Revolut převedl sedm let designové dokumentace do podoby čitelné pro AI za jediný den

Ilustrace znázorňující přeměnu letité designové dokumentace na AI-čitelné struktury pomocí technologie a datového rozhraní

Dokumentace designového systému, která vznikala přibližně sedm let, získala v Revolutu během jediného dne podobu použitelnou pro umělou inteligenci. Tým při tom využil Codex. Za nejzajímavější část této zkušenosti ale nepovažuji samotnou rychlost převodu. Důležitější je, co následovalo: více prostoru pro kontrolu, odhalení slabých míst dokumentační šablony a zpřesnění nejasných formulací.

Podle Dmytra Pavlova, seniorního designéra designového systému v Revolutu, má takto připravená dokumentace tvořit základ vyvíjeného AI nástroje pro designéry. Nejde tedy jen o jednorázový úklid existujících materiálů. Jde o přípravu znalostí, na kterých má stát další způsob práce s designovým systémem.

Případ ukazuje konkrétní využití generativní AI bez nutnosti slibovat úplnou automatizaci designu. Codex pomohl zpracovat již existující obsah a lidem zůstal prostor věnovat se jeho kvalitě. Právě v tomto rozdělení práce vidím hlavní zprávu: rychlejší příprava dokumentace může zvýšit význam lidské kontroly, nikoli ji odstranit.

Obsah

📰 Co Revolut skutečně zvládl za jeden den

Výraz „sedm let dokumentace za den“ snadno vyvolá představu, že AI během několika hodin vytvořila veškerá pravidla rozsáhlého designového systému. Takové čtení by ale bylo nepřesné. Revolut už měl dokumentaci i samotný designový systém k dispozici. Novým výsledkem byl převod dosavadních materiálů do podoby, se kterou může lépe pracovat umělá inteligence.

Tento rozdíl považuji za zásadní. Dlouhodobě budované znalosti nevznikly automaticky. Codex pomohl změnit způsob jejich zachycení a zpřístupnění. Hodnota předchozí práce se tím neztratila, naopak získala nové využití.

Z Pavlovova popisu vyplývají čtyři hlavní body:

  • Designový systém Revolutu se rozvíjel přibližně sedm let, případně déle.
  • Existující materiály tým s pomocí Codexu během jediného dne převedl do podoby čitelné pro AI.
  • Ušetřený čas mohl věnovat kontrole a zlepšování výsledné dokumentace.
  • Při práci odhalil problémy v používané šabloně a nejasnosti ve vizuální dokumentaci.

Není přitom uveden přesný objem dokumentů, jejich původní formát ani technický postup převodu. Jednodenní výsledek proto chápu jako popis konkrétní zkušenosti, nikoli jako univerzální časový odhad. Bez znalosti rozsahu a kvality vstupů nelze stejnou rychlost automaticky očekávat jinde.

🧩 Designový systém jako společný jazyk firmy

Pavlov popisuje designový systém jako jazyk, který působí nejen směrem k zákazníkům, ale také uvnitř společnosti. To je důležitý kontext. Designový systém není pouze soubor vizuálních prvků. Jeho dokumentace pomáhá předávat význam pravidel a vytvářet společné porozumění tomu, jak s nimi pracovat.

Pokud má systém tuto úlohu plnit, nestačí, aby existoval v hlavách zkušených lidí. Potřebuje srozumitelně zachycené znalosti. Dokumentace vytváří spojení mezi tím, co tým navrhl, a tím, jak mohou ostatní jeho rozhodnutí správně používat.

Pro základní orientaci v tom, jak může veřejná dokumentace designového systému spojovat principy, komponenty a doporučení, může posloužit také americký vládní designový systém USWDS. Nejde o popis řešení Revolutu, ale o užitečný nezávislý příklad způsobu, jak takové znalosti zpřístupnit.

V případu Revolutu proto nevnímám převod dokumentace jako izolovaný technický úkol. Týká se společného firemního jazyka. Pokud je tento jazyk nejasně popsán, nejasnost se může přenést i do nástroje, který se o něj má opírat.

