Cíle Německa v oblasti umělé inteligence do roku 2030: Osmnáct opatření nevytvoří jediný ziskový trh s umělou inteligencí – Co firmy skutečně potřebují

Více umělé inteligence, ale příliš malý dopad? Na čem teď záleží pro německou ekonomiku

Iniciativa německé vlády v oblasti umělé inteligence: Jak se financování stane skutečným trhem

Německo si klade za cíl stát se do roku 2030 předním národem v oblasti umělé inteligence. Německá vláda k dosažení tohoto cíle formulovala 18 klíčových opatření a ambiciózních cílů: Umělá inteligence by se měla v podnicích a veřejných orgánech používat výrazně častěji a měla by více přispívat k hospodářskému výkonu. Politická rozhodnutí, programy financování a další datová centra však samy o sobě nezaručují hospodářský úspěch. Klíčovým faktorem je, zda se firmy s umělou inteligencí stanou měřitelně produktivnějšími, zda veřejné orgány mohou lépe plnit své úkoly a zda poskytovatelé technologií dokáží z pilotních projektů vyvinout udržitelné obchodní modely.

Právě v tom spočívá výzva. Využívání umělé inteligence se zvyšuje, ale mezi počátečním experimentováním a hlubokou integrací do pracovních postupů často existuje mezera. Zejména malé a střední podniky (MSP) čelí vysokým nákladům, omezeným lidským zdrojům a složitým problémům týkajícím se dat, bezpečnosti a technické integrace. Zároveň si musí vláda ujasnit, kde může působit jako spolehlivý zákazník a podporovatel – a kde nové programy pouze duplikují stávající nabídky nebo vytvářejí závislosti.

Tento článek zkoumá německou strategii umělé inteligence z ekonomického hlediska: Co brání přechodu od aplikace k tvorbě hodnoty? Jakou roli hraje veřejná poptávka, evropští dodavatelé a průmyslová spolupráce? A jak můžeme zjistit, zda jsou finanční opatření skutečně účinná? Ústřední teze: Úspěch nezávisí na počtu opatření, ale na tom, zda odstraňují specifická úzká hrdla a umožňují měřitelné a udržitelné výsledky.

Německá strategie umělé inteligence podrobena ekonomické zkoušce: Jak politická opatření vytvářejí konkurenční trhy

Německo nepotřebuje co nejrozsáhlejší soubor programů pro umělou inteligenci. Potřebuje společnosti, které se díky umělé inteligenci stanou produktivnějšími, veřejné instituce, které plní své úkoly efektivněji, a poskytovatele technologií, kteří vyvíjejí životaschopné obchodní modely z opakovatelných řešení. Právě to určí, zda bude národní strategie pro umělou inteligenci ekonomicky úspěšná. Počet politických opatření není o nic spolehlivějším měřítkem než počet financovaných projektů nebo velikost ohlášených datových center.

Německá vláda s vizí stát se do roku 2030 národem řízeným umělou inteligencí konsolidovala 18 klíčových meziresortních opatření. Mezi veřejně deklarované cíle patří využívání umělé inteligence alespoň 80 procenty velkých společností a 55 procenty malých a středních podniků (MSP). Dále má 90 procent federálních agentur používat alespoň jednu aplikaci umělé inteligence pro své hlavní úkoly. Více než deset procent ekonomického výkonu má být generováno pomocí umělé inteligence. Tyto cíle jsou ambiciózní. Zda však skutečně popisují ekonomickou transformaci, závisí do značné míry na tom, jak je definováno využití, tvorba hodnoty a úspěch.

Společnost může nasadit textového asistenta a být tak považována za uživatele umělé inteligence. To automaticky neznamená, že se její výrobní náklady sníží, její prodeje budou úspěšnější nebo se zvýší míra inovací. Vládní agentura může pomocí umělé inteligence podporovat jediný proces, zatímco drtivá většina jejích procesů zůstane nezměněna. A ekonomickou výkonnost založenou na umělé inteligenci lze smysluplně měřit pouze tehdy, pokud se rozlišuje mezi příjmy poskytovatelů umělé inteligence, aktivitami podporovanými umělou inteligencí a skutečně vytvořenou přidanou hodnotou.

Klíčovou ekonomickou otázkou tedy není, zda Německo přijalo dostatek opatření. Jde o to, zda tato opatření řeší správná úzká hrdla. Mezi ně patří nedostatečná poptávka, nedostatečně zpracovaná data, vysoké náklady na integraci, nejisté obchodní modely a příliš pomalý přechod od výsledků výzkumu k tržně dostupným produktům.

Účinná politika v oblasti umělé inteligence musí tyto problémy řešit odlišně. Nesmí ani prohlašovat každou podnikatelskou obtíž za důvod k financování, ani se spoléhat na předpoklad, že trh bez vhodné infrastruktury a spolehlivých rámcových podmínek automaticky vyprodukuje mezinárodně konkurenceschopné poskytovatele.

