Jeden vývojář vytváří interní službu pro kontrolu kódu, která by na první pohled mohla vyžadovat celý tým. Designéři během jediného dne převádějí sedm let dokumentace do podoby čitelné pro umělou inteligenci. A v oblasti finanční kriminality přebírá autonomní agent úvodní prověřování podezřelých transakcí. Revolut tím ukazuje, jak konkrétně může vypadat nasazení AI za hranicemi běžného konverzačního asistenta.
Podle zkušeností, které firma zveřejnila v rámci spolupráce s OpenAI, se čas věnovaný psaní kódu zkracuje o 30 až 60 procent. Zástupci Revolutu zároveň uvádějí, že některá řešení dokážou dostávat na trh přibližně třikrát rychleji, než považují za obvyklé podle tržních standardů. Tato čísla jsou výrazná, ale sama o sobě celý příběh nevysvětlují.
Za podstatnější považuji změnu v organizaci práce. AI zde neslouží jen k rychlejšímu dokončení jednotlivého úkolu. Umožňuje rozdělit vývoj mezi několik agentů, zpřístupnit nahromaděné firemní znalosti a svěřit část vyšetřovacího procesu systému vybavenému pravidly a nástroji. Zároveň se ukazuje důležitá hranice: vyšší rychlost má hodnotu jen tehdy, pokud ji doprovází kvalitní rozhodování a bezpečnější služba pro zákazníky.
Obsah
- 🎯 Výchozím bodem není technologie, ale jednodušší práce s penězi
- 🤝 Partnerství s OpenAI otevírá prostor pro vlastní řešení
- 🛡️ FinCrime Agent přebírá úvodní prověřování transakcí
- 🔐 Bezpečnost se měří kvalitou rozhodnutí, nejen rychlostí
- 💻 Jeden vývojář a interní služba pro kontrolu kódu
- 🧩 Více agentů mění způsob, jakým se rozděluje práce
- ⏱️ Co skutečně znamená zkrácení programování o 30 až 60 procent
- 📚 Sedm let designové dokumentace zpracovaných za jediný den
- 🔎 Méně hledání znamená jiný druh úspory
- 🚀 Trojnásobné tempo dodávání je ambice i hlášená zkušenost
- 📈 Náročnější cíle mají být zároveň dosažitelnější
- 🧭 Co si z případu Revolutu odnáším
🎯 Výchozím bodem není technologie, ale jednodušší práce s penězi
Revolut popisuje své poslání jako snahu udělat každodenní zacházení s penězi lepší, jednodušší a levnější. Nasazení umělé inteligence v tomto pojetí není samostatným cílem. Má být prostředkem, jak toto poslání naplňovat v provozu firmy, při vývoji i při ochraně zákazníků.
To je podle mě užitečný způsob, jak celý případ číst. Interní kontrola kódu, vyhledávání ve znalostních databázích a prověřování transakcí mohou působit jako nesouvisející činnosti. Ve skutečnosti představují různé části stejného problému: jak zvládat více práce bez toho, aby každé rozšíření schopností automaticky vyžadovalo stejně velké rozšíření týmu.
Menší týmy přitom nemusí řešit jen menší úkoly. Právě to je hlavní sdělení zkušenosti Revolutu. Pokud lidé získají nástroje, které převezmou část implementace nebo zpracování informací, může se změnit rozsah projektu, do něhož se vůbec pustí. Úkol dříve vnímaný jako týmový se za určitých okolností stane zvládnutelným pro jediného člověka podporovaného agenty.
Neznamená to však, že každý projekt lze zmenšit na jednoho pracovníka nebo že lidské odbornosti ubývá na významu. Z uvedených příkladů takový závěr nevyplývá. Vidím v nich spíše posun v tom, kam odborník soustředí pozornost: méně na samostatné vykonávání každého kroku a více na zadání, rozdělení práce a využití výsledku.
🤝 Partnerství s OpenAI otevírá prostor pro vlastní řešení
Revolut spojuje rozšíření těchto možností s přístupem k nejpokročilejším modelům OpenAI. Zástupci firmy popisují, že nové generace modelů přinášejí schopnosti, které dříve nepovažovali za dostupné. Důležitá přitom není pouze jejich inteligence, ale také náklady na praktické použití.
V podnikovém prostředí totiž nestačí, že model určitý úkol jednou zvládne. Aby mohl vstoupit do každodenního procesu, musí jeho přínos dávat smysl i při opakovaném nasazení. Revolut tento vztah mezi schopnostmi a cenou výslovně zmiňuje zejména u počátečního prověřování finanční kriminality.
