Disclaimer: konkrétne čísla v článku sú z dôvodu NDA zámerne upravené a zaokrúhlené. Pomery, trendy a závery však zodpovedajú realite.

Posledný semester som na štyroch projektoch v praxi skúšal, či dokáže AI zmeniť dynamiku UX auditu: skrátiť čas dodania, prehĺbiť analýzu a zlepšiť ekonomiku služby, a to bez kompromisu na kvalite. Nešlo mi o to nechať AI „spraviť audit za mňa". Chcel som zistiť, ktoré časti procesu jej môžem zveriť, ktoré musia zostať na mne a ako presne má vyzerať spolupráca, aby výstup obstál v reálnom nasadení. Tento článok je zhrnutie toho, čo z tých štyroch projektov vzišlo: workflow, konkrétne rozhodnutia a ich dôvody, aj momenty, kedy AI zlyhala a ja som to musel zachytiť.

Aké bolo zadanie

Štyri projekty z praxe, každý iný:

• Projekt A: B2C e-shop na krabicovom riešení: CRO audit checkoutu pri malom rozpočte.
• Projekt B: zavedený inzertný portál na custom platforme: UX audit pred redizajnom.
• Projekt C: B2B distribútor odborného sortimentu s custom e-shopom: expertná UX analýza niekoľko rokov po launchi, iterácia, nie redesign.
• Projekt D: B2C lifestyle e-shop na custom platforme: skúšobný audit s cieľom nájsť najväčšie konverzné príležitosti a prejsť z rozhodovania podľa domnienok na rozhodovanie podľa dát.

Spoločný menovateľ: GA4 plus nástroj na behaviorálne dáta (Clarity, HotJar, neskôr Contentsquare), obmedzený rozpočet a zadávateľ, ktorý potrebuje podložené priority, nie zoznam dojmov. V článku sa nesústredím na výsledky jednotlivých auditov, ale na to, ako sa zmenil samotný pracovný proces.

Aký bol problém

Kvalitný audit „pred AI" vyzeral takto: manuálne prechádzanie GA4 a Clarity, ručný zber a triedenie dát, heuristická analýza obrazovku po obrazovke. Dni práce, kým sa vôbec dostanem k odporúčaniam. Pri malých rozpočtoch to znamenalo voľbu medzi plytkou analýzou a stratovou zákazkou.

Druhá vrstva problému: audit nezačína na zelenej lúke. Naprieč všetkými štyrmi projektmi sa opakovali tie isté prekážky ešte pred samotnou analýzou:

• Technický dlh v dátach. Zle nastavené alebo chýbajúce eventy v GA4, nenapojené nástroje na správanie, neprepojené eventy medzi systémami. Na projekte C sa napríklad produktové identifikátory medzi fázami funnela vôbec nezhodovali: frontend posielal čistý názov produktu, objednávkový systém názov s SKU prefixom, takže prienik medzi zobrazením produktu a nákupom bol nulový. Na projekte D zase chýbajúce eventy blokovali potvrdenie inak vierohodnej hypotézy o nedokončených košíkoch.
• Mindset zadávateľa. Zadávateľ často ostáva v predstave „takto si nášho používateľa predstavujeme", aj keď realita je iná. Veľká časť hodnoty auditu je práve posun rozhovoru z „myslíme si" na „dáta ukazujú".

Dôležité rozlíšenie, ktoré sa mi potvrdilo: opravu dátového základu AI nespraví. Kontrola trackingu, napojenie nástrojov a overenie konzistencie meraní je stále manuálna práca. AI nastupuje až vtedy, keď dáta konečne tečú.

Ako som problém riešil

1. Architektúra kontextu namiesto jednorazových promptov

Najdôležitejšie rozhodnutie celého semestra: práca s AI na reálnom projekte nezačína promptom, ale nastavením trvalého rámca v projektových inštrukciách. Pre každý projekt som Claude nastavil ako senior UX audítora a dátového analytika s niekoľkými pravidlami, ktoré sa vynucujú pri každej odpovedi:

• Pracovné režimy (výskum, stratégia a priorizácia, UX copy, analýza dát), ktoré sa prepínajú podľa kontextu promptu.
• Zdrojová hierarchia: projektové dokumenty → Baymard/NN·g → dokumentácia nástrojov. A explicitný zákaz vymýšľať čísla alebo citácie.
• Trojúrovňová evidencia pri každom nálezi: dáta (GA4/Clarity) vs. benchmark (expertné posúdenie) vs. hypotéza na overenie. Zmiešanie týchto úrovní v jednej vete je presne to, čomu sa výstup musí vyhnúť.
• Rozhodnuté veci, ktoré sa nediskutujú: platforma, scope, exkluzívni partneri. Bez tohto AI opakovane re-negociovala už uzavreté rozhodnutia a strácal sa čas.