Příprava podkladů pro AI tak zároveň otevírá otázku, zda dokumentaci dostatečně rozumějí samotní lidé. Obě potřeby se zde potkávají, i když nejsou úplně totožné.

📝 Proč důležitá dokumentace často dostává méně pozornosti

Pavlov označuje dokumentaci designového systému za zásadní, ale zároveň za jednu z nejnáročnějších částí práce. Důvod popisuje prostě: obvykle nejde o činnost, která by byla zvlášť příjemná. Tento detail považuji za důležitější než obecné nadšení z nového nástroje.

Dokumentace totiž představuje jiný typ práce než samotné navrhování. Nestačí vědět, jak má něco fungovat. Je třeba toto porozumění formulovat tak, aby bylo přenositelné. Pravidlo musí dávat smysl i člověku, který nebyl přítomen u jeho vzniku.

V případě dlouhodobě rozvíjeného systému navíc není úkolem pouze něco nového napsat. Je nutné pracovat s tím, co už existuje, a posoudit, zda to stále vytváří srozumitelný celek. Právě zde může rychlejší zpracování materiálů uvolnit kapacitu pro náročnější rozhodování.

Nečtu proto zkušenost Revolutu jako tvrzení, že dokumentace přestala být těžká. Spíše se změnilo rozložení obtížnosti. Část práce spojené s převodem obsahu zvládl Codex a tým se mohl soustředit na hodnocení výsledku.

To je střízlivější a současně užitečnější závěr. AI neodstranila potřebu znalosti designového systému. Pomohla vytvořit více prostoru pro její uplatnění. Odborný úsudek zůstal důležitý právě tam, kde bylo třeba rozpoznat nejasnost nebo nekvalitní formulaci.

🤖 Co znamená dokumentace čitelná pro AI

Označení „čitelná pro AI“ může působit jako přesný technický standard. Z dostupného popisu však nelze určit, jaký konkrétní formát Revolut zvolil ani jakým způsobem bude vyvíjený nástroj dokumentaci zpracovávat. Nepovažuji proto za správné doplňovat názvy technologií nebo architekturu, které Pavlov neuvádí.

Praktický význam je přesto zřejmý: existující znalosti bylo potřeba převést tak, aby mohly sloužit jako použitelný podklad pro AI nástroj. Nestačilo tedy pouze mít dokumentaci někde uloženou. Důležité bylo připravit její obsah pro další způsob využití.

Při posuzování takového výsledku bych rozlišoval tři otázky:

  • Dostupnost: Je potřebná informace v připravených materiálech vůbec zachycena?
  • Srozumitelnost: Je z formulace patrné, co pravidlo znamená a kdy se používá?
  • Správnost: Odpovídá zachycené pravidlo skutečnému záměru designového systému?

Jde o můj praktický rámec pro čtení podobného projektu, nikoli o zveřejněnou metodiku Revolutu. Pomáhá však oddělit technickou přípravu obsahu od jeho kvality.

Dokument může být úspěšně převeden do nového formátu a přesto obsahovat nejasné pokyny. Stejně tak může být dobře napsaný pro zkušeného kolegu, ale vyžadovat doplnění souvislostí, pokud se má stát podkladem automatizované práce. Zkušenost Revolutu připomíná potřebu kontrolovat obojí.

⚙️ Role Codexu: převod existujících znalostí, ne jejich nahrazení

Codex v tomto případě pomohl týmu vytvořit z dosavadních materiálů dokumentaci vhodnou pro AI. Pavlov přitom zdůrazňuje rychlost, s jakou se podařilo získat výsledek připravený k dalšímu posouzení. Právě tehdy si podle svého popisu uvědomil, jak výrazně může nástroj změnit způsob práce.

Za důležité považuji zachovat hranici mezi dvěma odlišnými činnostmi. První je zpracování existujících znalostí. Druhou je rozhodování o tom, zda jsou tyto znalosti správné, úplné a dostatečně přesné. Rychlost první činnosti sama o sobě nepotvrzuje kvalitu druhé.

