AI automat na zpracování poptávek z webu a e-mailu krok za krokem

Firmy dnes běžně přijímají poptávky ze dvou hlavních kanálů: z webových formulářů a z e-mailu. Problém nastává ve chvíli, kdy tyto zprávy chodí v různých formátech, s neúplnými údaji a v kolísajícím objemu. Jeden den dorazí tři, druhý den třicet. Ruční třídění, přepisování do CRM a dohledávání, co zákazník vlastně chce, pak zabírá desítky minut denně a zvyšuje riziko chyb i opožděných reakcí.

Právě tady dává smysl automatizace s využitím AI. Nejde o to nahradit obchodníka nebo podporu, ale odstranit opakující se kroky: převzít příchozí poptávku, rozpoznat záměr, vytáhnout klíčové údaje, přiřadit prioritu, zapsat záznam do CRM nebo tabulky a připravit návrh odpovědi. Pokud celý proces navrhnete rozumně, získáte funkční MVP, které je nasaditelné i bez složitého vývoje vlastního systému.

V tomto článku postavíme praktický projekt krok za krokem. Cílem je reálné minimum životaschopného řešení: webový formulář a příchozí e-mail se automaticky uloží, AI z nich vytěží strukturovaná data, určí kategorii poptávky, nastaví prioritu, založí záznam v CRM nebo Google Sheets a odešle interní notifikaci. Volitelně připraví i návrh odpovědi pro obchodníka. Postup je navržen tak, aby byl realizovatelný bez rozsáhlého programování, ale současně obsahuje dost konkrétních detailů, aby šel skutečně spustit.

Úvod

Ilustrační kontext k tématu pokračuje níže.

Typická poptávka z webu obsahuje jméno, e-mail, telefon, zprávu a někdy výběr služby. E-mailové poptávky bývají méně strukturované: zákazník napíše, co potřebuje, v jakém termínu a často přidá přílohu. Pokud tyto vstupy zpracovává člověk ručně, musí rozhodnout minimálně o čtyřech věcech: o jaký typ poptávky jde, zda má všechny potřebné informace, komu ji předat a jak rychle reagovat.

OpenAI

AI je v tomto scénáři vhodná zejména pro dva úkoly. Za prvé pro klasifikaci a extrakci údajů z nestrukturovaného textu. Za druhé pro přípravu konzistentního výstupu pro další systémy, například CRM, helpdesk nebo tabulku. Klíčové je ale navrhnout proces tak, aby byl ověřitelný. To znamená pracovat s jasně definovanými vstupy, přesným výstupním schématem, měřit úspěšnost a počítat s limity, například s halucinacemi modelu nebo neúplnými daty.

V návodu budeme používat kombinaci služeb Google Forms, Gmail, Make, OpenAI API, Google Sheets a volitelně HubSpot CRM. Všechny jsou reálně dostupné, mají oficiální dokumentaci a pro MVP pokrývají celý tok od přijetí poptávky po interní předání.

Cíl projektu

Cílem projektu je zprovoznit automat, který zvládne následující tok:

OpenAI

přijme poptávku z Google Forms nebo z Gmailu,
uloží surový obsah do Google Sheets jako auditní záznam,
pomocí OpenAI API určí kategorii poptávky, vytěží klíčová pole a přiřadí prioritu,
zkontroluje, zda nechybí zásadní údaje,
vytvoří nebo aktualizuje záznam v HubSpot CRM, případně v Google Sheets,
odešle notifikaci do e-mailu nebo Slacku,
volitelně připraví návrh odpovědi obchodníkovi.

Funkční MVP poznáte podle toho, že po doručení nové poptávky vznikne do několika minut strukturovaný záznam se stejnými poli bez ručního přepisování. Obsluha už pak jen zkontroluje výsledek a řeší samotný obchodní případ, ne administrativu kolem něj.

Předpoklady

Než začnete, připravte si několik základních věcí. Technicky nejde o náročný projekt, ale bez dobrých vstupů bude výsledek nespolehlivý.

OpenAI

Google účet pro Google Forms, Google Sheets a Gmail.
Účet v Make: https://www.make.com
API přístup k OpenAI: https://platform.openai.com
Volitelně HubSpot účet: https://www.hubspot.com/products/crm
Jasně definované kategorie poptávek, například „nová zakázka“, „servis“, „cenová nabídka“, „obecný dotaz“, „spam“.
Seznam povinných polí, například jméno, e-mail, typ služby, termín, lokalita, rozpočet.

