Konec kapitálové bariéry není konec pravidel

Co vystoupení Patrika Tkáče na TUKE ukazuje o nové éře AI agentů, datové identity, regulované automatizace a digitálního kapitálu

Shrnutí pro čtenáře

Vystoupení Patrika Tkáče na Technické univerzitě v Košicích je důležité nikoli jako další obecná přednáška o umělé inteligenci, ale jako okno do praxe investora, který se pohybuje v prostředí kapitálu, bankovnictví, energetiky, retailu a technologických projektů. Právě proto má smysl jej číst analyticky: ne jako technologickou show, ale jako signál, jak se mění způsob řízení, práce s daty, rozhodování a přípravy firem na digitální ekonomiku.

Z přednášky vyplývá několik vrstev. První je produktivní: AI agenti a rozhraní typu CLI dokážou násobit schopnosti jednotlivce. Druhá je ekonomická: analytická kapacita, která byla dříve dostupná jen velkým fondům a týmům, se postupně otevírá menším hráčům. Třetí je architektonická: AI bez datové mapy, identifikátorů, vztahů a pravidel nemá pevné spojení s realitou. Čtvrtá je regulatorní: čím více autonomie software získává, tím více musí být řízen pravidly, auditní stopou a odpovědností.

Pro Tokenizace.cz je nejcennější právě tato čtvrtá souvislost. Budoucnost digitálního kapitálu nezačíná tokenem. Začíná identitou, datovým základem, vztahy, dokumenty, oprávněními a pravidly. Teprve na takovém základě může vzniknout důvěryhodná AI automatizace, regulatorně použitelná tokenizace a přístup ke kapitálu.

1. Proč je důležité poslouchat právě Patrika Tkáče

Patrik Tkáč není akademický komentátor AI ani technologický evangelista bez provozní odpovědnosti. Veřejně dostupné profily jej uvádějí jako spoluzakladatele J&T Finance Group a osobu spojenou s významnými bankovními, investičními a holdingovými aktivitami ve střední Evropě. Jeho vystoupení proto nelze redukovat na osobní nadšení z nového nástroje. Když takový člověk mluví o AI agentech, datové mapě, kapitálu a budoucnosti práce, jde o pohled z prostředí, kde se technologie poměřuje výkonem, řízením rizik, kapitálem a schopností rozhodovat.

To je pro českou a slovenskou podnikatelskou veřejnost podstatné. Mnoho menších firem sleduje AI z dálky: vidí nástroje, slogany a hype, ale nevidí, jak s nimi pracuje investiční špička. Veřejné vystoupení tohoto typu má proto vzdělávací hodnotu. Ukazuje, jak se z AI stává součást provozu: čtení výročních zpráv, práce s daty, organizace úkolů, řízení agentních oken, experimenty s robotikou a přemýšlení o tom, jak propojit software s reálným světem.

„Ľudia, ktorí budú chcieť pracovať, budú elitami.“

— Patrik Tkáč, vystoupení na TUKE, 00:11:31

Tato věta je důležitá proto, že nejde o jednoduché tvrzení, že práci nahradí stroje. Její smysl je přesnější: novou výhodu získají lidé, kteří budou chtít pracovat s technologiemi aktivně, skládat je do workflow, kriticky ověřovat výstupy a organizovat práci ostatních — lidí i agentů. V tom je rozdíl mezi pasivním uživatelem AI a člověkem, který z AI vytváří operační kapacitu.

2. Co z vystoupení skutečně plyne: nejde o AI hype, ale o operační model

Silná část vystoupení se týká způsobu, jakým Tkáč popisuje své používání Claude Code CLI. Důležité není jen jméno konkrétního nástroje. Důležité je, že terminál a agentní rozhraní chápe jako řídicí vrstvu nad analytickou a provozní prací. Ekonom, nikoli klasický programátor, zde popisuje schopnost ovládat infrastrukturu, spouštět analýzy, pracovat s výročními zprávami a koordinovat technické systémy.

„Ja sa vďaka Claude Code CLI cítim ako nadčlovek.“

— Patrik Tkáč, vystoupení na TUKE, 00:20:13

Tato citace by se neměla číst jako nadsázka o neomezené moci jednotlivce. Analyticky je přesnější číst ji jako popis rozšířené pracovní kapacity. Člověk získává schopnost spouštět více úloh, rychleji formulovat hypotézy, číst více dokumentů, porovnávat více variant a vracet se k rozhodnutí s širším podkladem. To je zásadní změna produktivity, ale zároveň i zásadní změna odpovědnosti: čím více vláken agent zpracuje, tím důležitější je kontrola vstupů, metodiky a výsledků.