Pavlovova zkušenost ukazuje jejich návaznost: rychle připravený podklad umožnil věnovat zbývající čas revizi. Tým tedy nezůstal u okamžiku, kdy nástroj vytvořil výstup. Pokračoval kontrolou a zlepšováním dokumentace.

Takové využití AI mi připadá přesvědčivější než představa bezobslužné automatizace. Uznává hodnotu nástroje, ale nezaměňuje ji za odbornou autoritu. Znalost systému a odpovědnost za jeho popis zůstávají na lidské straně.

Zároveň není možné z tohoto případu dovodit, které jednotlivé úpravy Codex prováděl automaticky. Není zveřejněna sada zadání ani podrobný pracovní postup. Podstatný doložený výsledek je užší: tým získal během dne použitelný základ a více času na jeho kvalitativní kontrolu.

🔍 Největší přínos přišel při následné revizi

Jednodenní převod je výrazný údaj, ale hlavní přínos podle mě leží v tom, co umožnil dál. Pavlov opakovaně zdůrazňuje možnost věnovat více času kontrole konkrétního výstupu a zlepšování jeho kvality. Rychlost zde nebyla konečným cílem. Vytvořila prostor pro další práci.

To mění způsob, jakým lze podobný projekt hodnotit. Kdyby jediným měřítkem byla doba potřebná k vytvoření dokumentů, mohl by rychlý výstup působit jako hotový úspěch. V tomto případě se ale hodnota ukázala také v nalezených problémech.

Rozlišuji proto dva druhy výsledku:

  • Provozní výsledek: existující materiály získaly podobu využitelnou pro další práci s AI.
  • Kvalitativní výsledek: tým mohl podklady prověřit a odhalit místa, která potřebovala zlepšení.

Druhý bod není automatickým důsledkem prvního. Vyžaduje rozhodnutí věnovat ušetřený čas revizi místo toho, aby se práce okamžitě označila za dokončenou. Právě tuto volbu pokládám v případu Revolutu za dobře přenositelnou zkušenost.

Neznamená to, že každý rychlý převod automaticky zvýší kvalitu. Znamená to, že rychlost může vytvořit podmínky pro kvalitnější výsledek, pokud tým následnou kontrolu skutečně provede. Rozdíl je nenápadný, ale pro odpovědné využití AI zásadní.

🧱 Převod odhalil slabiny dokumentační šablony

Jedním z konkrétních zjištění byly problémy v šabloně, na kterou tým při dokumentování spoléhal. Pavlov nepopisuje jejich přesnou podobu, takže nelze tvrdit, že chyběla určitá sekce nebo konkrétní pravidlo. Samotné odhalení slabin šablony je ale důležitá zpráva.

Šablona totiž neurčuje jen vzhled dokumentace. Ovlivňuje také to, jaké informace si autor připomene a jakým způsobem je uspořádá. Pokud v ní něco není dobře promyšlené, může se stejný problém opakovat ve více částech materiálů.

V tomto bodě vidím rozdíl mezi opravou jednotlivého textu a zlepšením způsobu dokumentování. Úprava jednoho odstavce pomůže na jednom místě. Revize šablony může ovlivnit i další práci. To je obecná možnost, nikoli potvrzení konkrétního rozsahu změn v Revolutu.

Při podobné kontrole bych se ptal zejména:

  • Pomáhá struktura vysvětlit účel popisovaného prvku?
  • Je v ní prostor pro pravidla použití a jejich omezení?
  • Rozlišuje závazné požadavky od doporučení?
  • Dovoluje zachytit potřebné souvislosti bez spoléhání na nevyřčenou znalost?

Tyto otázky nepředstavuji jako seznam chyb nalezených v Revolutu. Jde o praktické rozvedení toho, proč se vyplatí při přípravě dokumentace pro AI kontrolovat také její základní strukturu, nejen jednotlivé věty.

