Velké uzavření: Proč se firmy chtějí zbavit svých agentů s umělou inteligencí – Když agenti s umělou inteligencí stojí víc, než kolik za to stojí

Když autonomní agenti převezmou kontrolu a datová centra spálí více kapitálu, než trh dokáže vydělat

Miliardy investované bez návratnosti: Agenti s umělou inteligencí musí prokázat svou užitečnost

Umělá inteligence vstupuje do nové fáze. První fázi dominovaly technologické průlomy, velkolepé demonstrace a vyhlídky na výrazné zvýšení produktivity práce se znalostmi. Druhá fáze byla svědkem enormních rozpočtů investovaných do modelů, datových center, grafických procesorů, cloudových platforem a počátečních podnikových aplikací. Nyní začíná třetí fáze: kontrola ekonomické a organizační reality. Ta určí nejen to, kteří poskytovatelé přežijí, ale také to, zda společnosti skutečně vytvoří trvalou a měřitelnou hodnotu z umělé inteligence, nebo si pouze vybudují nová rizika v oblasti nákladů, kontroly a odpovědnosti.

Dva vývoje obzvláště zdůrazňují tento zlomový bod. Na aplikační úrovni se autonomní agenti umělé inteligence množí rychleji, než mnoho společností dokáže přizpůsobit svou správu, přístupová práva, kontrolu nákladů a odpovědnosti. Současně se na úrovni infrastruktury objevují datová centra a specializované cloudové kapacity v rozsahu, pro který v současné době neexistuje dostatečně velký a ochotný koncový trh, aby mohl ekonomicky fungovat. To představuje konvergenci dvou různých nadhodnocení: společnosti nadhodnocují organizační vyspělost autonomních systémů v krátkodobém horizontu, zatímco investoři a provozovatelé infrastruktury mohou nadhodnocovat rychlost, s jakou lze poptávku po umělé inteligenci proměnit v ziskové příjmy.

Klíčovou otázkou tedy již není, zda umělá inteligence funguje technicky. Jde o to, zda funguje spolehlivě, kontrolovatelně a ziskově v reálných podmínkách. Tento posun mění logiku trhu. Maximální autonomie, maximální velikost modelu nebo maximální výpočetní výkon samy o sobě neurčí úspěch. Konkurenční výhody vznikají tam, kde je technická způsobilost kombinována s robustním návrhem procesů, jasnou odpovědností, ověřitelnými rozhodnutími, realistickými nákladovými modely a diferencovanou hodnotou pro zákazníka.

Velké zklamání začíná ve firmách

Předpověď, že více než 40 procent agentních projektů umělé inteligence by mohlo být do konce roku 2027 ukončeno, sníženo na nižší úroveň nebo zásadně přepracováno, by měla být chápána méně jako úsudek o dlouhodobém významu technologie než spíše jako kritika její současné implementace. Mnoho projektů začíná jako testovací verze za kontrolovaných podmínek. V tomto prostředí se vybírají data, úkoly jsou omezené, uživatelé jsou benevolentní a chyby mají relativně malé důsledky. Přechod do produkčního provozu však mění všechny parametry. Agent se pak musí vypořádat s neúplnými daty, konfliktními pravidly, staršími systémy, speciálními případy, měnícími se oprávněními a rozhodnutími souvisejícími s odpovědností.

Právě na této hranici selhává značný počet technologických pilotních projektů. Přesvědčivý demonstrátor odpovídá na otázku, zda je funkce v zásadě možná. Neodpovídá však na to, zda ji lze provést milionkrát s přijatelnými celkovými náklady, stabilní kvalitou a zvládnutelným rizikem. Tento problém se zhoršuje u autonomních agentů, protože ti mohou nejen generovat obsah, ale také samostatně vyvolávat nástroje, upravovat data, spouštět procesy a propojovat rozhodnutí. Chyba se tedy nemusí nutně omezovat pouze na nesprávnou textovou odpověď. Může se šířit jako chybná objednávka, neoprávněný přístup k datům, chybné rozhodnutí zákazníka nebo změna produkčního systému.

Očekávané zrušení projektu je proto ekonomicky proveditelné. Rostoucí náklady, nejasná obchodní hodnota a nedostatečné kontroly rizik nejsou oddělené problémy; vzájemně se posilují. Čím méně spolehlivě agent pracuje, tím větší úsilí je potřeba pro monitorování, audit a nápravná opatření. Čím více manuálních zásahů je potřeba, tím menší je skutečný nárůst produktivity. Čím menší je nárůst produktivity, tím těžší je ospravedlnit dodatečné výdaje na modely, integrace, monitorování, zabezpečení a dodržování předpisů. Systém původně plánovaný pro automatizaci tak může vytvořit novou, do značné míry neviditelnou vrstvu manuálního dohledu.

