Méně lidí, více AI: jak to Direct opravdu dělá

Jak Direct staví AI Lab: co jsme se naučili

Syntéza z našeho AI meetupu, kde Pavel z Directu rozbalil, jak jejich AI Lab opravdu funguje. Od prvního „naprogramuj si sám sebe“ likvidátora až po předání klíčů od IT byznysu. Psáno zevnitř projektu, na kterém se podílíme.

Direct pojišťovna se v Česku stala synonymem dvou věcí najednou: radikálního nasazení AI a titulků o propouštění třetiny lidí. Strávil jsem s jejich AI Labem dost času na to, abych věděl, že obě věci jsou pravda. A taky že žádná z nich sama o sobě nedává smysl bez té druhé. Tohle je pohled pod pokličku. Nezajímá mě, co Direct říká navenek. Zajímá mě, jak to doopravdy dělá, kde to drhne a co z toho jde přenést, ať jste v pojišťovně, v e-shopu nebo v agentuře.

Proč se pojišťovna a jazykové modely tak potkaly

Začněme tím, proč to u Directu vůbec sedlo tak přirozeně. Pojišťovna je ze své podstaty firma, která pracuje s nestrukturovanými informacemi. Klient vám napíše dlouhou zprávu o tom, co se stalo. Pošle fotky. Doloží záznam o nehodě, čmáranici nakreslenou ve stresu na střeše auta, v dešti. A pak ještě jednu fotku navíc, pro jistotu.

Pavel má historku, která to vystihuje líp než jakákoli definice: ještě před érou velkých jazykových modelů měli AI, která musela poznat, že klient hodil všechny doklady na stůl, stoupl si na ten stůl, vyfotil to celé jedním snímkem a napsal „tady máte všechno, co mám“. A ono to bylo potřeba rozkrájet, identifikovat a zpracovat.

Direct přitom dlouhodobě stavěl prostředí, kde se hodně automatizovalo a kde se hledaly nástroje, které nejsou závislé na IT, aby konfiguraci nebo proces zvládl změnit i člověk z byznysu. Když přišla LLM, jen se podívali na své procesy, kde vždycky tečou nějaká data, a zjistili, že na řadě míst sedí člověk a plní jednoduchý úkol typu „koukni na fotku a opiš VIN“. Dlouhý řetězec, který se tehdejším OCR zpracovával bídně. Tam, kde dřív musel být člověk, najednou stačil model. Žádná revoluce shora. Spíš přirozené dosazení nového dílku do skládačky, kterou už měli rozestavěnou.

První jiskra: likvidátor, který si naprogramoval vlastní proces

Iniciátorem nebyl byznys, bylo to IT. A to v době, kdy byznys ani netušil, že něco jako LLM existuje. Klíčové ale je, jak blízko u sebe ty dva světy v Directu jsou. Vývoj je poskládaný do value streamů: malé, flexibilní týmy bez tradičních rolí, napojené přímo na byznys. A když do rukou vývojářů přišlo AI, byznys jim začal koukat pod prsty a říkat si „tak tohle přece zvládnu taky“.

Aby to nakopli, udělali jednou v pátek večer online setkání s názvem AI nás baví. Přihlásilo se 200 lidí. A jeden z nich, likvidátor Kuba, to vzal vážně. Sednul si rovnou do vývojového týmu a začal si promptovat vlastní likvidační proces.

Tady se příběh láme do něčeho, co mě na Directu baví nejvíc. Kuba si tu změnu udělal, věděl přesně, jak má fungovat, otestoval ji, opravil, a bouchli mu ji do produkce. A za pár týdnů přišel s tím, že už je tak daleko, že likvidace dojede do finále, cena je spočítaná a je zbytečné, aby klient čekal na peníze. Chtěl, aby ten proces uměl rozeslat platby.