Je důležité vědět i to, co projekt zatím řešit nebude. Toto MVP například nepokrývá plně automatické odesílání závazných obchodních odpovědí bez lidské kontroly. Návrh odpovědi ano, finální odeslání bez dozoru jen tehdy, pokud je doména a typ komunikace opravdu jednoduchý a riziko chyby nízké.

Kroky realizace

Krok 1: Navrhněte datový model a rozhodovací pravidla

Co a proč: Než připojíte AI, musíte vědět, jak má vypadat správný výstup. Model nemá hádat, co vaše firma považuje za „prioritní poptávku“. To musíte definovat vy. Datový model a pravidla jsou základ, díky kterému budou výstupy konzistentní a měřitelné.

OpenAI

Jak přesně: V Google Sheets založte list s názvem Leads a vytvořte sloupce:

received_at | source | raw_text | name | email | phone | company | inquiry_type | service | budget | deadline | location | priority | missing_fields | summary | suggested_reply | status

Pak si sepište povolené hodnoty pro pole inquiry_type a priority. Například:

inquiry_type: nová zakázka, servis, cenová nabídka, partnerství, obecný dotaz, spam
priority: vysoká, střední, nízká

Přidejte i jednoduché pravidlo priority. Například: pokud zpráva obsahuje konkrétní termín do 7 dnů a rozpočet nad 50 000 Kč, nastavte vysokou prioritu. Pokud chybí kontakt, nemůže být vyšší než střední.

Konkrétní vstup: Sloupec raw_text s hodnotou: Dobrý den, potřebujeme nacenit implementaci chatbotu pro e-shop do 14 dnů, rozpočet cca 80 000 Kč. Kontakt: Jana Nováková, jana@firma.cz

Konkrétní výstup: Řádek s hodnotami inquiry_type=cenová nabídka, priority=vysoká, deadline=do 14 dnů, budget=80000.

Akce:

Vytvořte list Leads v Google Sheets.
Sepište povolené hodnoty polí do druhého listu Dictionary.
Určete povinná pole pro předání obchodu, například email, inquiry_type, summary.

Výstup kroku: Hotový datový model a seznam pravidel.

Metrika úspěšnosti: 100 % interně schválených polí a kategorií ještě před spuštěním automatizace.

Tímto krokem si připravíte pevnou kostru. V dalším kroku do ní začneme posílat skutečné poptávky z webu a e-mailu.

Krok 2: Připravte vstupy z webového formuláře a Gmailu

Co a proč: AI potřebuje stabilní zdroj dat. U webu je ideální strukturovaný formulář, u e-mailu zase spolehlivé zachycení předmětu, těla zprávy a odesílatele. Smyslem tohoto kroku je sjednotit oba kanály do jednoho toku.

Jak přesně: V Google Forms vytvořte formulář s poli:

Jméno a příjmení
E-mail
Telefon
Typ služby
Popis poptávky
Požadovaný termín
Rozpočet

V menu zvolte Odpovědi > Propojit s Tabulkami a napojte formulář na Google Sheets.

Pro Gmail v Make vytvořte scénář s modulem Gmail > Watch emails. V nastavení můžete použít dotaz například:

label:inbox newer_than:7d -category:social -category:promotions

Pokud chcete zpracovávat jen poptávky poslané na konkrétní adresu, použijte filtr:

to:poptavky@firma.cz

Konkrétní vstup: Pole formuláře Typ služby s hodnotou AI chatbot nebo e-mail s předmětem Poptávka na automatizaci zákaznické podpory.

Konkrétní výstup: V Make dorazí položka s atributy from, subject, bodyPlain a u formuláře zase řádek v tabulce s konkrétními sloupci.

Akce:

Vytvořte Google Formulář a povinně označte e-mail a popis poptávky.
Propojte formulář s Google Sheets.
V Make založte nový scénář pro Gmail příjem.
Nastavte filtr na cílovou schránku nebo štítek.

Výstup kroku: Dva funkční vstupní kanály: webový formulář a e-mail.

Metrika úspěšnosti: Nejméně 95 % testovacích formulářů a e-mailů se objeví ve workflow bez ztráty základních polí.

Jakmile vstupy spolehlivě přicházejí, můžeme je sjednotit do jedné pracovní vrstvy a založit auditní záznam.