🎨 Nejasnosti se objevily i ve vizuální dokumentaci

Druhou konkrétní oblastí byly nejasné formulace ve vizuální dokumentaci. Ani zde nejsou uvedeny jednotlivé příklady. Podstatné je, že práce na podkladech pro AI upozornila také na kvalitu vysvětlení, která mají sloužit designérům.

Vizuální ukázka a textový pokyn přitom plní odlišné role. Ukázka může pomoci pochopit podobu řešení. Text by měl vysvětlit jeho význam a podmínky použití. Pokud formulace zůstane nejednoznačná, samotná přítomnost obrázku nemusí nejasnost odstranit.

Za užitečný test považuji otázku, zda lze z popisu rozlišit pravidlo od pouhé ilustrace. Další otázkou je, zda čtenář pochopí, které části řešení jsou podstatné a které závisí na konkrétním kontextu. Nejde o popis interního testování Revolutu, ale o způsob, jak podobný problém prakticky posuzovat.

Příprava materiálů pro AI tak může fungovat jako podnět k přesnějšímu vyjadřování. Tým musí věnovat pozornost tomu, co dokument skutečně sděluje, nejen tomu, co do něj zkušený člověk automaticky doplní ze své znalosti prostředí.

Za důležitý přínos proto považuji zpřesnění společného porozumění. Pokud se podaří odstranit dvojznačnost, nejde jen o lepší vstup pro budoucí nástroj. Jde také o srozumitelnější oporu pro lidi, kteří s designovým systémem pracují už dnes.

🛠️ Dokumentace má být základem AI nástroje pro designéry

Revolut podle Pavlova vyvíjí AI nástroj, který má designérům pomáhat zlepšovat pracovní postupy. Právě připravená dokumentace má představovat jeho klíčový základ. Tím dostává celý projekt jasný účel: nejde pouze o archivaci, ale o přípravu podkladů pro další využití.

Je důležité zachovat i časové rozlišení. Nástroj je popisován jako vyvíjený. Nejsou představeny jeho konkrétní funkce, podoba používání ani naměřené výsledky v každodenní práci. Nemohu proto přisuzovat Revolutu schopnosti nebo přínosy, které zatím nebyly popsány.

Za podstatné však považuji pořadí priorit. Dokumentace není vedlejším doplňkem nástroje. V Pavlovově podání představuje jeho zásadní součást. Kvalita zachycených znalostí je tedy důležitá už před hodnocením toho, jak bude výsledné řešení působit navenek.

Z toho pro mě plyne obecnější poučení: při plánování AI nástroje nestačí ptát se pouze na to, co má umět. Je třeba řešit i to, z jakých podkladů má při práci vycházet a kdo za ně odpovídá.

V případě Revolutu pomohl Codex připravit tuto znalostní vrstvu rychleji. Teprve následná kontrola ale umožnila posuzovat, zda tvoří dostatečně pevný základ. Právě spojení rychlé přípravy a odborné revize je pro pochopení celé zkušenosti klíčové.

👤 Ušetřený čas má směřovat k potřebám zákazníků

Pavlov za nejzajímavější možnost považuje přesun pozornosti. Od důležitých úkolů, které se bez AI dělaly obtížně, směrem k tomu, na čem záleží zákazníkům. Dokumentaci tím neoznačuje za nedůležitou. Popisuje snahu zvládnout nezbytnou práci efektivněji a uvolnit kapacitu pro další priority.

Tento rozdíl je podle mě podstatný. Pokud by tým vnímal dokumentaci jen jako překážku, mohl by se spokojit s rychlým, ale nekontrolovaným výstupem. Z popsané zkušenosti naopak vyplývá, že část získaného času věnoval právě jejímu zlepšení.

Vztah k zákaznické hodnotě je tedy nepřímý. Lepší podklady mají podpořit práci designérů a rychlejší zpracování má umožnit jiné rozložení jejich pozornosti. Nejsou ale uvedeny výsledky, které by dokazovaly konkrétní změnu zákaznické zkušenosti.

