AI asistent v pracovním chatu: technická realizace

# AI asistent v pracovním chatu: technická realizace a praktické případy pro IT tým

Společnost, která automatizuje obchodní procesy klientů, se setkala s paradoxem: její vlastní procesy zůstávaly manuální. CEO trávil hodiny odpovídáním na opakující se otázky, formulováním úkolů a podporou manažerů. Řešení přišlo zevnitř – implementace AI asistenta přímo do pracovního Telegram chatu. Za tři měsíce se stal plnohodnotným členem týmu, zpracovávajícím požadavky, vytvářejícím úkoly v GitHub a diagnostikujícím chyby. V tomto článku – technické detaily architektury, reálné příklady práce a upřímné hodnocení omezení.

Architektura AI asistenta: kontext je důležitější než model

Systém je postaven ne na fine-tuningu nebo vlastních modelech, ale na správném předávání kontextu přes API k Claude. Klíčový komponent – Context Builder, který sbírá nejen poslední zprávu, ale celou větev diskuse. To umožňuje AI chápat, o čem je řeč, i když je otázka formulována abstraktně („a to funguje?“).

Přístup k interním systémům je organizován přes Knowledge Base:

• Kódová báze: plný přístup k aktuálním zdrojovým kódům (PHP + Vue), což umožňuje najít implementaci funkcí a zkontrolovat validaci.
• CRM databáze: SQL dotazy k datům klientů – tarify, aktivita, historie interakcí.
• GitHub: čtení existujících issue a vytváření nových přes API.
• Interní dokumenty: technické specifikace a průvodci.

Architektura vypadá takto:

Telegram Bot API
    |
Message Handler (Python)
    | filtr: zmínka / odpověď / klíčová slova
    |
Context Builder
    | posledních N zpráv + téma větve
    |
Knowledge Base
    +-- Kód projektu (indexován)
    +-- DB klientů (SQL dotazy)
    +-- GitHub Issues
    +-- Interní dokumenty
    |
LLM (Claude) + System Prompt
    |
Response -> Telegram / GitHub API

90 % efektivity je dosaženo díky přesnému kontextu a promyšlenému system prompt, ne díky složitosti modelu.

Praktické případy: od podpory po zadávání úkolů

Diagnostika chyb podle kódu v reálném čase

Manažer dostane hovor: klient nemůže uložit šablonu se spojovacím odkazem. Místo čekání na odpověď od vývojáře napíše do chatu:

„Lidi, klient se ptá – lze vytvořit šablonu se spojovacím odkazem? Neukládá se.“

AI asistent za 30 sekund:

• Najde controller TemplateController@store.
• Analyzuje validaci – volání strip_tags() odstraňuje HTML.
• Udělá závěr: plain-text URL je přijatelné, HTML ne.

Odpověď:

„Zkontroloval jsem kód. TemplateController@store přijímá text šablony přes strip_tags() – HTML odkazy se vyřízne. Ale plain-text URL (bez <a href>) se ukládá normálně. Požádejte klienta, aby vložil odkaz jako text bez formátování.“

To ušetří až 30 člověko-hodin týdně, které se dříve plýtvaly na rutinní support požadavky.

Automatické zadávání úkolů v GitHub

Když CEO napíše „Rome, napiš úkol Dimovi“, AI:

• Analyzuje celou větev diskuse.
• Najde existující kód pro hašování fotek.
• Formuluje zadání s technickými detaily: Hammingova vzdálenost, prahy shody, kombinovaný skóring.
• Vytvoří issue s správnými labels a přiřadí vykonavatele.

Výsledek – strukturovaný úkol, který může vývojář hned brát do práce, bez upřesnění u tech leadu.

Kde AI funguje skvěle a kde ne

Silné stránky

• Odpovědi na rutinní otázky: tarify, aktivita klientů, počet objektů v databázi.
• Formulování úkolů: převod hovorových žádostí na technická zadání.
• Primární diagnostika: zúžení oblasti hledání chyby, ukázání relevantního kódu.
• Podpora mimo pracovní dobu: okamžitá reakce v noci nebo o víkendu.
• Generování odpovědí klientům: návrhy e-mailů na základě kontextu korespondence.

Omezení a rizika

• Složitější chyby mezi systémy: AI vidí kód každé služby, ale ne vždy chápe jejich interakci za běhu.
• Obchodní rozhodnutí: shromažďování dat je možné, ale rozhodování zůstává u lidí.
• Emocionální podpora: v konfliktních situacích s klienty je potřeba živý vedoucí.
• Dlouhý kontext: při diskusi protáhnuté na několik dní může AI ztratit nit.
• Halucinace: případy sebevědomého lhaní (např. o neexistující funkci importu z Excel) vedly k třem incidentům za tři měsíce.

Pro snížení rizik je do system prompt přidáno pravidlo: při nejistotě – explicitně to uvést a doporučit upřesnit u vývojářů.

Metriky a strategické důsledky

Za tři měsíce:

• ~2500 zpráv od AI v chatu
• ~120 úkolů vytvořeno v GitHub
• 60 % otázek manažerů uzavřeno bez účasti CEO
• Průměrný čas odpovědi: 15–40 sekund
• 3 kritické incidenty kvůli halucinacím

Hlavní závěr – hodnota není v úspoře, ale v rychlosti. Klient dostane odpověď téměř okamžitě, což snižuje odliv.

Co je důležité

• 80 % efektivity AI závisí na kvalitě kontextu, ne na výběru modelu.
• Důvěra k AI roste nelineárně: od formálních požadavků po oslovení jménem.
• Jedna chyba, která se dostane k klientovi, může podkopat důvěru k celé společnosti.
• AI nelidé nahrazuje, ale transformuje jejich role: CEO se věnuje strategii, manažerové operační podpoře.
• CRM přechází z nástroje pod lidskou kontrolou k autonomnímu systému, kde člověk je pozorovatel a korektor.

Další kroky – integrace AI do analýzy hovorů (STT → LLM → report), generování personalizovaných e-mailů a automatické tvorby profilů klientů.

— Editorial Team