AI tým markeťáka v praxi: programátor, grafik a junior PPCčkař ze stejné konzole

Problém: Markeťák freelancer je jeden člověk, který musí dělat copywritera, kodéra, grafika, analytika, projekťáka i salese — nejlépe všechno najednou a do pátku. Když je dobrý, zvládne tři role. Když je výborný, zvládne pět, ale kvalita klesá. Zbytek outsourcuje za peníze, které žerou marži, nebo to prostě nestihne a klient se ozve s otázkou: „kde jsou ty kreativy?”. Nebo na to prostě není prostor.

Tenhle článek je o tom, že tahle rovnice se v roce 2026 změnila. Ne tím, že bych si najal lidi — ale tím, že mám teď v zádech AI tým. Konkrétně programátora, který mi píše custom integrace i vlastní interní aplikaci. Grafika, který chrlí reklamní kreativy za 23 Kč/set. A juniorního PPCčkaře, který stíhá audity, návrhy negativ a periodické reporty. Žádný z nich neexistuje jako člověk — ale výstup ano. A je deployable, opakovatelný a měřitelný.

Píšu to z pohledu freelancera se zhruba 20 klienty napříč e-commerce, lokálním SMB i B2B SaaS. Sedím v jedné konzoli a tahle parta tam visí, čeká na zadání. Pojďme rozebrat, kdo dělá co, kde jsou hranice, a kdy má smysl si takový tým postavit.

Co znamená „mít AI tým” (a proč to není sci-fi)

Nezacházím s AI jako s nástrojem ve smyslu „otevřu Photoshop, kliknu, zavřu”. Zacházím s ní jako s kolegou — zadám úkol, vrátí výstup, řeknu „ne takhle, takhle”, a iterujeme dokud to není to, co chci. Rozdíl proti tomu, co znalo „AI v marketingu” před dvěma lety, je v tom, že agent teď drží kontext (napříč soubory, MCP servery, klienty) a může provádět akce (číst Google Ads, generovat obrázky, psát do WordPressu), ne jen psát text v okně chatu.

Tahle parta nepřišla zítra. MCP (Model Context Protocol) existuje pár let, Claude Agent SDK je dostupné v Pythonu od loňska, NanoBanana má 4K generování od léta 2025. Co se změnilo letos, je že se to dá poskládat dohromady do něčeho, co se chová jako tým — každý „kolega” má svůj nástroj, svůj prompt skeleton, svoji odpovědnost. Já jsem PM, code reviewer a strategist v jednom.

Tahle metafora není marketingová floskule — je to pracovní rámec. Když si řeknu „potřebuju junior PPCčkaře, ať udělá audit Google Ads pro klienta X”, tak skutečně přepnu šablonu agenta na auditní template, dám mu account ID, on udělá pull dat přes MCP, propočítá benchmarky, vrátí XLSX. Já reviewu, opravím, pošlu klientovi. Workflow je strukturálně stejný, jako kdybych měl skutečného juniora vedle sebe. Jen je rychlejší, neunavitelný, ale taky tupější — bez seniora by se ztratil.

Programátor v týmu: aplikace, integrace, custom tooling

Tahle role je nejviditelnější výsledek mojí měsíční práce. Mám vlastní interní aplikaci — app.marketak-ze-severu.cz, production live od 13. května 2026. Postavil jsem ji s AI asistentem za pár týdnů místo šesti měsíců, které by zabralo, kdybych si na to najal kontraktora.

Co aplikace umí dnes:

• Klient databázy — 47 klientů v DB s brand assets (logo, barvy, tagline), notes, AI scrape webu pro rychlé onboarding a další důležité klient info
• Projekty + tasky — CRUD per klient
• Time tracking — timer, edit, autocomplete, dva taby (Aktuální + Report) s Chart.js grafy, XLSX export s efektivní hodinovkou per klient 
• AI Chat přes Claude CLI subscription (= 0 € za API, pokud máš Pro/Max)
• Asset library — R2 storage, galerie pro klienty aby mohli odsouhlasit AI kreativy + iterování
• Prompt knihovna — CRUD + tagy + copy-to-clipboard – ideální pro škálování napříč klienty
• AI reporting – scraping AI chatů pro vyhodnocení umístění značky v odpovědích 
• Auth s 2FA –  jak pro mě, tak i pro klienty
• Agent — šablony nad MCP (audit / kreativy / report / negativa / multi-agent audit-review), plně autonomní agent který orchestruje.
• Reporting –  jak pro mě, tak i pro klienty s prediktivní analytikou