Skutečný rozdíl leží mezi počátečním použitím a ekonomickým pronikáním

Dostupná obchodní data odhalují důležitý vývoj: AI již v Německu není pouze experimentálním tématem. Do roku 2025 umělou inteligenci používalo 26 procent dotázaných firem. U malých podniků s 10 až 49 zaměstnanci to bylo 23 procent, u středních podniků s 50 až 249 zaměstnanci 36 procent a u velkých podniků s 250 a více zaměstnanci 57 procent. Tato čísla se vztahují ke statisticky zaznamenaným velikostním kategoriím a nelze je přímo extrapolovat na všechny mikropodniky a osoby samostatně výdělečně činné.

To vedlo k rozdílu 34 procentních bodů mezi malými a velkými společnostmi. To je ekonomicky významnější než pouhé sledování průměrné míry využití. Velké společnosti mohou rozložit náklady na přípravu dat, technickou integraci, právní kontrolu a školení zaměstnanců mezi více zaměstnanců a obchodních procesů. Častěji také disponují vlastními IT odděleními a dostatečnými finančními rezervami k testování více případů užití.

Pro menší firmu může stejný vstup do AI představovat výrazně větší organizační zátěž. Management musí nejen posoudit technologii, ale také vybrat dodavatele, vyjasnit přístup k datům a zajistit bezpečnost probíhajících procesů. I když aplikace AI technicky funguje, její implementace může selhat kvůli nedostatku času a nejasným odpovědnostem.

Důležitý je také typ použití. Mezi společnostmi využívajícími umělou inteligenci jich v roce 2025 27 procent využilo pro automatizaci pracovních postupů nebo rozhodování. Šest procent je použilo pro autonomní pohyb strojů. Tato čísla se výslovně vztahují na společnosti, které již umělou inteligenci používají, nikoli na celou podnikovou populaci. Ukazují, že obecná míra využití a hluboká integrace do provozních procesů jsou odlišné pojmy.

To objasňuje potřebu opatření v oblasti hospodářské politiky: Německo musí nejen seznámit více firem s umělou inteligencí. Musí také usnadnit přechod od občasného používání k robustním, opakovatelným a ekonomicky relevantním aplikacím.

Textový nástroj může být užitečným výchozím bodem. Většího nárůstu produktivity však často dochází pouze tehdy, když se změní i informační toky, odpovědnosti a provozní procesy. Právě tento druhý krok je pro statistiky politické úspěšnosti náročnější, dražší a méně vhodný.

Proč malé počáteční rozpočty nefinancují průmyslovou implementaci

Diskuse o málo financovaných projektech umělé inteligence se dotýká skutečného problému snižování nákladů. Existují značné rozdíly mezi nástrojem pro stručnou orientaci a aplikací připravenou k produkčnímu využití. Rozpočet například 2 000 EUR by mohl stačit na jasně definovaný workshop, úvodní analýzu potenciálu nebo nastavení jednoduchého standardního nástroje. Není to však realistický rámec financování pro integrované řešení na míru s náročnými bezpečnostními požadavky.

Příklad výpočtu ilustruje rozsah nákladů. Za předpokladu externí denní sazby 1 000 EUR pokrývá takový rozpočet dva pracovní dny. Z této částky je nutné uhradit přípravu, koordinaci, provedení a dokumentaci. To ponechává jen malý prostor pro důkladnou analýzu procesů, vícenásobné systémové integrace, robustní testovací fázi a školení různých skupin uživatelů. Tento výpočet slouží pouze pro ilustrační účely a nepředstavuje obecnou tržní cenu.

Problém tedy nemusí nutně spočívat v existenci malých počátečních rozpočtů. Problém nastává, když se zamění orientační nástroj s implementačním nástrojem. Každý, kdo očekává komplexní transformaci s malým množstvím peněz, vytváří zklamání na obou stranách: zákazník nedostane produktivní řešení a poskytovatel nemůže dodat životaschopnou službu.

Dobře navržený model podpory by musel zohledňovat různé úrovně zralosti. První otázkou, kterou je třeba zodpovědět, je, který případ užití má ekonomický smysl. Následuje omezený test s jasně definovanými kritérii úspěšnosti. Teprve poté by měla být financována integrace do probíhajících operací. Škálování na další lokality, oddělení nebo zákazníky je zcela samostatný úkol.

Zásadní je, co se stane po počátečním financování. Jednorázová konzultace nevytváří dlouhodobě udržitelný trh. Spolehlivý ukazatel ekonomických přínosů bude existovat pouze tehdy, když budou společnosti ochotny i nadále financovat řešení z vlastních zdrojů.

Veřejná podpora by proto neměla usilovat o generování co největšího počtu nezávazných prvních kontaktů, ale spíše o usnadnění přechodu k samofinancovaným následným investicím. Úspěch vstupního programu by se pak neměřil počtem vydaných poukázek, ale produktivními aplikacemi, jejich dalším využíváním a jejich prokazatelným přínosem pro hospodářský výsledek společnosti.

Pro mladé společnosti zabývající se umělou inteligencí je poptávka často cennější než dodatečné financování projektů

Pro poskytovatele technologií se financování a příjmy od zákazníka zásadně liší. Financování financuje specifické vývojové práce. Platící zákazník naopak potvrzuje, že konkrétní služba poskytuje dostatečný užitek v reálných podmínkách.