Dalším motivem je tvorba nástrojů na míru. Firma podle svého vyjádření dokáže budovat úsporná, nákladově efektivní řešení přizpůsobená tomu, jak skutečně pracuje. Za důležitý zde považuji rozdíl mezi univerzálním pomocníkem a konkrétní interní službou. První může pomoci s širokou škálou dotazů, druhá řeší přesně vymezenou potřebu v existujícím pracovním postupu.
Podrobnější firemní souvislosti přibližuje případová studie spolupráce Revolutu s OpenAI. Z popsaných příkladů vystupují tři hlavní oblasti využití:
- Ochrana finančních operací: prověřování, sledování a vyšetřování transakcí.
- Vývoj softwaru: implementace interních služeb a podpora programátorských úkolů.
- Práce s firemními znalostmi: snazší přístup k informacím a úprava dokumentace pro využití pomocí AI.
Společným jmenovatelem není jedna aplikace, ale schopnost zapojit modely do různých druhů práce.
🛡️ FinCrime Agent přebírá úvodní prověřování transakcí
Jedním z nejvýraznějších příkladů je FinCrime Agent, autonomní agent určený pro oblast finanční kriminality. Revolut jej popisuje jako systém pro prověřování transakcí, jejich průběžné sledování a vyšetřování. Nejde tedy pouze o nástroj, který pracovníkovi navrhne odpověď na otázku.
Agent dostává pravidla, informační zdroje a nástroje potřebné k práci. V takto vymezeném prostředí pak dokáže samostatně provádět svěřená šetření. Zástupci firmy zároveň zdůrazňují delegování počátečního vyšetřování a prověřování, které se stalo prakticky dostupným s lepším poměrem schopností modelu a ceny.
Za klíčové považuji právě vymezení úkolu. Autonomie zde neznamená práci bez podkladů nebo bez hranic. Smyslem je, aby systém mohl postupovat samostatně uvnitř stanoveného rámce. Pravidla určují, co má posuzovat, zdroje poskytují potřebné informace a nástroje umožňují provést jednotlivé kroky.
Pro srozumitelnost bych rozdíl shrnul takto: běžný asistent může pomoci s jednou částí problému, zatímco agent má převzít návaznou posloupnost činností. Právě návaznost je u vyšetřovací práce důležitá. Zjištění z jednoho kroku totiž mohou ovlivnit to, čemu je třeba věnovat pozornost dále.
Zveřejněný popis však neposkytuje podrobnosti o celém rozhodovacím řetězci. Neuvádí například přesná pravidla předávání případů lidem ani rozsah konečných pravomocí systému. Proto bych jej nevykládal jako důkaz, že AI sama uzavírá všechny případy finanční kriminality. Doloženým posunem je převzetí konkrétních vyšetřovacích a prověřovacích úkolů.
🔐 Bezpečnost se měří kvalitou rozhodnutí, nejen rychlostí
V oblasti kybernetické bezpečnosti Revolut formuluje hlavní úkol přímočaře: chránit firmu i zákazníky. Přínos technologií se proto nemá hodnotit jen podle toho, kolik práce zvládnou za kratší dobu. Důležitá je odolnost systému a důvěra, kterou v něj mohou lidé vložit.
Zástupci firmy zdůrazňují tři související cíle: kvalitnější rozhodování, včasnější zachycení podstatných problémů a průběžné využívání získaných poznatků ke zvyšování bezpečnosti platformy. Podle mě je právě toto nejsilnější protiváha k jinak velmi výraznému důrazu na produktivitu.
Rychlost sama totiž neříká, zda systém rozpoznal skutečně důležitý problém. Stejně tak počet prověřených případů nevypovídá automaticky o kvalitě jejich posouzení. Zkušenost Revolutu proto čtu jako připomenutí, že provozní výkon a bezpečnostní přínos jsou dvě různé, byť propojené věci.
Je také vhodné odlišovat finanční kriminalitu od kybernetické bezpečnosti. První oblast se v uvedeném příkladu soustředí na transakce a jejich prověřování, druhá na širší ochranu firmy a zákazníků. Sdílejí bezpečnostní cíl, ale nejde o zaměnitelné disciplíny ani o popis jednoho totožného nástroje.
Pro zákazníka přitom technické rozdělení nemusí být viditelné. Zamýšleným výsledkem je bezpečnější používání finančních služeb, včetně plateb a nakupování. Konkrétní pokles ztrát, počet zachycených incidentů nebo změnu chybovosti však Revolut v tomto sdělení nevyčísluje. Takové výsledky bych proto z obecného příslibu silnější ochrany neodvozoval.