Nepřeváděl bych proto tuto zkušenost na tvrzení o vyšší spokojenosti, rychlejším dodávání produktů nebo měřitelné finanční úspoře. Taková čísla k dispozici nejsou. Doložený je záměr a popsaná změna pracovního prostoru týmu.

Přesto jde o užitečně formulovaný cíl. Smyslem není vytvořit co nejvíce dokumentace za co nejkratší dobu, ale umožnit lidem věnovat více pozornosti práci s významem pro zákazníka. To je náročnější měřítko než samotná rychlost generování.

📏 Co případ dokládá a kde je potřeba opatrnost

Krátké firemní příklady bývají přesvědčivé konkrétním výsledkem, ale neodpovídají na všechny otázky. I zde považuji za užitečné oddělit popsanou zkušenost od závěrů, které by vyžadovaly další údaje. Pomáhá to ocenit skutečný přínos bez zbytečného přehánění.

Případ dokládá, že Revolut využil Codex k rychlé přípravě existující designové dokumentace pro AI a že následná práce odhalila nedostatky. Neumožňuje však přesně vyčíslit celkovou produktivitu celého projektu.

Pro podrobnější vyhodnocení by mě zajímaly zejména tyto informace:

  • Jak rozsáhlé a různorodé byly vstupní materiály?
  • Kolik přípravy předcházelo samotnému jednodennímu převodu?
  • Jak dlouho trvala následná kontrola a jaké úpravy vyžadovala?
  • Podle jakých kritérií tým posuzoval připravenost dokumentace?
  • Jak bude ověřováno její využití ve vyvíjeném nástroji?

Absence těchto údajů nepopírá hodnotu zkušenosti. Jen určuje její hranice. Jednodenní převod nelze zaměnit za jednodenní vznik celého designového systému ani za dokončení všech činností potřebných pro spolehlivý AI nástroj.

Také bych nerozšiřoval nalezení několika problémů na tvrzení, že tým odstranil všechny nedostatky. Přesná interpretace je užitečnější: zpracování dokumentace vytvořilo příležitost k revizi a tým při ní skutečně našel místa ke zlepšení.

🧭 Jak bych tuto zkušenost převedl do vlastního postupu

Z případu Revolutu lze odvodit praktický postup, aniž bych jej vydával za zveřejněnou interní metodiku firmy. Sám bych začal cílem použití, pokračoval převodem existujících podkladů a za samostatnou fázi považoval odbornou kontrolu.

  1. Vyjasnil bych účel dokumentace. Jinak se posuzuje materiál určený k orientaci člověka a jinak podklad pro konkrétní AI nástroj. Nejdříve bych proto pojmenoval očekávané využití.
  2. Oddělil bych existující znalosti od chybějících informací. Převod může pomoci obsah zpracovat, ale neměl by zakrýt místa, kde pravidlo dosud není jasně zachyceno.
  3. Nechal bych připravit kontrolovatelný výstup. Cílem první fáze by nebylo prohlásit práci za hotovou, ale získat materiál vhodný k věcné revizi.
  4. Zkontroloval bych šablonu i jednotlivé formulace. Právě tyto dvě úrovně se v popsané zkušenosti ukázaly jako důležité.
  5. Ověřil bych soulad s účelem nástroje. Připravené dokumenty by měly být hodnoceny podle toho, zda skutečně podporují zamýšlenou práci, nikoli jen podle jednotného vzhledu.

Takový postup nevyžaduje předpoklad, že AI zvládne vše samostatně. Naopak počítá s tím, že lidé budou rozhodovat o významu a kvalitě. Inspiraci z Revolutu vidím především v rozdělení práce: automatizaci využít k rychlejšímu zpracování a získaný prostor věnovat lepším otázkám.

✅ Co bych při kontrole výsledku nepřehlédl

Pokud má rychle připravená dokumentace sloužit jako základ dalšího nástroje, potřebuje kontrola jasné zaměření. Nestačilo by mi ověřit, že vznikly všechny očekávané soubory nebo že text působí uhlazeně. Hledal bych především věcnou srozumitelnost.

