Online seminář — zdarma
Úterý 20. 10. 2026 — 10:00–13:00
První část (10:00–11:20)
AI v analýze: rizika, dopady a manažerská rozhodnutí
Pro koho je kapitola určena: Management, majitelé a ředitelé SW firem, vedoucí vývoje, vývojáři a analytici vývoje IS
1.1 Pozice AI v analytickém týmu
🔷 Když je proces ušitý rychlou jehlou, AI ho jen více zrychlí. Zavedení AI je jako nasadit průmyslový šicí stroj do dílny, kde se šije od oka. Výsledek: zmetky vznikají rychleji, ve větším množství a bez šance to uhlídat.
🔷 Zavést AI do analýzy není o rychlém šití kódu, to už je vcelku dobře vyřešené. Jde o to, jak AI efektivně zapojit do tvorby podkladů, ze kterých se kód teprve šije. Úplně jiná parketa, o patro výš.
📌 Na konkrétním projektu ukážu vysoce praktické přínosy pro postupy vývoje IS v analýze: Jak fungují metodiky a postupy práce s podporou AI v roli asistenta analytika.
AI v analýze nikoli jako autonomní prvek, ale jako nástroj.
AI nepřebírá analýzu, protože rozhodování v analýze je vždy na analytikovi ve spolupráci s product ownerem. AI neumí vymyslet kontext, priority, kompromisy ani dopady na produkt.
Je to nástroj. Výkonný, rychlý a užitečný, ale pořád jen nástroj v rukou analytika a plně pod kontrolou, bez halucinací a s auditem z běhu, ne recapem.
Nezvyšuje chaos ve vývoji, naopak zavádí pořádek a řád. V roli asistenta drží metodické postupy tvorby artefaktů v konzistenci. Nasazení AI jako nástroje analytika uvidíte přímo v praxi.
1.2 Společný jazyk s AI
🔷 Aby AI mohla fungovat jako asistent analytika, musí mluvit stejným jazykem jako analytik. Tím jazykem jsou společné metodiky obsahující definice analytických pojmů (business proces, use case, class atd.) a postupy prací s nimi.
Je to jeden rámec, jedna sémantika, ale dvě syntaxe: jedna určená pro lidi (v HTML) a druhá pro AI (ve skills MD). Obsah je ale významově stejný: definice pojmů a postupů práce s nimi. Zápis v lidské syntaxi je etalon neboli jediný zdroj pravdy pro porovnávání zapsaných pravidel, AI má tedy svoje skills jako odvozené a přeložené do jejího jazyka.
📌 Ukážu, jak se tyto metodiky nasazují. Pak už se nedají obejít, protože AI je v procesu vývoje nezbytně potřebuje a vyžaduje.
Paradoxně metodiky analýzy s podporou AI nebrzdí analytické práce, ale naopak je výrazně urychlují. AI díky společnému sémantickému jazyku pomáhá rychle tvořit artefakty, dohlíží na strukturu, vrací analytika zpět do rámce metodiky a opravuje odchylky. Žádné improvizace, žádné „každý to píše jinak“, žádný Kainar nebo Shakespeare.
Dodržení metodik už není otázkou neustálých povzdechů „teď jen aby se ty metodiky dodržovaly“. Pokud nenasadíte AI, nebudou se metodiky dodržovat nikdy. AI jako správný asistent a pomocník (který zná metodiky do posledního písmene) pomáhá, čte, reviduje, kontroluje konzistenci, navrhuje správné formulace a konstrukce modelů. Přesně podle metodik. Pokud analytik souhlasí obsahově, získal tak relevantní výstup a může jej odevzdat s razítkem AI. Pokud analytik není spokojen, upraví vstupy a opakují se práce s AI dalším kolečkem
🔷 AI je stroj, takže metodiku provádí vždy stejně a bez odchylek. To umožňuje škálovat nasazení metodik bez ohledu na velikost firmy, protože „všude nasazujete metodiky stejně – jako nástroj“. Velkou výhodou je, že metodika s AI funguje jako „self‑teaching systém“, který uživatele učí tím, že nástroj používá.
Výsledná dokumentace je jednotná a čitelná, protože proces drží AI.
1.3 AI a konzistence analýzy
🔷 Nasazením AI do analytických prací získáte nového člena týmu s vlastnostmi, které člověk nemá. AI zná nejen postupy prací doslova, bez výjimek a bez únavy, ale má také přehled o všech analytických dokumentech, které kdy vznikly.
📌Ukážu vám, že je schopen je porovnat, zkontrolovat jejich konzistenci, ověřit, že informace sedí napříč požadavky i procesy. Hlídá soulad s funkčními požadavky, hledá porušení zákona zachování informace, porušení anonymity klienta, v procesním modelu chybějící větve procesů mimo „Happy Path“, ve scénáři Use Case chybějící možné „Exception“ a ošetření „Exception Flow“ apod. Cokoliv nového potřebujete kontrolovat, to AI prostě naučíte pomocí skills.
🔷 Firma konečně ví, že analýza stojí na pevné konzistentní logice systému vývoje, ne na tom, jestli to psal Franta nebo Pepa.
Druhá část (11:30–13:00)
2. Zavádění AI do analýzy – pod pokličkou
(pro analytiky, AI technology, vedoucí analýzy)
📌 Ukážeme si celý postup na jednom reálném zadání: od nestrukturovaného textu od zadavatele až po model, který analytik používá, včetně vygenerovaného EA pro BPM, UCM a Class Model.
2.1 Pojmy a pravidla
🔷 Skill = pravidlo metodiky zapsané tak, aby ho uměl vykonat stroj.
Strukturovaná pravidla a ne jak volná próza.
Skilly se skládají do balíku. Balík se spustí nad vstupem.
Každý běh se uloží jako dvojice: doslovný vstup, doslovný výstup.
Běh je opakovatelný, porovnatelný a auditovatelný.
📌 Ukážu, jak se píše pravidlo, které rozhoduje.
Pokyn, který si každý vyloží jinak, je zdroj nedeterminismu.
Pravidlo musí být jednoznačné, aby byl výsledek stabilní.
🔷 Ladění nástroje probíhá iterací při vývoji:
Zpřesníte pravidlo → Spustíte běh s auditem, tj. obsahuje zápis zdůvodnění v běhu → Porovnáte rozdíly.
Vidíte přesně, co se změnilo a proč.
🔷 Check = ověření jednoho pravidla nad modelem.
Výstupem je nález: konkrétní místo, věta s chybou.
Při zápisu se in‑situ (hned v tom místě při výkonu skillu) připojí věta ze skillů, která vedla k rozhodnutí o chybě. Ne ex post recapem, ale hned v tom kroku, recap může halucinovat.
🔷 Dělba práce:
AI dělá úsudek nad textem, nástroj dělá mechaniku.
Kde by se muselo hádat, nehádá se: vznikne povinně otázka, což je plnohodnotný výstup, ne známka toho, že se běh nepovedl. Otázky jsou velmi cennou částí výstupu: Jsou to místa, na která se má analytik zeptat product ownera dřív, než se začne programovat.
📌 Ukážu vám, jak a kde vznikají otázky jako relevantní součást výstupu a jak vypadají nálezy ( = chyby identifikované podle pravidel v AI) přímo z ostrých běhů.
Na konci je prostor na dotazy a specifika vašeho projektu.
Přihláška
Členové Klubu jsou již automaticky přihlášeni.