To je moment, kdy se každému v regulované firmě trochu sevře žaludek. Dát „kartu“ umělé inteligenci? Všechno musí být dohledatelné, auditovatelné. Přišla tedy ta těžší IT práce. Připravit zázemí pro rozesílání peněz přes API. A když přes ten proces proteklo větší množství peněz, a proteklo to rychle, bylo jasné, že to není žádné demo. Běžel ostrý end-to-end proces.

Pavel si v tomhle místě sám nasazuje brzdu a já to oceňuju. Ten první case byly jen čelní skla. Žádných osm milionů na jednom plnění. Čelní skla se pohybují řádově od pěti do šedesáti tisíc, průměr kolem patnácti, a pořád se dají rozumně ručně překontrolovat. Na jejich likvidaci sedí tři lidé, ne sto. Takže ne, nebyl to case, který by uvolnil stovku zaměstnanců.

Proč je tedy tak důležitý? Protože nasbírat vstupy do procesu je u čelního skla stejné jako u čehokoli jiného. A ten end-to-end na úzkém, zvládnutelném produktu otevřel celou cestu. U složitějších škod už je to o číslo náročnější: cenu nedostanete tak, že hodíte fotku do GPT a pošlete odhad klientovi. Tam nastupují specializované modely, které z fotek určí plochu vytopeného bytu nebo poznají, jestli je poškozené i to, co je pod plechem. Spousta integrací, scraping cen z internetu, hodně přemýšlení. Ale dveře otevřela tři skla.

Co se z toho dalo naučit (a co nebylo růžové)

První lekce zněla: byznys je rychlejší než IT. Najednou tu byl člověk, který nikdy nedělal vývoj, chtěl všechno dělat rovnou v produkci a IT mu nestíhalo připravovat zázemí. Museli ho naučit verzování, release cyklus, smysl sprintů. Čtrnáctidenní sprint mu přišel nekonečný, protože napsal prompt a čekal výsledek hned. Nad jeho prací běželo code review, protože z jeho promptů vznikal LangGraph, o kterém ani nevěděl, a někdo musel hlídat, jestli roste správně, a doplňovat mu skilly. Zkrátka se učili stavět prostředí, ve kterém člověk z byznysu napáchá co nejméně škody.

Apetit ovšem roste rychleji než to prostředí. Dneska už si byznys zkouší úpravy na frontendu. Jenže změna na frontendu občas potřebuje sáhnout do backendu, a tak dnes považují za možné skoro všechno. Čemu se zatím brání, je vrstva databáze; to je roky práce. Platí tu jednoduché pravidlo: jakmile projektem jednou prolétne AI, už je to jeho.

Hlubší lekce ale přišla jinde, v obratu myšlení. První zautomatizovaný proces totiž okamžitě ukázal slabiny ostatních produktů. Pojišťovna si může myslet, jak má skvělé produkty a value proposition. Direct má třeba storno kdykoli, což je věc, kterou jinde nenajdete, a kterou bude AI milovat, protože dává klientovi svobodu. Jenže ty samé produkty se sjednávají špatně, protože jsou plné konfigurací a parametrů. A v okamžiku, kdy si lidé budou nechávat sjednávat cestovní pojištění svým oblíbeným asistentem, nerozhoduje marketing. Rozhoduje, jestli si AI dokáže přečíst pojistné podmínky a produkt snadno poskládat.

Závěr, ke kterému Direct došel, je nepříjemně ambiciózní: nestačí automatizovat likvidaci. Je potřeba začít mnohem dřív. U toho, jak vůbec navrhujeme produkty a procesy, aby byly AI-first: jednoduché na vstupu, jinak zabalené, připravené rychle škálovat do Evropy. Likvidace byla jen spouštěč.