💻 Jeden vývojář a interní služba pro kontrolu kódu
Další příklad přesouvá pozornost od bezpečnosti k tvorbě softwaru. Jeden z vývojářů Revolutu použil Codex jako hlavní nástroj při vytváření interní služby pro kontrolu kódu. Během práce dospěl k tomu, že k implementaci nepotřebuje celý tým vývojářů.
Místo toho spouštěl různé agenty a každému přiděloval konkrétní úkol. Jednotlivé části realizace tak mohl delegovat, aniž by je všechny musel napsat osobně. Pro obecný kontext samotného nástroje nabízí OpenAI také informace o Codexu.
Na této zkušenosti mě zaujala změna měřítka. Přínosem není jen úspora několika minut při psaní funkce. Jde o možnost postavit interní službu v jiném personálním uspořádání, než jaké si člověk na začátku představoval. To může ovlivnit už samotné rozhodnutí, zda má smysl projekt zahájit.
Současně bych z příkladu nedělal obecné pravidlo, že jeden vývojář s AI nahradí libovolný tým. Popsaná zkušenost se týká konkrétní služby a konkrétního způsobu rozdělení práce. Neobsahuje srovnání stejně rozsáhlého projektu realizovaného bez agentů ani úplný rozpis času věnovaného kontrole výsledků.
Její význam tím ale nemizí. Ukazuje praktický posun od používání AI jako rádce k používání AI jako prostředku implementace. Vývojář neurčuje pouze otázku, na kterou má model odpovědět. Rozděluje práci, zadává jednotlivé části a skládá je do zamýšleného řešení.
🧩 Více agentů mění způsob, jakým se rozděluje práce
Příběh interní kontroly kódu zároveň ukazuje, proč nestačí představovat si AI jako jeden konverzační panel. Vývojář využil více agentů a každému svěřil samostatnou úlohu. Základním organizačním krokem se tím stalo rozčlenění projektu na části, které lze zadat odděleně.
Za užitečné považuji odlišit tři vrstvy této práce. První je záměr: co má vzniknout a jaký problém to má řešit. Druhou je rozdělení implementace na konkrétní zadání. Třetí je samotné provedení, na němž se podílejí agenti. V popsané zkušenosti se právě větší část třetí vrstvy přesouvá z člověka na nástroj.
To neznamená, že ostatní vrstvy přestávají být důležité. Naopak, s rostoucí schopností zadávat více úloh může nabývat na významu jejich srozumitelné vymezení. Jde o obecný organizační důsledek tohoto způsobu práce, nikoli o zveřejněné měření výkonu konkrétního týmu.
Zkušenost také neříká, že více agentů automaticky přinese úměrně vyšší rychlost. Některé části projektu na sebe mohou navazovat a výsledná služba musí fungovat jako celek. Ve zveřejněném příkladu ale víceagentový postup umožnil jednomu vývojáři zvládnout implementaci, kterou původně vnímal jako práci pro více lidí.
Právě zde vidím praktický význam pro malé týmy: AI nemusí pouze zrychlovat jednotlivce v jeho dosavadní roli. Může rozšířit množství souběžně zadávané práce. Rozhodující otázkou pak není jen schopnost generovat kód, ale také schopnost formulovat úkoly, které dohromady vedou k požadovanému výsledku.
⏱️ Co skutečně znamená zkrácení programování o 30 až 60 procent
Revolut uvádí, že s rostoucím využíváním Codexu v každodenní práci zaznamenává zkrácení času věnovaného programování o 30 až 60 procent. Jde o nejkonkrétnější číselný údaj v popisu změn vývojové kapacity.
Rozpětí je důležité zachovat. Nejde o jednu univerzální hodnotu, kterou by bylo možné přiřadit každému vývojáři nebo projektu. Firma také v tomto sdělení neupřesňuje metodiku měření, skladbu úkolů ani období, z něhož údaj vychází. Beru jej tedy jako hlášenou zkušenost Revolutu, nikoli jako obecně platný výsledek používání AI.
Stejně důležité je rozlišit čas programování od celkové doby dodání produktu. Psaní kódu představuje jen jednu část vývoje. Zkrácení této části proto nelze automaticky převést na totožné zkrácení celého projektu.
Pro správné čtení výsledků bych oddělil následující tři tvrzení:
- Čas věnovaný kódování: Revolut uvádí snížení o 30 až 60 procent.
- Čas věnovaný hledání informací: firma popisuje výrazný pokles, ale bez konkrétního procenta.