Krok 3: Sjednoťte vstupy do jednoho záznamu v Google Sheets

Co a proč: Webový formulář i e-mail mají jinou strukturu. Pro další kroky je potřeba převést je do jednotného formátu. Díky tomu budete mít jedno místo, kde uvidíte surová data i později dopočítaná pole od AI.

Jak přesně: V Make vytvořte dva scénáře nebo jeden scénář se dvěma větvemi. Oba skončí modulem Google Sheets > Add a Row do listu Leads. Namapujte minimálně tato pole:

received_at = datum a čas přijetí
source = web_form nebo email
raw_text = sloučený text poptávky
email = e-mail z formuláře nebo adresa odesílatele
status = new

Pro e-mail si připravte jednoduchou textovou šablonu, která spojí předmět a tělo:

Předmět: {{subject}}
Odesílatel: {{from}}
Zpráva: {{bodyPlain}}

Pro formulář obdobně:

Jméno: {{Jméno a příjmení}}
E-mail: {{E-mail}}
Telefon: {{Telefon}}
Typ služby: {{Typ služby}}
Termín: {{Požadovaný termín}}
Rozpočet: {{Rozpočet}}
Popis: {{Popis poptávky}}

Konkrétní vstup: Gmail subject=Poptávka na AI chatbot, from=jan.novak@example.cz, bodyPlain=Potřebujeme nasadit chatbot do 3 týdnů.

Konkrétní výstup: Sloupec raw_text obsahuje celý sloučený text ve stabilní podobě.

Akce:

V Make přidejte modul Tools > Set variable nebo textový agregátor pro složení raw_text.
Namapujte pole do Google Sheets.
Do sloupce status nastavte výchozí hodnotu new.

Výstup kroku: Každá poptávka má jednotný auditní záznam v tabulce.

Metrika úspěšnosti: 100 % nových poptávek obsahuje vyplněné received_at, source, raw_text a status.

Teď už máme spolehlivě uložená vstupní data. Následuje nejdůležitější část: přeměna nestrukturovaného textu na strukturované údaje.

Krok 4: Vytěžte data a klasifikaci pomocí OpenAI API

Co a proč: Tento krok dělá z obyčejného přeposílání skutečnou inteligentní automatizaci. Model přečte text poptávky, určí typ, vytáhne kontaktní údaje, rozpozná rozpočet a termín, vytvoří shrnutí a označí chybějící pole.

Jak přesně: V Make přidejte modul HTTP > Make a request a zavolejte OpenAI Responses API. Pokud používáte oficiální endpointy dle dokumentace, nastavte:

POST https://api.openai.com/v1/responses

Hlavičky:

Authorization: Bearer YOUR_OPENAI_API_KEY
Content-Type: application/json

Příklad těla požadavku:

{
  "model": "gpt-4.1-mini",
  "input": [
    {
      "role": "system",
      "content": "Jsi extraktor poptávek pro B2B firmu. Vrať pouze JSON podle zadaného schématu. Pokud údaj chybí, vrať null. Nic si nevymýšlej. inquiry_type musí být jedna z hodnot: nova_zakazka, servis, cenova_nabidka, partnerstvi, obecny_dotaz, spam. priority musí být: vysoka, stredni, nizka."
    },
    {
      "role": "user",
      "content": "Zpracuj tuto poptávku: Předmět: Poptávka na AI chatbot. Odesílatel: jan.novak@example.cz. Zpráva: Potřebujeme nasadit chatbot pro e-shop do 3 týdnů, rozpočet 120 000 Kč. Kontakt Jan Novák, tel. 602123456."
    }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "lead_extraction",
      "schema": {
        "type": "object",
        "properties": {
          "name": {"type": ["string", "null"]},
          "email": {"type": ["string", "null"]},
          "phone": {"type": ["string", "null"]},
          "company": {"type": ["string", "null"]},
          "inquiry_type": {"type": "string"},
          "service": {"type": ["string", "null"]},
          "budget": {"type": ["number", "null"]},
          "deadline": {"type": ["string", "null"]},
          "location": {"type": ["string", "null"]},
          "priority": {"type": "string"},
          "missing_fields": {"type": "array", "items": {"type": "string"}},
          "summary": {"type": "string"},
          "suggested_reply": {"type": "string"}
        },
        "required": ["inquiry_type", "priority", "missing_fields", "summary", "suggested_reply"],
        "additionalProperties": false
      }
    }
  }
}

Konkrétní vstup: Parametr API model=gpt-4.1-mini a text poptávky ve zprávě uživatele.