Tkáč následně používá příklad Renaissance Technologies a Jima Simonse, aby ukázal, že něco podobného se děje i s kapitálovou bariérou analytiky. Historicky byly rozsáhlé datové a kvantitativní systémy výsadou fondů s extrémním kapitálem, špičkovými týmy a dlouhodobě budovanou infrastrukturou. AI tuto výhodu neruší úplně, ale zmenšuje část bariéry: sběr, čtení, třídění a prvotní analýza informací jsou dostupnější.

„Všetkých tých jeho ľudí mám u mňa na stole.“

— Patrik Tkáč, vystoupení na TUKE, 00:30:51

To je jádro názvu této analýzy: konec kapitálové bariéry není konec pravidel. Menší firma může získat nástroje, které dříve připomínaly interní analytické oddělení velké skupiny. Ale pokud nemá kvalitní data, procesy, kontrolu, právní rámec a odpovědnost, rychlost se může obrátit proti ní. AI demokratizuje kapacitu, ne moudrost. Tu musí dodat architektura, metodika a řízení.

Pět operačních závěrů z přednášky

3. Dátová mapa jako jádro: bez identity agent neví, co je realita

Nejdůležitější pasáž přednášky není samotné nadšení z CLI. Je to vysvětlení datové mapy, „mergingu“ a UID. Tkáč zde říká něco zásadního: jazykový model sám o sobě pracuje s textem, nikoli s reálným světem. Když mu člověk dá větu, model nerozumí automaticky tomu, ke které konkrétní osobě, firmě, objektu, smlouvě, účtu nebo oprávnění se věta vztahuje. Aby agent mohl bezpečně jednat, musí být jazykový pokyn přeložen do datové struktury.

„...nazývame to dátová mapa. To je taký ako zaklínadlo... keď poviete chatu GPT nejakú vetu, tak chápete, že to je iba text... netuší žiadnu spojitosť s reálnym svetom.“

— Patrik Tkáč, vystoupení na TUKE, 00:47:06

Tím se dostáváme k rozdílu mezi chatbotem a operačním agentem. Chatbot může formulovat odpověď. Operační agent musí vědět, k jakému objektu se odpověď vztahuje. Pokud má například vykonat pokyn „zavolej mé matce“, nestačí znát slovo „matka“. Systém musí znát identitu uživatele, jeho vztahy, konkrétní osobu, kontakt, oprávnění a účel akce.

„...takzvaný merging. To je zosobnenie akéhokoľvek predmetu vrátane osôb, aby váš model... vedel, že to je ten konkrétny predmet.“

— Patrik Tkáč, vystoupení na TUKE, 00:47:32

Merging je v tomto smyslu proces ukotvení abstraktního pojmu do konkrétní reality. Slovo se překládá do entity. Věta se překládá do vztahu. Pokyn se překládá do oprávněné akce. Teprve tehdy lze od AI chtít, aby dělala něco víc než generovala text.

„...moje UID, moje jediné číslo, ktoré ma zosobňuje.“

— Patrik Tkáč, vystoupení na TUKE, 00:48:29

UID je zde klíčové. Není to technická drobnost, ale základní identifikátor reality. Bez jednoznačného identifikátoru systém neví, o kterého člověka, firmu nebo objekt jde. Pokud agent pracuje s nejednoznačnými entitami, roste riziko chybné akce, záměny osoby, porušení pravidel nebo neauditovatelného rozhodnutí.

„LLMko vie, že mama je osoba, tak ide v našej dátovej mape do takzvanej schémy person... nájde UID, ktoré súvisí s mojou mamou.“

— Patrik Tkáč, vystoupení na TUKE, 00:48:42

Toto je pro firmy zásadní lekce. Každá organizace má své „schéma person“, „schéma company“, „schéma asset“, „schéma contract“, „schéma role“ a „schéma approval“. Pokud nejsou tato schémata vytvořena, ověřena a propojena, agentní automatizace bude pracovat s domněnkami. A v regulovaném prostředí jsou domněnky málo.