Stack v jedné větě: Python 3.14 + FastAPI + HTMX 2 + Tailwind 4 + PostgreSQL 17 + pgvector + Dramatiq queue, na Hetzneru CPX31 ve Falkensteinu, deploy přes Docker Compose za Caddym, R2 pro storage.

Co jsem fakt napsal sám: zadání. Architektonický náčrt. Code review. Bug reporty. Designová rozhodnutí . Co napsala AI: prakticky veškerý Python kód, Jinja templates, Alembic migrations, Tailwind utility classes, deploy skripty, healthcheck cron, restic backupy.

Tahle aplikace je extrémní příklad. Pro menší úkoly — typu „potřebuju propojit Pipedrive lead s Google Ads jako offline konverzi bez Zapieru” — stačí 45 minut a Google Apps Script. Detailně jsem to popsal v článku o Pipedrive → Google Ads bez Zapieru. Klíčové: nepíšu kód jako programátor, specifikuju a reviewuju. Roli „junior dev” hraje Claude. Já dělám tech leadership.

To má hluboké implikace pro markeťáka, který nikdy neprogramoval. Najednou ti nestojí v cestě nedostatek znalosti syntaxe — stojí ti v cestě jen to, jestli umíš popsat co chceš, jak to má fungovat, a jestli poznáš, že to nefunguje, když ti to vrátí. Programování se z „umím napsat kód” změnilo na „umím vést kód”. A to je úplně jiný strop.

Grafik v týmu: kreativy, vizuály, brand assets

Druhá role: grafik. Pro produktové reklamy na Metu a Google používám NanoBanana (Gemini 3.1 Flash Image) v rámci sedmistepového workflow:

1. WebFetch produktu — vytáhnu z e-shopu klienta USPs, copy, motto, image URLs
2. Stáhnu 2–4 produktové fotky — řeším JS-render, cookie filter, hash suffix per zdroj
3. Definuju funnel stage → vyberu CTA z knihovny (akvizice „Zjistit více” / retargeting „Pokračovat” / cart „Dokončit nákup”)
4. Vyberu 3–6 paternů ze své knihovny 16 stylů (mix awareness + consideration + conversion)
5. Adaptuju EN prompt s českým copy (NanoBanana zvládá českou diakritiku bez problémů)
6. Generuju paralelně 4:5 (Feed) + 9:16 (Stories / Reels)
7. Eval a iteruju podle AIDA frameworku

Co to v praxi znamená:

Co AI grafik neumí (resp. umí hůře):

• Brand wordmark — model občas unikne, nebo si vymyslí vlastní písmo. Workaround: passnout logo jako 2nd input, vždy z webu klienta, ne lokální kopie — ta může být zastaralá.
• Multi-SKU listing — pokud chceš čtyři produkty v konkrétním pořadí, model může pořadí zaměnit. Manuální review.
• Konkurence v komparaci — „lepší než [konkurent]” je v ČR právně rizikové, neuvádím konkurenční brandy v textech reklam.
• Cokoliv, co potřebuje stylový posun — pokud chceš výrazný kreativní twist, který nikde ve světě reklamy neexistuje, AI ti vrátí mix toho, co viděla. Ten posun musíš zadat sám (a často skicou).

Závěr role: grafik z AI týmu pokryje 80 % rutinních kreativních úkonů s kvalitou srovnatelnou s mid-level designérem za zlomek ceny. Posledních 20 % (rebranding, identity, illustration s autorským rukopisem) řeším buď u skutečného designéra, nebo neřeším vůbec.