Konkrétní výstup: JSON například:

{
  "name": "Jan Novák",
  "email": "jan.novak@example.cz",
  "phone": "602123456",
  "company": null,
  "inquiry_type": "cenova_nabidka",
  "service": "AI chatbot pro e-shop",
  "budget": 120000,
  "deadline": "do 3 týdnů",
  "location": null,
  "priority": "vysoka",
  "missing_fields": ["company", "location"],
  "summary": "Poptávka na nasazení AI chatbotu pro e-shop s rozpočtem 120 000 Kč a termínem do 3 týdnů.",
  "suggested_reply": "Dobrý den, děkujeme za poptávku na AI chatbot pro e-shop..."
}

Akce:

V Make přidejte HTTP požadavek na OpenAI.
Vložte systémový prompt se zákazem domýšlení dat.
Použijte JSON schéma, aby byl výstup stabilní.
Výsledek naparsujte a připravte pro zápis do tabulky.

Výstup kroku: Strukturovaný JSON s klasifikací, extrakcí údajů a návrhem odpovědi.

Metrika úspěšnosti: Nejméně 85 % testovacích poptávek vrátí validní JSON bez ruční opravy formátu.

Máme chytrý výstup, ale zatím jen jako odpověď API. V dalším kroku ho uložíme a navážeme na něj interní proces.

Krok 5: Zapište výsledek do Google Sheets a označte neúplné poptávky

Co a proč: Výsledek AI musí být dohledatelný a editovatelný. Google Sheets je pro MVP ideální, protože v něm snadno zkontrolujete jednotlivé hodnoty, dohledáte chyby a vytvoříte filtry pro obchodní tým.

Jak přesně: Za modul OpenAI v Make vložte Google Sheets > Update a Row. Podle čísla řádku doplňte sloupce name, email, phone, inquiry_type, budget, deadline, priority, missing_fields, summary a suggested_reply.

Do pole missing_fields ukládejte seznam například jako text oddělený čárkou:

company, location

V Make pak přidejte filtr:

Pokud length(missing_fields) > 0, nastavte status=needs_review
Jinak nastavte status=ready

Konkrétní vstup: Pole missing_fields z AI odpovědi s hodnotou ["company", "location"].

Konkrétní výstup: V tabulce vznikne stav needs_review.

Akce:

Namapujte JSON pole do odpovídajících sloupců v listu Leads.
Přidejte filtr podle počtu chybějících polí.
Vytvořte pohled nebo filtr v Google Sheets pro řádky se stavem needs_review.

Výstup kroku: Každá poptávka je po AI zpracování buď připravená, nebo označená k revizi.

Metrika úspěšnosti: 100 % zpracovaných záznamů dostane stav ready nebo needs_review.

Tím získáte přehled a kontrolu. Další logický krok je předat hotové poptávky do CRM nebo obchodní evidence.

Krok 6: Vytvořte nebo aktualizujte záznam v HubSpot CRM

Co a proč: Pokud zůstane výstup jen v tabulce, obchodní tým často skončí u dvojí práce. CRM je místo, kde se poptávky skutečně zpracovávají. Automatický zápis šetří čas a zajišťuje, že se nic neztratí.

Jak přesně: V Make použijte modul HubSpot CRM > Create or Update a Contact a následně podle potřeby Create a Deal nebo vytvoření ticketu. Mapujte například:

email → e-mail kontaktu
firstname a lastname → rozdělené jméno, pokud je k dispozici
phone → telefon
vlastní vlastnost inquiry_type → typ poptávky
vlastní vlastnost ai_summary → shrnutí od AI
vlastní vlastnost lead_priority → priorita

V HubSpotu je vhodné předem vytvořit vlastní vlastnosti v menu Settings > Properties. Například:

inquiry_type jako dropdown
lead_priority jako dropdown
ai_summary jako multi-line text

Konkrétní vstup: Vlastnost HubSpot kontaktu lead_priority s hodnotou vysoka.

Konkrétní výstup: V CRM vznikne kontakt nebo se aktualizuje existující záznam podle e-mailu.

Akce:

V HubSpotu vytvořte vlastní properties.
V Make připojte HubSpot konektor.
Mapujte pole z Google Sheets nebo přímo z AI odpovědi.
Nastavte deduplikaci podle e-mailu.