Tento rozdíl ovlivňuje celý obchodní model. Opakující se příjmy umožňují plánování pracovní síly, zlepšují vyjednávací pozici s investory a poskytují vhled do toho, jaké funkce zákazníci skutečně potřebují. Úspěšně dokončený vývojový projekt může být užitečný, ale důsledně používaný produkt je silnějším základem pro růst.

Zejména na trhu s umělou inteligencí existuje riziko, že společnosti provádějí příliš mnoho individuálních demonstračních projektů, aniž by vytvořily škálovatelnou nabídku. Každý nový zákazník pak obdrží řešení na míru. Tržby sice mohou růst, ale personální náklady se zvyšují stejným tempem. Společnost zůstává ekonomicky poskytovatelem projektově orientovaných služeb, i když se navenek prezentuje jako poskytovatel škálovatelného softwaru.

To není samo o sobě špatné. Specializované poradenství a integrace mohou být také cennými obchodními modely. Z hlediska hospodářské politiky je však třeba jasně rozlišovat mezi programy, které financují služby, vytvářejí standardizovaný produkt nebo podporují vývoj základní technologie.

Pro poskytovatele škálovatelné umělé inteligence je obzvláště důležité, zda lze řešení nasadit u jiných zákazníků s výrazně menším dodatečným úsilím. Opakovaně použitelná rozhraní, standardizované bezpečnostní funkce a jasně definované operační modely jsou v tomto ohledu často důležitější než další velkolepá demonstrace.

Ekonomicky orientovaná politika v oblasti umělé inteligence by proto neměla pouze podporovat vývojové aktivity. Musí také zlepšit podmínky, za kterých se pilotní zákazníci stanou stálými zákazníky. To zahrnuje jasné požadavky, spolehlivé platební podmínky, přenositelné technické standardy a poptávku, která nezmizí s ukončením programu.

Stát jakožto kotevní zákazník musí být spolehlivý, aniž by vytvářel nové závislosti

Německá vláda výslovně popisuje stát jako potenciálního hlavního zákazníka pro modely a aplikace umělé inteligence. To je založeno na logickém ekonomickém mechanismu: Veřejné instituce potřebují vysoce výkonné digitální nástroje, zatímco mladí poskytovatelé potřebují solidní poptávku, praktické zkušenosti a reference. Pokud se obě strany efektivně spojí, může vzniknout samoregulační trh.

Pouhé prohlášení státu za hlavního zákazníka však nestačí. Jeho poptávka musí být pro dodavatele předvídatelná a ekonomicky zvládnutelná. Pokud každá instituce prosazuje svá vlastní technická řešení, náklady na adaptaci se znásobí. Dodavatel sice může získat jednotlivé zákazníky, ale ne škálovatelný základ.

Společná rozhraní a opakovaně použitelné komponenty mohou tento problém zmírnit. Řešení pro podporu zpracování dokumentů by nemělo být nutné pro každou agenturu kompletně přepracovávat. Zároveň je nutné zohlednit různé profesní požadavky. Standardizace tedy neznamená sjednocení všech administrativních procesů, ale spíše vytvoření společných technických základů.

Stát musí vyvážit dva zájmy. Na jedné straně může být prospěšné strategicky rozvíjet evropské dodavatele jako seriózní účastníky trhu. Na druhé straně to nesmí vést k trvalé záruce odběru ekonomicky nebo technicky nedostatečných produktů. Rozhodnutí o původu nenahrazuje hodnocení výkonnosti.

I evropský poskytovatel si může vytvořit silnou závislost mezi svými zákazníky. Uzavřené datové formáty, obtížně přenositelné úpravy a nejasné možnosti přepínání zůstávají problematické, bez ohledu na umístění společnosti. Proto suverénní veřejné používání umělé inteligence vyžaduje nejen specifický geografický původ, ale také zaměnitelnost a kontrolu.

Vláda by byla dobrým kotevním zákazníkem, pokud by stanovila náročné a realistické požadavky, spolehlivě využívala úspěšná řešení a zároveň zajistila, aby změna poskytovatele byla technicky možná v pozdější době. To vytváří poptávku, aniž by obětovala konkurenci a tlak na inovace.

Mistral je pro Evropu majákem naděje, ale ne úplnou strategií suverenity

Společnost Mistral je příkladem otázky, zda si Evropa dokáže vybudovat vlastní vysoce výkonné poskytovatele umělé inteligence. Společnost vyvíjí modely a stále častěji je kombinuje s nabídkami pro podnikové využití. Spolu se společností SAP pracuje na suverénní platformě umělé inteligence pro evropské firemní zákazníky. Cílem je konsolidovat vývoj modelů, podnikový software a řiditelná operační prostředí.

Z ekonomického hlediska dává toto spojení smysl. Výkonný model sám o sobě neřeší obchodní problém. Vyžaduje přístup k relevantním datům, integraci se stávajícím softwarem a jasná pravidla pro oprávnění, protokolování a odpovědnost. Zavedený poskytovatel podnikového softwaru může v tomto ohledu nabídnout výrazně lepší přístup na trh než izolovaný poskytovatel modelu.

