Případová studie: česká agentura zrychlila reporting o 60 % díky AI workflow

Reporting bývá v agenturách rutinní činnost, která spotřebuje překvapivě drahé hodiny seniorních specialistů. Typický problém není jen samotné stažení dat z reklamních systémů, ale hlavně jejich sjednocení, kontrola anomálií, doplnění kontextu a převod do srozumitelného komentáře pro klienta. V této případové studii popisuji nasazení AI workflow v české výkonnostní agentuře o zhruba 25 lidech, která spravuje desítky klientských účtů v Google Ads, Meta Ads a GA4. Výsledek: průměrný čas na přípravu jednoho pravidelného reportu klesl přibližně o 60 %, přesněji z 5 hodin na 2 hodiny.

Zapier

Nešlo o plně autonomní řešení bez lidí. Agentura postavila proces na kombinaci Looker Studio, Google Sheets, Zapier, OpenAI API a interních pravidel pro kontrolu výstupů. Právě tato kombinace je důležitá: data zůstala ve známém reportingu, AI generovala pouze shrnutí, návrhy interpretace a první vrstvu komentářů. Pokud řešíte, jaké modely a nástroje dnes dávají smysl pro textové výstupy, hodí se průběžně sledovat i přehledy na AIVýběr, kde jsou srovnány reálné AI služby používané v praxi.

Článek je postavený jako praktická rekonstrukce projektu: co agentura měnila, jak nastavila metriky, kde AI skutečně šetřila čas a kde naopak narážela. Všechny ceny a časové odhady berte jako orientační, protože se liší podle objemu dat, počtu klientů a náročnosti schvalování.

Výchozí stav: kde reporting pálil nejvíc času a peněz

Agentura před nasazením AI připravovala tři hlavní typy reportů: týdenní operativní přehledy, měsíční výkonnostní reporty a kvartální strategické souhrny. Nejvíc času spolykaly měsíční reporty pro klienty s investicí od 80 do 400 tisíc korun měsíčně. Typický postup vypadal takto:

specialista stáhl data z GA4, Google Ads a Meta Ads,
ručně upravil tabulky a sjednotil názvy kampaní,
dopsal komentář k výkonu, odchylkám a doporučením,
account manager text upravil do klientsky srozumitelné podoby,
výstup šel na interní kontrolu.

Největší problém nebyl v exportu dat, ale v opakovaném „překladu“ mezi čísly a komentářem. Specialisté psali stále podobné pasáže: proč vzrostla cena za konverzi, proč klesl ROAS, co udělala sezónnost, které kampaně táhly výkon a které byly omezené rozpočtem. Přitom se lišila hlavně čísla a několik kontextových vět.

Co dělat: Nejprve si změřte reálný čas po jednotlivých krocích, ne jen pocitově. V této agentuře se měřilo zvlášť: sběr dat, čištění dat, psaní komentáře, kontrola a finalizace.

Pro koho: Především pro agentury a in-house týmy, které dělají opakovaný reporting nad stabilní sadou metrik.

Kdy to nepoužívat: Pokud každý report vzniká jako jednorázová analytická studie bez opakující se struktury, automatizace textu se vrací podstatně hůř.

Interní audit ukázal, že na jednom měsíčním reportu se v průměru strávilo 300 minut. Z toho jen 70 minut zabralo samotné stažení a konsolidace dat, ale 140 minut připadlo na psaní a úpravy komentářů. Právě tam byl největší prostor pro změnu.

Návrh workflow: co agentura automatizovala a co nechala lidem

Nasazení nezačalo výběrem modelu, ale rozdělením činností na tři vrstvy:

Zapier

Datová vrstva – sběr a sjednocení metrik.
Interpretační vrstva – identifikace změn, trendů a anomálií.
Prezentační vrstva – převod do komentáře pro klienta.

Agentura ponechala datovou vrstvu bez generativní AI. Důvod je jednoduchý: pokud jsou špatně připravená vstupní data, AI pouze rychleji vyrobí špatný komentář. Data proto zůstala v Looker Studiu a Google Sheets, kde se přes konektory a exporty připravovaly jednotné tabulky po klientech.

AI vstoupila až do interpretační a prezentační vrstvy. Přes Zapier se po uzavření měsíce spustil scénář, který z připraveného Google Sheetu vzal definovaný rozsah hodnot: tržby, počet konverzí, CPA, PNO/ROAS, impresní podíl, top kampaně, top reklamní sestavy a největší meziměsíční změny. Tato data poslal do OpenAI API s pevně napsaným promptem a pravidly stylu.

