Nikdy nebylo více nástrojů pro automatizaci. AI agenti, kteří umí číst vaši poštu, shrnout schůzky, napsat odpovědi, tvořit kód, organizovat týden. Každý měsíc nová vlna.
A přesto většina lidí, se kterými mluvíme, stále vykonává stejnou ruční, opakující se a vyčerpávající práci jako před dvěma lety.
Proč?
Posledních několik měsíců jsme se snažili na tuto otázku odpovědět. Sedli jsme si s 22 lidmi napříč rolemi, obory i úrovněmi dovedností. Asi tři čtvrtiny měly technické vzdělání. Zbytek ne. Přibližně polovina pracovala v technologiích. Druhá polovina ne.
Ptali jsme se jich, jak jejich práce vypadá. Co je těžké. Co by chtěli změnit.
Zjistili jsme čtyři překážky, které se opakují bez ohledu na to, co kdo dělá nebo jak je technicky zdatný. Tři jsou osobní. Čtvrtá je strukturální. Dohromady vysvětlují, proč je automatizace, přestože je už dvacet let nejvíce slibovanou kategorií softwaru, pro většinu lidí stále jen snem.
Tady jsou.
Překážka 1: Nevidíte, co je rozbité
První věc, která nás překvapila: když jsme se lidí ptali, co je na jejich práci těžké nebo frustrující, většina odpovídala vágními obecnými stížnostmi. „Žonglování s prioritami.“ „Komunikace.“ „Jsem prostě zaneprázdněný.“ Nic konkrétního. Nic, s čím by šlo něco dělat.
Zkusili jsme tedy jinou otázku: „Kdybyste mávli kouzelnou hůlkou a mohli změnit jednu věc na svém současném pracovním postupu, co by to bylo?“
Najednou se objevila konkrétní bolest. Konkrétní úkoly. Věci, které nenáviděli. Ti samí lidé, kteří před pěti minutami jen pokrčili rameny, teď měli tři odpovědi každý.
Jeden z dotazovaných nám řekl:
„Jo, jsem v obraze. Měl jsem spoustu diskuzí. Ale udržet všechny v obraze je tak únavná část práce.“
Jiný popisoval čtvrtletní proces:
„Určitě bych chtěl odstranit tohle ruční sledování. Zabírá nám to příliš mnoho času. Děláme to skoro každý kvartál. A v ten týden, kdy se to dělá, to všichni nenávidí.“
Třetí popisoval opakující se úkol:
„Někdy dostanu požadavek z prodejny, abych sladila zásoby online. Ten požadavek je tak... není standardizovaný. Někdy pošlou správné ID prodejny. Někdy má být ID velkými písmeny, ale pošlou malými. Formát není správný. Musím ručně upravit všechny formáty, aby to bylo správně, vložit do systému a kliknout na tlačítko.“
Nikdo z těchto lidí o těchto úkolech nikdy neuvažoval jako o něčem, co by šlo automatizovat, dokud jsme se nezeptali správně. Dělali je měsíce nebo roky. Prostě to byla práce.
To není osobní selhání. Tak funguje pozornost. Opakující se úkoly mizí v pozadí. Mozek je přestane vnímat jako něco, čemu by měl věnovat pozornost, protože jsou předvídatelné. Nepohodlí z jejich vykonávání se stane „pondělím“.
Nemůžete automatizovat to, co neumíte pojmenovat. A většina lidí bez pomoci neumí pojmenovat, co je v jejich práci rozbité.
To je první překážka.
Překážka 2: Nevíte, kde začít
Řekněme, že už víte, co je rozbité. Přesně víte, který úkol vám vysává týden. Dokonce máte přístup k AI nástrojům, které by to pravděpodobně zvládly.
Většina lidí stejně zůstane stát na místě.
Problém: příliš mnoho možností, žádný konkrétní začátek. Rozhodovací paralýza v automatizaci. Když můžete automatizovat cokoliv, často neautomatizujete nic.
Jeden člověk nám řekl:
„Jak vlastně říct AI, co má udělat? Jak vytvořit zprávu pro AI, aby to udělala? Myslím, že to chce čas naučit se být konkrétnější.“
Věděl, že AI to zvládne. Jen nevěděl, jak ji nasměrovat na svou práci.
