Keď firma rozhodne nasadiť AI, prvý inštinkt je zvyčajne rovnaký: zamestnajme data scientistu. Tento inštinkt je pochopiteľný — data scientist je v povedomí ikonická rola AI éry. No v praxi vidíme, že práve tento nábor býva prvou chybou, ktorá projekt spomalí alebo zastaví.
Správne zloženie tímu závisí od toho, čo konkrétne staviate: RAG systém nad firemnými dokumentmi sa líši od prediktívneho modelu anomálií na výrobnej linke, ktorý sa líši od autonómneho agenta v zákazníckom servise. Každý z týchto projektov vyžaduje iný mix ľudí — a niektorý z nich vôbec nepotrebuje interný tím.
Prečo data scientist nie je prvá odpoveď
Data scientist sa tradične zameriava na exploratívnu analýzu dát, štatistické modelovanie a experimentovanie. Sú cenní tam, kde neviete, čo v dátach hľadáte — v prediktívnej analytike, pri odhalení vzorov v historických dátach, pri A/B testovaní.
Väčšina AI projektov, ktoré firmy reálne potrebujú, však nie je o objavovaní vzorcov. Sú to systémové integrácie: LLM napojený na firemnú dokumentáciu, agent ktorý overuje objednávky v ERP, automatizácia email triáže. Tu potrebujete niekoho, kto vie postaviť produkčný software — nie exploratívnu analýzu.
V praxi to vyzerá takto: firma zamestná data scientistu, ten spraví pekné experimenty v Jupyter notebooku, výsledky vyzerajú sľubne. Potom príde otázka „kedy to nasadíme do produkcie?" — a nastane ticho. Dátový vedec nie je software inžinier, nepozná Docker, CI/CD, API dizajn ani monitoring produkčného systému. Projekt uviazne v prototype fáze.
Role, ktoré skutočne potrebujete
ML / AI engineer — jadro tímu
Toto je role, ktorú väčšina firiem podceňuje, no je kľúčová pre produkčný AI. ML/AI engineer spája dve kompetencie: rozumie modelom (fine-tuning, embedding, inference, prompt engineering) a vie tieto schopnosti zabaliť do robustného softvéru (API, queue systémy, monitoring, testovanie).
V praxi: ML inžinier nastaví RAG pipeline s hybridným vyhľadávaním, zvolí správny embedding model, naladí retrieval a výsledok vystaví ako produkčné API s observabilitou. Data scientist by spravil prvý krok; software inžinier bez ML kontextu by spravil posledný. ML/AI engineer zvládne oboje.
Pre firmy, ktoré stavajú s frontier modelmi cez API (Claude, GPT, Gemini), je rola ML/AI inžiniera ešte dôležitejšia — tu ide menej o tréning a viac o orchestráciu, prompt engineering, tool calling a integrácie. Viac o tom, čo ovplyvňuje náklady a spoľahlivosť, v článku Náklady AI agenta v produkcii.
Doménový expert — bez neho projekt nikam nesmeruje
Toto je role, ktorú firmy najčastejšie vynechávajú, pričom jej absencia je druhým najčastejším dôvodom zlyhania (po nekvalitných dátach).
Doménový expert je niekto, kto hlboko rozumie procesu, ktorý automatizujete. V praxi ide o skúseného operátora, vedúceho oddelenia, technika alebo špecialistu na danú oblasť. Táto osoba nevie nič o LLM, ale vie presne: - Ktoré odpovede sú správne a ktoré len vyzerajú správne - Kde sú hraničné prípady, výnimky a situácie, kde systém zlyhá - Ako vyzerá „dobrý výsledok" z pohľadu biznisu — nie z pohľadu accuracy metriky
Bez doménového experta ML inžinier optimalizuje metriku, nie reálnu hodnotu. Výsledok je systém, ktorý pôsobí skvele na deme a v produkcii opakuje tie isté chyby dookola.
Doménový expert nemusí byť full-time člen tímu. Stačí 4–8 hodín týždenne na review výstupov, kalibráciu hodnotenia a spätnoväzbové cykly.
Dátový inžinier — len keď máte dátový problém
Ak váš AI projekt závisí od dátových pipeline — čistenie, transformácia, streaming eventov zo strojov, integrácia viacerých zdrojov — potrebujete dátového inžiniera. Tento profil buduje infraštruktúru, ktorá AI spoľahlivo zásobuje dátami.
Ak ale staviate RAG nad existujúcimi dokumentmi alebo agenta, ktorý volá existujúce API, dátový inžinier nie je kritický v prvej fáze. Nepreceňujte potrebu tejto role — zaraďte ju vtedy, keď skutočne riešite dátový problém, nie preventívne.