Vygenerovaný text se neodesílal klientovi automaticky. Uložil se do samostatného listu, kde specialista doplnil dva typy informací, které model bez širší znalosti účtu nezvládal spolehlivě:

důvody změn mimo reklamní platformy, například výpadek skladu nebo změnu marže,
komentář ke strategickým rozhodnutím, například proč se dočasně škrtal brand nebo proč se testovala nová struktura kampaní.

Co dělat: AI nasazujte až na úkoly, kde už máte standardizovaný vstup. Nejprve sjednoťte názvy metrik, období, měny a definice konverzí.

Pro koho: Týmy, které už mají reporting v Looker Studiu, Google Sheets nebo BI nástroji a chtějí zkrátit čas na komentář, ne znovu stavět celý datový stack.

Kdy to nepoužívat: Pokud nemáte stabilní definici KPI a každý klient chápe „konverzi“ jinak, AI bude vytvářet nesrovnatelné nebo zavádějící výstupy.

Zvolená architektura je důležitá i z bezpečnostního hlediska. Do promptu neodcházely osobní údaje ani detailní zákaznické seznamy, pouze agregované výkonnostní metriky na úrovni kampaní a účtů.

Použité nástroje, funkce a orientační náklady

Agentura zvolila sestavu z běžně dostupných služeb, nikoli vlastní vývoj. To výrazně zkrátilo čas nasazení.

1. Looker Studio

Zapier

Sloužilo jako hlavní reportovací rozhraní pro klienty a interní tým. Využity byly standardní dashboardy, filtry podle období a zdrojů a napojení na reklamní platformy přes konektory a exporty. Oficiální služba: https://lookerstudio.google.com/.

Orientační cena: základní použití zdarma, placené náklady mohou vznikat u některých konektorů třetích stran.

2. Google Sheets

Fungoval jako mezivrstva pro očištěná data a šablonu vstupu pro AI. Výhodou bylo snadné verzování, komentáře a dostupnost pro celý tým. Oficiální služba: https://www.google.com/sheets/about/.

Orientační cena: v rámci Google Workspace; Business Starter začíná orientačně na nižších jednotkách eur za uživatele měsíčně podle tarifu a fakturace.

3. Zapier

Automatizoval spuštění workflow po doplnění dat, sestavení promptu a zápis výstupu zpět do tabulky. Oficiální služba: https://zapier.com/.

Orientační cena: od nižších desítek eur měsíčně, ale při větším počtu kroků a klientů náklady rychle rostou.

4. OpenAI API

Přes API se generovaly textové souhrny, seznamy příčin změn a návrhy doporučení. Oficiální dokumentace: https://platform.openai.com/docs/overview.

Orientační cena: závisí na konkrétním modelu, počtu tokenů a objemu zpracovaných vstupů; u desítek reportů měsíčně šlo v této case study o nízké až střední stovky korun za klienta měsíčně.

Pro srovnání vhodnosti různých nástrojů pro automatizaci a textové výstupy je užitečný i rozcestník AI nástrojů na AIVýběr, zejména pokud řešíte, zda vám stačí hotové workflow, nebo už potřebujete API.

Co dělat: Začněte s nástroji, které už v týmu používáte. Nejvyšší úsporu obvykle nepřinese „nejchytřejší“ model, ale zkrácení počtu ručních předávacích kroků.

Pro koho: Menší a střední agentury, které chtějí nasadit řešení během týdnů, ne měsíců.

Kdy to nepoužívat: Pokud máte přísné požadavky na provoz v uzavřeném prostředí bez cloudových služeb třetích stran, bude vhodnější vlastní interní implementace nebo jiný typ infrastruktury.

Jak vypadal prompt a proč se bez pravidel stylu výstupy rozpadaly

První verze workflow selhávala v jednom důležitém bodě: model psal texty sice rychle, ale příliš obecně. Agentura proto prompt nerozšířila o „buď konkrétnější“, ale o velmi přesná pravidla:

piš česky, stručně a bez marketingových klišé,
nejprve uveď 3 nejdůležitější změny proti minulému období,
vždy odděl výkon, příčiny a doporučení,
když chybí data, neodhaduj a explicitně napiš, že chybí kontext,
nepoužívej tvrzení o kauzalitě bez opory v datech,
zmiňuj pouze metriky, které jsou ve vstupu.

Součástí promptu byl i miniaturní „style guide“ se zakázanými formulacemi. Tým tím odstranil fráze typu „kampaň si vedla dobře“ nebo „doporučujeme se zaměřit na optimalizaci“. Místo toho model dostal vzorové formulace: „Počet konverzí vzrostl o 18 %, ale cena za konverzi stoupla o 11 %, protože se zvýšil podíl remarketingu s menším objemem publika.“

Zásadní bylo také omezení délky. Pokud model dostal příliš široký vstup, přidával nepodstatné detaily. Ideální se ukázal vstup do několika bloků: souhrn účtu, top změny, rizika, komentář specialisty. Výstup měl pevně dané sekce a maximální rozsah.

