Co tedy dělat, pokud vás příběhy zajímají? Projděte si trasy s průvodcem, který mluví o historii, ne o strašení. Ptejte se na konkrétní data a jména. Vyhněte se davům v poledne, kdy je náměstí nejplnější. A hlavně: nešiřte dál tvrzení, že kletba postihne každého, kdo se na místě zasměje. Smích nikoho nepoškodí, ale nepozornost při přecházení ano.
Typická chyba je sjednocení všech polic do stejné výšky. První police nad linkou má být nejvýš 45 až 50 cm nad pracovní deskou, jinak při práci narážíte předloktím do jejích hran. Další police pak přidávejte po 30 až 35 cm. Mezera menší než 25 cm je k ničemu, protože se do ní nevejde ruka ani vyšší sklenice. Naopak mezera větší než 40 cm zbytečně spotřebuje prostor, který by se hodil jinde.
Silikonový tmel kolem dřezu a podél zadního okraje desky odchází jako první. Pokud ho neobnovíte včas, voda prosakuje pod desku a nabobtná dřevotřísku. Stačí přitom jednou za rok zkontrolovat, zda tmel drží, a při sebemenším odlepení ho vyříznout a nanést nový. Při aplikaci nechte tmel vytvrdnout alespoň 24 hodin a dřez po tu dobu nepoužívejte — zkrácení této doby je typická chyba, po které tmel povolí během několika týdnů.
Nakonec je potřeba počítat s tím, že se proces bude muset průběžně udržovat. AI se učí z dat, která se mění, a pravidla zastarávají. Určete osobu, která bude jednou za čas kontrolovat výstupy a aktualizovat zadání. Bez této role se i dobře nastavená automatizace během několika měsíců rozpadne. Automatizace není jednorázový projekt, ale změna způsobu práce, která vyžaduje průběžnou pozornost.
Dolní pásmo od linky do výšky pasu slouží pro těžké věci: hrnce, mísy, zásoby. Střední pásmo od pasu po ramena je pro každodenní nádobí a přístroje. Horní pásmo od ramen po dosah prstů patří koření, sklenicím a věcem, které berete občas. Nad hranicí dosahu, kam se dostanete jen se stoličkou, ukládejte sezónní věci. Toto rozdělení funguje lépe než jakékoli barevné ladění polic.
Automatizace kancelářských procesů pomocí umělé inteligence nezačíná výběrem nástroje ani školením modelu. Začíná tím, že je proces popsaný tak, aby ho pochopil někdo jiný než jeho autor. Většina firem tento krok přeskočí a rovnou zkouší, co umí nějaký chatbot. Výsledkem je chaos, kdy AI zpracovává úkoly, které nikdo pořádně nedefinoval, a lidé tráví čas opravami místo ušetřené práce.
Kde vznikají konflikty mezi pravidly a přístupem Konflikt nevzniká jen v kódu, ale i mezi pravidly a oprávněními. Když dáte někomu roli, která obchází pravidla větve, ochrana přestane platit pro něj. Proto si u každého pravidla projděte seznam výjimek a týmových rolí. Častá chyba je přidat do výjimek celou organizaci, protože to vypadá jako rychlé řešení. Druhá častá chyba je zapnout povinné kontroly, které ale nejsou v repozitáři nakonfigurované, takže se pull request nikdy nezkontroluje a zůstane viset.
Prvním krokem je sepsat, jak proces funguje dnes. Ne jak by měl vypadat, ale co se skutečně děje: kdo zadává vstupy, odkud přicházejí, jaká rozhodnutí se dělají, co se stane při výjimce. Pomáhá sledovat jeden konkrétní případ od začátku do konce a zapisovat každý krok včetně čekání a ručních zásahů. Teprve pak je vidět, které části mají smysl automatizovat a které je lepší nechat na lidech. Často se ukáže, že proces obsahuje kroky, které nikdo nepotřebuje – ty se mají nejdřív zrušit, ne automatizovat.
Začněte tím, že si v nastavení repozitáře otevřete pravidla pro větve a vytvoříte nové pravidlo pro konkrétní vzor, například main nebo release/*. V pravidle zapněte povinné schválení pull requestu, zakažte přímé zápisy a nastavte, kolik schválení je potřeba. Pozor na počet schválení: pokud nastavíte dvě a tým má jednoho aktivního recenzenta, práce se zastaví. Praktičtější je jedno povinné schválení plus možnost, že autor může schválit vlastní změnu jen výjimečně.
Ochrana větví v GitHubu vypadá jako jednoduché zaškrtávátko, ale v praxi se nejčastěji rozbíjí o špatně nastavená pravidla a o to, kdo má jaká oprávnění. Základ je oddělit dvě věci: kdo může do větve zapisovat a co musí být splněno, než se změna připojí. Bez tohoto oddělení skončíte buď u zablokované práce, nebo u nechráněné větve, do které může zapisovat kdokoli.
Kde se nejčastěji chybuje Typická chyba je automatizovat proces, který není stabilní. Když se pravidla mění každý měsíc nebo se každá pobočka řídí jinou logikou, AI se to nenaučí spolehlivě. Další častá chyba je podcenění kvality dat. Pokud vstupy přicházejí ve volném textu, ve skenech nebo v e-mailech bez struktury, je potřeba nejdřív zavést jednotný formulář nebo šablonu. Automatizace nerozpozná, co tím kdo myslel. Rovněž se vyplatí oddělit rozhodovací pravidla od samotného zpracování – pravidla se mají dát měnit bez zásahu do modelu.