Bylo by však riskantní ztotožňovat evropskou suverenitu v oblasti umělé inteligence s úspěchem jediné společnosti. Poskytovatel s národní nebo evropskou preferencí může být strategicky důležitý, ale zůstává společností s vlastními ekonomickými zájmy, technologickými omezeními a finančními riziky.

Systém umělé inteligence se navíc skládá z několika vrstev. I evropský model může být trénován na neevropském hardwaru, záviset na specifických akceleračních čipech nebo fungovat prostřednictvím infrastruktury, jejíž základní komponenty jsou řízeny mimo Evropu. Suverenita tedy není binární vlastností.

Spíše by se měl měřit podle stávajících závislostí, které z nich jsou ekonomicky přijatelné a pro které kritické funkce zůstávají k dispozici alternativy. Evropský model rozšiřuje možnosti výběru. Neodstraňuje však automaticky všechny ostatní závislosti.

Objektivně odůvodněný postoj je tedy tento: Evropa by měla vyvíjet a zavádět vysoce výkonné poskytovatele, jako je Mistral, jako skutečně konkurenceschopnou možnost. Zároveň je zapotřebí více poskytovatelů, otevřené provozní možnosti a možnosti technického přechodu. Legitimní zájem průmyslové politiky by neměl vést k nové strategii jediného poskytovatele.

Průmyslová umělá inteligence získává na popularitě tam, kde řeší konkrétní procesní problémy

Německá průmyslová základna nabízí klíčový výchozí bod pro ekonomicky relevantní umělou inteligenci. Výhoda však nespočívá jen v hojnosti strojů. Spočívá v souhře odborných znalostí, porozumění procesům, vztahů se zákazníky, technických dat a dlouholetých zkušeností se složitými systémy.

Spolupráce mezi společnostmi Airbus a Mistral tuto logiku ilustruje. Mezi identifikované oblasti použití patří průmyslové procesy, technická dokumentace, inženýrství, design a pomoc s podporou umělé inteligence během fází vývoje, testování a certifikace. Nejedná se o jednu obecnou aplikaci, ale spíše o řadu odlišných úkolů, z nichž každý má své specifické požadavky na kvalitu a bezpečnost.

Obzvláště zajímavé jsou úkoly, u kterých specialisté tráví spoustu času vyhledáváním, shromažďováním a ověřováním informací. Rychlejší vyhodnocování technické dokumentace sice nevede automaticky k novému produktu, ale může urychlit vývojové práce a uvolnit omezené odborné kapacity pro náročnější úkoly.

Totéž platí pro intralogistiku. Aplikace umělé inteligence by mohla strukturovat hlášení o poruchách, konsolidovat informace o údržbě nebo podporovat analýzu opakujících se problémů v závodě. Výhoda pak závisí méně na působivých schopnostech zpracování řeči než na kvalitě propojení se skutečnými daty z závodu a procesu.

Různé technické úkoly musí být odděleny. Jazykový model může být užitečný pro přístup k dokumentaci a znalostem. Pro přímé ovládání stroje nebo pro bezpečnostně kritické rozhodnutí musí být splněny různé požadavky. Ne každá průmyslová aplikace umělé inteligence je generativní jazykový systém.

Stávající partnerství mezi průmyslovými společnostmi, poskytovateli softwaru a vývojáři modelů proto mohou být cennější než dodatečný, abstraktní program financování. Jejich účinnost však musí být měřena konkrétními výsledky. Známá korporátní skupina sama o sobě není důkazem funkčního řešení.

Úspěšný průmyslový ekosystém by navíc neměl zahrnovat pouze velké korporace. Specializované střední podniky, integrátoři a menší softwarové společnosti musí mít přístup k rozhraním a trhům. V opačném případě vzniknou uzavřené platformy, jejichž výhody se v celé ekonomice projeví jen omezeně.

Naše odborné znalosti v oblasti rozvoje podnikání, prodeje a marketingu v EU a Německu - Obrázek: Xpert.Digital

Oblasti zájmu v průmyslu: B2B, digitalizace (od AI po XR), strojírenství, logistika, obnovitelné zdroje energie a průmysl

Více informací zde:

• Centrum pro expertní podnikání

Tematické centrum nabízející poznatky a odborné znalosti:

• Znalostní platforma zahrnující globální a regionální ekonomiky, inovace a trendy specifické pro dané odvětví
• Soubor analýz, poznatků a podkladových informací z našich klíčových oblastí zaměření
• Místo pro odborné znalosti a informace o aktuálním vývoji v oblasti podnikání a technologií
• Centrum pro firmy hledající informace o trzích, digitalizaci a inovacích v oboru

Zvýšení produktivity nastane až po odečtení všech dodatečných nákladů

Mnoho diskusí o umělé inteligenci se zaměřuje pouze na čas ušetřený během zpracování. To je pro ekonomické vyhodnocení nedostatečné. Klíčovou otázkou je, jaký přínos zbývá po zohlednění všech dodatečných nákladů a rizik.

Zjednodušený příklad ilustruje rozdíl. Společnost se 100 zaměstnanci ušetří používáním této aplikace deset minut na osobu denně. Při 220 pracovních dnech to odpovídá přibližně 3 667 hodinám ročně. Za předpokladu celkových nákladů 50 EUR za hodinu to vede k vypočítané potenciální časové hodnotě přibližně 183 000 EUR ročně.