Dôvod: pri projektoch bežiacich mesiace v desiatkach samostatných vlákien sa kontext nedá opakovať v každom prompte. Fixovaním pravidiel na úrovni projektu sa každá konverzácia mohla rovno pustiť do práce.

2. Iteratívna slučka: AI navrhne, ja overím, AI reviduje

Jadro workflow, ktoré sa opakovalo na všetkých štyroch projektoch:

1. AI navrhne konkrétny krok alebo experiment („prehoď poradie krokov vo funneli", „postav tieto tri segmenty").
2. Ja ho vykonám v nástroji (GA4, Clarity) a prinesiem výsledok: export, screenshot, poznámky.
3. AI interpretuje výsledok, prepojí ho s predošlými zisteniami a reviduje záver, ak dáta protirečia hypotéze.
4. Opakujeme, kým sa priority neustália.

Najlepšie to ilustrujú tri epizódy.

Falošný 75 % drop. Na projekte A ukázal funnel alarmujúci, takmer 75 % prepad medzi krokmi doprava a platba: traja zo štyroch ľudí mali odpadnúť. Namiesto okamžitého záveru navrhla AI overovací experiment: prehodiť poradie krokov. Drop sa „presunul", čo dokázalo, že nejde o správanie používateľov, ale o tracking artefakt. Platforma spúšťa eventy add_shipping_info a add_payment_info súčasne, takže uzavretý funnel so striktným poradím vyhadzoval ľudí, ktorí „spustili eventy v zlom poradí". Riešenie: otvorený funnel s krokmi nastavenými ako nepriamo nasledované. Reálny drop v tom kroku bol 16 %. Bez tohto overenia by celá stratégia stála na fantómovom probléme.

Po oprave metodiky sa ukázal skutočný obraz: 23 % drop na vstupe do checkoutu, 16 % v kroku doprava a platba, celkové dokončenie okolo 61 %, čo je pre daný segment v rozumnom pásme. Cieľom teda nebolo „opraviť rozbitý košík", ale realistické zlepšenie o niekoľko percentuálnych bodov, prepočítané na objednávky.

AOV paradox. Na projekte D beží akcia 2+1 zdarma, teda každý tretí produkt zadarmo. Intuícia hovorila: sústreďme sa na „limbo" košíky s dvomi položkami a dotlačme ich k tretiemu kusu. Rozpad objednávok podľa počtu položiek (vyše 22 tisíc objednávok za 90 dní) ale ukázal opak: dvojpoložkové objednávky majú vyššie AOV (cca 770 Kč) než trojpoložkové (cca 700 Kč), a limbo segment tvorí len asi 5 % objednávok. Skutočná páka je konvertovať jednopoložkových kupujúcich (41 %) na trojpoložkových, nie zachraňovať limbo. Naivný záver by viedol presne opačným smerom, než kam ukazujú čísla.

Mobilný prepad, ktorý nebol tým, čím sa zdal. Na projekte C (B2B) vstupuje mobil s takmer polovicou používateľov, ale končí s necelými 3 % tržieb. Prvá hypotéza znela „mobilné UX blokuje cestu". AI ale upozornila na doplnkové číslo: mobilný používateľ si pozrie v priemere 1,4 produktu, desktopový 4,6. Prieskumné správanie by generovalo viac zobrazení, nie menej. Dáta sedia skôr na scenár cieleného dohľadania jednej položky s dokončením objednávky na firemnom počítači. Pôvodnú hypotézu sme rozložili na tri konkurenčné vysvetlenia a jedno z nich (kontamináciu mixom návštevnosti) po teste na 90-dňových dátach definitívne zamietli. B2C poučky o mobile-first sa do B2B kontextu nedajú preniesť automaticky.