Junior PPCčkař v týmu: rutinní úkony, audity, návrhy

Třetí role — junior PPCčkař. Tohle je nejhustší a paradoxně dělá nejmenší dojem, protože práci, kterou dělá, dělá rutinně. 

V Marketak App mám připravených pár agent templates:

1. Audit Google Ads účtu
Ve třech hloubkách (quick-scan / standard / deep), XLSX output s ekonomikou (LAST_90 vs PREV_90 + YoY), sedm standardních sekcí, threshold benchmark per e-commerce vs. B2B vs. lokální. Junior PPCčkař by tohle dělal 1–2 dny. Agent to udělá za 5–15 minut (per quick / deep tier), já reviewu za 30 minut.

2. Návrhy negativních klíčových slov
Agent pull search terms report z LAST_30, fragmentuje na n-gramy, navrhne kandidáty na negativy (group / campaign / account level), filtruje brand-safe (např. pro retailera, který prodává produktové značky, nedoporučuje blokovat tyhle značky — typicky chyba začínajících účtů). Junior PPCčkař by si to mapoval v Excelu hodinu, agent vrátí seznam za dvě minuty.

3. Kreativy (RSA headlines / descriptions)
Z URL produktové stránky vytáhne USPs (HTML, ld+json, itemprop), vrátí draft 15 headlines / 4 descriptions. Striktně bez výmyslů — pokud to není na webu klienta, do reklamy to nepíše. Žádné „AKCE PLATÍ DO PÁTKU”, pokud ta akce neexistuje. To je jedno z pravidel, na kterých si stavím celý workflow — klamavá reklama je právní riziko, kterému se vyhýbám ověřováním platnosti každé akce přímo na webu klienta.

4. Periodický report
LAST_30 vs PREV_30 trendy, automatické flagy (CTR drop > 20 % / CPC nárůst > 30 % / konverze padla pod práh), draft text pro klienta. Junior PPCčkař by reportoval dvě hodiny, agent patnáct minut.

5. Multi-agent audit-review
Tady si Claude hraje proti sobě: agent #1 navrhne audit a doporučení, agent #2 hraje „skeptického klienta” a najde díry v argumentaci. Pak vrátí seznam open issues k vyřešení. Tohle skutečně chytá chyby, které bych já jako sólo reviewer přehlédl po pátém auditu v týdnu.

Co Junior PPCčkař z AI týmu nezvládne:

• Strategie — proč klient používá Google Ads místo Skliku, co je core USP, kde leží příští investice. Tohle drží senior (já).
• Klientská komunikace — agent nepošle e-mail klientovi, neudělá call, nevysvětlí. Mohl by, ale potřeboval by daleko širší kontext.
• Final write do produkčního účtu — agent může navrhnout, ale nikdy nezapisuje sám. Vždy je nutný potvrzovací krok ze strany člověka.

Junior z AI týmu je perfektní pro opakovatelné, dobře definované úkoly s jasným výstupem. Když je úkol vágní („optimalizuj kampaně”), vrátí ti vágní výstup. Když je úkol konkrétní („najdi mi search terms s CTR > 10 %, ale 0 konverzí za posledních 30 dní”), je rychlejší a důslednější než reálný junior.

Jak se to celé orchestruje (look pod kapotu)

Aby ten „tým” fungoval jako celek, potřebuješ páteř — protokol, který spojí agenta s reálnými systémy.

Model Context Protocol (MCP) je ta páteř. Krátce: standardizovaný způsob, jak Claude (nebo jiný LLM) volá externí API a souborové systémy přes tooly. V mém setupu MCP servery zpřístupňují:

• Reklamní platformy: Google Ads (default MCC + dva dceřiné), Sklik, Meta Ads, Microsoft Ads
• Analytika: GA4 (per-klient wrapper), MarketingMiner, Search Console, BigQuery
• Generativka: NanoBanana (Gemini Flash Image), Kling AI (video), Veo (Gemini video)
• a další

Celkem 25+ registrovaných serverů, každý se svým wrapper skriptem, DPAPI-encrypted credentials v uživatelově profilu. Detailněji jsem to rozebral v článku o MCP pro PPCčkaře — tam najdeš architektonický pohled na celý stack.