Toto množství času se však automaticky nepromítá do dodatečného zisku ani odpovídající úspory v platebních transakcích. Pokud jsou uvolněné minuty rozptýleny mezi mnoho úkolů, mohou být produktivně využity jen částečně. Kromě toho existují náklady na licence, implementaci, podporu a monitorování.

Za předpokladu, že roční provozní náklady činí 60 000 EUR a že je skutečně realizována pouze polovina vypočítaného časového potenciálu, by roční přínos před započtením počátečních implementačních nákladů činil přibližně 31 500 EUR. Tento příklad je záměrně hypotetický, aby ilustroval, jak výrazně se může původně působivá hrubá částka změnit při bližším zkoumání.

U úkolů kritických pro kvalitu chyby nejenže stojí čas. Nepřesné technické informace mohou vést k přepracování, zpožděním nebo rizikům odpovědnosti. Naopak, vylepšená detekce chyb může vytvořit významné výhody, které nelze okamžitě kvantifikovat během několika minut.

Firmy proto potřebují hodnocení, které kombinuje čas, kvalitu, rychlost a riziko. Mezi smysluplné metriky patří například doba zpracování procesu, počet nezbytných oprav, využití vzácných kvalifikovaných pracovníků nebo náklady na jeden zpracovaný případ.

Politické programy by měly tuto perspektivu podporovat, místo aby odměňovaly co nejvyšší teoretický potenciál úspor. Z ekonomického hlediska není klíčové, jak rychle umělá inteligence vygeneruje návrh, ale jak efektivní se celý proces stane a jakým způsobem povede k použitelnému výsledku.

Evropská spolupráce je otázkou rozsahu, nikoli diplomatické soutěže

Konfrontace silnější orientace na Francii a spolupráce s Kanadou je příliš zjednodušující, pokud je chápána jako jediná možnost. Německá vláda uvádí jako součást svého přístupu jak evropské kapacity, tak mezinárodní partnerství. V této souvislosti je mimo jiné zdůrazněna spolupráce s Kanadou a podpora LawZero v oblasti vývoje umělé inteligence orientované na bezpečnost.

Z ekonomického hlediska musí být každé partnerství hodnoceno podle jeho specifického přínosu. Francie je pro Německo přirozeným partnerem při budování většího evropského trhu a při spolupráci s evropskými poskytovateli modelů. Kanada může přispět dodatečnými odbornými znalostmi v určitých oblastech výzkumu a technologií.

Relevantní otázkou tedy není, která země dostává větší politické pozornosti. Jde o to, zda spolupráce otevírá přístup k technologiím, kvalifikovaným pracovníkům, zákazníkům nebo doplňkovým znalostem. Partnerství bez provozních vazeb zůstává symbolické. Menší, ale produktivní spolupráce naopak může přinést měřitelné výhody.

Mezinárodní spolupráce by zároveň neměla zastínit skutečnost, že Evropa si musí řešit své vlastní problémy s velikostí. Různé technické požadavky a oddělené národní trhy mohou znamenat, že evropský dodavatel musí provádět významné úpravy pro každou novou skupinu zákazníků.

Pro rostoucí společnost zabývající se umělou inteligencí je proto skutečně použitelný evropský trh často důležitější než další rámec politické spolupráce. Společné požadavky, přenositelné důkazy a kompatibilní infrastruktury mohou umožnit škálování bez úplného odstranění národních specifik.

Chytrá strategie proto kombinuje dvě úrovně: Sdružuje evropskou poptávku a kapacity tam, kde je velikost klíčová, a zároveň zůstává otevřená mezinárodním partnerům, kteří nabízejí konkrétní technologické doplňky. Otevřenost a strategická nezávislost se vzájemně nevylučují, pokud jsou závislosti vědomě posuzovány.

Odbornost v oblasti čipů vyžaduje specializovanou infrastrukturu a jasné rozdělení práce

Touha po větší nezávislosti v oblasti čipů s umělou inteligencí je pochopitelná. Nicméně se stává nepřesnou, jakmile se návrh čipů, výzkum polovodičů, výroba a provoz datových center umělé inteligence sjednotí do jednoho úkolu.

Čip musí být navržen. Jeho návrh vyžaduje vhodné nástroje a technologické základy. Výroba zase vyžaduje specializované vybavení, materiály a procesy. K tomu se přidávají technologie ukládání dat, balení a integrace do kompletních výpočetních systémů. Pokroky na jedné úrovni automaticky nekompenzují chybějící funkce na jiných úrovních.

Belgické výzkumné centrum imec je v této souvislosti klíčovým evropským centrem. Pilotní linka NanoIC je spojena s plánovanou společnou investicí ve výši 2,5 miliardy eur a má mimo jiné poskytnout firmám, startupům, univerzitám a poskytovatelům designu a systémů přístup k pokročilým technologiím a prototypování.