„...robotovi sa organizovanou formou nazhromaždia informácie o reálnom svete. To je to prepojenie.“

— Patrik Tkáč, vystoupení na TUKE, 00:49:04

Právě tato věta uzavírá celý technický argument. AI agent není bezpečný proto, že je chytrý. Je bezpečný tehdy, když dostane organizovanou formu informací o reálném světě: identitu, vztahy, pravidla, kontext, oprávnění a auditní stopu.

4. Souvislost s BlockID: stejný strukturální problém, jiné použití

V tomto bodě vzniká přirozená souvislost s konceptem BlockID na Tokenizace.cz. Nejde o tvrzení, že Patrik Tkáč mluvil o BlockID nebo že by komentoval Tokenizace.cz. Jde o analytickou paralelu: Tkáčův popis datové mapy, UID a vztahové databáze ukazuje stejný strukturální problém, který musí řešit každá důvěryhodná agentní a tokenizační infrastruktura.

BlockID lze v tomto výkladu chápat jako digitální identitní a governance vrstvu firmy nebo osoby. Ne jako marketingový štítek, ne jako rating a ne jako regulatorní schválení. Je to uspořádaný profil, který nese ověřené údaje, vlastnickou a řídicí strukturu, role, mandáty, dokumenty, compliance statusy, oprávnění, historii rozhodnutí a auditní stopu. Tam, kde Tkáčův příklad ukazuje, že agent musí najít správné UID osoby, firemní praxe vyžaduje, aby agent našel správnou firmu, správného vlastníka, správné oprávnění, správný dokument a správný regulatorní režim.

U jednoduchého příkladu „zavolej mé matce“ jde o vztah mezi osobami. U firmy může pokyn znít: připrav whitepaper, ověř UBO strukturu, zkontroluj AML/KYC status, navrhni tokenizační model, připrav podklad pro investora nebo vyhodnoť sandbox readiness. Takový agent nesmí pracovat jen s textovou fantazií. Musí vědět, kdo je zadavatel, co firma vlastní, kdo smí schvalovat, jaké dokumenty jsou platné, jaká pravidla se uplatní a co se má uložit do auditní stopy.

Proto je BlockID v našem modelu předpokladem, nikoli doplňkem. Bez něj může AI pomoci napsat text. S ním může pomoci řídit proces. A mezi textem a procesem leží přesně ta hranice, kde začíná compliance, odpovědnost a důvěra.

5. Regulace jako ochranný systém: co není řízené, není škálovatelné

Ve veřejné debatě se regulace často líčí jako brzda inovací. V institucionálním světě je přesnější říci, že regulace je převodník mezi technologickou možností a důvěryhodnou infrastrukturou. Banky, kapitálové trhy, správci aktiv, platební systémy ani burzy nemohou fungovat jen na základě nápadu. Fungují díky pravidlům, evidenci, odpovědnosti, dohledu, kapitálovým požadavkům, kontrolám a auditní stopě.

Tkáčův výklad datové mapy je technickým ekvivalentem regulatorní logiky. Regulátor se v jádru ptá na podobné otázky jako dobře navržený agentní systém: kdo jedná, na základě čeho, s jakým oprávněním, vůči komu, s jakým rizikem, podle jakého pravidla, jak je rozhodnutí doloženo a kdo za něj odpovídá. Čím autonomnější budou AI agenti, tím méně bude možné spoléhat na improvizaci.

Evropský AI Act vytváří harmonizovaný rámec pro AI systémy v EU. MiCA vytváří pravidla pro trhy s kryptoaktivy. MiFID, AML/KYC pravidla, GDPR, DORA a sandboxové režimy doplňují širší institucionální kontext. Evropská centrální banka a další infrastruktury současně zkoumají tokenizaci, DLT a vypořádání v penězích centrální banky. Společný jmenovatel je zřejmý: digitální kapitál, AI agenti a tokenizace se budou rozvíjet jen tehdy, když budou propojené s pravidly.

Regulace proto není opakem inovace. Je to způsob, jak zajistit, aby se inovace dala použít ve světě, kde existují klienti, peníze, vlastnictví, odpovědnost, daně, účetnictví, soudy a dohledové autority. Co není řízené, není škálovatelné. Co není dohledatelné, není důvěryhodné. A co nemá identitu, vztahy a pravidla, nemůže být bezpečně automatizované.