MLOps inžinier — od určitej škály
MLOps pokrýva nasadzovanie modelov, monitoring driftu, spravovanie verzií, retraining pipeline. Je to kritická rola, ale až keď máte modely v produkcii, ktoré sa potrebujú udržiavať a aktualizovať.
Pre prvé projekty túto funkciu obvykle zastane ML inžinier sám — je zbytočné mať dedikovaného MLOps špecialistu, kým nie je čo spravovať. Zaraďte ho vtedy, keď spravujete viac ako 3–5 produkčných modelov alebo riešite retraining cykly.
Product owner — podceňovaná, no nevyhnutná rola
Každý AI projekt potrebuje niekoho, kto zodpovedá za to, aký problém riešite a ako zmeriate úspech. Bez tejto role ML/AI inžinier optimalizuje technicky zaujímavé veci, nie biznis hodnotu.
Product owner (alebo AI product manager) definuje success metrics pred začiatkom, prioritizuje use-cases podľa ROI a sprostredkúva komunikáciu medzi technickým tímom a stakeholdermi. Táto rola môže byť zastúpená interným projektovým manažérom s dostatočným technickým pochopením — nemusí ísť o špecialistu na AI.
Minimálny funkčný tím pre prvý projekt
Z praxe pre typický prvý produkčný AI projekt (RAG systém, agent, LLM integrácia):
- 1× ML/AI engineer (full-time počas implementácie)
- 1× doménový expert (part-time, 4–8 h/týždeň)
- 1× product owner / biznis zodpovedná osoba (part-time, 2–4 h/týždeň)
Toto je minimálny funkčný tím. Menej ako tri ľudia v tomto zložení je riziková konfigurácia — buď chýba technická kompetencia, alebo chýba väzba na reálny biznis kontext.
Pre zložitejší projekt (multi-agent systém, fine-tuning vlastného modelu, integrácia s viacerými systémami) rozšírte o dátového inžiniera a MLOps špecialistu. O tom, kedy má zmysel jemné doladenie modelu, píšeme v článku RAG vs fine-tuning — rozhodovanie.
Interný tím vs. partner — kedy čo
Toto je otázka, ktorú si firmy kladú neskoro — zvyčajne až keď sa náborový proces zasekne alebo keď projekt uviazne.
Budujte interný tím, keď: - AI je jadro vášho produktu alebo kľúčová konkurenčná výhoda (nie podpora pre existujúci proces) - Máte dlhodobý horizont investície (12+ mesiacov) a stabilný produkt na AI nástavbu - Potrebujete plnú kontrolu nad dátami, modelmi a pipeline (regulované prostredie, GDPR kritické systémy) - Plánujete iterovať rýchlo a v krátkom cykle — externe spravovaný tím je v tomto pomalší
Zapojte externého partnera, keď: - Riešite prvý alebo druhý AI projekt a nemáte ešte internú kompetenciu - Potrebujete rýchly výsledok (3–6 mesiacov) — nábor a onboarding interného tímu trvá zvyčajne 4–9 mesiacov - Use-case je dobre definovaný a po nasadení potrebuje len údržbu, nie aktívny rozvoj - Chcete znalostný transfer — dobrý partner nielenže dodá riešenie, ale interný tím naučí, ako s ním pracovať
O rozhodnutí medzi vlastnou implementáciou a hotovým riešením sme písali podrobnejšie v článku Build vs buy AI riešenie.
Hybridný model funguje dobre: externý partner dodá prvý projekt, interný tím sa priučí a preberá zodpovednosť za údržbu a rozvoj. Záleží na tom, aby partner tento transfer aktívne podporoval — nie len dodal a odišiel.
Časté chyby pri zostavovaní tímu
Hľadáte „AI experta" — a nenájdete ho
Všeobecný AI expert neexistuje. Každý skutočne skúsený odborník má špecializáciu: inference a serving, fine-tuning, agent orchestrácia, RAG architektúra. Hľadajte niekoho s konkrétnou relevanciou k vášmu use-casu — nie universálneho génia.
Podceňujete čas doménového experta
Firmy zvyčajne plánujú „niekoľko hodín mesačne na konzultácie". V praxi kvalitný AI projekt potrebuje pravidelné, konzistentné zapojenie doménového experta — nie jednorazový kickoff na začiatku a sign-off na konci.