- Rychlost uvedení řešení na trh: zástupci firmy hovoří o přibližně trojnásobném tempu vůči své představě tržního standardu.
Tyto údaje spolu souvisejí, ale každý popisuje něco jiného. Jejich sloučení do jediného tvrzení o „trojnásobně produktivnějších vývojářích“ by bylo nepřesné. Přesvědčivější je podle mě sledovat, jak se jednotlivé úspory skládají do větší dostupné kapacity.
📚 Sedm let designové dokumentace zpracovaných za jediný den
Vývoj kódu není jedinou oblastí, v níž Revolut využívá Codex. Designéři jej podle zveřejněného popisu použili k převedení sedmi let designové dokumentace do formátu, s nímž může pracovat AI. Tuto úpravu zvládli během jednoho dne.
Jde o jiný druh výsledku než vytvoření nové služby. Hodnota zde spočívá v práci s již existujícími znalostmi. Dokumentace může obsahovat mnoho užitečných informací, ale aby je bylo možné zapojit do nového způsobu práce, musí být pro příslušné nástroje dostupná a čitelná.
Za podstatné považuji přesné vymezení dosaženého výsledku. Uvedený příklad dokládá převod dokumentace do vhodného formátu. Neříká, že AI během jediného dne ověřila správnost všech historických rozhodnutí, odstranila všechny rozpory nebo nahradila odbornou orientaci designérů.
Přesto jde o výraznou ukázku práce, která se snadno ztratí za působivějšími příklady generování kódu. Připravit dlouhodobě vznikající podklady pro další využití může být důležitým předpokladem toho, aby AI pomáhala s konkrétní firemní agendou, a ne pouze s obecnými znalostmi.
Souvislost s další zkušeností Revolutu je zřejmá: lidé podle firmy tráví méně času hledáním informací napříč různými znalostními databázemi. Není doloženo, jak velkou část této úspory způsobil právě projekt designérů. Oba příklady ale ukazují stejným směrem: užitečnost AI závisí i na tom, jak se dostane k relevantnímu firemnímu kontextu.
🔎 Méně hledání znamená jiný druh úspory
Vedle rychlejšího programování Revolut zdůrazňuje také snížení času, který zaměstnanci věnují vyhledávání v interních znalostních zdrojích. Toto zlepšení nemá v předloženém popisu vlastní procentní vyjádření, přesto stojí za samostatnou pozornost.
Při odborné práci totiž není jedinou činností samotná tvorba výsledku. Člověk často nejprve potřebuje najít podklad, pochopit předchozí rozhodnutí nebo se zorientovat v existující dokumentaci. Pokud se tato přípravná fáze zkrátí, může získat více prostoru pro úkol, kvůli němuž informace hledal.
Nejde přitom o stejnou úsporu jako při automatizaci implementace. V jednom případě nástroj pomáhá něco vytvořit, ve druhém pomáhá rychleji získat potřebný kontext. Právě jejich kombinaci považuji za důležitou součást příběhu Revolutu. Rychlejší psaní kódu má větší praktický význam, pokud vývojáře současně méně zdržuje dohledávání souvisejících informací.
Zároveň bych nezaměňoval snadnější přístup k informaci s jistotou, že je daná informace správná a aktuální. Zveřejněné zkušenosti neobsahují podrobnosti o ověřování odpovědí ani správě jednotlivých znalostních zdrojů. Není proto namístě doplňovat konkrétní technické postupy, které firma nepopsala.
Doložené sdělení je užší, ale užitečné: přínos AI se u Revolutu neomezuje na produkci nového obsahu. Týká se i snazšího využití toho, co už firma ví. To rozšiřuje pohled na produktivitu od rychlosti jednotlivého úkonu k plynulosti celé práce.
🚀 Trojnásobné tempo dodávání je ambice i hlášená zkušenost
Zástupci Revolutu uvádějí, že podle svého současného odhadu mohou přinášet řešení na trh zhruba třikrát rychleji, než považují za rozumně očekávatelné podle tržních standardů. Dodávají, že se to v praxi často skutečně děje.
Je to silné tvrzení, které ale vyžaduje pečlivé zasazení do kontextu. Jako základ srovnání zde neslouží veřejně popsaný test stejného projektu před zavedením AI a po něm. Referenčním bodem je firemní představa obvyklého tempa na trhu. Tento rozdíl bych při hodnocení výsledků nepřehlížel.