6. Jak do toho zapadají velké analytické rámce

Carlota Perez: instalace a nasazení

Carlota Perez rozlišuje fázi instalace nové technologie a fázi jejího masového nasazení. Tkáčův způsob práce s CLI, datovou mapou a agentními systémy odpovídá fázi instalace: špička experimentuje s nástroji dříve, než existují hotové standardy. Pro běžné firmy je důležité nečekat, až se z experimentu stane povinnost trhu, ale připravovat datový a procesní základ včas.

Rogers a Moore: inovátor dnes, mainstream zítra

Everett Rogers popisuje šíření inovací od inovátorů přes rané osvojitele k většině. Geoffrey Moore upozorňuje na propast mezi technologickými průkopníky a pragmatickým mainstreamem. Tkáč zde reprezentuje inovátorskou praxi. Úkolem Tokenizace.cz není kopírovat jeho individuální setup, ale přeložit principy do srozumitelného a regulovaného workflow pro firmy a jednotlivce.

Porter: vstupní bariéry a nové konkurenční pole

Michael Porter ukazuje, že vstupní bariéry formují konkurenční prostředí. AI snižuje bariéru analytické kapacity, ale vytváří novou bariéru: kvalitu vlastních dat, procesů, reputace, governance a compliance. Menší firma může díky AI dohnat část analytické výhody velkých hráčů, ale jen pokud má čitelný a ověřitelný základ.

Damodaran: příběh a čísla

Aswath Damodaran zdůrazňuje propojení narativu a čísel. AI může pomoci firmě formulovat příběh, ale investor bude chtít důkazy: tržby, náklady, cash flow, zákazníky, dokumenty, rizika a regulatorní status. Strukturovaný firemní profil proto není jen administrativní nástroj; je to způsob, jak převést příběh firmy do podkladů použitelných pro ocenění.

Christensen a Jobs-to-be-Done

Clayton Christensen připomíná, že zákazník nekupuje technologii, ale řešení konkrétního úkolu. Firma si nekupuje AI proto, aby měla AI. Potřebuje rychleji pochopit regulaci, připravit dokumentaci, snížit náklady, získat kapitál, projít due diligence nebo otestovat tokenizační model. To je skutečný „job“, který má agentní a tokenizační infrastruktura splnit.

Karpathy a Software 2.0

Koncept Software 2.0 popisuje posun od ručně psaných pravidel k systémům, které se učí z dat. To ale neznamená konec architektury. Naopak: architektura se přesouvá do datových struktur, evaluací, policy enginů, monitoringu a pravidel exekuce. Tkáčova datová mapa je praktickým mostem mezi učeným modelem a řízeným provozem.

Greenspan: nejistota a řízení rizik

Alan Greenspan ve svých textech o měnové politice pod nejistotou připomíná, že nejistota není výjimkou, ale základní podmínkou rozhodování. Pro agentní ekonomiku to znamená, že nelze čekat na dokonalou jistotu. Je ale nutné mít risk-management, který pracuje se scénáři, pravděpodobnostmi, limity, pravidly a odpovědností.

7. Co se mění pro firmy: datová připravenost je nová forma kapitálu

Tradičně se kapitál chápal jako peníze, aktiva, úvěrová kapacita nebo vlastnický podíl. V digitálním prostředí se k tomu přidává další vrstva: datová připravenost. Firma, která má ověřenou identitu, vlastnickou strukturu, dokumenty, procesy, rizika, reporting a pravidla, má nižší transakční náklady. Snáze se prověřuje. Snáze se vysvětluje investorovi. Snáze se připravuje na sandbox, audit, tokenizaci nebo institucionální partnerství.

Naopak firma bez strukturovaných dat je pro agentní svět nečitelná. Může mít dobrý produkt, ale její procesy jsou špatně doložitelné. Může mít zajímavý příběh, ale chybí číselné a právní podklady. Může chtít tokenizaci, ale nemá připravené ownership údaje, KYC/AML, rozhodovací mandáty, dokumentaci a regulatorní mapu.

Praktický závěr je střízlivý: nezačínat tokenem, nezačínat hype kampaní a nezačínat slibem výnosu. Začít daty, identitou, dokumenty, rolemi, riziky, pravidly a auditní stopou. Teprve potom dává smysl AI workflow, sandbox readiness, tokenizační model a digitální kapitál.