Jiný to popsal přímočařeji:
„Nemyslím si, že je z UI jasné, co všechno ještě můžete dělat. Když zadáte prompt, musím přemýšlet, co vlastně potřebuji. Ale nemám moc na výběr, že? Nevím, co všechno to umí. Takže jak daleko si dokážu představit svůj problém? V předchozí konverzaci jsem zjistil, že si můžu vyžádat standup report z mailu, nebo třeba vytvořit úkol v Linear. Takže to nebylo jasné.“
Doplnil:
„Možná kdyby tam byl rozbalovací seznam nebo ukázkové prompty či šablony, které bych mohl použít, myslím, že by to pomohlo, místo abych musel vše vymýšlet od nuly.“
Další chtěl ještě konkrétnější pomoc:
„Je toho tolik. Tech stack je teď obrovský. Tolik možností. Kdyby mi někdo řekl, který nástroj mám použít, který je nejefektivnější pro každý úkol, co dělám. Třeba se podíval na můj Linear a řekl: hele, na tenhle úkol použij tohle místo Claude Code nebo tak. To by bylo super.“
Lidé nepotřebují více možností. Potřebují konkrétní začátek. Skutečný příklad. Pracovní postup, který někdo jako oni postavil, funguje od začátku do konce, a oni ho mohou zkopírovat a upravit.
To je důvod, proč se všude automatizuje stále stejných pět workflow: ranní shrnutí, týdenní reporty, třídění inboxu, standup poznámky, zákaznické souhrny. Nejsou to nejlepší automatizace. Jsou to ty, které mají veřejné šablony a jasný začátek.
Všechno ostatní zůstává ruční. Ne proto, že by to nešlo automatizovat, ale protože nikdo neukázal, jak vypadá „začátek“.
To je druhá překážka.
Překážka 3: Náklady na začátek jsou vyšší než náklady na nečinnost
Dobře, identifikovali jste práci. Máte konkrétní začátek. Teď to musíte skutečně nastavit.
Tady většina lidí skončí.
Jeden z dotazovaných nám řekl o AI nástroji, který jeho kolegové běžně používají:
„Znám OpenClaw, ale nikdy jsem ho nezkusil. Vím, že kolegové ho používají, ale já nikdy.“
Když jsme se ptali proč, řekl, že nastavení je příliš složité a časově náročné. Nikdy to ani nezkusil. To, že kolegové to zvládli, nestačilo. Vnímané náklady na spuštění byly tak vysoké, že prostě... neudělal to.
Jiný byl ještě přímočařejší ohledně místa, kde to lidé vzdávají:
„Myslím, že hlavně pro nové uživatele. Spousta lidí to chce zkusit. A když zadají NPM install a pak je to zastaví s tím, že potřebují ještě Claude install... tam si myslím, že spousta lidí to prostě vzdá a už nepokračuje.“
A pod oběma citacemi je stejný racionální výpočet. Další respondent to řekl přímo:
„Když chceme automatizovat workflow, chceme ušetřit čas a zvýšit produktivitu. Nechceme trávit tolik času nástroji, které mají naši efektivitu zlepšit.“
To není lenost. To je matematika.
Celý smysl automatizace je ušetřit čas. Ale u většiny workflow trvá nastavení déle než ruční provedení úkolu. Hodiny se učíte rozhraní, hodiny nastavujete triggery, hodiny testujete okrajové případy, a teprve pak začnete šetřit čas. U týdenních úkolů je návratnost v řádu měsíců. U měsíčních nebo čtvrtletních úkolů se to nikdy nevyplatí.
Lidé to proto vynechají.
Minulé zkušenosti problém zhoršují. Lidé zkoušeli nástroje, které slibovaly vše a přinesly 40-krokové nastavení. Strávili čas učením rozhraní, které se nevyplatilo. Takže i když nový nástroj opravdu funguje, minulá zkušenost je zdrží od investice.
Většina nástrojů pro automatizaci předpokládá, že strávíte hodinu učením, než získáte jakoukoli hodnotu. Pro většinu lidí, zvlášť netechnických, tam vztah končí.
To je třetí překážka.
Překážka 4: Vaše organizace vám to nedovolí
Tady je překážka, kterou je nejtěžší odstranit a o které nejčastěji slyšíme od lidí z větších firem.
I když vidíte, co je rozbité, víte přesně, kde začít, a jste ochotni investovat čas do nastavení, vaše firma vám to možná vůbec nedovolí.