Co dělat: Nepište jeden univerzální prompt pro všechny klienty. Vytvořte jádro promptu a k němu 2 až 4 varianty podle typu účtu: e-commerce, lead gen, B2B, lokální služby.

Pro koho: Týmy, které chtějí stabilní tonalitu a menší potřebu ručních úprav po vygenerování.

Kdy to nepoužívat: Pokud očekáváte, že model sám od sebe pozná obchodní kontext klienta bez dodaných pravidel a struktury, budete opravovat víc, než ušetříte.

Metriky projektu: jak agentura měřila úspěch a co se skutečně zlepšilo

Nejdůležitější částí nasazení nebyla samotná automatizace, ale způsob vyhodnocení. Agentura sledovala pět metrik po dobu tří měsíců:

Čas na jeden report – od uzavření dat po odeslání klientovi.
Počet ručních zásahů – kolik textových bloků musel specialista zásadně přepsat.
Chybovost – faktické nepřesnosti zachycené interní kontrolou.
Doba schvalování – jak dlouho report čekal mezi specialistou a account managerem.
Spokojenost klienta – měřená jednoduchým hodnocením reportu a počtem doplňujících dotazů.

Po třech měsících vyšel tento obrázek:

průměrný čas na měsíční report klesl z 300 na 120 minut,
čas na samotné psaní komentáře klesl z 140 na 35 minut,
počet zásadních přepisů po první verzi spadl přibližně o polovinu,
chybovost se v prvním měsíci lehce zvýšila, od druhého se vrátila na původní úroveň díky lepší validaci vstupů,
klienti nejčastěji oceňovali rychlejší dodání a přehlednější shrnutí hlavních změn.

Čistá úspora 60 % nevznikla tím, že by AI sama „napsala report“. Vznikla z kombinace tří efektů: zkrácení prvního draftu, méně opakovaných formulací a rychlejší interní schválení díky jednotné struktuře.

Co dělat: Vyhodnocujte zvlášť úsporu času a kvalitu výstupu. Samotná rychlost bez kontroly přesnosti je v reportingu nebezpečná metrika.

Pro koho: Vedoucí delivery týmů a operations manažeři, kteří rozhodují o návratnosti automatizace.

Kdy to nepoužívat: Pokud nemáte výchozí benchmark a neumíte říct, kolik času report dnes opravdu stojí, budete návratnost jen odhadovat.

V přepočtu na náklady znamenala změna u zhruba 40 pravidelných reportů měsíčně úsporu přibližně 120 hodin práce měsíčně. Při interní hodinové sazbě specialisty a accounta v součtu orientačně 700 až 1 200 Kč se investice do workflow vracela velmi rychle, v řádu několika týdnů až nižších měsíců podle objemu reportů.

Praktické scénáře: kde AI reporting fungoval nejlépe

Měsíční e-commerce report

Nejlepší výsledky byly u e-shopů s jasnými metrikami: tržby, ROAS, PNO, nové vs. vracející se objednávky, podíl brandu a top produktových kampaní. Model dokázal rychle shrnout, co se změnilo a které segmenty růstu nebo poklesu se týkaly. Specialista pak doplnil obchodní kontext, například akci, změnu feedu nebo výpadek skladu.

Týdenní přehled pro account management

Tady AI negenerovala dlouhý text pro klienta, ale krátký interní souhrn: co hlídat, kde je riziko přečerpání rozpočtu, které kampaně propadly v impresním podílu, kde se změnila kvalita leadů. To šetřilo čas na interních poradách.

Komentář k anomáliím

Když CPA vyskočilo o více než předem daný práh nebo když počet konverzí klesl pod určité minimum, workflow vygenerovalo návrh komentáře k odchylce. Specialista tak nezačínal od prázdné stránky.

Co dělat: Začněte tam, kde se opakují stejné typy interpretace a klienti očekávají pravidelnou strukturu.

Pro koho: Výkonnostní marketing, PPC týmy, account management a menší analytická oddělení.

Kdy to nepoužívat: U jednorázových auditů, brandových kampaní bez jasně definované výkonnostní metriky nebo u prezentací pro board, kde je nutná hlubší obchodní interpretace.

Limity a chyby: kde AI naopak přidávala práci

Nejproblematičtější byly situace, kdy vstupní data formálně seděla, ale chyběl kontext. Typický příklad: výkon kampaní klesl, protože klient měl omezenou skladovou dostupnost. Model bez této informace navrhl standardní optimalizace, které by v danou chvíli nedávaly smysl.

Druhý limit se týkal kauzality. AI uměla dobře popsat souběh jevů, ale bez dodaného kontextu nebylo bezpečné tvrdit, že konkrétní změna výkonu byla způsobena právě jedním zásahem v účtu.