V únoru 2026 společnost imec v rámci této expanze otevřela dalších 2 000 metrů čtverečních čistých prostor. Projekt je explicitně organizován na evropské úrovni a zahrnuje partnerské lokality, mezi nimiž je i Fraunhofer v Německu. Německo je také jedním z zúčastněných financujících států. Představa, že národní výzkum a zvýšené využívání společnosti imec jsou v zásadě alternativní přístupy, proto tuto propojenost dostatečně neodráží.

Ekonomicky rozumný přístup spočívá v dělbě práce, v níž se specializovaná, rozsáhlá infrastruktura využívá koncentrovaným způsobem a zároveň umožňuje široký přístup pro výzkum a podniky. Budování drahých zařízení na mnoha místech současně může být neefektivní. Naopak, špičková infrastruktura je k ničemu, pokud k ní menší firmy nemají praktický přístup.

Správné otázky proto zní: Jaké dovednosti skutečně chybí? Kde již existují mezinárodně relevantní silné stránky? Jak mladé firmy získají přístup k konstrukčním nástrojům, testovacím zařízením a výrobním partnerům? A které aplikace z dlouhodobého hlediska ospravedlňují značné náklady na vývoj?

Slibná strategie pro polovodiče vyžaduje priority. Nemusí reprezentovat každou fázi hodnotového řetězce výhradně na národní úrovni, ale spíše musí zajistit kritické kompetence a vytvořit spolehlivý přístup k doplňkovým dovednostem.

Výzkum je nezbytný, ale jeho financování vyžaduje odlišné metriky úspěšnosti

Kritika zdlouhavých výzkumných projektů má svůj vlastní argument, když se zaměřuje na nedostatek relevance a nejasné využití veřejných prostředků. Bylo by však nesprávné dojít k závěru, že vědecké vzdělávání je ze své podstaty méně cenné než přímé financování ze strany korporací.

Výzkum a rozvoj podnikání plní různé funkce. Základní výzkum může generovat znalosti, jejichž ekonomické využití je zpočátku otevřené. Projekt rozvoje orientovaný na trh by na druhou stranu měl být schopen mnohem přesněji vysvětlit, jaký problém je řešen a jak by mohlo vypadat jeho následné využití.

Hodnocení obou pomocí stejné metriky by bylo chybou. Pokud by byl každý výzkumný projekt posuzován pouze na základě krátkodobých příjmů, ztratily by se dlouhodobé příležitosti k získávání znalostí. Naopak, pokud by byl každý aplikačně orientovaný projekt hodnocen pouze na základě vědeckých publikací, ekonomická životaschopnost by zůstala druhořadá.

Kvalitu člověka nebo projektu nelze spolehlivě odvodit z typu navštěvované univerzity ani z jediného ročníku studia. Pro průmyslovou umělou inteligenci mohou být praktické zkušenosti, systematické testování a dobré pochopení oblasti aplikace stejně důležité jako špičkové teoretické znalosti.

Skutečný problém často spočívá v přechodech. Výsledky výzkumu musí být technicky stabilizovány, převedeny do produktů a propojeny se skutečnými požadavky zákazníků. Tato práce není ani klasickým základním výzkumem, ani rutinním prodejem. Vyžaduje jiné dovednosti a často i jiné financování.

Vyvážená politika by proto měla chránit vědeckou kvalitu a zároveň brát vážně přenos znalostí. Společné projekty s jasnými odpovědnostmi, dočasná výměna zaměstnanců mezi výzkumem a průmyslem a transparentní nakládání s uživatelskými právy mohou být důležitější než jiná úroveň financování organizace.

Institut pro bezpečnost umělé inteligence se musí zabývat veřejnými riziky, nikoli vytlačovat stávající trhy

Německá vláda pověřila Německý institut pro bezpečnost umělé inteligence (AISI) analytickou a provozní funkcí. Není zamýšlen jako regulační orgán, ale spíše jako centrum excelence pro technologickou analýzu, hodnocení rizik a strategické poradenství. To zahrnuje situační povědomí a včasné varování týkající se společnosti, ekonomiky a národní bezpečnosti.

Toto vymezení odpovědností je klíčové pro ekonomické hodnocení. Mandát veřejné bezpečnosti se liší od testování konkrétního produktu společnosti. Systémová rizika, nové vektory útoků nebo vývoj relevantní pro bezpečnost mohou vyžadovat poznatky, které by žádný jednotlivý soukromý klient plně nefinancoval.

V tomto případě existuje oprávněný důvod pro vládní zásah. Pokud mnoho zúčastněných stran těží z lepšího hodnocení rizik, ale nikdo nechce nést veškeré náklady, může veřejná instituce zaplnit mezeru ve službách.

U standardizovaných testovacích služeb přizpůsobených jasně definovaným potřebám zákazníků je situace jiná. V těchto případech mohou být prospěšné testovací a konzultační služby soukromého sektoru. Vládní instituce by neměla tyto činnosti duplikovat bez prokazatelné přidané hodnoty.

Praktická výzva proto spočívá v přesném rozdělení práce. Veřejné orgány by mohly vyšetřovat zastřešující rizika, dále rozvíjet testovací metody a zpřístupňovat výsledky. Soukromí poskytovatelé by pak mohli na tomto základě stavět a nabízet specifické audity, implementační podporu a pravidelné kontroly.

