Jeden pracovní den v modelové firmě o 150 lidech. Dopoledne uvidíte Auredo jako pracovní nástroj, který odpovídá z vašich dat a bezpečně vykonává úkoly. Večer se podíváme pod kapotu — na platformu, na které to celé stojí. One working day at a model company of 150 people. In the morning you'll see Auredo as a work tool that answers from your data and safely carries out tasks. In the evening we'll look under the hood — at the platform it all runs on.
Většina textů o firemní AI je seznam funkcí. Tenhle článek zkouší něco jiného: projdeme jeden obyčejný pracovní den ve středně velké české firmě a podíváme se, kde všude do něj vstupuje Auredo — nejdřív očima lidí, kteří s ním pracují, a potom očima IT ředitelky, která ho provozuje. Most articles about company AI are a list of features. This one tries something else: we'll walk through one ordinary working day at a mid-size company and see where Auredo shows up — first through the eyes of the people who work with it, then through the eyes of the IT director who runs it.
Firma v článku je modelová — žádný konkrétní zákazník, čísla jsou ilustrativní. Všechno, co v ní Auredo dělá, jsou ale jeho reálné, dnes existující funkce. Kde je něco teprve na roadmapě, píšeme to výslovně. The company in this article is a model — no specific customer, the numbers are illustrative. Everything Auredo does in it, though, is a real, existing feature today. Where something is only on the roadmap, we say so explicitly.
Hledáte-li katalog použití po odděleních, najdete ho na stránce Použití. Tady jde o něco jiného: jak to celé zapadá do sebe. Looking for a catalogue of use cases by department? You'll find it on the Use cases page. This article is about something else: how it all fits together.
Auredo Workspace: jedno okno pro otázky, úkoly i agenty. Běží nad vašimi daty a pod vašimi pravidly.Auredo Workspace: one window for questions, tasks and agents. Runs on your data, under your rules.
Obchodnice Jana připravuje nabídku a potřebuje si ověřit platební podmínky. Neotvírá sdílený disk ani neloví v e-mailech — napíše do Auredo Workspace otázku, jako by ji položila kolegyni z právního: „Jakou splatnost máme ve smlouvě s Beta s.r.o.?“ Sales rep Jana is preparing a quote and needs to check the payment terms. She doesn't open a shared drive or dig through emails — she types a question into Auredo Workspace, the way she'd ask a colleague from legal: "What payment terms do we have in the contract with Beta s.r.o.?"
Odpověď se začne vypisovat během pár vteřin — a hlavně: s citacemi. Auredo neodpovídá „z hlavy“ jazykového modelu. Hledá ve znalostním grafu firmy — ve smlouvách, směrnicích a dokumentech, které do něj firma nahrála — a ke každému tvrzení připojí očíslovaný zdroj. Když si Jana není jistá, otevře si citovaný dokument přímo z odpovědi. The answer starts streaming in within a few seconds — and crucially: with citations. Auredo doesn't answer "from memory" of the language model. It searches the company's knowledge graph — contracts, policies and documents the company has uploaded — and attaches a numbered source to every claim. If Jana isn't sure, she opens the cited document straight from the answer.
Rámcová smlouva s Beta s.r.o. stanoví splatnost 30 dní.1 U objednávek nad 500 tis. Kč lze po písemném schválení sjednat 45 dní.2
The master agreement with Beta s.r.o. sets 30-day payment terms.1 For orders above CZK 500k, 45 days can be agreed after written approval.2
Pod odpovědí Auredo nabídne navazující krok. Otázku mohla Jana i nadiktovat hlasem nebo ke zprávě přiložit soubor — PDF a obrázky se zobrazí přímo v chatu. Jedním klikem je uloží do znalostní báze: jen pro sebe, pro projekt nebo pro celou firmu. A protože Janin tým pracuje v projektu, kolegové z projektu její konverzaci vidí a mohou na ni navázat — osobní vlákna zůstávají osobní. Below the answer, Auredo offers a follow-up step. Jana could just as easily have dictated the question by voice or attached a file — PDFs and images render directly in the chat. One click saves them to the knowledge base: just for her, for the project, or for the whole company. And because Jana's team works inside a project, her project colleagues can see her conversation and build on it — personal threads stay personal.
