Řízení změny pro tech leadership v době AI - plán, adopce a vyhodnocení

Máte plný kalendář, rozhodujete rychle a tým je neustále v pohybu – přesto se výsledky dostavují spíš náhodně. Místo řízení vzniká reaktivní exekuce, místo skutečného dopadu pouhá aktivita. Ne proto, že by lidé nepracovali dost, ale proto, že chybí kompas, podle kterého řídit priority, rozhodnutí a energii týmu.

Tento workshop nestojí na učebnicových modelech ani obecných „best practices". Celým dnem se táhne jeden příklad, který dnes řešíte všichni – nasazení AI v engineeringu. Na něm si projdeme, jak změnu poznat, nastavit a dotáhnout. Nejde o kurz AI. AI je příklad, na kterém si řízení ukážeme a vy je pak použijete na libovolnou změnu.

Lektor kurzu:

PETR BURIAN

Petr Burian mentoruje foundery, CEO, CTO a tech leadery. Technologie a lidi propojuje už 25 let. Z toho 16 let působil jako CTO Livesportu, kde jeho týmy vybudovaly Flashscore pro více než 130 milionů fanoušků. Dnes pomáhá firmám řídit změny, rozvíjet týmy a získávat z AI reálný přínos.

Více o lektorovi

V Livesportu pomohl vybudovat engineering organizaci o 25 týmech a 170 lidech. Flashscore ve špičce odbavuje až 2,5 milionu požadavků za sekundu.

Vedle individuálního mentoringu pracuje se skupinami a vede workshopy. Je také board memberem a tech advisorem v core týmu Tech Execs, komunity 900 technologických lídrů.

S AI pracuje denně a její možnosti využívá i při vývoji vlastních produktů.

Cílová skupina:

C-level, VPE, Directors a Heads of Engineering, kteří nesou odpovědnost za směr i výsledky organizace a chtějí přejít od reaktivní exekuce k řízení založenému na jasném kompasu rozhodování.

Co od workshopu očekávat:

• Reálný obraz stavu, bez iluzí – jak odlišit „říkáme, že nasazujeme AI" od toho, co se reálně používá a co to dělá s výkonem týmu.
• Obhajitelné „Proč" a řiditelný cíl – důvod a cíl změny, na který se dá řídit pozornost, ne jen aktivita.
• Pár metrik, co řídí rozhodování – minimum čísel, která rozlišují signál od šumu (ne reporting).
• Plán adopce – jak změnu protlačit týmy, kde čekat odpor a co s kognitivním přetížením.
• Odpracovaný příklad + úvahu za rozhodnutími – vzor, který jste viděli vzniknout a umíte ho zopakovat doma.

Osnova:

Celý den běží na jednom příkladu – nasazení AI v engineeringu. Každý blok na něm odpracujeme konkrétně.

1. Kde dnes skutečně jste

• Společné pojmenování reálného stavu, ne deklarovaného.
• Rozdíl mezi tím, co si myslíme, a tím, co skutečně řídí rozhodování.
• Vizuální mapa stavu jako společný referenční bod

2. Proč a cíl změny

• Převod tlaku („musíme do AI") do racionálně obhajitelného důvodu.
• Otázky, které odhalují skutečnou motivaci ke změně.
• Kalibrace cíle: dostatečně odvážný a zároveň řiditelný (např. zkrátit cycle time, ne nahnat řádky kódu).
• Jasné vymezení: co je a co není cílem této změny.

3. Kompas: sada klíčových metrik

• Výběr minima metrik, které skutečně ovlivňují rozhodování.
• Signál vs. šum – jak je poznat a čeho se vyvarovat.
• Volba formy měření tak, aby podporovala řízení, ne reporting.
• Na čem se bude řídit a co se přestává sledovat.

4. Adopce

• Jak změnu reálně protlačit týmy, ne ji jen vyhlásit.
• Kde čekat odpor a co s ním.
• Kognitivní přetížení jako reálná překážka adopce.
• Plán adopce na další období

5. Vyhodnocení dopadu a učení

• Jak poznat, zda změna skutečně funguje.
• Práce s chybami jako se zdrojem učení, ne selhání.
• Pojmenování dopadu, uznání, uzavření cyklu řízení – ne nekonečný experiment.

Co si odnesete:

Výstupem není prezentace ani generický checklist, ale odpracovaný příklad nasazení AI a úsudek, jak takovou změnu poznat, nastavit a řídit.

Změny typu nová architektura, růst týmů nebo zavádění procesů Petr nedělal na slidech, ale v ostrém provozu, kde každé špatné rozhodnutí bolelo. Díky kultuře post-mortemů a poučení z chyb svých i ostatních dnes může předat cennou zkušenost – co fungovalo a co spíš ne – i vám, abyste podobné chyby dělat nemuseli.