Výstup kroku: Nová nebo aktualizovaná poptávka v CRM.

Metrika úspěšnosti: Nejméně 90 % poptávek se správně spáruje s kontaktem bez duplicitního založení.

Jakmile se záznam dostane do CRM, je potřeba zajistit, aby si ho někdo včas všiml. Proto doplníme notifikaci a volitelný návrh odpovědi.

Krok 7: Pošlete interní notifikaci a připravte návrh odpovědi

Co a proč: Automatizace není jen o zápisu dat, ale i o rychlé reakci. Interní notifikace pomůže obchodníkům zareagovat včas a návrh odpovědi zkrátí čas do prvního kontaktu.

Jak přesně: V Make přidejte modul Slack > Create a Message nebo Gmail > Send an Email. Pošlete stručnou zprávu s nejdůležitějšími informacemi. Například šablona pro Slack:

Nová poptávka
Zdroj: {{source}}
Typ: {{inquiry_type}}
Priorita: {{priority}}
Kontakt: {{name}} / {{email}}
Shrnutí: {{summary}}
Chybějící údaje: {{missing_fields}}

Pokud chcete návrh odpovědi poslat interně obchodníkovi, pošlete pole suggested_reply e-mailem nebo ho uložte do CRM poznámky. Pro začátek doporučuji neodesílat odpověď automaticky zákazníkovi, ale nechat ji ke schválení.

Konkrétní vstup: Pole suggested_reply z AI výstupu.

Konkrétní výstup: Interní e-mail s předmětem [AI] Nová poptávka - vysoká priorita a vloženým návrhem odpovědi.

Akce:

Vyberte cílový kanál: Slack nebo interní e-mail.
Vytvořte stručnou textovou šablonu notifikace.
Přidejte podmínku: vysoká priorita jde ihned obchodníkovi, ostatní do společného kanálu.

Výstup kroku: Obchodní tým dostane notifikaci i použitelný návrh odpovědi.

Metrika úspěšnosti: Notifikace odejde u 100 % poptávek se stavem ready a do 5 minut od přijetí.

Tím je základní provoz hotový. Zbývá projekt ověřit na reálných datech, aby se ukázalo, kde AI dělá chyby a co je potřeba doladit.

Testování

Testování musí být praktické a opakovatelné. Nestačí poslat dvě ukázkové zprávy a konstatovat, že „to funguje“. Připravte si minimálně 30 testovacích poptávek rozdělených do kategorií: běžná poptávka, neúplná poptávka, e-mail bez podpisu, spam, krátký dotaz, poptávka s přílohou, urgentní požadavek.

NordVPN

Do samostatného listu TestCases si uložte:

vstupní text,
očekávaný typ poptávky,
očekávanou prioritu,
pole, která mají být vytažena,
skutečný výstup,
hodnocení správnosti.

Měřte alespoň tyto metriky:

Přesnost klasifikace: kolik poptávek dostalo správný inquiry_type.
Přesnost extrakce e-mailu a telefonu: kolik údajů bylo vytaženo správně.
Podíl validních JSON výstupů: kolik odpovědí API šlo bez opravy zapsat do tabulky.
Čas zpracování: od přijetí po zápis do CRM nebo tabulky.

Praktický cíl pro MVP může vypadat takto:

přesnost klasifikace alespoň 85 %,
správná extrakce e-mailu alespoň 95 %,
správná extrakce telefonu alespoň 85 %,
zpracování do 5 minut.

Pokud model často chybuje v konkrétní kategorii, nejprve upravte prompt a schéma, ne celý stack. Například místo obecného „urči typ poptávky“ explicitně vypište povolené hodnoty a krátkou definici každé z nich. Pokud AI vymýšlí chybějící údaje, zpřísněte systémový prompt formulací „pokud údaj není výslovně uveden, vrať null“.

Nasazení

Nasazení MVP by mělo proběhnout postupně. Nejprve spusťte režim s lidskou kontrolou, teprve poté zvažujte vyšší míru autonomie.

Make

Fáze 1: Stínový provoz — workflow běží, ale výstupy se jen zapisují do tabulky a notifikací. Tým dál pracuje ručně a porovnává výsledky.
Fáze 2: Poloautomat — AI zpracuje vstup, založí záznam v CRM, ale odpověď zákazníkovi vždy schvaluje člověk.
Fáze 3: Selektivní automatizace — u jednoduchých dotazů lze zvážit automatické odeslání šablonové odpovědi, pokud je riziko nízké.