Neptáte se internetu. Ptáte se vlastní firmy — a odpověď má dohledatelné zdroje. You're not asking the internet. You're asking your own company — and the answer has traceable sources.
Účetní Petr napíše do téhož pole: „Vystav fakturu za servisní zásah pro Beta s.r.o., 48 400 Kč.“ Tohle není otázka — a Auredo to pozná. Každou zprávu nejdřív klasifikuje interní rozcestník záměru: je to otázka (odpověď ze znalostí), jednorázová akce (skill), vícekrokový proces (workflow) nebo úloha pro autonomního agenta? Uživatel žádný režim nevolí — u každé odpovědi jen vidí barevný štítek, jak byla vyřízena. Accountant Petr types into the same box: "Issue an invoice for a service call to Beta s.r.o., CZK 48,400." This isn't a question — and Auredo knows it. Every message first passes through an internal intent router: is it a question (answer from knowledge), a one-off action (skill), a multi-step process (workflow), or a job for an autonomous agent? The user never picks a mode — they just see a colored badge on each response showing how it was handled.
Vystavení faktury je skill create_invoice, napojený konektorem na fakturační systém. A tady nastupují pravidla: skill smí spustit jen role finance nebo admin — Petr ji má. A protože jde o zápis do jiného systému, Auredo nejdřív ukáže přesný náhled: komu, kolik, s jakou splatností. Dokud Petr nepotvrdí, nestane se nic. Issuing an invoice is the create_invoice skill, wired to the invoicing system through a connector. And this is where rules kick in: only the finance or admin role may run this skill — Petr has it. And because it's a write to another system, Auredo first shows an exact preview: who, how much, on what terms. Until Petr confirms, nothing happens.
Stejně fungují další každodenní úkony: přepis nahrané schůzky na text i s rozlišením mluvčích běží jako workflow, vygenerování PDF reportu je další skill. Akce nejsou „chatbot něco udělal“. Jsou to pojmenované, rolemi ohraničené kroky s náhledem a potvrzením. Other everyday tasks work the same way: transcribing a recorded meeting with speaker separation runs as a workflow, generating a PDF report is another skill. Actions aren't "the chatbot did something." They're named, role-bounded steps with a preview and a confirmation.
Konec dne. Nikdo nic nepíše — a přesto Auredo pracuje. Teamlead Marek má nastaveného agenta, který každý pracovní den v 17:30 zkontroluje, kdo z týmu nevykázal odpracované hodiny. End of day. Nobody types anything — and yet Auredo is working. Team lead Marek has an agent set up that checks, every workday at 17:30, who on the team hasn't logged their hours.
Agent je popsaná úloha s vlastním plánem, povolenými nástroji a limity. Tenhle konkrétní projde výkazy a napíše na Slacku soukromou zprávu jen lidem s nulou — nikoho dalšího nespamuje. Když někomu výkazy chybí třetí pracovní den po sobě, připraví eskalaci do společného kanálu; české státní svátky umí přeskočit. An agent is a defined task with its own plan, allowed tools and limits. This particular one reads the timesheets and sends a private Slack message only to people with a zero — nobody else gets spammed. When someone is missing timesheets for a third workday in a row, it drafts an escalation to the shared channel; it can skip Czech public holidays.
Než Marek agenta pustil naostro, běžel v dry-run režimu: ukázal, co by udělal, ale zápisy měl zablokované. A když agent narazí na krok, který vyžaduje lidský úsudek — tady eskalaci na celý kanál — zastaví se a úkol přistane v Inboxu: schvalovací frontě, kde ho člověk potvrdí nebo zamítne. Každý běh má checkpointy, dá se sledovat živě a nepovedený běh jde zopakovat. Before Marek switched the agent on for real, it ran in dry-run mode: it showed what it would do, with writes blocked. And when the agent hits a step that needs human judgment — here, escalating to the whole channel — it stops and the task lands in the Inbox: an approval queue where a person confirms or rejects it. Every run has checkpoints, can be watched live, and a failed run can be replayed.
Důvěra se buduje postupně — od chatu přes potvrzované akce až po agenty s limity. Přesně tenhle „žebřík důvěry“ popisujeme na stránce Použití. Trust is built up gradually — from chat, through confirmed actions, to agents with limits. That exact "trust ladder" is what we describe on the Use cases page.
