Proč by měl každý v týmu rozumět logice zpracování dat
Představte si účetní, která každý měsíc ručně přepisuje čísla z faktur do tří různých tabulek. Kdyby věděla, že to jde načíst automaticky a jen zkontrolovat, ušetří den práce. Jenže ona neví, že to jde – a externí dodavatel to sám nenavrhne, protože pro něj je to ztracená zakázka.
Co se stane, když tým nerozumí základům:
- Lidé zadávají nesmyslné požadavky a pak jsou zklamaní z výsledku
- Externí dodavatelé účtují hodiny za triviální změny
- Firmě unikají příležitosti k automatizaci, protože je nikdo nevidí
- Každá malá úprava webu nebo reportu znamená čekat týden na agenturu
Naopak člověk, který pochopí, že každý proces lze rozložit na vstup – zpracování – výstup, začne vidět možnosti všude. U revizního technika to může být automatické generování protokolů z naměřených hodnot. U servisního manažera hromadné odesílání připomínek klientům. U obchoďáka třídění leadů z webu podle priority.
Co přesně učit a v jakém pořadí
Zapomeňte na akademické osnovy. Tady je praktický plán, který stavíme na míru firmám.
Logika a dekompozice úloh:
- Vstup, zpracování, výstup – na příkladu objednávkového procesu
- Jak rozložit složitý úkol na jednoduché kroky
- Rozeznání, co jde zautomatizovat a co vyžaduje lidský úsudek
Tabulky a CSV:
- Proč je CSV univerzální formát pro výměnu dat mezi systémy
- Základní operace: filtrování, řazení, spojování tabulek
- Praktický příklad: export faktur z Pohody do CSV a úprava pro import jinam
Základy Pythonu:
- Ne definice proměnné, ale reálný skript na přejmenování 200 souborů
- Čtení a zápis CSV souborů
- Volání API – například stažení dat z vlastního webu
HTML a CSS pro úpravy webu:
- Jak opravit překlep na stránce bez čekání na ajťáka
- Změna barvy tlačítka nebo nadpisu
- Vložení měřicího kódu
AI jako programátorský asistent:
- Jak zadat AI prompt, aby vygenerovala funkční skript
- Kontrola výstupu – co musí člověk ověřit, než skript pustí naostro
- Kdy AI stačí a kdy je potřeba skutečný programátor
Přesně tímhle směrem jde naše doučování programování – na příkladech z vaší praxe, vaším tempem a bez biflování definic. Pro celé týmy pak dává smysl AI školení, kde si každý osahá nástroje na svých datech a zjistí, že „to zvládnu sám” není sci-fi.
AI jako asistent – jak zadávat, aby výsledek dával smysl
Tohle je nejdůležitější praktická dovednost. AI dokáže napsat kód, ale jen tak dobrý, jak dobré bylo zadání.
Jak dobře zadat AI:
- Řekněte kontext – „Jsem účetní, potřebuji zpracovat CSV export z Pohody…”
- Popište strukturu dat – ukažte prvních pár řádků
- Definujte požadovaný výstup – co přesně má být výsledkem, v jakém formátu
- Uveďte omezení – „použij jen standardní knihovny Pythonu, ať to běží všude”
- Testujte na malém vzorku – nikdy nepouštějte generovaný kód rovnou na celá data
Důležité: AI asistent udělá většinu práce. Zbytek je kontrola a ladění – a na to už potřebujete alespoň základní porozumění tomu, co kód dělá. Proto je ta logika a základy Pythonu tak důležité. Bez nich budete skripty jen slepě kopírovat a dřív nebo později narazíte.
Kdy se to celé firmě vrátí
Návratnost není jen v ušetřených penězích za dodavatele. Je to hlavně v samostatnosti a rychlosti.
Měřitelné přínosy:
- Úprava webu, která dřív trvala 3 dny (zadat agentuře, ta to předá kodérovi…), teď trvá 10 minut
- Report, který se dřív dělal ručně půl dne, se teď generuje skriptem za 30 vteřin
- Odpadají desítky malých faktur od agentury za „drobné úpravy”
- Tým sám navrhuje zlepšení procesů, protože rozumí technickým možnostem
Na našich vlastních webech si metodiku neustále ověřujeme. U ITHOPE.cz meziroční růst zobrazení ve vyhledávání o 278 % (březen–květen) nestojí na reklamě, ale na tom, že tým rozumí jak obsahu, tak technické stránce webu. Podobně web SOHE.cz se dostal na 1. stranu Googlu (pozice 4–7) do 4 týdnů od spuštění obsahu a zobrazení vzrostla za první měsíc zhruba 8× – to zvládneme právě proto, že technické základy máme pod kontrolou a nejsme závislí na externistech.