V Make nastavte plánování scénáře podle potřeby. Pro formuláře často dává smysl průběžné spouštění, pro e-mail například každých 5 minut. Sledujte historii běhů a chyb v Make v sekci Scenario > History. Pokud některý modul selže, přidejte chybovou větev, která pošle správci upozornění e-mailem.

Pro provozní dohled doporučuji zavést tři jednoduché kontroly:

počet přijatých poptávek za den,
počet položek ve stavu needs_review,
počet chyb scénáře v Make.

Tím rychle poznáte, zda se nezměnil formát vstupu, nerozbil konektor nebo nezačal model vracet nestandardní výstupy.

Limity

Tento typ řešení má i jasná omezení. Je důležité je popsat otevřeně, ne je skrývat za sliby o „plně autonomní AI“.

NordVPN

Model může chybovat v interpretaci textu. Zejména u stručných nebo nejednoznačných zpráv může špatně určit kategorii nebo prioritu.
Extrakce údajů závisí na kvalitě vstupu. Pokud zákazník neuvede telefon ani e-mail v těle a odesílatel používá anonymní adresu, systém data nezíská.
Přílohy nejsou v tomto MVP plně zpracovány. Pokud potřebujete číst PDF nebo obrázky, je to samostatné rozšíření projektu.
Automatické odpovědi nesou reputační riziko. Bez lidské kontroly mohou v některých oborech působit nepřesně nebo nevhodně.
Ceny a limity API se mohou měnit. Je potřeba průběžně sledovat oficiální dokumentaci poskytovatelů.

Pokud si nejste jistí přesností u konkrétního typu poptávek, berte to jako omezení a ponechte lidské schvalování. To platí zejména u právních, zdravotních, finančních nebo smluvně citlivých případů.

FAQ

Musím umět programovat?

Ne nutně. Pro MVP v kombinaci Google Forms, Google Sheets, Make a OpenAI API stačí základní práce s formuláři, tabulkami a mapováním polí. Hodí se orientace v JSON, ale není potřeba stavět vlastní aplikaci.

Je lepší začít webovým formulářem, nebo e-mailem?

Pokud můžete ovlivnit podobu vstupu, začněte webovým formulářem. Má strukturovanější data a rychleji dosáhnete spolehlivého výsledku. E-mail přidejte hned poté jako druhý kanál.

Mohu místo HubSpotu použít jiné CRM?

Ano, pokud má dostupné API nebo konektor v Make. Princip zůstává stejný: nejprve sjednotit data, pak je zapsat do správných polí CRM.

Jak zabráním tomu, aby si AI vymýšlela údaje?

Použijte přísný systémový prompt, JSON schéma a pravidlo „pokud údaj není ve vstupu, vrať null“. Dále testujte na reálných zprávách a sledujte pole, kde dochází k nejčastějším chybám.

Má smysl automaticky odpovídat zákazníkům?

U jednoduchých potvrzení přijetí ano, ale obchodní nebo odbornou odpověď doporučuji v MVP ponechat ke schválení člověkem. Riziko nepřesnosti je jinak zbytečně vysoké.

Jak řešit spam?

Přidejte kategorii spam už do klasifikace. Pokud model i jednoduchá pravidla, například podezřelá klíčová slova nebo chybějící smysluplný obsah, označí zprávu jako spam, uložte ji, ale neposílejte ji do CRM.

Doporučený AI stack pro realizaci

Služba	Popis služby	Nabídka
NordVPN	VPN služba pro ochranu soukromí a bezpečné připojení.	Otevřít nabídku
Semrush	SEO a marketingová platforma pro analýzu a růst návštěvnosti.	Otevřít nabídku
Make	Pokročilá vizuální automatizace workflow a integrací.	Otevřít nabídku
Hostinger	Webhosting a domény pro rychlé spuštění webu.	Otevřít nabídku
Fiverr	Marketplace pro freelancery a externí specialisty.	Otevřít nabídku
Adobe	Kreativní nástroje pro grafiku, video a digitální obsah.	Otevřít nabídku
Canva	Online design nástroj pro grafiku, prezentace a sociální sítě.	Otevřít nabídku
Jasper	AI nástroj pro marketingové texty a obsahové kampaně.	Otevřít nabídku