Jeden z dotazovaných, který pracuje ve velké firmě, popsal, jak to vypadá v praxi:
„Každý nástroj, který používáme, musí být schválen klientem nebo interně. Jakmile je schválen a je na něj rozpočet, pak ho pořídíme pro každého zvlášť.“
Schválení. Rozpočet. Licence na osobu. Pro každý nový nástroj. Než proces skončí, motivace, která vás k tomu vedla, je dávno pryč.
Ale hlubší verze problému není jen „nemůžu si nechat schválit nástroj“. I když můžete AI nástroje používat osobně, nemůžete je propojit se systémy, kde vaše práce skutečně žije. Stejný člověk:
„Nemůžu to propojit se svým pracovním prostředím. Pokud to používám soukromě, nemůžu propojit Salesforce. Nemůžu propojit Teams. Protože to běží na pracovním notebooku.“
Mají přístup k ChatGPT. Mají úkoly, které by rádi automatizovali v Salesforce. Ty dvě věci nejdou propojit. Automatizace, kterou chtějí, vyžaduje propojení osobních nástrojů a pracovních dat, a to je zakázané.
To není jen problém velkých firem. Jiný respondent nám řekl:
„Myslím, že velké firmy mají určité obavy o soukromí. ChatGPT používat můžeme. Gemini používat nesmíme. Nevím proč. Nevím proč. Ale je to prostě rozhodnutí firmy.“
„Nevím proč.“ Tato věta se objevuje často, když se lidí ptáte na omezení nástrojů v jejich organizaci. Rozhodnutí působí zevnitř svévolně. Některé nástroje schválené, jiné ne, žádná jasná logika. Musíte pravidla obcházet, aniž byste jim rozuměli.
Pro mnoho lidí je tohle skutečná zeď. Ne „nevidím, co je rozbité“. Ne „nevím, jak to automatizovat“. Ale „nesmím“.
Tato překážka je těžší než ostatní, protože není o vás. Je o vašem prostředí. A prostředí se mění pomalu.
To je čtvrtá překážka.
Co to znamená
Tyto čtyři překážky jsou vrstvené. I když překonáte první, narazíte na druhou. Za druhou třetí. A i když projdete všemi třemi, organizace kolem vás vás může stejně zastavit.
Dohromady tvoří zeď, přes kterou většina lidí nikdy nepřejde, i když přesně ví, co chce změnit. Proto je automatizace workflow, přestože je už dvacet let nejvíce slibovanou kategorií softwaru, stále hlavně snem.
Myslíme si, že tu zeď lze prolomit. Ne celou, ne pro každého, ale víc, než si současné nástroje myslí. Poslední měsíce jsme vyvíjeli věci přímo zaměřené na první tři překážky a přemýšleli, jak udělat automatizaci natolik bezpečnou, aby čtvrtá časem povolila. Máme své názory na to, co funguje. Ale raději vám to ukážeme, než abychom o tom jen mluvili.
Takže místo toho děláme toto:
V sobotu 16. května pořádáme v San Jose bezplatný praktický workshop. Ukážeme, jak rozpoznat, co lze ve vaší práci automatizovat, kde začít, když máte stovky možností, a jak nastavit svého prvního AI kolegu za méně než 15 minut. Bez programování.
Kapacita je 30 lidí. RSVP: https://luma.com/yqpulmgq
V úterý 20. května pořádáme podobnou akci v San Franciscu. Podrobnosti a RSVP brzy. Sledujte @vm0_ai, ať víte první.
Pokud se nemůžete zúčastnit ani jedné akce, sledujte nás i tak. Sepíšeme, co lidé na workshopu skutečně vytvoří. Workflows, překvapení, co nefungovalo. Publikujeme to v dalším příspěvku. Takže praktické odpovědi dostanete tak jako tak.
Výše uvedené čtyři překážky jsou skutečné. Slyšíme o nich od téměř každého, s kým mluvíme. První tři lze řešit už dnes. Čtvrtá trvá déle, ale i ta je řešitelná. Další týdny to budeme dokazovat – na akcích i v tom, co zveřejníme dál.
Citace jsou anonymizované podle role. Výběr respondentů: 22 lidí z oblasti softwaru/AI, zdravotnictví, umění, výroby, poradenství, maloobchodu, biomechaniky a neziskovek. Přibližně 73% s technickým zázemím a 27% bez něj.