Od pětiletého plánu ke kvantovému skoku

Po pilotu si Direct udělal dlouhodobý plán, zhruba na pět let. Předělat likvidaci všech produktů, přepsat produkty na úrovni sjednávání. Velkou výhodou je, že mají vlastní core systém, který dlouho vyvíjeli. Když ve firmě nemáte cizí krabici od třetí strany, je to nepředstavitelně flexibilní: AI si přizpůsobíte po všech stránkách. U vendorů je to past. Zapojíte AI a zdraží vám to, nezapojíte a je to ještě horší. Direct je nejspíš jediná pojišťovna na trhu s vlastním core systémem, a rozhodl se toho využít.

Pak ale přišel leden a s ním odchod CEO Michala Řezníčka. Dočasně ho zastoupil Pavel Řehák (ano, taky Pavel), člověk, který má rád kvantové skoky. Přemýšlí ve „stokrát tolik“, ne v „desetkrát tolik“. Podíval se na pětiletý horizont a řekl, že by to šlo nakopnout. Tým to věděl taky; jen se do té doby snažil vejít do finančního rámce, který IT konzumovalo. Dostali navíc rozpočet a vznikl nový, agresivnější plán, který cílí na obrovské překlopení do AI během dvou let.

Konečný cíl je přitom radikálnější, než zní jakákoli automatizace. Pavel ho popisuje jako „zabouchnout dveře od IT a předat klíče byznysu“. Celou změnu, kterou si byznys vymyslí, si nechá nakódit, uvidí, že je dobře otestovaná a správně zasazená do celého systému, produkci někdo nonstop hlídá a bugfixuje, a IT je potřeba už jen na opravdu komplikované věci a na další rozvoj. Nestane se to za rok, možná to potrvá tři až pět let, ale to je ta mise.

Právě proto Direct nechtěl jen tak nabrat AI agenturu, se kterou by se pak musel složitě loučit. Oslovili dvě externí firmy, jednou z nich nás, se kterými spolupracují dlouhodobě a kteří podle Pavla „nezmeškali vlak“. Spousta agentur se totiž na nástupu AI zasekla: buď něco zkoušely lokálně a klienti o to nestáli, nebo klienti zájem měli a agentura neměla co ukázat, a nůžky se rozevíraly. Tady se rozhodli zkusit spolupráci i na úrovni umělé inteligence a rozjeli AI Lab s plnou ambicí.

A jak měří úspěch? Žádné jedno KPI. Efektivita se podle nich projeví tím, že pojišťovna bude mít větší kmen, víc byznysu, významně poroste, a přitom bude o třetinu menší.

Čtyři proudy pod pokličkou a platforma, která rozdává klíče

V Labu dnes běží čtyři projekty.

• Likvidace. Majetkové škody, auto (povinné ručení i havarijní), cestovní pojištění. Sem patří i AI na pojištění domácích mazlíčků, vůbec první produkt, který Direct stavěl rovnou s tím, že likvidaci bude dělat AI.
• Omni-channel, prostředí pro první linii. Direct vychází z toho, že klient si do pojišťovny nikdy nevolá pro radost. Když hlásí pojistnou událost, chce někoho, kdo mu rozumí. Proto na lince zůstávají lidé. Ale mají být maximálně efektivní: soustředit se na klienta, ne klikat v systémech a koukat, jak se něco načítá. Projekt operátorovi v reálném čase nabízí volby, odpovědi, informace o portfoliu a rovnou dělá zápis. Na backendu se to opírá o RAG, prohledávání znalostní báze a napojení na interní systémy.
• Ticketing. Totéž zázemí použité na e-maily a další písemné kanály, kde umí odpovídat i automaticky. Generativní AI je tu silná právě tím, jak je obecná: jednu infrastrukturu zúročíte na víc kanálech.
• Interní týmy. Žádné „tady máš GPT, nějak si pokecej“. Cílem je něco pořádného s dobrými integracemi. Marketingu třeba předají rozchozený LangGraph, ze kterého vyroste produkční systém s hranicemi a napojením na facebookové kampaně. Vyhodnocuje, která kreativa byla úspěšná, a podle toho nakupuje další PPC.

