7 metrik: Jak měřit, jestli se AI školení vyplatilo
Obsah
Už jsem psal o tom, kolik vás stojí den bez AI. Tam šlo o kalkulaci před workshopem — proč se investice vyplatí. Ale co po workshopu? Jak poznáte, že to skutečně funguje?
„Tým říká, že je to super” nestačí. Potřebujete data. Tady je 7 metrik, které fungují.
1. Čas dokončení úkolů
Nejzřejmější metrika — a nejsilnější argument pro vedení.
Proč to měřit: Pokud se AI školení vyplatilo, úkoly by měly trvat kratší dobu. Ne o 5 % — o desítky procent.
Jak na to: Vezměte 5–10 typických úkolů z posledního sprintu před workshopem. Srovnejte se stejným typem úkolů po. Neporovnávejte unikátní projekty — porovnávejte rutinní práci: bug fixy, nové endpointy, refactoring, testy.
Příklad: Před workshopem typický bug fix trval 4 hodiny. Po workshopu 1,5 hodiny. Úspora 62 %.
2. Míra adopce AI nástrojů
Nainstalovat Copilot umí každý. Používat ho denně — to je jiná liga.
Proč to měřit: Chcete vědět, kolik lidí z týmu AI skutečně používá. Ne kolik lidí má nainstalovaný plugin. Kolik lidí ho aktivně zapojuje do své práce.
Jak na to: Jednoduchý anonymní dotazník po 2 a 4 týdnech. Tři otázky stačí: Jak často používáte AI nástroje? Které? K čemu hlavně?
Příklad: Před workshopem 2 z 8 lidí používali AI denně. Měsíc po workshopu 6 z 8.
3. Rychlost code review
Tuhle metriku většina manažerů přehlíží. A přitom code review je obrovský bottleneck.
Proč to měřit: Pokud tým používá AI k lepšímu kódu, review by měly být rychlejší a s méně iteracemi. Míň komentářů typu „tohle přepiš”, víc „LGTM”.
Jak na to: Podívejte se do GitHubu/GitLabu. Průměrná doba od otevření PR do merge. Počet review kol na PR. Sledujte trend za poslední 4 týdny vs. 4 týdny před workshopem.
Příklad: Průměrný PR se dříve mergnul za 2,3 dne s 3 koly review. Po workshopu za 1,1 dne s 1,5 koly.
4. Spokojenost a sebedůvěra týmu
Měkká metrika? Možná. Důležitá? Rozhodně.
Proč to měřit: Vývojáři, kteří se cítí sebejistě s AI, ji používají víc. A naopak — kdo se cítí ztracený, přestane. Spokojenost je vedoucí indikátor adopce.
“Pokud se váš tým cítí s AI sebejistě, budou ji používat. Pokud ne, vrátí se k tomu, co znají — a celá investice je pryč.
”
Jak na to: Jednoduchý dotazník před a po. Škála 1–5: „Jak sebejistě se cítíte při práci s AI nástroji?” Porovnejte průměr. Doplňte otevřenou otázkou: „Co vám nejvíc brání v používání AI?”
Příklad: Průměrná sebedůvěra před workshopem: 2,1/5. Měsíc po: 3,8/5.
5. Míra přepracování (rework rate)
Méně bugů = méně přepracování = rychlejší dodávky. Jednoduchá rovnice.
Proč to měřit: Kvalitní AI workflow zahrnuje automatické testy, AI code review, lepší error handling. Výsledkem by mělo být méně defektů.
Jak na to: Počet bugů reportovaných po releasu. Defect density (bugy na 1000 řádků kódu). Počet hotfixů za sprint. Porovnejte 4 sprinty před a 4 sprinty po.
Příklad: Před workshopem: 12 bugů za sprint. Po workshopu: 7 bugů za sprint. Pokles o 42 %.
6. Sdílení znalostí
Tohle je metrika, která vám řekne, jestli se změna udrží.
Proč to měřit: Pokud si vývojáři navzájem posílají prompty, sdílejí tipy na Slacku, diskutují o AI workflow na standupu — máte organický růst. Pokud ne, máte jednorázový efekt, který vyprchá.
Jak na to: Sledujte interní komunikaci. Vznikl nový Slack kanál pro AI tipy? Sdílejí lidé prompty? Diskutují o AI na retrospektivách? Tohle nemusíte kvantifikovat — stačí pozorovat.
Příklad: Před workshopem: žádná diskuze o AI. Měsíc po: 15 zpráv týdně v #ai-tips kanálu, dva lidé si vytvořili sdílenou prompt library.
7. Business metriky
Na konci dne zajímá vedení jedno: dodáváme víc, rychleji, levněji?
Proč to měřit: Protože tohle je ta metrika, kterou ukážete CFO. Ne „používáme AI víc” — ale „dodáváme víc features za stejné peníze”.
Jak na to: Sprint velocity (story pointy za sprint). Počet dodaných features za období. Lead time (od zadání po produkci). Nemusí to být dramatický skok — i 20% zlepšení velocity je obrovský úspěch.
Příklad: Sprint velocity před workshopem: 34 story pointů. Po workshopu: 42 story pointů. Nárůst o 24 %.
Before/After šablona
Tady je šablona, kterou můžete použít hned. Vyplňte „Před” teď, „Po” za 4 týdny.
| Metrika | Před workshopem | Po workshopu (4 týdny) | Změna |
|---|---|---|---|
| Průměrný čas dokončení úkolu | ___ hodin | ___ hodin | __% |
| % týmu používající AI denně | _/ | _/ | __% |
| Průměrná doba merge PR | ___ dní | ___ dní | __% |
| Sebedůvěra s AI (1–5) | ___/5 | ___/5 | +___ |
| Bugy za sprint | ___ | ___ | __% |
| Zprávy v AI kanálu / týden | ___ | ___ | — |
| Sprint velocity | ___ SP | ___ SP | __% |
“Neměřte všechno. Vyberte 3–4 metriky, které dávají smysl pro váš tým, a měřte je konzistentně. Špatná data jsou horší než žádná data.
”
Kdy měřit
- Baseline: Před workshopem (ideálně týden předem)
- První check: 2 týdny po workshopu
- Skutečný výsledek: 4–6 týdnů po workshopu
- Dlouhodobý trend: Kvartálně
Neočekávejte zázrak v prvním týdnu. Tým si musí zvyknout, překonat počáteční tření, najít svoje workflow. Reálné výsledky se ukážou za měsíc.
Co dál
Máte metriky. Teď je potřeba mít co měřit.
Pokud váš tým ještě neprošel hands-on workshopem s reálným kódem — podívejte se, jak to vypadá. A pokud chcete pomoct s nastavením měření — ozvěte se.
Mohlo by vás zajímat
Chcete AI nasadit strategicky?
Pomohu vašemu týmu najít konkrétní příležitosti, kde AI ušetří čas a peníze. Hands-on workshop přímo u vás.
Prohlédnout služby →