Plánování týmů s AI nyní musí odpovědět na praktickou otázku: jak by měli lídři přepracovat kapacity, dohled a rozvoj začínajících pracovníků, když agenti dokážou vytvořit mnohem víc práce, než lidé mohou rozumně zkontrolovat? Interní studie Anthropicu je užitečný provozní příklad, ne předpověď pro každou firmu. Ukazuje, proč samotné měření aktivity agentů nestačí. Vedoucí provozu musí propojit výstup s ověřenou kvalitou, obchodní hodnotou, rizikem a zdravím talentové pipeline.

Co ukazují interní data Anthropicu

Ve své zprávě z 16. října 2026Anthropic zkoumal, jak jeho vlastní zaměstnanci používají AI agenty. V srpnu převýšily hodiny interaktivních agentů hodiny zaměstnanců v poměru šest ku jedné. Firma vykázala vyšší výstup v kódu, prodeji, smlouvách a fakturách, jak se používání agentů šířilo do technické i netechnické práce.

Tento poměr je výrazný, ale neznamená, že agenti nahradili šest lidí na každého zaměstnance. Hodiny agentů a hodiny zaměstnanců jsou odlišné jednotky aktivity. Agent může běžet rychle, paralelně nebo dlouho, a přesto vytvářet materiál, který vyžaduje lidský úsudek. Objem výstupu také není totéž co užitečný, ziskový nebo bezpečný výstup. Vygenerovaný návrh smlouvy, analýza prodeje nebo změna kódu vytváří hodnotu teprve tehdy, když je správná, relevantní a přijatá do skutečného pracovního postupu.

Zátěž kontrol dělá tento rozdíl konkrétním. Anthropic odhadl, že kontrola veškerého výstupu agentů by netechnickým zaměstnancům zabrala zhruba polovinu pracovního týdne. To přesouvá omezení. Když je produkce levná a hojná, vzácným zdrojem se může stát pozornost. Týmy mohou vytvořit víc návrhů, analýz a akcí, než manažeři nebo specialisté dokážou zodpovědně zkontrolovat.

Zpráva také popisuje změnu ve složení technických zaměstnanců Anthropicu. Podíl juniorních technických zaměstnanců klesl od začátku roku 2025 z 21 % na 14 %, zatímco podíl juniorů mezi technickými nástupy klesl z 27 % na 9 %. Anthropic uvádí, že technický nábor v absolutních číslech dál rostl. Data tedy podporují změnu složení v jedné firmě, nikoli tvrzení, že technická zaměstnanost obecně klesla.

Proměňte kapacitu agentů v provozní plán

Dobrý plán začíná poptávkou, ne přístupem k nástrojům. Určete, jakou práci musí organizace odvést, jaké úrovně služeb musí udržet a která rozhodnutí zůstávají na lidech. Potom rozhodněte, kde mohou agenti rozšířit kapacitu bez oslabení kontroly. Tím se vyhnete častému omylu: přidat automatizaci ke každému dostupnému úkolu a později zjistit, že fronty kontrol, výjimky a nejasná odpovědnost se staly novými úzkými hrdly.

Vedoucí provozu mohou použít tento jednoduchý postup plánování:

• Zmapujte práci podle výsledku. Seskupte úkoly kolem výsledků pro zákazníky, tržby, compliance nebo dodávky, nikoli kolem funkcí softwaru.

• Klasifikujte riziko a vratnost. Práci s nízkým rizikem, kterou lze snadno vrátit, dejte lehčí kontroly a u právních, finančních, bezpečnostních nebo zákaznických rozhodnutí vyžadujte přísnější kontrolu.

• Stanovte rozpočet na kontroly. Odhadněte, kolik kvalifikované lidské pozornosti každý postup potřebuje, a omezte automatizovanou produkci, jakmile se tato kapacita vyčerpá.

• Určete konkrétní vlastníky. Ať jedna role odpovídá za kritéria schválení, výjimky, incidenty a změny pracovního postupu.

• Měřte přijatou hodnotu. Sledujte použitelné výstupy, dobu cyklu, chybovost, přepracování a dosažené obchodní výsledky, nejen prompty, tokeny nebo hodiny agentů.

• Chraňte rozvoj dovedností. Vyhraďte práci, při níž se junioři učí kontext, úsudek a kontrolu, i když by agent dokázal první verzi připravit rychleji.

