent musí zvládat změnu interpretace. Nestačí pamatovat si předchozí větu. Musí rozpoznat, že nové upřesnění může posunout celý cíl.
V pracovním rozhovoru to znamená také neopakovat bezmyšlenkovitě původní formulaci. Pokud člověk vysvětlí, že mu jde o mezery v řešení, odpověď by neměla zůstat u seznamu již zpracovaných podnětů. Pokud odlišuje objem od významu, přehled by měl tuto hranici respektovat.
Ukázka nedokládá, že agent všechny tyto nároky vždy splní. Představuje ale druh spolupráce, v němž jsou takové nároky podstatné. Zpravodajský význam proto nespočívá v univerzálním slibu bezchybnosti, ale v konkrétním směru: AI se má účastnit průběžně se měnícího pracovního rozhovoru.
Prakticky si odtud odnáším i doporučení pro zadávání úkolů. Vyplatí se výslovně pojmenovat rozhodující podmínku, vysvětlit význam nejasného slova a opravit předpoklad, který neodpovídá procesu. Nejde o složitý návod. Jde o stejnou jasnost, kterou potřebuje každá dobrá spolupráce mezi lidmi.
🧠 Co si z ukázky odnáším pro hodnocení AI agentů
Předvedené situace umožňují sestavit praktická měřítka, podle nichž lze podobné AI agenty posuzovat. Nejde o oficiální test dots ani o seznam potvrzených vlastností. Je to moje shrnutí nároků, které z konkrétních úkolů vyplývají.
- Držení podmínek: nezmizí při hledání letu pravidla nebo požadavek na vratnost?
- Reakce na změnu: promítne se preference příjezdu kolem poledne do nového návrhu?
- Rozlišení zdrojů: chápe agent rozdíl mezi dashboardem a nově přicházejícími zprávami?
- Hledání mezer: umí oddělit existující práci od problémů, které stále nemají řešení?
- Přesnost významu: nezaměňuje nejvyšší počet hlášení za nejvyšší důležitost?
- Pracovní návaznost: vztahuje nové informace k tomu, co člověk nebo tým právě řeší?
Tato měřítka jsou užitečná proto, že se soustředí na výsledek spolupráce, ne jen na plynulost odpovědi. Zdvořilá a rychlá reakce může být příjemná, ale sama neříká, zda bylo zadání správně pochopeno.
Za obzvlášť důležité považuji také zachování nejistoty. Když plán závisí na včasném letu nebo neúplném přehledu zpráv, má tato podmínka zůstat součástí závěru. Jinak se z pomoci s orientací snadno stane přehnaně sebejisté doporučení.
Dots v této ukázce otevírá prostor pro podobně konkrétní hodnocení. Místo otázky, zda agent působí chytře, lze klást praktičtější otázku: udržel všechny podstatné souvislosti a posunul člověka blíž ke správnému rozhodnutí?
🔐 Co prezentace nechává otevřené
Šíře předvedených témat může vyvolat řadu očekávání. Aby ale přehled zůstal přesný, odděluji představený záměr od věcí, které nejsou doložené. Ukázka neposkytuje úplné informace o dostupnosti služby, ceně, podporovaných účtech nebo technickém nastavení.
Stejně tak z ní nelze určit, jak dots ukládá dlouhodobý kontext, jaká oprávnění potřebuje a které úkony vyžadují potvrzení. Označení průběžně dostupných agentů není samo o sobě odpovědí na tyto otázky. Ani práce se zprávami automaticky nedokazuje neomezený přístup k pracovní komunikaci.
Já tyto mezery nepovažuji za důvod přehlédnout zajímavé části prezentace. Považuji je za důvod formulovat závěry přesně. Předvedené plánování není totéž co doložená rezervace. Zmínka o Slacku není technický popis integrace. Diskuse o zpětné vazbě není měření kvality analýzy.
Také nelze vyčíslit skutečnou úsporu času. Záměrem je převzít část práce, ale konkrétní počet ušetřených minut ani porovnání s ručním postupem není uveden. Jakékoli přesné číslo by proto bylo nepodložené.
Pro případné praktické využití bych si nejdřív vyjasnil rozsah přístupu k informacím, hranice samostatného jednání a způsob kontroly výsledků. To jsou otázky vyplývající z povahy předvedených úkolů, nikoli tvrzení o nedostatcích produktu. Pomáhají pouze převést atraktivní ukázku do realistických očekávání, která lze později ověřovat.
🚀 Hlavní zpráva: méně přepínání mezi informacemi a rozhodováním
Druhá ukázka dots na OpenAI DevDay 2026 představuje AI asistenci jako průběžnou podporu každodenního rozhodování. Cestovní plán, zpětná vazba a pracovní zprávy se na první pohled liší, ale mají společný problém: informace jsou rozptýlené a jejich význam závisí na souvislostech.
U cesty je potřeba propojit let s pravidly, vratností a navazujícím programem. U zpětné vazby spojit hlášení se stavem řešení. U pracovního přehledu zasadit nové zprávy do toho, na čem se právě pracuje. Právě toto spojování tvoří nejvýraznější obsah prezentace.
Já si z ní odnáším střídmý, ale zajímavý závěr. Hodnota AI agenta se neměří jen množstvím vytvořeného textu, ale tím, kolik souvislostí člověk nemusí znovu ručně skládat. Když asistent správně zachytí upřesnění a pomůže najít skutečnou mezeru, může být užitečný i bez velkého, efektního finále.
Současně zůstává prostor pro ověření praktických schopností. Ukázka neřeší všechny otázky samostatnosti, přístupu k datům ani spolehlivosti. Nabízí však srozumitelný obraz toho, kam dots míří: k pomoci, která respektuje měnící se zadání a neztrácí ze zřetele důvod, proč člověk úkol vůbec řeší.
Nejsilnější moment tak pro mě není samotné nalezení letu nebo vytvoření přehledu. Je to přechod od „co tu máme“ k „co opravdu potřebujeme vyřešit“. Pokud se tento rozdíl podaří zachovat i v běžném používání, může právě v něm spočívat podstatná úleva od každodenní pracovní zátěže.