Je také důležité vyhnout se duplicitě úsilí. Pokud musí firmy opakovaně vytvářet téměř identickou dokumentaci pro různé klienty a instituce, vznikají dodatečné náklady bez odpovídajícího zvýšení bezpečnosti. Uznávané a přenositelné výsledky by byly ekonomicky cennější než rostoucí počet samostatných testovacích procesů.

Bezpečnostní institut proto není ani automaticky nezbytný, ani automaticky nadbytečný. Jeho užitečnost závisí na tom, zda vyplňuje jasně definovanou mezeru, zda jsou jeho výsledky prakticky použitelné a zda jeho úkoly zůstávají odlišné od stávajících nabídek na trhu.

Je potřeba větší výpočetní výkon, ale zatím ne obchodní model

Německá vláda si klade za cíl do roku 2030 alespoň zdvojnásobit celkovou kapacitu datových center v Německu a čtyřnásobně zvýšit kapacitu pro umělou inteligenci a vysoce výkonné výpočty. Tím se řeší klíčové úzké místo v infrastruktuře. Dodatečná kapacita však zpočátku představuje pouze nabídku a ještě nezaručuje ekonomický úspěch.

Pro uživatele je důležité, zda je výpočetní výkon k dispozici za rozumné ceny, s vhodnými nástroji a za požadovaných provozních podmínek. Středně velký výrobce strojů nemusí nutně potřebovat přímý přístup k velkému školicímu systému. Pro specializovanou aplikaci může potřebovat spolehlivé a cenově dostupné prostředí.

Je také třeba rozlišovat mezi školením a průběžným provozem. Vývoj rozsáhlého modelu může vyžadovat obrovské výpočetní zdroje. Naproti tomu úzce definovanou obchodní aplikaci lze někdy provozovat s menším modelem. Která architektura je ekonomicky životaschopná, závisí na úkolu, pracovním vytížení a požadavcích na kvalitu.

Plánování kapacity by proto mělo být propojeno s realistickou analýzou poptávky. Mezi faktory, které je třeba zvážit, patří napájení, připojení k rozvodné síti, chlazení, dostupný kvalifikovaný personál a tempo technologických změn. Závod může být technicky efektivní, ale přesto může fungovat neefektivně, pokud je jeho využití příliš nízké.

Naopak by bylo stejně problematické čekat s investicemi, dokud nebude jisté každé budoucí využití. Infrastruktura musí být často vybudována dříve, než je uspokojena plná poptávka. Proto jsou zásadní flexibilní koncepty, rozmanité modely využití a transparentní rozdělení investičního rizika.

Ekonomickým měřítkem by neměla být pouze instalovaná kapacita. Stejně důležité je skutečné využití, náklady na smysluplný výpočetní úkol, dostupnost a přístup pro menší podniky. Infrastruktura se stává konkurenční výhodou pouze tehdy, když umožňuje produktivní činnosti, které by jinak neprobíhaly nebo by byly výrazně narušeny.

Dobrá politika v oblasti umělé inteligence potřebuje méně symbolických čísel a lepší data o dopadu

Oznámené cíle poskytují základ pro politickou kontrolu. Nesou však riziko, že snadno měřitelné aktivity budou zaměněny za skutečné výsledky.

Míra využití v první řadě ukazuje, jak rozšířená je technologie. Nevysvětluje, jak intenzivně se používá ani zda se investice vyplatí. Počet financovaných společností popisuje dosah programu. Zatím však nedokazuje, že by si tyto společnosti bez financování vedly hůře.

Tento dodatečný efekt je klíčový. Pokud společnost financuje již plánovanou investici výhradně z veřejných prostředků, výsledkem může být pouhý neočekávaný zisk. Pokud však podpora umožní ekonomicky životaschopnou implementaci, která by jinak selhala kvůli zjevnému úzkému hrdlu, může vytvořit skutečnou přidanou hodnotu.

Spolehlivé posouzení by proto muselo definovat očekávané změny ještě před samotným zahájením programu. V případě počátečního programu by se mohlo jednat o následné samofinancované využití. U průmyslových aplikací by se pozornost mohla zaměřit na dobu průchodnosti, zlepšení kvality nebo nižší chybovost. U infrastruktury by klíčovými faktory byla dostupnost a využití.

Cílový údaj více než deset procent ekonomického výkonu založeného na umělé inteligenci vyžaduje také transparentní definici. Pokud bude plně zahrnuta každá aktivita podporovaná umělou inteligencí, výsledek se bude lišit od zohlednění pouze vytvořené přidané hodnoty. Bez jasné definice by tato metrika byla politicky působivá, ale analyticky slabá.

Dobrý systém podávání zpráv by proto měl kombinovat několik smysluplných klíčových ukazatelů výkonnosti (KPI) s transparentními metodikami. To zahrnuje i neúspěšné projekty a dokončené iniciativy. Strategie, v níž každý program pokračuje bez ohledu na výsledek, se nepoučí z vlastních zkušeností.