Autonomie se stává novým typem nákladů

Náklady na umělou inteligenci založenou na agentech jsou často vnímány příliš úzce. Společnosti porovnávají ceny modelů nebo vypočítávají poplatky za vstupní a výstupní tokeny, ale to zachycuje pouze část ekonomické zátěže. Agent často rozdělí úkol do více kroků, přistupuje k různým systémům, opakuje neúspěšné pokusy, kontroluje mezivýsledky a udržuje delší kontexty. Složité pracovní postupy proto mohou vyžadovat výrazně větší výpočetní výkon než konvenční chatbot. K tomu se přidávají náklady na orchestraci, přípravu dat, rozhraní, protokolování, správu identit, bezpečnostní kontroly, vyhodnocování a provoz různých modelů.

Ještě významnější jsou nepřímé náklady. Patří sem čas strávený specialisty kontrolou výsledků, řešením chyb, implementací dalších interních kontrol, poskytováním školení, prováděním právních kontrol a úpravou pracovních postupů. Pokud agent provede úkol za pár centů, ale výsledek vyžaduje pravidelnou kontrolu kvalifikovanou osobou, modelová cena se jako metrika stává prakticky bezvýznamnou. Důležité jsou celkové procesní náklady na každý správně dokončený úkol. To musí zahrnovat i opakování, důsledky chyb, výjimky a náklady na lidský dohled.

Skutečnost, že pouze 21 procent dotázaných CIO má úplnou transparentnost ohledně nákladů na své agenty umělé inteligence a úlohy spojené s umělou inteligencí, odhaluje zásadní nedostatek kontroly. Bez alokace nákladů podle případu užití, obchodní jednotky a procesu není možné posoudit ekonomické přínosy ani spravovat spolehlivý rozpočet. Rizikem je, že výdaje na umělou inteligenci porostou decentralizovaně napříč cloudovými účty, předplatným softwaru a rozpočty oddělení, zatímco centrální IT oddělení bude mít pouze část celkových nákladů. Faktura se pak objeví až se zpožděním, když se využití, objem dat a počet agentů již výrazně zvýšily.

Pro řádné vyhodnocení se proto musí společnosti posunout od pouhých nákladů na technické využití ke komplexnímu hodnotovému modelu. Měly by se měřit náklady na úspěšné dokončení procesu, míra správně dokončených případů bez lidského zásahu, míra chyb a opakování, doba zpracování, kontrolní úsilí a skutečně realizovaný finanční přínos. Pouze tehdy, když tyto metriky zůstanou stabilní po delší dobu, lze posoudit, zda by měl být agent škálován. Autonomie není sama o sobě cílem, ale spíše investiční proměnnou: je ekonomicky životaschopná pouze tehdy, pokud dodatečné výhody převažují nad zvýšenými riziky kontroly a chyb.

Stínové IT získává agenturu

Šíření agentů umělé inteligence mění klasický problém stínového IT. Dříve si oddělení pořizovala neautorizovaný software nebo ukládala data v nekontrolovaných službách. Dnes si zaměstnanci mohou rychle vytvořit vlastní agenty, kteří přistupují k firemním datům a samostatně provádějí akce. Průzkum mezi 685 podnikovými CIO ukázal, že 84 procent z nich uvádí, že zaměstnanci vyvíjejí agenty umělé inteligence rychleji, než IT dokáže implementovat vhodná pravidla řízení. Problém tedy nespočívá jen v rostoucím počtu aplikací, ale také v rostoucím počtu digitálních aktérů.

Tito aktéři často disponují technickými identitami, klíči API, servisními účty nebo delegovanými uživatelskými právy. To vytváří novou třídu nelidských identit, které v mnoha organizacích nepodléhají stejným pravidlům jako zaměstnanci. 59 procent dotázaných organizací dosud plně neintegrovalo agenty umělé inteligence do svých stávajících zásad správy identit a přístupu. Zároveň 72 procent uvádí střední až velký rozdíl mezi přístupem, který je agentovi teoreticky povolen, a přístupem, který může organizace skutečně prokázat.