Během celého dne si Auredo ukládá jen to, co projde paměťovou bránou — samostatnou kontrolou, která každý zápis posoudí proti pravidlům nastaveným administrátory. Citlivé údaje a věci, které do firemní paměti nepatří, se nezapíší. Throughout the day, Auredo only stores what passes through a memory gate — a separate check that weighs every write against rules set by administrators. Sensitive data and anything that doesn't belong in company memory never gets written.
A každá odpověď — Janě, Petrovi i Markovu agentovi — vzniká pod stejnou „ústavou“: firemní identitou (Soul — kdo jsme a jak komunikujeme) a compliance pravidly (Guardrails). Obojí je verzované a každá konverzace si pamatuje, pod kterou verzí pravidel běžela. Jak celá governance vrstva funguje, popisuje stránka Governance. And every answer — to Jana, to Petr, to Marek's agent — is produced under the same "constitution": a company identity (Soul — who we are and how we communicate) and compliance rules (Guardrails). Both are versioned, and every conversation remembers which version of the rules it ran under. How the whole governance layer works is described on the Governance page.
V šest večer Janin den končí. Pro ni je Auredo chat, který odpovídá a umí věci udělat. Eva, IT ředitelka, ale celý den viděla něco jiného: jeden systém — Auredo Core — ke kterému je chat jen jedno z několika připojení. A právě to dělá z nástroje platformu. At six in the evening, Jana's day is over. To her, Auredo is a chat that answers questions and can do things. Eva, the IT director, has been watching something else all day, though: one system — Auredo Core — to which chat is just one of several connections. And that's exactly what turns a tool into a platform.
Totéž Auredo, očima IT: API, konektory, izolace dat a provoz ve vaší infrastruktuře.The same Auredo, through IT's eyes: API, connectors, data isolation, and deployment in your own infrastructure.
Všechno, co dopoledne dělali lidé v chatu, umí Core vystavit i strojově. REST API se streamovanými odpověďmi znamená, že stejné otázky a akce může volat intranet, interní aplikace nebo skript — chat je jen jeden z klientů. Everything people did in chat that morning, Core can also expose programmatically. A REST API with streamed responses means an intranet, an internal app, or a script can call the same questions and actions — chat is just one of several clients.
Dveře vedou i dovnitř: příchozí e-mail, SMS nebo webhook z jiného systému vstupuje do Aureda přes kryptograficky podepsané (HMAC) rozhraní, založí či naváže konverzaci a předá ji agentovi. Když je potřeba lidské rozhodnutí, úkol skončí ve stejném Inboxu jako Markova eskalace. The doors also lead in: an inbound email, SMS, or webhook from another system enters Auredo through a cryptographically signed (HMAC) interface, opens or continues a conversation, and hands it to an agent. When a human decision is needed, the task lands in the same Inbox as Marek's escalation.
A protože v jedné instanci žije víc týmů, jsou znalosti členěné podle stromu organizace — firma, týmy, projekty, osobní prostory. Kdo co vidí, určuje členství. Projektová konverzace patří projektu, osobní zůstává osobní. Jak Core sedí mezi aplikacemi a modely, ukazuje schéma architektury na hlavní stránce. And because several teams live in one instance, knowledge is organized by the org tree — company, teams, projects, personal spaces. Membership decides who sees what. A project conversation belongs to the project; a personal one stays personal. How Core sits between applications and models is shown in the architecture diagram on the home page.
Řadu nových schopností pro Auredo lze přidat konfigurací, ne vývojem. Skill je markdown soubor: popis, povolené role, zda vyžaduje potvrzení, jaké konektory smí použít a instrukce. Workflow je YAML se sekvencí kroků. Pravidla pro zpracování nových typů souborů se přidávají v konfiguraci — bez zásahu do kódu. Nová integrace na míru (vlastní konektor, složitější workflow) může vývoj vyžadovat — tohle platí pro skládání z toho, co už existuje. Many new capabilities for Auredo can be added by configuration, not development. A skill is a markdown file: a description, the roles allowed to run it, whether it needs confirmation, which connectors it may use, and instructions. A workflow is YAML with a sequence of steps. Rules for handling new file types are added in configuration — no code changes. A bespoke new integration (a custom connector, a more complex workflow) may still need development — this applies to composing from what already exists.