Zamieňate experimentáciu za produkčnú kompetenciu
Kandidát, ktorý vám ukáže pôsobivé prototypy v Colab notebooku, ešte nemusí mať skúsenosti s produkčným nasadením. Pýtajte sa na konkrétne príklady: Čo presne ste nasadili? Ako ste riešili monitoring? Ako ste reagovali na regresnú zmenu v kvalite? Odpovede na tieto otázky odlíšia experimentátora od inžiniera.
Škálujete predtým, ako validujete use-case
Vidíme to pravidelne: firma zamestná celý tím (3–5 ľudí), nakúpi GPU infraštruktúru a za šesť mesiacov zistí, že use-case nebol dostatočne hodnotný na produkčné nasadenie. Najprv validujte s minimálnym tímom a externým riešením; scale-up príde, keď viete, čo funguje.
Príznaky, že tím má nesprávne zloženie
Z praxe — varovné signály, ktoré vídame u klientov:
- Projekt uviazol v prototype fáze dlhšie ako 3 mesiace — typicky chýba ML/AI inžinier s produkčnou skúsenosťou alebo produkt owner, ktorý by definoval exit kritériá
- Systém "nefunguje v praxi" napriek dobrým benchmarkom — chýba doménový expert v hodnotiacom cykle
- Tím nevie odpovedať na otázku "ako zmeriate úspech" — chýba product owner alebo sú metriky definované čisto technicky (accuracy, F1) bez biznis väzby
- Nábor trvá 6+ mesiacov bez výsledku — profil je príliš všeobecný alebo platové očakávania nezodpovedajú trhu; zvážte externého partnera pre prvú fázu
Ako postupovať ak začínate
Ak staviate prvý AI projekt a nemáte interný tím, odporúčame:
- 1.Definujte use-case a success metrics pred akýmkoľvek náborom — bez tohto kroku neviete, koho hľadáte
- 2.Identifikujte doménového experta interne — je to rola, ktorú nemôžete kúpiť zvonka
- 3.Zvážte externého partnera pre prvú fázu — rýchlejší štart, nižšie riziko, možnosť znalostného transferu
- 4.Nábor ML/AI inžiniera začnite paralelne s pilotom — tím bude pripravený prebrať projekt v správnom čase
Viac o tom, ako štruktúrovať prvých 90 dní AI projektu, nájdete v článku Ako začať s AI vo firme.
Časté otázky
Potrebujem data scientistu na AI projekt s LLM?
Vo väčšine prípadov nie — aspoň nie ako primárnu rolu. Data scientist je cenný pri exploratívnej analýze a štatistickom modelovaní. Projekty postavené na LLM (RAG, agenti, integrácie) potrebujú predovšetkým ML/AI inžiniera, ktorý rozumie modelom aj produkčnému softvéru. Data scientist môže dopĺňať tím neskôr — napríklad pri evaluácii alebo analýze výstupov.
Koľko ľudí minimálne treba na produkčný AI projekt?
Z praxe: tri roly sú minimum — ML/AI engineer (full-time), doménový expert (part-time) a product owner / biznis zodpovedná osoba (part-time). Tím s jednou osobou alebo bez doménového experta má výrazne vyššie riziko zlyhania alebo uviaznutia v prototype fáze.
Je lepšie zamestnať tím alebo ísť cez externého partnera?
Závisí od vášho horizontu a od toho, kde ste. Pre prvý projekt odporúčame externého partnera alebo hybridný model — je to rýchlejšie a znižuje riziko nákladného náboru pred validáciou use-casu. Interný tím dáva zmysel, keď AI je jadro vášho produktu a máte dlhodobý investičný horizont.
Ako spoznám, že kandidát má produkčnú skúsenosť a nie len prototypovú?
Pýtajte sa na konkrétne nasadenia: Čo presne bežalo v produkcii? Aký bol objem dát alebo používateľov? Ako ste riešili monitoring a chybové stavy? Ako ste reagovali, keď sa kvalita zhoršila? Prototypisti odpovedia všeobecne; produkční inžinieri popíšu konkrétne rozhodnutia a kompromisy.
Musí doménový expert rozumieť AI?
Nie — a nie je to ani žiaduce. Doménový expert musí rozumieť procesu, ktorý automatizujete: vedieť posúdiť, či je výstup správny, identifikovať hraničné prípady a definovať, čo je „dobrý výsledok" z pohľadu biznisu. Technické znalosti AI tu nie sú nutnosťou.
*Ak riešite zloženie tímu pre AI projekt alebo zvažujete, čo stavať interne a čo zveriť partnerovi, radi si sadneme na bezplatnú konzultáciu. Pomôžeme vám posúdiť, aké roly skutočne potrebujete — a kedy sa viac oplatí externá spolupráca než nábor.*