Z ekonomického hlediska je tato mezera obzvláště nebezpečná, protože narušuje očekávanou rovnováhu mezi efektivitou a rizikem. Agent může jednat nepřetržitě a vysokou rychlostí. Právě tato vlastnost, která slibuje produktivitu, zvyšuje rozsah škod v případě chyby. Široká oprávnění, dlouhodobé přístupové klíče a nedostatečné protokolování mohou vést k systematickému opakování jediného nesprávného rozhodnutí. Mezní náklady na další nesprávnou akci jsou pro agenta téměř nulové, zatímco následné náklady pro společnost se hromadí.

Důsledek je jasný: Každý produktivní agent potřebuje formální identitu, zdokumentovaný účel, odpovědného lidského vlastníka a omezená oprávnění. Přístup by měl být udělen podle principu nejnižších oprávnění, časově omezený a průběžně monitorovaný. Obzvláště závažné akce musí být před provedením schváleny člověkem. Centralizované mechanismy vypnutí jsou stejně důležité, aby agenti nemuseli být v případě poruchy pracně deaktivováni jednotlivě ve více systémech. I když tato opatření mohou krátkodobě poněkud snížit rychlost, zvyšují celkovou škálovatelnost systému omezením poškození, nejistoty a regulačních tření.

Zodpovědnost bez skutečné kontroly

Organizační napětí odhalil globální průzkum mezi 3 200 CIO. Osmdesát osm procent z nich poznamenává, že operativní zavádění umělé inteligence postupuje rychleji než adaptace správy a řízení. Zároveň 90 procent předpokládá, že centrální IT oddělení bude zodpovědné za bezpečnostní selhání nebo selhání v oblasti dodržování předpisů, a to i v případě, že nástroje, které je způsobují, byly pořízeny nezávisle na jiných obchodních jednotkách. To vytváří rozpor mezi rozhodovací pravomocí a odpovědností.

Taková struktura vytváří zvrácené pobídky. Obchodní jednotky získávají krátkodobou výhodu rychlého experimentování, zatímco značná část rizika zůstává na IT, ochraně dat, informační bezpečnosti a správě. Centrální IT se může stát úzkým hrdlem, pokud je nutné schvalovat každou aplikaci jednotlivě. Pokud se však zcela vzdá kontroly, vznikne složitá krajina modelů, agentů, přístupů k datům a smluv. Oba extrémy jsou neefektivní. Čistě centralizovaný přístup potlačuje inovace, zatímco zcela decentralizovaný přístup znásobuje rizika a zdvojování úsilí.

Proto je nutný federovaný model správy a řízení. Centrální funkce definují závazné technické a organizační směrnice, poskytují schválené platformy a monitorují identity, náklady a kritické aktivity. Obchodní jednotky mohou v tomto rámci vyvíjet a provozovat aplikace, ale musí dokumentovat přínosy, zdroje dat, rizika a odpovědné osoby. To udržuje rozhodnutí co nejblíže každodennímu provozu a zároveň společné standardy zabraňují tomu, aby každý tým musel opakovaně řešit stejné bezpečnostní a integrační problémy.

Osobní tlak na CIO ukazuje, jak drasticky se umělá inteligence vyvinula z tématu inovací na faktor kariéry a řízení. 76 procent dotázaných IT manažerů se domnívá, že jejich pozice je ohrožena, pokud jejich společnost do konce roku 2027 nedosáhne měřitelných obchodních výsledků s umělou inteligencí. Tento tlak může urychlit rozumné stanovení priorit, ale také s sebou nese riziko frenetického škálování. Ti, kteří jsou pod tlakem krátkodobého úspěchu, by mohli upřednostňovat viditelné implementační ukazatele před robustním zlepšením procesů. Paradoxním důsledkem by bylo, že samotný tlak na rychlé prokázání návratnosti investic zvyšuje pravděpodobnost nákladných chyb.

Když se samotný řídicí systém stane nákladovým faktorem

První zkušenosti z oblasti správy a řízení a auditu naznačují, že rizika nejsou pouze teoretická. V průzkumu mezi 417 odborníky na správu a řízení, rizika, compliance a audit 34 procent uvedlo, že jejich organizace jednala na základě nepřesného rozhodnutí agenta. 30 procent zaznamenalo nezamýšlené akce, 25 procent selhání kontroly a 24 procent dopady na zákazníky. Ve 20 procentech případů se dva agenti dostali do konfliktu. Téměř polovina zaměstnanců potřebovala více času na kontrolu a opravu výsledků umělé inteligence než dříve.