Politická odpovědnost se projevuje implementační kompetencí a jasnými povinnostmi

Plošná kritika generací nestačí k vysvětlení problémů politiky umělé inteligence. Technologickou kompetenci nelze spolehlivě určit podle věku. Mladí lidé s rozhodovací pravomocí mohou argumentovat povrchně, zatímco zkušení lídři dokáží efektivně řídit změny.

Důležitější otázkou je, které kompetence ovlivňují politická rozhodnutí a kdo je zodpovědný za výsledky. Politika umělé inteligence vyžaduje technické znalosti, pochopení provozních procesů a schopnost stanovovat priority v nejistotě.

Ekonomika by neměla být chápána jako monolitický celek. Poskytovatelé modelů, cloudové společnosti, integrátoři, průmyslové konglomeráty a malí uživatelé mají všichni odlišné zájmy. Program, který je atraktivní pro jednoho poskytovatele, nemusí být nutně prospěšný pro ekonomiku jako celek.

Úzké zapojení společností je proto nezbytné, ale nenahrazuje nezávislé hodnocení. V opačném případě existuje riziko politik, které chrání stávající obchodní modely, místo aby posilovaly konkurenci a produktivitu.

Německá vláda si představuje, že její pracovní skupina pro umělou inteligenci bude i nadále řídit implementaci opatření a bude se scházet alespoň čtvrtletně na úrovni státního tajemníka. Zda to povede k efektivnímu řízení, nezávisí na četnosti schůzek, ale na rozhodovacích pravomocích, závazných povinnostech a schopnosti skutečně odstraňovat překážky.

V této souvislosti odpovědnost také znamená prosazování priorit navzdory odporu. Ne každý dobrý nápad lze financovat současně. Ne každá existující instituce potřebuje nový úkol v oblasti umělé inteligence. A ne každý zahájený program si zaslouží být pokračován donekonečna.

Životaschopná strategie kombinuje otevírání trhu, specializaci a konzistentní výběr

Z ekonomického hlediska by německá politika v oblasti umělé inteligence měla kombinovat tři různé úkoly.

Zaprvé musí usnadnit široké využití. To vyžaduje srozumitelné nabídky, odpovídající školení, snadno dostupné provozní modely a podporu pro problémy s daty a integrací. Zejména menší firmy profitují z toho, když osvědčená řešení nemusí být pokaždé vyvíjena od nuly.

Kromě toho musí podporovat společnosti, které vyvíjejí mezinárodně škálovatelné produkty a základní technologie. Tento úkol vyžaduje větší finanční objemy, delší časové horizonty a větší ochotu podstupovat technologická rizika. Nesmí být zaměňován s postupným financováním digitalizace.

Stát musí v konečném důsledku zajistit veřejnou infrastrukturu, kterou jednotlivé společnosti nemohou dostatečně financovat. To zahrnuje specifické výzkumné infrastruktury, komplexní bezpečnostní analýzy a společné technické standardy.

Tyto úkoly vyžadují odlišné nástroje. Malá společnost se specifickým problémem automatizace nepotřebuje národní strategii modelu. Naopak, evropský vývojář modelu se nemůže stát mezinárodně konkurenceschopným pouhým obdržením několika konzultačních poukázek. A bezpečnostní institut by neměl být posuzován pouze na základě svých krátkodobých softwarových příjmů.

Jasnou perspektivou je tedy to, že by se Německo mělo méně snažit organizovat všechny aktivity pod společným označením AI a jasněji rozlišovat mezi rozvojem trhu, rozvojem technologií a veřejnými úkoly. Stávající vysoce výkonné spolupráce si zaslouží podporu, pokud zůstanou dostatečně otevřené dalším společnostem a přinesou měřitelné výsledky.

Stát musí jednat spolehlivě tam, kde sám vytváří poptávku, a projevovat zdrženlivost tam, kde dodatečné struktury pouze duplikují stávající nabídku. Evropská specializace je často rozumnější než snaha o úplnou replikaci každé kapacity na národní úrovni.

Zda se Německo do roku 2030 stane silnou zemí v oblasti umělé inteligence, v konečném důsledku nezávisí na úplnosti seznamu opatření. Důležité je, zda firmy generují trvalé výnosy z aplikací, zda zaměstnanci pracují produktivněji a zda veřejné instituce znatelně zlepšují své služby. Strategie je úspěšná, když tyto výsledky umožňuje a eliminuje nadbytečné činnosti – ne když jednoduše přidává další a další.

Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business - Obrázek: Xpert.Digital

Xpert.Digital je datově orientované B2B centrum pro průmysl, které vede Konrad Wolfenstein . Společnost funguje jako externí, kvazi-interní řešení pro průmyslové partnery a odstraňuje provozní mezery v marketingu, obsahu a prodeji – aniž by vyžadovala další zdroje na straně klienta.

Více informací zde:

• Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

Konrad Wolfenstein

Já a můj tým jsme rádi, že vám můžeme být k dispozici jako váš osobní poradce.

Můžete mě kontaktovat vyplněním kontaktního formuláře zde [email protected]:nebo mi jednoduše zavolat na číslo +49 7348 4088 965. Moje e-mailová adresa je

Těším se na náš společný projekt.

☑️ Podpora malých a středních podniků v oblasti strategie, poradenství, plánování a implementace

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy