Optimizely jako Customer Zero ukazuje, že největší překážkou AI agentů není technologie

Když Optimizely nasadilo vlastní agentic AI na marketingové procesy, nezrazily ho modely ani integrace. Zrazily ho operační návyky, které fungovaly roky. Case study dokumentuje, že úspěšné zavedení AI agentů vyžaduje změnu toho, jak tým skutečně pracuje — ne jen přidání nástroje do stacku. Jde o konkrétní příklad z firemní praxe, který ukazuje, kde se governance AI láme na reálných procesech.

Marketingový tým Optimizely testoval AI agenty na vlastních kampaních

Optimizely používá koncept Customer Zero: před zavedením produktu k zákazníkům ho nasadí interně. V případě agentic AI šlo o nasazení AI agentů do marketingových workflow — konkrétně do plánování kampaní, segmentace dat a optimalizace obsahu. Tým dostal přístup k nástrojům, které měly autonomně vyhodnocovat data, navrhovat změny a v některých případech je provádět bez schválení člověkem.

Zpočátku vypadalo zavedení jako technický projekt: integrace nástrojů, nastavení přístupů, definice úloh pro agenty. Během prvních týdnů se ale ukázalo, že technická část byla nejjednodušší. Problémy začaly tam, kde AI agent narazil na zaběhané procesy. Například: agent navrhl změnu v segmentaci zákazníků, která byla datově podložená, ale kolidovala s kampání, kterou tým plánoval podle jiné logiky. Agent neměl kontext týmové diskuze z minulého týdne.

Další problém: AI agent optimalizoval metriky podle definovaných cílů, ale nerozuměl prioritám mezi nimi. Když zvýšil engagement na úkor konverzí, vypadalo to podle jeho KPI jako úspěch. Marketingový manažer to viděl jako selhání, protože konverze byla v té kampani důležitější.

Teorie omezení ukazuje, že úzké hrdlo není AI, ale proces předávání rozhodnutí

Autor case study odkazuje na knihu The Goal od Elihu Goldratta, která popisuje teorii omezení: zlepšení systému nezávisí na zrychlení všech částí, ale na identifikaci a odstranění úzkého hrdla. V případě agentic AI se ukázalo, že úzké hrdlo není rychlost modelu ani kvalita dat. Je to moment, kdy AI agent musí předat rozhodnutí člověku — nebo kdy člověk nevěří rozhodnutí agenta a chce ho zkontrolovat.

Optimizely zjistilo, že tým trávil více času kontrolou a zpochybňováním výstupů AI agenta, než když dělal práci ručně. Nebyl to problém nedůvěry v technologii. Byl to problém nejasnosti: tým nevěděl, kdy agent rozhoduje sám a kdy čeká na potvrzení. Nebylo jasné, kdo je zodpovědný za chybu, pokud agent udělá špatné rozhodnutí. A neexistoval proces, jak eskalovat situaci, kdy agent narazí na konflikt mezi metrikami.

Case study zdokumentovala, že bez jasně definovaného provozního modelu se AI agent stává dalším bottleneckem místo akcelerátoru. Optimizely muselo předělat workflow: definovat hranice autonomie agenta, určit, kdy agent rozhoduje sám a kdy přepne do režimu návrhu, a vytvořit proces pro eskalaci konfliktů mezi metrikami.

Governance v praxi znamená změnit workflow, ne napsat policy dokument

Mnoho firem chápe governance AI jako dokumentaci pravidel: co AI smí, co ne, kdo za co odpovídá. Optimizely zjistilo, že tahle definice nestačí. Governance musí být zakódovaná přímo do workflow — do toho, jak tým skutečně pracuje každý den.

Konkrétně: Optimizely nastavilo tzv. decision brackets — rámce, ve kterých agent rozhoduje autonomně. Například: agent může sám měnit timing kampaní, pokud data ukazují pokles engagement o více než 15 % a zároveň nedojde ke změně celkového rozpočtu. Mimo tento rámec agent přepne do režimu doporučení a čeká na schválení.

Další změna: tým začal používat decision log — záznam všech rozhodnutí agenta včetně dat, která vedla k rozhodnutí. Nebylo to kvůli auditu, ale kvůli učení. Tým mohl vidět, kde agent dělá rozhodnutí, která nedávají smysl v širším kontextu, a kde je naopak rychlejší a přesnější než člověk.

Case study ukazuje, že governance není o kontrole AI. Je o redesignu procesu tak, aby AI agent mohl pracovat v jasně definovaném prostoru a tým věděl, kde do něj zasáhnout.

Případová studie platí pro B2B marketing s opakovanými workflow, ne pro kreativní kampaně

Je důležité říct, kde tento příklad funguje a kde nikoli. Optimizely použilo agentic AI na opakované marketingové procesy: segmentace zákazníků, A/B testování, optimalizace času odeslání emailů. Jde o úlohy, kde existuje jasná metrika úspěchu a historická data pro vyhodnocení.

Na druhou stranu: AI agent v tomto příkladu nefungoval na kreativním obsahu nebo brand kampaních. Nerozhodoval o tónu komunikace, netvořil nové koncepty, nenabízel strategickou změnu směru. Tam, kde je rozhodnutí subjektivní nebo závislé na kontextu, který nelze kvantifikovat, se agent ukazuje jako slabý.

Case study také nezdokumentovala situaci, kdy by agent pracoval napříč odděleními — například když marketingové rozhodnutí ovlivňuje product nebo sales. V takovém případě by se komplikace spojené s workflow a governance násobily.

To neznamená, že závěry case study nejsou užitečné. Znamená to, že platí primárně pro procesy s jasně definovanými metrikami a historickými daty. Čím víc jdete směrem ke kreativitě nebo mezioddělovým rozhodnutím, tím víc se ukazuje, že agentic AI není samostatný řešitel, ale podpora člověka.

Případ Optimizely říká, že hodnota AI agentů se neměří v automatizaci úloh, ale v redesignu procesu

Největší zjištění case study není technické. Je to poznatek, že hodnota AI agentů nevzniká tím, že nahradí člověka v konkrétní úloze. Vzniká tím, že donutí tým předělat workflow tak, aby byl jasnější a efektivnější — i kdyby tam AI agent vůbec nebyl.

Optimizely zjistilo, že po zavedení decision brackets a decision logu se zlepšila nejen práce s AI agenty, ale i spolupráce mezi lidmi v týmu. Lidé věděli, kdo rozhoduje v jaké situaci, měli jasná data pro diskuzi a snížili čas strávený schůzemi, kde se hledá konsensus bez datového podkladu.

Case study tím říká, že AI agenti nejsou jen technologický upgrade. Jsou zrcadlem procesů, které firma má. Pokud procesy fungují špatně, AI agent to nespraví — naopak to zviditelní. A pokud firma není ochotná workflow předělat, AI agent přinese víc komplikací než hodnoty.