8. Co se mění pro jednotlivce: osobní profil, reputace a schopnost učit se

Tkáčova věta o lidech, kteří budou chtít pracovat, se netýká jen firem. Týká se i jednotlivců. Budoucí výhoda nebude jen v tom, kdo má přístup k AI nástroji. Přístup bude mít téměř každý. Rozdíl bude v tom, kdo chápe data, vztahy, pravidla, kontext a odpovědnost. Osobní profil v prostředí Tokenizace.cz proto není jen účet. Je to vzdělávací a reputační vrstva: místo, kde člověk postupně rozumí digitálnímu kapitálu, tokenizaci, regulaci, AI agentům, due diligence a práci s ověřenými informacemi.

To má i širší společenský rozměr. Pokud se AI a tokenizace stanou pouze nástrojem úzké elity, zvětší se nerovnost znalostí. Pokud se však principy vysvětlí srozumitelně, postupně a podle pravidel, mohou pomoci firmám, studentům, investorům i běžným profesionálům pochopit, co se děje, a připravit se bez paniky a bez podléhání marketingovým zkratkám.

9. Tokenizace jako další logický krok: pravidla pro digitální kapitál

Tokenizace není jen technický převod aktiva na blockchain. V regulovaném pojetí je to proces, který spojuje identitu, vlastnictví, pravidla převoditelnosti, dokumentaci, investiční logiku, reporting, compliance a vypořádání. Pokud AI agenti zvyšují schopnost analyzovat a řídit firmu, tokenizace zvyšuje schopnost reprezentovat její hodnotu, práva a vztahy digitálně.

Právě proto se AI a tokenizace přirozeně potkávají. AI potřebuje data a kontext. Tokenizace potřebuje ověřená data, pravidla a audit. Regulace potřebuje dohledovatelnost. Investor potřebuje důvěru. Firma potřebuje přístup ke kapitálu. Všechny tyto potřeby konvergují do jedné infrastruktury: ověřená identita, datová mapa, pravidla, agentní workflow a auditovatelný digitální záznam.

Tkáčův příklad s UID a datovou mapou proto není okrajová technická pasáž. Je to praktický popis podmínky, bez které nemůže vzniknout důvěryhodná agentní ekonomika. A pokud se tato ekonomika má spojit s kapitálem, aktivy a investory, musí přejít do regulovaného, dohledovatelného a pravidlového režimu.

10. Závěr: elita ukazuje směr, infrastruktura jej převádí do praxe

Patrik Tkáč ve veřejném vystoupení neukazuje jen to, že AI je důležitá. Ukazuje, jak ji může používat člověk z investiční a podnikatelské špičky: jako orchestr pro práci s daty, analýzami, vztahy a exekucí. Největší hodnota přednášky ale neleží ve fascinaci nástrojem. Leží v pochopení, že silný agent potřebuje pevný svět: identitu, vztahy, pravidla, dokumenty, odpovědnost a auditní stopu.

Pro Tokenizace.cz z toho plyne jasný závěr: digitální kapitál nezačíná tokenem. Začíná tím, že firma nebo osoba ví, kdo je, co vlastní, jaké má role, jaké má závazky, jaká pravidla se na ni vztahují a jak se to dá doložit. Teprve potom mohou agenti bezpečně pomáhat. Teprve potom může tokenizace dávat smysl. A teprve potom se z technologie může stát důvěryhodná infrastruktura.

Konec kapitálové bariéry tedy neznamená konec odpovědnosti. Znamená začátek nové soutěže: vyhraje ten, kdo bude mít lepší data, lepší pravidla, lepší metodiku, lepší audit a lepší schopnost převést technologii do srozumitelné a regulované praxe. V tom se potkává AI, regulace, blockchain, BlockID a tokenizace.

V tomto článku jsme si proto nejprve zasadili Patrika Tkáče do kontextu: ne jako vzdáleného komentátora technologických trendů, ale jako podnikatele a investora, který se dlouhodobě pohybuje v oborech, kde rozhodují data, kapitál, pravidla, důvěra a odpovědnost. Právě z bankovnictví, investic, energetiky, retailu a regulovaných finančních struktur přichází zkušenost, která má pro veřejnou debatu mimořádnou hodnotu. Když lidé s takovým výsledkovým zázemím vstupují do veřejného prostoru a ukazují, jak skutečně pracují s AI, nejde o reklamu na nástroj. Je to vzácný vhled do toho, jak se mění samotná architektura práce, řízení a konkurenceschopnosti.