Nad tím vším roste platforma, která je jádrem celé vize. Uživatel si povídá se svým nástrojem a systém ví, kdo to je, jaká má v produkci práva, co smí spustit, vytvořit, změnit a nasadit. A všechno je auditovatelné, dohledatelné, s anonymizací dat a schvalováním compliance.

Nejlíp to ukáže příklad, který nedávno řešili. Klienti si sjednají povinné ručení a po pěti dnech ho nemají zaplacené. A protože je „povinné“ povinné, hrozí jim mezera v pojištění a pokuta. Člověk z byznysu napíše do platformy větu: „Potřeboval bych všem klientům v tomhle stavu zavolat a upozornit je.“ Systém ověří, že na to má práva, a rozjede onboardingovou kampaň: zavolá do Databricks, zjistí přesný segment, poskládá proces, který hlídá, kdo byl navolaný a kdo to zvedl, a klidně udělá A/B test mezi voláním přes ElevenLabs a přes operátora, aby zjistil úspěšnost. Pro byznys uživatele je to ale pořád jen „prosím tě, zavolej těm lidem, ať nemají problém“.

A je tu ještě jeden tichý vedlejší efekt, který se mi líbí. Interní systémy nepoužívají všichni denně. Kdo v nich žije, kliká rychle a chat nepotřebuje. Ale kdo do nich vleze jednou za čas a musí si vzpomenout, kde to vlastně bylo, tomu UI spíš překáží. Tam se chytá platforma vystavená přes MCP: uživatel jen napíše, co potřebuje, systém ověří oprávnění a odpověď mu skočí rovnou do chatu. Žádné obrazovky. Ušetříte frontend i tokeny.

30 %: co se opravdu skrývá za tím číslem

Teď k té nepříjemné části, kterou nemá smysl obcházet. O Directu se psalo, že propouští 30 % lidí, a nálada kolem toho dobrá není. Nedá se přijít do firmy a říct „třetinu z vás vyhodíme“ a čekat jásot.

Co je ale za tím číslem? Není to tak, že 30 % ušetřila umělá inteligence. Direct postupoval podle pořadí, které stojí za zapamatování: nejdřív zkusit věc vůbec nedělat, pak ji zjednodušit, pak zautomatizovat, a teprve tam použít AI. Z těch 30 % je dnes zhruba půl na půl, kdy reálná efektivita díky AI dělá asi 15 %. Tu druhou polovinu by zvládli i bez jediného modelu.

A nedívejte se na to jako na dvě statická čísla. Firma se zmenšuje, ale byznys přitom roste. A tam, kde už AI běží, se 15% úspora z počátku časem škáluje sama a vy řešíte hlavně útratu za tokeny. Příští rok bude efektivita opravdu výrazná; letos by se Direct dokázal zmenšit o 15 % pravděpodobně i bez AI.

Zajímavé je, jak to udělali. Firma s dostatkem prostředků by mohla nechat IT všechno připravit, lidi mezitím držet, a pak udělat Big Bang: naráz propustit třetinu a spustit nástroje. Jenže by chyběl tlak, který termín přináší, a hrozila by past příliš optimistických odhadů úspor: kdyby vyšly špatně, najednou nemáte lidi a nástroje nefungují, jak mají. Direct šel jinak. Dvě větší vlny a zbytek podle plánu, lidé odcházejí průběžně tak, jak se nasazují odzkoušené utility, o kterých se ví, že fungují. Bolavé to je tak jako tak.

A jeden detail, který napoví hodně o tom, proč to bere Pavel vážně: z každé firmy se dají vyhodit lidé a zbytku zakázat dovolenou. Chvíli to bude fungovat. Jenže firma potřebuje normální život. Direct dlouho budoval kulturu, kde jsou lidé „unavení, ale šťastní“ a můžou se realizovat. A nechtěli skončit u toho, že budou jen unavení.

Vibe coding, klika u auta a kdo nese odpovědnost za kód

Tahle část je hlavně pro lidi z technické strany. Pavel ji vede z pozice celoživotního Javisty, kterého při pohledu na promptovaný Python „chytá za srdce“. Mimochodem, právě proto zní jedno z jeho doporučení vývojářům takhle: jděte promptovat kód, který vám k srdci nepřirostl.

Realita v Directu je, že to funguje. Něco vznikne, nějak to běží. Vývojář, který by se na to podíval, by občas leccos udělal jinak. Jenže řádků je tolik, že to dnes reálně nezkontroluje. Pavel má na to historku: AI nemusí vědět, že na sdílenou proměnnou nemá psát static final. Vývojář by to opravil rovnou. AI to nasadí, v produkci to spadne, model zjistí proč, final smaže a jede dál. Hotfixy v produkci přitom můžou být tak rychlé, že to ve výsledku nemusí být problém.

Klíčový posun v uvažování je čas. Něco si dnes navibujete s aktuálním modelem; za půl roku tím nové modely projedou a systém doladí, architektonicky i vizuálně. „Dnes řešíme cenu, rychlost a fakt, že jsou všechny modely americké,“ říká Pavel. Dívá se na to ale jako na příchod počítačů: padaly, byly pomalé a drahé, a dnes je má každý v kapse. Modely budou chytré, rychlé a levné; tohle období se musí jen přečkat. Praktický důsledek pro vývoj: opusťte IDE tam, kde si troufáte; tam, kde tečou peníze, si držte kontrolu; zbytek rozsekejte na mikrokomponenty, a když frontend nebude dobrý, navibuje se znovu.

Vývojáře nikdy nikdo nechtěl. Chtěl je jen byznys, který neuměl psát assembler, a tak mezi sebe a stroj postavil překladač. Programátor byl vždycky mezičlánek, technická nedokonalost. Teď přišla technologie, která ten mezičlánek vytlačuje.

S tím souvisí i otázka odpovědnosti, na kterou padl z publika dotaz: kdo ručí za kód, který nikdo nepřečetl? Pavel ji odmítá rámovat osobně. Viníka u řádku neřeší. Chce hlavně, aby systém fungoval. Mají tým produkční podpory, který za chod systému odpovídá a opravuje, co spadne, ať už jakkoli. Je to sdílená odpovědnost: security tým, nástroje, benchmarky. A paralela sedí: když dřív vývojář kopíroval řešení ze Stack Overflow i s bezpečnostní dírou, taky nikdo neběžel za autorem toho příspěvku.

To celé drží pohromadě díky tomu, jak má Direct postavené týmy. Value streamy jsou malé, semknuté a flexibilní. Podle potřeby z desetičlenného týmu uděláte dvoučlenný, nebo naopak jeden velký tým na obří projekt. A jedno pravidlo je nepřekročitelné: všichni jsou vývojáři. Žádný dedikovaný tester, žádný analytik. Každý umí přemýšlet a otestovat svou věc; kdo na to neměl hlavu nebo nechtěl nést odpovědnost, do týmu se nedostal. Dnes je jich kolem sedmdesáti a nebyl to problém.

Bezpečnost, když klíče držíte byznysu

Když rozdáváte přístupy do produkce lidem z byznysu, nemůžete být v bezpečnosti vlažní. Už samotná odvaha toho, do čeho se Direct pustil, je nutí stavět zázemí, kde je všechno primárně trasované. Než něco z části pojede v produkci, prochází se každý jednotlivý case, a i poté nad tím běží kontroly. Třeba sledování, jestli ve výších plnění za agregované období nejsou nečekané výkyvy.

