Postřehy od Cortey Agency

Většina firem zdědí CRM, který nikdy nebyl navržený tak, jak firma dnes skutečně funguje. Nakonfiguroval ho před lety jiný tým, postupně ho rozšířili o provizorní řešení a dnes stojí uprostřed každodenního provozu, zatímco všechny tiše zpomaluje. Když se programování na míru dělá pořádně, náhrada takového systému není přestavba pro přestavbu — je to backendový refaktoring, který odstraní nahromaděné tření, aniž by narušil týmy, které na systému denně závisí.

Náš přístup k multi-tenant SaaS architektuře začíná u datového modelu, ne u rozhraní. Izolace jednotlivých klientů (tenantů) musí být vynucená už na úrovni schématu a dotazů dřív, než se navrhne jediná obrazovka — dodatečné dolaďování bezpečnostních hranic po spuštění je totiž místo, kde se většina interních platforem pokazí. K tomu přidáváme mikroservisní architekturu, která odděluje fakturaci, oprávnění a klíčovou byznys logiku do samostatně nasaditelných služeb — takže změna jedné části systému nevyžaduje otestovat celou platformu znovu.

Na frontendu stavíme na Next.js konkrétně proto, že interní nástroje stojí a padají na rychlosti odezvy. CRM, kterému načtení záznamu zákazníka trvá tři sekundy, se prostě neuchytí, ať jsou data pod kapotou sebesprávnější. Optimalizace na Core Web Vitals není jen záležitost veřejných webů — stejná disciplína výkonu platí i pro interní firemní systémy a často je to přesně ten rozdíl mezi platformou, kterou týmy skutečně používají, a tou, která do půl roku tiše skončí nahrazená excelovými tabulkami.

Veřejná AI rozhraní (API) jsou skvělá na rychlé prototypování, ale u řady provozních procesů — kontrola smluv, vyhledávání v interních znalostech, práce se zákaznickými daty — prostě není možnost posílat citlivé informace třetí straně. Přesně tady mění pravidla hry AI automatizace postavená na lokálních open-source LLM modelech, jako je Llama: model běží kompletně uvnitř firemní infrastruktury, takže citlivá data nikdy neopustí perimetr, který už firma stejně řídí.

Jádrem užitečného interního AI agenta není samotný model, ale Retrieval-Augmented Generation (RAG) postavený nad ním. Interní PDF dokumenty, firemní směrnice a znalostní báze indexujeme do vyhledávacího systému, který agent prohledá dřív, než odpoví — odpovědi jsou tak podložené skutečnou firemní dokumentací, ne obecnými daty, na kterých byl model trénovaný. Pro propojení mezi systémy pak používáme nástroje jako n8n, díky kterým agenta napojíme na existující platformy bez nutnosti psát vlastní integraci pro každý jednotlivý proces.

V kombinaci s přímou integrací OpenAI API pro procesy, kde je cloudová inference v pořádku, dává tahle hybridní architektura firmám praktický kompromis: citlivé procesy zůstávají lokální, méně citlivé mohou využít nejrychlejší dostupný model, a ochrana dat je návrhové rozhodnutí, ne dodatečná záplata. Výsledkem je agent, který odstraní opakující se manuální práci — schvalování, extrakci dat, první odpovědi zákazníkům — aniž by přinesl nové riziko pro compliance.

Chování ve vyhledávání se posouvá od klíčových slov psaných do vyhledávacího pole k přímým odpovědím, které nabízejí AI asistenti a generativní vyhledávací zážitky. Technická SEO optimalizace teď musí počítat s druhým publikem kromě lidských čtenářů: s jazykovými modely, které shrnují obsah stránky do odpovědi. To znamená strukturovaná data, jednoznačné nadpisy a obsah psaný tak, aby šel přesně citovat — ne jen indexovat.

Na úrovni infrastruktury to začíná JAMstack architekturou. Předrenderované, staticky servírované stránky dávají vyhledávacím robotům i AI odpovídacím enginům rychlý a kompletní přístup k celému obsahu stránky hned při prvním požadavku — žádné zpoždění kvůli client-side renderování, žádný neúplný DOM. U B2B webů soutěžících o dlouhé, vysoce cílené bottom-of-funnel klíčová slova se tahle výhoda rychlosti a úplnosti násobí přes stovky indexovaných stránek.

Nic z toho ale nemá smysl, pokud se cestou rozbije měření. Jak se výchozí nastavení soukromí v prohlížečích zpřísňuje, implementujeme server-side tracking přes GA4, aby atribuce zůstala neporušená i bez spoléhání na cookies třetích stran — takže růst z AEO a programatického SEO je skutečně vidět v datech, se kterými týmy rozhodují, a neztratí se v mezerách kolem souhlasu s cookies.