Konektory jsou čtyři druhy: znalostní graf, REST (libovolné API popsané schématem — tak je napojená fakturace), interní funkce a MCP. Přístupové klíče se ukládají šifrovaně, tokeny lze rotovat a každý konektor má test dostupnosti. There are four kinds of connectors: knowledge graph, REST (any API described by a schema — that's how invoicing is wired up), internal functions, and MCP. Access keys are stored encrypted, tokens can be rotated, and every connector has an availability test.
MCP — otevřený standard, kterým si AI klienti standardizovaně připojují externí nástroje a zdroje dat — Auredo už dnes konzumuje: admin zaregistruje MCP server (třeba Atlassian) a jeho nástroje se objeví mezi konektory. Opačný směr, Auredo jako MCP server pro jiné AI klienty, má hotovou autorskou vrstvu — mapování nástrojů na skilly a workflow a správu tokenů; živý MCP endpoint je na roadmapě. MCP — the open standard AI clients use to connect external tools and data sources in a standardized way — Auredo already consumes today: an admin registers an MCP server (say, Atlassian) and its tools show up among the connectors. The other direction, Auredo as an MCP server for other AI clients, has a finished authoring layer — mapping tools to skills and workflows, and token management; a live MCP endpoint is on the roadmap.
Zákaznická rozšíření — vlastní skilly, ontologie, konektory — žijí v oddělené vrstvě mimo jádro platformy, takže aktualizace platformy s nimi typicky nekolidují. Customer extensions — custom skills, ontologies, connectors — live in a separate layer outside the platform core, so platform updates typically don't collide with them.
Celý stack — znalostní graf (Neo4j), metadata (PostgreSQL) a soubory (S3 nebo váš server) — se nasazuje kontejnerizovaně do vaší infrastruktury: on-prem nebo v privátním cloudu. Síť opouštějí jen volání, která administrátor výslovně povolí — typicky jazykový model a nakonfigurované konektory. Volbu modelu máte v rukou vy: EU cloud, vlastní licence nebo vlastní (OpenAI-kompatibilní) endpoint. The whole stack — knowledge graph (Neo4j), metadata (PostgreSQL), and files (S3 or your own server) — deploys in containers into your own infrastructure: on-prem or in a private cloud. Only calls the administrator explicitly allows ever leave the network — typically the language model and configured connectors. The choice of model is yours: an EU cloud, your own license, or your own (OpenAI-compatible) endpoint.
Provoz je měřitelný a auditovatelný: každé volání modelu se loguje a přiřazuje uživateli, týmu i agentovi — vidíte, kolik co stojí. Zásahy do znalostí mají auditní stopu, kterou nelze zpětně upravit, a role s oprávněními spravujete za běhu. Deployment schéma a síťovou topologii do detailu rozebírá stránka Bezpečnost. Operations are measurable and auditable: every model call is logged and attributed to a user, a team, and an agent — you see what everything costs. Changes to knowledge carry an audit trail that can't be edited after the fact, and you manage roles and permissions at runtime. The deployment diagram and network topology are covered in detail on the Security page.
Den, který jsme popsali, není den prvního nasazení. Firmy typicky začínají na prvním stupni — chat nad vlastními dokumenty, jen pro čtení — a ten první krok je otázka dnů, ne měsíců. Potvrzované akce a agenti přibývají postupně, tak jak roste důvěra a jak si na ně tým zvyká. The day we've described isn't day one of a rollout. Companies typically start at the first level — read-only chat over their own documents — and that first step is a matter of days, not months. Confirmed actions and agents get added gradually, as trust grows and the team gets used to them.
Směr je ale zřejmý: AI ve firmě nemusí být cizí služba, do které posíláte data. Může to být systém, který běží ve vámi řízeném prostředí, zná vaši firmu a pracuje podle vašich pravidel. But the direction is clear: AI in your company doesn't have to be an outside service you send data to. It can be a system that runs in an environment you control, knows your company, and works by your rules.
Projdeme ho s vámi — na vašich datech a ve vaší infrastruktuře.We'll walk through it with you — on your data and in your infrastructure.
Ozvěte se — ukážeme vám Auredo a probereme, jak konkrétně vám pomůže.Get in touch — we'll show you Auredo and discuss how it can help you.