Rozpočet na kontroly si zaslouží stejnou disciplínu jako mzdové náklady nebo kapacita infrastruktury. Pokud postup dokáže vytvořit 500 položek, ale kvalifikovaní kontroloři zvládnou posoudit jen 100, praktická kapacita je blíž ke 100. U opakujících se výstupů s nízkým rizikem může stačit vzorkování, ale metodu vzorkování a pravidla eskalace je třeba stanovit dřív, než se objem zvýší. Výstupy s vysokým rizikem mohou vyžadovat úplnou kontrolu, nezávislé ověření nebo limity autonomního jednání.

Metriky by měly sledovat práci od vygenerování po výsledek. U kódu jsou důležitější přijaté změny a chyby v produkci než počet vygenerovaných řádků. U prodeje jsou důležitější užitečné příležitosti a kvalita konverze než počet napsaných zpráv. U smluv a faktur jsou přesnost, podíl výjimek, doba zpracování a odvrácené ztráty silnějšími signály než počet dokumentů. Tak zůstává provozní práce s AI spojená s výkonem firmy, a ne s divadlem aktivity.

Plánujte role, nábor a kontroly společně

Návrh týmů by neměl řešit počet lidí, agenty a řízení jako samostatné plány. Každý pracovní postup potřebuje model kapacity, který zahrnuje práci agentů, lidskou kontrolu, řešení výjimek, údržbu a školení. Měl by obsahovat i scénáře selhání. Agent, který zrychlí běžnou práci, ale vyvolá vlnu obtížných výjimek, může náklady jen přesunout, místo aby je odstranil.

Údaje o náboru juniorů ve studii Anthropicu si zaslouží pozornost, protože práce na vstupních pozicích často slouží dvěma účelům: splnit dnešní úkoly a vybudovat zítřejší odbornost. Pokud agenti převezmou psaní návrhů, ladění, rešerše nebo rutinní analýzy, mohou juniorní role přijít o opakování, díky kterému se lidé učí. Odebrat tuto práci bez navržené alternativy může oslabit nástupnictví, interní mobilitu i budoucí dostupnost kontrolorů.

Lepší reakcí je přepracovat juniorní role kolem úsudku pod dohledem. Pracovníci mohou porovnávat výstupy agentů, prověřovat výjimky, testovat předpoklady, dokumentovat rozhodnutí a střídat se v zákaznických nebo provozních kontextech. Manažeři by měli definovat, jak vypadá kompetence na každé úrovni, a ověřovat, že zaměstnanci mají dost praxe k dalšímu růstu. Cílem není donekonečna zachovávat práci s nízkou hodnotou, ale zachovat učení, které je v užitečné práci obsaženo.

Lídři by měli být opatrní s tvrzeními o příčinách. Studie Anthropicu vychází z interních dat a 17 rozhovorů a upozorňuje, že zavádění nástrojů nebylo náhodné. Týmy a jednotlivci, kteří agenty používali, se mohou od ostatních lišit způsoby, které také ovlivňují výstup a nábor. Zpráva může pomoci s hypotézami a kontrolami, ale nedokáže dokázat, že každou pozorovanou změnu způsobilo samotné zavedení agentů.

Pro plánování používejte scénáře místo jediného předpokladu produktivity. Opatrný scénář může počítat s mírným nárůstem přijatého výstupu a vysokou potřebou kontrol. Střední scénář může odrážet pozorovaná zlepšení ve vybraných postupech. Scénář vysoké kapacity může otestovat, co se stane, když produkce agentů roste rychleji než dohled. Pro každý scénář určete potřebu náboru, kapacitu kontrol, náklady na kontrolu a ukazatele, které spustí změnu. Model upravujte, jak přibývají důkazy.

Co by mělo plánování týmů s AI měřit?

Měřte kapacitu v bodě přijaté a hodnotné práce. Užitečný scorecard kombinuje dobu cyklu, kvalitu, přepracování, výjimky, incidenty a obchodní výsledky s lidskými hodinami potřebnými ke kontrole. Přidejte personální ukazatele, jako je nábor podle úrovně, kariérní posun, získávání dovedností a rozpětí řízení manažerů. Tak jsou kompromisy vidět. Rychlejší produkce se může vyplatit, ale ne tehdy, když rychleji rostou chyby, nedodělky v kontrolách nebo mezery v dovednostech.

Platí studie Anthropicu pro každou firmu?

Ne. Popisuje jednu AI firmu s vlastními zaměstnanci, nástroji a způsoby zavádění. Zjištění jsou podnětem k testování vlastních postupů, ne univerzálním měřítkem. Lídři by měli provádět řízené pilotní projekty, porovnávat přijaté výsledky s výchozím stavem a zkoumat, kdo nástroje používá. Škálujte až tehdy, když hodnota, kapacita kontrol a rozvoj zaměstnanců zůstávají společně věrohodné.