V Marketak App pak nad tím sedí Claude Agent SDK 0.1.81 Python — knihovna, která dělá ze sessions, modelů a tool callů něco, co se chová jako autonomní agent. Když pustím auditní template, agent dostane initial prompt, MCP nástroje, model, a běží na pozadí — můžu jít na call, vrátím se, výsledek je v R2 storage. Session můžu kontinuovat, přepínat modely, zapojit AskUserQuestion modal pro decision points.

Bezpečnost je jedno z hlavních kritérií. Tahle architektura není low-code drag-and-drop. Je to vědomě technický setup, který odměňuje čas, který do něj nasypeš. Když to máš postavené, dělá to robotic work za tebe. Když to máš jen napůl, vyrobí ti to víc problémů než vyřeší.

Co to reálně mění v každodenní práci

Tabulkově:

Důležitý disclaimer: AI tým mě zrychluje, ale nezvedá kapacitu o 10×. Bottleneck zůstává review a klient relationship. Když mám 20 klientů, můžu obsloužit víc, než kdybych dělal vše sám, ale neobsloužím 200. Strop dělá moje mozková kapacita reviewovat, ne kapacita agentů produkovat.

Co se ale skutečně mění, je rozkládání úkolu. Když ti klient v pondělí přijde s „potřebuju připravit launch kampaně pro nový produkt do pátku”, tradiční markeťák musí postupně: rešerše, kreativy, kampaňová struktura, conversion tracking, copy, schvalování. To je týden a víc. S AI týmem můžu spustit paralelně: agent stáhne USPs z webu, NanoBanana generuje paterny, druhý agent navrhne kampaňovou strukturu z benchmarků, třetí připraví conversion tracking checklist. Já reviewu kus po kuse v průběhu dvou dnů.

Druhá změna: kvalita baseline. Junior PPCčkař v AI týmu nikdy nepřehlédne návrh, který by senior poznal jako standardní (typu „tahle ad group nemá pause keywords v kampani s rozpočtem 10k+ / měsíc”). Není tam lidský faktor únavy. To posunulo baseline kvality klientských výstupů u rutinních úkonů zřetelně nahoru.

Hranice (co AI tým neumí a co mu nesvěříš)

Aby tenhle text nezněl jako sales pitch, pojďme rovnou na to, co AI tým neumí:

1. Strategie a positioning klienta. Když mi klient řekne „naše ROAS klesá, co s tím”, agent může vyplivnout 20 hypotéz, ale rozhodnutí „investujeme do Heureky nebo do Mety, nebo přebudujeme product feed” je strategická volba s ekonomickými dopady. To dělá člověk, který zná byznys klienta, sezónu, konkurenci a koncepci značky.

2. Vztah s klientem. AI tým nepošle ujišťující zprávu v sobotu večer, neudělá call, nevysvětlí v lidské řeči, proč jsme byli minulý měsíc o 15 % pod plánem a jak to potenciálně napravit. Tohle není zanedbatelná část práce markeťáka. Pro klienta je hodnota často víc ve vědomí, že to někdo řeší, než v samotných číslech.

3. Kreativní směr. Když jdeš s klientem do nové vertikály, do rebrandu, do experimentální kampaně — AI ti vrátí „průměr toho, co viděla”. Pokud chceš překvapit, posun nebo vlastní rukopis, dělá to člověk. AI tě dotáhne k 80 %, posledních 20 % je tvoje.

4. Závěrečný review reklamy nebo auditu před publikací provádí vždy člověk. Klamavá reklama (typu „AKCE 3+1 ZDARMA” v RSA, když promo skončilo minulý týden. Data v reklamě musí být ověřená z webu klienta, ne vymyšlená modelem. Tohle je jeden z hlavních důvodů, proč nikdy nepouštím agenta naslepo na produkční účet — agent může navrhnout, ale do účtu zapisuje vždy člověk.