3. Kde AI zlyháva a ako to chytám

Poctivá časť príbehu. Tri kategórie zlyhaní, s ktorými treba počítať:

Fabrikované citácie. Pri sekundárnom výskume na projekte B AI vytvorila citácie, ktoré pri overovaní neexistovali: nesprávne priradené časopisy, vymyslená štúdia, neoveriteľná štatistika. Zaviedol som pravidlo: všetko, čo sa nedá overiť reálnym zdrojom, sa odstraňuje, aj retroaktívne z vlastnej predchádzajúcej práce. A druhé pravidlo: sekundárny výskum nikdy nejde priamo do finálneho výstupu, slúži len ako analytická základňa. Finálne dokumenty pre zadávateľa stoja výhradne na GA4, Clarity a priamom UX review.

Limity nástrojov, ktoré AI nevidí. Clarity vytvára novú session pri každom prechode medzi krokmi checkoutu, takže nahrávky za hlbšími krokmi sú pre behaviorálnu analýzu nespoľahlivé. Toto som musel zistiť ja, priamo v nástroji (filter na entry URL kroku objednávky vrátil nula výsledkov). Rozhodnutie: recordings za týmito krokmi sme z analýzy vylúčili a ťažisko presunuli na heatmapy, ktoré sa zbierajú agregátne. Radšej priznať slepé miesto než stavať závery na chybných dátach.

Hypotézy tlačené ako závery. Priebežne bolo treba korigovať rámovanie: konverznú výhodu 2+1 segmentu (cca 56 % vs. 43 %) prezentovať vždy s caveatom o selection biase, domnienku zadávateľa o impulzívnych nákupoch prerámovať podľa toho, čo dáta reálne ukazujú (17-hodinový rozhodovací cyklus impulzu priamo odporuje), a zistenia bez dátovej opory explicitne označovať ako hypotézy na overenie. Tento návyk sa stal štandardnou súčasťou štruktúry výstupov a paradoxne je dôvodom, prečo zadávateľ dokázal dôverovať aj protiintuitívnym záverom.

Čo som zámerne neurobil

• Nenechal som AI ťahať dáta z nástrojov samostatne ani generovať odporúčania bez dátovej opory. „Best practices" zoznam si vygeneruje ktokoľvek, hodnota je v prepojení s reálnymi dátami projektu.
• Nerozširoval som scope, aj keď sa objavili dobré nápady mimo zadania. Napríklad Quick Order funkciu pre B2B som pomenoval ako eskaláciu nad rámec analýzy vyhľadávania, nie ako tiché rozšírenie auditu.
• Nekomunikoval som nepodložené víťazstvá. Zrýchlenie webu po nasadení CDN sme prezentovali len ako čiastočné (kategórie a vyhľadávanie áno, produktové stránky nie), pretože plošné tvrdenie by dáta neuniesli.

Čo som si z toho odniesol

Dopad sa dá zhrnúť do troch osí:

Tempo. Kratší čas od dát k odporúčaniam znamená rýchlejšiu reakciu na dopyt a viac auditov v rovnakej kapacite. Pre projektové vedenie predvídateľnejší plán a ľahšie sľubovanie termínov.

Hĺbka. Z tých istých GA4 a Clarity dát vyťažím viac insightov. Zistenia ako AOV paradox alebo rozklad mobilnej hypotézy by pri manuálnom postupe v rozpočte malého auditu pravdepodobne vôbec nevznikli. Predávam podloženú analýzu, nie dojmy.

Ekonomika. Nižšie náklady na dodanie znamenajú buď vyššiu maržu pri zachovanej cene, alebo konkurencieschopnejšiu cenu pri rovnakej marži. V našom prípade druhá cesta: flexibilita pri cenotvorbe a pitchi.

A jedno poučenie nad rámec troch osí: AI je tempo-multiplikátor a partner pri interpretácii, nie náhrada za úsudok. Najcennejšie momenty semestra neboli tie, keď AI niečo vygenerovala, ale tie, keď navrhla experiment, ktorý vyvrátil moju (alebo jej vlastnú) hypotézu skôr, než sa dostala do finálneho výstupu. Kvalita auditu stále stojí na posúdení expertom. Zmenilo sa to, koľko posúdenia stihne expert urobiť za rovnaký čas.