Vlastní postup pro opakovanou práci
Každý účastník odchází s postupem pro vlastní úkol: jak zadat práci, zkontrolovat výsledek a uložit šablonu, kterou použije znovu.
Jeden den, vlastní dokumenty, vlastní tabulky. Lidé pracují sami, kontrolují výstup a na konci vybírají jedno využití, které stojí za rozpracování.
Firmy neselhávají na funkcích AI. Selhávají na chybějící vazbě mezi nástrojem, skutečným úkolem a tím, kdo za výsledek odpovídá.
Každý účastník odchází s postupem pro vlastní úkol: jak zadat práci, zkontrolovat výsledek a uložit šablonu, kterou použije znovu.
Tým ví, jaká data smí do nástroje, co patří jen do odděleného prostředí a kde má poslední slovo vždy člověk.
Na konci oddělíme to, co lze použít hned, od toho, co potřebuje integraci, lepší data nebo další ověření.
Přesnou skladbu určují role účastníků a cílový výsledek. Je to výchozí rámec, ne prezentace, která sedí na každou firmu stejně.
Co AI umí a kde selhává, beze slajdů. Tým si sjednotí pojmy a způsob, jak výstup kontrolovat.
Shrnutí, porovnání verzí, práce se zdroji. Účastníci si zvyknou ověřovat, jestli závěr vychází z materiálů, nebo si ho AI vymyslela.
Analýza, návrh výpočtu, kontrola logiky. AI pomáhá počítat, za čísla pořád odpovídá člověk.
Každá skupina řeší úlohu ze své agendy. Marketing nedostane úkol financí, finance nedostanou úkol HR.
Z jednorázového dotazu do chatu vznikne postup: pojmenovaný vstup, šablona zadání, kontrolní bod a výstup, který funguje podruhé i potřetí.
Tým pojmenuje víc možností a vybere jednu prioritu. Vedení dostane podklad k rozhodnutí, co rozvíjet a co zatím počká.
Před školením zjistíme role, používané nástroje, opakované úkoly a omezení. Produkční firemní data k tomu nepotřebujeme.
Úlohy stavíme na veřejných, anonymizovaných nebo syntetických datech. Citlivé podklady jen po samostatné dohodě o prostředí a přístupech.
Účastníci pracují sami. Lektor jen opravuje zadání, ukazuje kontrolní techniky a vysvětluje, proč výstup prošel, nebo neprošel.
Po školení zjistíme, které postupy tým skutečně používá a kde narazil. Zavedení je samostatný krok, ne skrytý slib školicího dne.
Mapa příležitostí, kritéria výběru nástroje, vlastník procesu a podmínky pro omezené ověření dřív, než padne rozhodnutí.
Příprava textů, strukturování podkladů, kontrola konzistence. O lidech nakonec rozhoduje vždy člověk, ne model.
Práce s podklady, varianty sdělení, přepis do formátů. Reference a čísla se ověřují, ne vymýšlí.
Extrakce dat, návrh výpočtu, kontrolní seznam pro opakovaný výstup. Číslo bez zdroje se v reportu neobjeví.
Nevyučujeme paragrafy jako hlavní produkt. Pravidla vážeme na práci, kterou lidé dělají, a nástroje, které skutečně používají.
Ano. Program AI školení staví na běžné práci s dokumenty, tabulkami a rešerší, ne na programování. Technické týmy mohou dostat vlastní pokročilý scénář.
Ve výchozím režimu ne. Při školení AI pracujeme s veřejnými, anonymizovanými nebo syntetickými podklady. Citlivá data řešíme jen po samostatném posouzení prostředí a přístupů.
Ne úplně, ale AI školení je doložitelným krokem k němu. Článek 4 AI Actu, ve znění nařízení (EU) 2026/1744, žádá opatření na podporu AI gramotnosti podle role a skutečného použití AI. Je to povinnost úsilí, ne výsledku, firma nemusí zaručit konkrétní úroveň jednotlivce, a nařízení nepředepisuje jednotný kurz ani razítko. CIAD dodá osnovu, evidenci účasti a pravidla podle rolí.
Cenu AI školení neurčuje veřejný ceník. Záleží na počtu rolí, scénářích a formátu dne. Po krátké úvodní konzultaci pošleme rozsah a nabídku.
Firma může po AI školení zůstat u předaných postupů a pravidel, nebo navázat pilotem jednoho využití. Další krok má vlastní rozsah a měřitelný cíl.
Úvodní konzultace vymezí cíl, přípravu a výstupy. Cena vzniká až z konkrétního rozsahu, ne z ceníku.