Následující otázky chápu jako doporučení pro podobné projekty, nikoli jako popis testů provedených v Revolutu:

  • Je u pravidla zřejmé, na co se vztahuje?
  • Lze poznat, kdy pravidlo platí a kde má své hranice?
  • Odpovídá text tomu, co ukazuje vizuální příklad?
  • Nejsou stejné pojmy používány v různých významech?
  • Neztratil převod důležitou podmínku nebo výjimku?
  • Je možné rozpoznat místa, která vyžadují rozhodnutí odborníka?

Důležitá je podle mě také práce s nejistotou. Pokud podklady něco nevysvětlují, měla by kontrola tento nedostatek pojmenovat. Plynulá formulace sama o sobě neznamená, že byla vyřešena původní nejasnost.

Právě zde se vracím k hlavnímu přínosu popsaného projektu. Ušetřený čas získal hodnotu tím, že jej bylo možné věnovat posuzování obsahu. Kvalitní revize není administrativní dovětek k automatizaci. Je to část práce, která rozhoduje, zda rychle vzniklý výstup opravdu pomůže.

📚 Co si z případu mohou odnést další designové týmy

Nejpřenositelnější zkušeností není konkrétní časový údaj. Je jí změna pohledu na dokumentaci: z úkolu, který je potřeba pracně dokončit, na znalostní základ, jehož kvalitu lze cíleně zlepšovat. Codex v Revolutu pomohl urychlit jednu část této práce a zpřístupnil prostor pro další.

Pro tým s dlouhodobě budovaným designovým systémem to může být podnět nejdříve prozkoumat vlastní materiály. Ne proto, aby automaticky napodobil stejný projekt, ale aby zjistil, zda jeho pravidla dávají smysl i mimo kontext lidí, kteří je vytvořili.

Zvlášť cenné mi připadá, že nalezené problémy nebyly omezené pouze na technickou podobu podkladů. Týkaly se také šablony a formulací. Příprava pro nové využití tak otevřela otázky, které mají význam i pro běžnou lidskou spolupráci.

Podrobnější firemní kontext nabízí případová studie spolupráce Revolutu s OpenAI. Samotná Pavlovova zkušenost ale stojí na jednoduchém principu: existující znalosti neztratily cenu s příchodem AI. Staly se důležitým vstupem pro její smysluplné použití.

Za dobrou inspiraci proto považuji nejprve pečovat o obsah a teprve potom od něj očekávat spolehlivou podporu nových pracovních postupů. Technologie může pomoci s přípravou, ale jasnost pravidel zůstává odpovědností týmu.

🎯 Hlavní zpráva: rychlost má cenu, když zlepší kvalitu

Revolut ukazuje konkrétní způsob, jak může Codex pomoci designérskému týmu: během jediného dne převést dlouhodobě vznikající dokumentaci do podoby připravené pro AI a vytvořit více prostoru pro její revizi. Při této práci se navíc podařilo odhalit slabiny šablony i nejasné formulace.

Za rozhodující nepovažuji představu, že sedm let práce lze jednoduše nahradit jedním dnem. Přesnější je opačný závěr. Sedm let budované znalosti poskytly základ, který mohl nástroj pomoci nově zpracovat. Lidská práce pak pokračovala kontrolou, zpřesňováním a přípravou pro další využití.

Vyvíjený AI nástroj pro designéry má na této dokumentaci stavět. Jeho konečné přínosy zatím z uvedené zkušenosti hodnotit nelze. Už nyní je ale patrné, jakou změnu Pavlov považuje za důležitou: méně kapacity spotřebovat obtížným zpracováním nezbytných podkladů a více jí věnovat kvalitě a potřebám zákazníků.

Právě v tom vidím nejsilnější poučení: úspěšná automatizace nemusí znamenat méně lidské pozornosti. Může znamenat, že ji konečně věnujeme místům, kde má největší hodnotu.

Share


AI World Vision

AI and Technology News