Direct si navíc dobře uvědomuje, že je terč. Tím, že o svém nasazení AI otevřeně mluví, dává lidem důvod zkoušet na něj podvody. Na webu se objevují boti, klienti umí AI použít i k falšování fotek. Je to hra na obou stranách a security tým ji bere vehementně; ostatně dnešní doba nahrává útočníkům, kteří pomocí AI hledají slabiny, takže obrana musí být stejně pokročilá.

Konkrétní mechanismus, který mi přijde přenositelný: každý byznys uživatel má podle svých oprávnění vlastní repozitář a každá změna jde přes pull request s code review. To review zčásti udělá AI. Ne komplet, pořád čeká i na programátora, ale základ má předžvýkaný. A tady Pavel přiznává hezké poznání: code review mezi vývojáři bývá někdy pečlivé až na efekt, jindy odbyté, protože není čas. AI jako benchmark, který dohlédne na základy, a člověk, který přidá kontext navíc, dohromady fungují líp než kterýkoli z nich sám.

Bonus na závěr: sdílená paměť agentů

Z praktických věcí, které stojí za vyzkoušení, Pavel vypíchl open-source projekt, který zazněl jako AgentMemory, použitelný napříč nástroji jako Codex nebo Claude Code. Princip: dáte ho agentům jako primární paměť a on udržuje jejich know-how v podobě grafu, do kterého se dá i nahlížet.

Direct ho nasazuje na incidenty v produkci. Když něco spadne, probudí se agent se základní sadou skillů, udělá prvotní šetření a kategorizaci problému. Pokud zjistí, že podobný case už nějaká parta agentů řešila, vezme si jejich engineering memory a zkusí to s ní opravit. Když narazí na nové věci, přizve další agenty s jinou částí paměti. A když dohromady vyřeší nový problém, vznikne nová, sdílitelná paměť. Iterativně tak přihazujete agenta za agentem, každý má limitované, co smí spustit v command line, a sdílí naučenou kolektivní zkušenost. Pavlovo přirovnání: jako byste jednomu z týmu předali devět let školy. Pro neprodukční use-casy je to podle něj boží. A hlavně máte plnou, trasovatelnou kontrolu nad tím, co agenti dělají; když na něčem kiksnou kvůli chybějícímu oprávnění, jednoduše ho přidáte.

Co si z toho odnést

Jestli má tahle zkušenost pár přenositelných pravd, jsou to tyhle:

• Začněte tam, kde je proces úzký a kontrolovatelný. Tři lidé na čelních sklech nebyli velká úspora, ale otevřeli celou cestu. Úzký end-to-end poráží široký pilot.
• Blízkost byznysu a IT je výhoda, ne bonus navíc. Diskuze na obou stranách stolu nakopla Direct víc než kterýkoli nástroj. Kde si IT a byznys nerozumí, začněte tím.
• Pointa je v AI-first designu produktu, ne jen v automatizaci procesu. Asistent nečte váš marketing, čte pojistné podmínky. Co se špatně sjednává, bude špatně bodovat.
• Za „úsporou X %“ hledejte sekvenci eliminovat → zjednodušit → automatizovat → teprve AI. A počítejte s tím, že token ekonomika má své fáze, kdy to vypadá hůř, než to nakonec je.
• Odpovědnost je sdílená a systémová, ne u řádku. Trasovatelnost, code review s AI i člověkem a tým za chod produkce nahradí hledání viníka.
• Plánujte s růstem a fluktuací, ne s Big Bangem. Termín pomáhá, ale přestřelená ambice v úsporách umí nechat firmu bez lidí i bez funkčních nástrojů.

Direct není návod, který stačí zkopírovat. Je to firma s vlastním core systémem, neobvyklou kulturou a odvahou hrát o hodně. Ale ta nejdůležitější věc, kterou pod pokličkou vidím, je banální a univerzální zároveň: ta propast se zdá obrovská jen do chvíle, než do toho šlápnete. Většinou stačí pár dní, aby každý zjistil, že to tak hrozné není. A že technologie samy vás tou změnou kus cesty provedou.