5. Bypass safety na produkci. Nikdy nevolám MCP write tooly bez potvrzení. AI tým hraje roli juniora, ne seniora. Pokud kdokoliv prodává „autonomního agenta, který ti spravuje účet sám”, je to buď naivní (a brzy se popálí), nebo lže.

Kdy začít budovat vlastní AI tým (a kdy ne)

Smysl má pro:

• Freelancera s pěti a více klienty napříč vertikálami — opakovatelné úkony (audit, kreativy, report) se škálují, návratnost setupu zhruba 3–6 měsíců.
• White-label part-time — když děláš sub-kontrakt pro agentury, kde objem výstupu drží na čase delivery, AI tým ti dá kapacitu bez najmu lidí.
• Small / mid agency s opakovatelnými výstupy — zvedneš output per FTE bez navyšování headcountu.

Smysl nemá pro:

• In-house specialistu na jeden účet — investice setupu je overkill. Agent ti pomůže s konkrétními úkony (Cursor IDE, ChatGPT Plus), ale celý „tým” nepotřebuješ.
• Klienta s jednou kampaní — najmout dobrého freelancera vyjde lépe (kapitálová rovnice).
• Nováčka bez baseline — nepoznáš, co je dobrý audit, nepoznáš, co model halucinuje, mohl bys do produkce zapsat něco, čeho budeš litovat. Nejdřív se to nauč ručně.

Vstupní bariéra (realistický odhad):

• Čas: 40–80 hodin na první funkční setup (MCP servery, wrappery, credentials, jeden funkční workflow)
• Učení: Python základy + Bash + concept MCP serverů + Claude Agent SDK, pokud chceš jít hluboko
• Cena: Claude Pro / Max subscription (řádově desítky USD měsíčně) + ad hoc API kredit pro batch generování + ~13 € měsíčně Hetzner, pokud chceš nasadit vlastní app

Nepotřebuješ junior dev na full-time — potřebuješ dva víkendy a chuť učit se. Skoro celá moje knihovna wrapperů, skillů a templates je přenositelná pro někoho, kdo chce podobný setup rozjet u sebe.

Závěr a kde to bude za dva roky

V roce 2026 je markeťák s funkčním AI týmem kompetitivní výhoda. Můžeš obsluhovat víc klientů, dělat kvalitnější výstupy, držet kratší termíny — to vše bez toho, abys najímal a školil lidi.

Do roku 2028 to bude standard. Markeťák bez AI týmu bude jako účetní, co dělá rozpočet v notesu místo Excelu — formálně to jde, prakticky nekonkurenceschopné. Kdo si zvykne dříve, bude mít náskok v produktivitě, kvalitě, a hlavně v mentálním modelu, jak AI integrovat do workflow.

Pokud tě tohle zajímá hlouběji, mrkni na můj článek o MCP pro PPCčkaře — tam je architektonický detail. Nebo na Pipedrive case study, kde najdeš konkrétní příklad, jak AI tým postaví custom integraci za 45 minut. Tam je víc technického masa.

Tech FAQ

Kolik to stojí měsíčně?
Claude Pro / Max subscription pokrývá většinu AI Chatu a agent runs přes CLI. K tomu ad hoc API kredit pro batch generování. NanoBanana přes Google AI Studio billing podle objemu. Plus Hetzner CPX31 ~13 € měsíčně, pokud chceš nasadit vlastní app. Celkem řádově nižší jednotky tisíc Kč měsíčně — víc než ChatGPT Plus, ale výrazně méně než plat junior PPCčkaře.

Je Marketak App open-source?
Samotná aplikace je soukromá. Ale stack (MCP servery, NanoBanana setup, Claude Agent SDK templates, wrappery, skills knihovna) je veřejný / přenositelný. 

Co když Claude / Anthropic změní pricing / dostupnost?
Architektura není svázána s jedním poskytovatelem. Agent SDK je Python knihovna nad LLM API — když Anthropic změní podmínky, můžu přepojit na jiný model (OpenAI, Gemini, lokální). MCP je open protokol, fungoval by stejně. Vendor lock-in mě netrápí, protože celý stack je modulární.