Analýza ukázala čtyři hlavní závěry. Zaprvé, AI nesnižuje význam lidské práce, ale mění její těžiště: rutinu, sběr dat a první návrhy přebírá software, zatímco člověk musí lépe definovat zadání, kontrolovat výstupy a nést odpovědnost za rozhodnutí. Zadruhé, kapitálová bariéra slábne, protože analytická kapacita, která byla dříve dostupná jen velkým fondům a institucím, se postupně otevírá menším firmám i jednotlivcům. Zatřetí, bez datové mapy, UID, vztahů a schémat se AI agent nemůže bezpečně propojit s realitou. A začtvrté, právě proto se budoucnost AI přirozeně potkává s regulací, digitální identitou, auditní stopou a tokenizací: co má jednat, rozhodovat nebo připravovat kapitálovou infrastrukturu, musí být ukotvené v pravidlech.

Zvlášť důležitý je i závěr Tkáčova vystoupení, v němž vystupuje nejen jako podnikatel a investor, ale také jako podporovatel talentu. Když studentům říká, že kdo přijde s dobrým nápadem, tomu rád poskytne tokeny na výpočetní prostředky, vysílá tím silný společenský signál: budoucnost nebude patřit jen těm, kdo už mají kapitál, ale také těm, kdo mají schopnost učit se, tvořit, klást dobré otázky a využít nové nástroje odpovědně. V tomto smyslu je celé vystoupení větší než debata o AI. Je to výzva k práci, vzdělání, datové disciplíně a vytváření pravidel, která umožní, aby se technologická síla proměnila v důvěryhodný rozvoj firem, jednotlivců i společnosti.

Zdroje a metodická poznámka

Primární zdroj k citacím: veřejné vystoupení Patrika Tkáče na Technické univerzitě v Košicích, video dostupné na YouTube: https://youtu.be/AV1wiqoahd8. Časové značky v textu byly kontrolovány proti videu.

Profil Patrika Tkáče: veřejně dostupné profilové a institucionální zdroje k J&T Finance Group, EP Global Commerce a souvisejícím investičním aktivitám. Před publikací doporučujeme doplnit přesné odkazy podle redakčního citačního standardu Tokenizace.cz.

Regulatorní kontext: Regulation (EU) 2024/1689, Artificial Intelligence Act; Regulation (EU) 2023/1114, Markets in Crypto-assets; související rámce MiFID, AML/KYC, GDPR, DORA a veřejné materiály ECB k tokenizaci a DLT.

Analytické rámce: Barbara Minto, Carlota Perez, Everett Rogers, Geoffrey Moore, Clayton Christensen, Michael Porter, Aswath Damodaran, W. Chan Kim a Renée Mauborgne, Andrej Karpathy a Alan Greenspan. Rámce jsou použity interpretačně; nejde o tvrzení, že tito autoři komentovali vystoupení Patrika Tkáče nebo Tokenizace.cz.

Publikační upozornění: Text je redakční analýzou veřejného vystoupení a slouží ke vzdělávacím a informačním účelům. Neobsahuje investiční doporučení, slib výnosu ani výzvu k nákupu tokenů.

Redakční poznámka a zdrojová transparentnost

Tento text je autorskou analytickou interpretací veřejného vystoupení Patrika Tkáče na Technické univerzitě v Košicích v dubnu 2026. Analýzu zpracovala redakce Tokenizace.cz pro vzdělávací, informační a analytické účely. Citace použité v textu vycházejí z veřejně dostupného videozáznamu vystoupení a jsou uváděny v původním jazyce s časovým označením.

Text nepředstavuje investiční, právní, daňové ani jiné odborné doporučení. Tokenizace.cz není ve spojení s Patrikem Tkáčem, skupinou J&T ani s dalšími jím zmiňovanými subjekty, pokud není výslovně uvedeno jinak. Veškeré paralely mezi myšlenkami z vystoupení a tématy, jako jsou BlockID, AI agenti, regulovaná tokenizace, datová mapa, digitální identita nebo compliance infrastruktura, představují redakční analytický výklad Tokenizace.cz.

Při citování nebo dalším použití této analýzy prosíme uvádět zdroj: Tokenizace.cz – Analýza: Patrik Tkáč na TUKE o AI agentech, datech a konci kapitálové bariéry.