Třetí slabina se objevila u vícejazyčných nebo vícetržních účtů. Pokud vstupní tabulka nebyla dokonale sjednocená, model míchal metriky za různé země a interpretace ztrácela přesnost.

Agentura proto přidala tři ochranné mechanismy:

validaci vstupních dat před odesláním do API,
seznam povinných kontextových polí, která musí doplnit specialista,
interní checklist, co se musí před odesláním klientovi zkontrolovat.

Co dělat: Zaveďte pravidlo, že AI nesmí sama vytvářet závěrečná doporučení bez minimálně jedné lidské revize.

Pro koho: Agentury pracující s vyšší odpovědností za rozpočty a interpretaci výsledků před klientem.

Kdy to nepoužívat: Pokud klient vyžaduje právně nebo regulatorně citlivé komentáře, například ve financích či zdravotnictví, bez velmi přísného governance procesu.

Jak podobné nasazení zopakovat v praxi během 30 dnů

Pokud chcete obdobné workflow zavést bez zbytečného přestřelení rozsahu, osvědčil se tento postup:

Týden 1: audit reportingu

vyberte jeden typ reportu s nejvyšší opakovatelností,
změřte čas po jednotlivých krocích,
určete 8 až 15 metrik, které musí být vždy ve vstupu.

Týden 2: standardizace dat

sjednoťte názvy kampaní a KPI,
oddělte „tvrdá data“ od kontextu specialisty,
připravte šablonu vstupu v Google Sheets nebo obdobném nástroji.

Týden 3: prompt a testování

vytvořte prompt s pevnou strukturou výstupu,
otestujte alespoň 10 historických reportů,
porovnejte čas, kvalitu a počet oprav.

Týden 4: ostrý provoz na omezeném vzorku

pusťte workflow na 3 až 5 klientech,
sbírejte chyby a upravujte validaci,
teprve poté rozšiřujte na další účty.

Co dělat: Pilotujte na omezeném počtu klientů a teprve po dvou uzavřených cyklech rozhodněte o škálování.

Pro koho: Týmy, které chtějí rychlý pilot bez vlastního vývoje a bez zásahu do celého BI prostředí.

Kdy to nepoužívat: Pokud se současně chystáte měnit atribuci, datový model a podobu reportingu. Příliš mnoho změn najednou znehodnotí vyhodnocení.

FAQ

Je možné plně automaticky posílat AI report klientům bez kontroly?

Technicky ano, ale v agenturní praxi to většinou není rozumné. Největší riziko není stylistická chyba, ale nesprávná interpretace bez obchodního kontextu. U pravidelných klientských reportů je bezpečnější lidská revize.

Jaká data je vhodné do podobného workflow neposílat?

Osobní údaje, zákaznické seznamy, neveřejné smluvní údaje a vše, co nepotřebujete pro samotnou interpretaci výkonu. Pro reporting obvykle stačí agregované metriky na úrovni kampaní, sestav nebo účtů.

Od jakého objemu reportů se to vyplatí?

Obvykle tam, kde děláte alespoň desítky opakovaných reportů měsíčně nebo kde jeden report zabírá několik hodin seniorního času. U jednotek reportů měsíčně může být přínos menší než čas na nastavení.

Nahradí AI specialistu nebo account managera?

Ne. Nejlépe funguje jako první vrstva shrnutí a návrhu komentáře. Odpovědnost za interpretaci, priorizaci a klientskou komunikaci zůstává na lidech.

Jak poznám, že je problém v promptu a ne v datech?

Pokud model opakuje obecné formulace napříč klienty, bývá problém v promptu. Pokud dělá faktické chyby nebo zaměňuje metriky, bývá problém ve vstupních datech nebo jejich označení.

Závěr

Tato případová studie ukazuje poměrně střízlivý, ale prakticky velmi účinný model nasazení AI v agenturním reportingu. Klíčem nebylo „nahradit reporting umělou inteligencí“, nýbrž rozdělit proces na části, které jsou dobře standardizovatelné, a ponechat lidem to, kde je nezastupitelný kontext a odpovědnost. Výsledek v podobě zrychlení o 60 % je realistický tam, kde reporty vznikají pravidelně, ze stabilních dat a s opakující se strukturou komentáře.

Pokud máte podobný profil práce, začněte auditem času a jedním pilotním workflow. Nejvyšší přínos přijde tehdy, když AI nezrychlí jen psaní textu, ale i schvalování, předávání podkladů a konzistenci výstupů. A přesně tam mají dnešní nástroje největší praktickou hodnotu.

Doporučený AI stack pro realizaci

Vyber si nástroje podle rozpočtu a úrovně automatizace. Níže je přímý přehled služeb pro realizaci projektu.

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