Stejně tak nejde o tvrzení, že všechny produkty nebo všechny týmy pracují přesně trojnásobnou rychlostí. Zveřejněné vyjádření kombinuje odhad dosažitelné rychlosti se zkušeností, že jí firma často dosahuje. Přesnější interpretace je proto méně úderná, ale věrnější: AI podle Revolutu umožňuje podstatně rychlejší dodávání a rozšiřuje to, co firma považuje za realistické.
Na tomto posunu mě zajímá především dopad na plánování. Pokud lze určitou práci opakovaně dokončovat rychleji, mění se představa o tom, co může tým v příštím období zvládnout. Firma proto popisuje postupné zvyšování cílů z měsíce na měsíc.
Samotný násobek rychlosti bych však nepovažoval za nejpřenosnější poznatek. Důležitější je vazba mezi konkrétními změnami práce a výsledkem: agenti přebírají implementaci, informace se snáze dohledávají a některé interní nástroje vznikají v menším týmu. Právě tyto kroky vysvětlují, odkud může dodatečná kapacita přicházet.
📈 Náročnější cíle mají být zároveň dosažitelnější
Revolut popisuje na první pohled neobvyklou kombinaci: cíle týmů jsou stále ambicióznější, ale současně působí dosažitelněji. Vyšší nároky zde nejsou prezentovány jen jako požadavek pracovat rychleji. Firma je spojuje s novými prostředky, které mají jejich plnění umožnit.
Za zásadní považuji právě toto propojení. Rozšíření zadání bez rozšíření možností by samo o sobě nebylo důkazem produktivity. V popsaném případě se však mění i způsob práce: část úkolů lze delegovat agentům a některé časově náročné činnosti se výrazně zkracují.
Zkušenost přesto neobsahuje údaje o pracovní zátěži, spokojenosti zaměstnanců nebo dlouhodobé udržitelnosti nového tempa. Nebylo by proto správné tvrdit, že vyšší cíle automaticky znamenají menší tlak na lidi. Doložené je vyjádření firmy, že rostoucí ambice nyní vnímá jako lépe splnitelné.
Užitečnou protiváhu znovu nabízí bezpečnostní část příběhu. Tam Revolut výslovně upozorňuje, že úspěch nespočívá pouze v rychlosti. Stejný princip podle mě pomáhá číst i tvrzení o vývoji: rychlejší dodání je cenné tehdy, pokud výsledné řešení plní svůj účel.
Malý tým tak nemusí být definován jen počtem lidí. Stále důležitější může být i to, kolik dobře vymezené práce dokáže zadat, jaké informace má k dispozici a jak účinně využije nástroje. Revolut nabízí konkrétní příklady tohoto posunu, nikoli univerzální recept na optimální velikost každého týmu.
🧭 Co si z případu Revolutu odnáším
Zkušenost Revolutu je nejpřesvědčivější tam, kde opouští obecné sliby o umělé inteligenci a pojmenovává konkrétní změnu. Agent přebírá počáteční prověřování transakcí. Vývojář zadává části interní služby více agentům. Designéři připravují historickou dokumentaci pro další využití. Zaměstnanci tráví méně času hledáním informací.
Z těchto příkladů si odnáším několik propojených závěrů:
- Schopnosti modelu je potřeba posuzovat společně s cenou. Revolut spojuje praktické nasazení agenta pro finanční kriminalitu právě s dosažením přijatelného poměru výkonu a nákladů.
- Největší změna nemusí spočívat v rychlejším jednotlivém úkonu. Příklad interní kontroly kódu ukazuje i možnost jinak sestavit celou realizaci projektu.
- Firemní znalosti jsou důležitou součástí využitelnosti AI. Převod dokumentace a snazší hledání informací doplňují samotné generování výsledků.
- Čísla vyžadují přesné čtení. Úspora při programování, kratší hledání a rychlejší uvedení na trh označují různé druhy přínosu.
- Rychlost nemůže nahradit kvalitu. V bezpečnosti firma výslovně klade důraz na rozhodování, včasné zachycení problémů a odolnost platformy.
Nevidím v tom příběh o odstranění lidské odbornosti. Vidím posun v tom, co může odborník s vhodnými nástroji zvládnout. Člověk stále určuje problém, směr a zadání, ale nemusí osobně provádět každý dílčí krok.
Právě tím Revolut ilustruje širší význam AI pro malé týmy. Nejde pouze o to dokončit stejný seznam úkolů o něco dříve. Jde o možnost pustit se do práce, která by dříve vyžadovala jiné kapacity. Skutečným měřítkem úspěchu pak zůstává, zda se tato nová kapacita promění v užitečnější, dostupnější a bezpečnější finanční služby.



