Sedm lekcí, co nás Plantory naučila o AI v produkci

Většina rad o AI v roce 2026 pořád vzniká zvenku — přednášky na konferencích, vlákna na Twitteru, dodavatelské blogy. Užitečné, ale ne totéž jako provozovat AI produkt s platícími zákazníky, živým Meta Ads účtem a cost dashboardem, který v pondělí ráno neradi otevíráte.

Plantory.ai — vlastní AI-native SaaS DX Heroes — provozujeme dost dlouho na to, aby ukázky přestaly být zajímavé a začaly platit produkční pravdy. Tady je sedm z nich.

Plný kontext: případová studie Plantory, vyprávění zakladatele a architektonický playbook.

1. Kontext poráží chytrost

Každý moment typu „wow, model je tak chytrý" v Plantory se dá vystopovat k lepšímu ukotvení, ne k lepšímu promptu.

Gemini zahradní poradce nepůsobí užitečně kvůli prompt engineeringu. Působí užitečně proto, že každé volání jde ven s aktuálním stavem plátna, klimatickým pásmem, typem půdy, osvitem a inventářem rostlin. Ten kontext strhněte pryč a stejný model vrátí generické fórové odpovědi.

Praktické pravidlo: než doladíte prompt, zkontrolujte strukturovaný kontext, který model dostává. V devíti z deseti případů je přínos právě tam.

2. AI píše reklamu; člověk schvaluje kampaň

Na Meta Ads a Google Ads nasazujeme programově. AI píše kreativu, generuje varianty, nastavuje cílení. To je reálný nárůst produktivity.

Co není autonomní, je rozhodnutí o rozpočtu. Škálování kampaně, přerozdělení útraty mezi kampaněmi, zabití špatné kampaně — to má pořád člověka ve smyčce. Ne proto, že by to AI technicky neuměla, ale protože náklad na špatnou volbu je vysoký a náklad na lidskou kontrolu nízký.

Pravidlo: automatizujte výrobu; lidi držte na alokaci kapitálu.

3. Levné modely nejdřív, chytré na vyžádání

Je lákavé routovat všechno přes ten největší a nejchytřejší model. Taky je to nejrychlejší cesta, jak rozbít jednotkovou ekonomiku.

V Plantory:

• Identifikace rostliny z fotky → střední multimodální model
• Generování úkolů ze stavu plátna → střední model se strukturovaným výstupem
• Volný zahradnický chat → flagship, streamovaně
• Generování textů pro příspěvky na sítě → rychlý levný model
• Vývoj řízený specifikací v Claude Code → flagship, protože tam se kvalita násobí

Vzorec: začínejte levně, eskalujte jen když to kvalita výstupu vyžaduje. Routing projděte čtvrtletně.

4. Evaluace > pocity

První měsíce jsme se spoléhali na „cítíme, že je to OK". Fungovalo to do doby, než aktualizace modelu potichu posunula chování, týden si toho nikdo nevšiml a uživatelé si toho všimli první.

Teď má každý AI endpoint malou evaluační sadu — 20 až 50 vstupů s očekávaným tvarem výstupu. Běží na každé nasazení. Nejsou nijak složité. Chytají pitomosti rychle.

Malé evaluace první den porazí perfektní evaluační systém, který postavíte devadesátý den.

5. Automatizace médií je pákový efekt — ne ozdoba

Naše pipeline Satori + Resvg + Gemini tvoří každý příspěvek na sítě, každý SEO hero a každou obálku článku napříč osmi jazyky. Na začátku to vypadalo jako drobné zlepšení. Teď je to rozdíl mezi vydáním jednoho marketingového podkladu na jazykovou verzi týdně a vydáním desítek.

Ale tady je upřímná část: automatizace vám ukáže dluh v pracovním postupu. Jakmile můžete vyrábět podklady levně, okamžitě potřebujete obsahový kalendář, kontrolní bránu a publikační pipeline — jinak produkujete objem a žádnou koherenci.

Postavte lidský pracovní postup před tím, než nafouknete generování. Ne potom.

6. Plugin poráží prompt

Jediný největší průlom na build straně nebyl chytrý prompt — bylo to postavení vlastního marketplace pluginů pro Claude Code.

Plugin plantory má 20+ skillů: /plantory:spec-plan, /plantory:board-work, /plantory:blog-article, /plantory:paid-performance-review, /plantory:social-media-posting a další. Každý zabaluje postup, který jsme dřív dělali ad-hoc.

Proč to funguje? Protože prompty jsou nestabilní — drobné změny znění produkují jiné výstupy, lidé zapomenou tvar, noví členové týmu nedokážou reprodukovat, co dělali staří. Skilly dělají postup kontrolovatelným, verzovaným a sdílitelným. Ze stejného důvodu píšeme funkce místo toho, abychom stejný kód kopírovali na pět míst.

Pokud provozujete AI kódování ve velkém měřítku, přestaňte leštit prompty. Začněte dodávat skilly.

7. Dodávejte platícím uživatelům, nebo blafujete

Nejtěžší a nejnudnější lekce.

Interní ukázky, testovací účty, spřátelení beta uživatelé — všichni vám dovolí si namluvit, že produkt funguje. Reální Stripe zákazníci napříč osmi zeměmi v různých jazycích, s různými očekáváními a na různých zařízeních vám to nedovolí.

Každá tvrdá pravda na tomhle seznamu přišla z produkčního kontaktu s platícími uživateli. Reklamní pipeline krásně fungovala, dokud nefungovala. Poradce byl „skvělý", dokud se německý uživatel nezeptal na rostlinu, pro kterou jsme neměli lokalizovaná doporučení. Evaluační sada vypadala dobře, dokud tichý posun modelu nezačal degradovat rozpoznávání rostlin.

Jediný AI systém, který je reálný, je ten s platícími uživateli. Všechno ostatní je zkouška.

---

Kam nás to vede

Plantory.ai není klientský projekt. Je to náš vlastní AI testbed, živý v produkci, inkasující rány, abychom klientům mohli předávat playbook, který byl otestovaný v boji, ne jen teoretický.

Pokud chcete příběh, proč jsme to postavili: Proč jsme postavili Plantory. Pokud chcete architekturu: Playbook pro AI-native SaaS. Pokud chcete uhlazenou případovou studii: Plantory.ai — případová studie.

Pokud chcete tým, který to už udělal a chce pomoct udělat to i vám: pojďte si promluvit.