Tato data je nutné interpretovat s opatrností, protože průzkumy odrážejí vnímání a zkušenosti účastníků, nikoli automaticky četnost všech chyb na celkovém trhu. Nicméně odhalují jasný vzorec: společnosti delegují rozhodovací pravomoc na agenty dříve, než jsou procesy, data a řídicí systémy navrženy pro tuto formu autonomie. Umělá inteligence automaticky nedělá ze špatného procesu dobrý. Může jej pouze zrychlit, zjednodušit a rozšířit.

Dodatečné úsilí v oblasti auditu je obzvláště důležité z ekonomického hlediska. Automatizace je obvykle ospravedlňována argumentem snížených nákladů na personál. Pokud však kvalifikovaní specialisté musí neustále kontrolovat výsledky, objasňovat výjimky a rekonstruovat rozhodnutí agentů, práce se pouze přesune. Nezmizí, ale spíše se přesouvá od samotného zpracování k monitorování a řešení problémů. Tyto činnosti mohou být náročnější a dražší než původní proces, protože vyžadují současně technické, odborné a regulační znalosti.

To neznamená, že lidský dohled je ze své podstaty neekonomický. Ve vysoce rizikových oblastech je nezbytný. Klíčovým bodem je sladit intenzitu kontroly s potenciálními škodami. Agent kategorizující interní dokumenty vyžaduje jiná schválení než systém, který iniciuje platby, připravuje personální rozhodnutí nebo upravuje zákaznické účty. Společnosti by proto měly autonomii udělovat postupně. Čím nevratnější je akce, tím citlivější jsou data a čím větší je potenciální externí dopad, tím přísnější musí být předchozí schválení, protokolování a nezávislé audity.

Testovací stezky se stávají součástí ekonomické infrastruktury

Dvě třetiny CIO si nejsou jisté, zda by mohly regulačnímu orgánu poskytnout kompletní a komplexní popis rozhodnutí agenta. To je více než jen problém s dodržováním předpisů. Nedostatečná sledovatelnost zvyšuje náklady na každý incident, protože příčiny je obtížnější určit, postižené procesy je obtížnější izolovat a protiopatření se zavádějí pomaleji. Bez spolehlivých záznamů může společnost jen stěží prokázat, že agent jednal v rámci svých pravomocí nebo že odpovědný člověk řádně zasáhl.

Auditabilitu je proto nutné chápat jako produktivní infrastrukturu, nikoli jako požadavek na dokumentaci přidaný zpětně. Měly by být zaznamenány identita agenta, použitý model a verze softwaru, zdroje dat, ke kterým byl proveden přístup, dostupná oprávnění, mezikroky, volání externích nástrojů, schválení a konečný výsledek. Stejně důležitá je schopnost technicky reprodukovat proces nebo jej alespoň věrohodně rekonstruovat. U pravděpodobnostních modelů není přesná replikace vždy možná, ale musí být zachovány relevantní vstupy, konfigurace a rozhodovací cesty.

Výzva se zvyšuje v multiagentních systémech. Když více agentů rozděluje úkoly, vzájemně kontrolují výsledky nebo postupně upravují různé podnikové systémy, vzniká řetězec distribuované odpovědnosti. Chyba může vzniknout souhrou několika zdánlivě věrohodných dílčích rozhodnutí. Konvenční řídicí systémy, které zkoumají jednotlivé akce uživatelů nebo izolované softwarové transakce, pro to nestačí. Společnosti potřebují nepřetržité sledování celého procesního řetězce.

Regulační vývoj tento tlak na jednání zesiluje. Evropský právní rámec pro umělou inteligenci, předpisy o ochraně osobních údajů a dohledové povinnosti specifické pro dané odvětví zvyšují nároky na řízení rizik, dokumentaci a lidský dohled. Orgány pro ochranu osobních údajů mimo Evropskou unii také věnují větší pozornost tomu, jak automatizované systémy zpracovávají osobní údaje. Ekonomický závěr je, že správa a řízení není dodatečným nákladovým centrem, které lze přidat po úspěšném škálování. Je předpokladem pro zajištění toho, aby škálování bylo v souladu s právními předpisy a udržitelné.

Rizika umělé inteligence se přesouvají do nejvyšší skupiny

V průzkumu mezi 1330 členy představenstva a vedoucími pracovníky se nová rizika vyplývající ze zavedení umělé inteligence v období od roku 2027 již umístila na druhém místě mezi krátkodobými obchodními riziky, hned za kybernetickými hrozbami. Toto hodnocení ukazuje, že umělá inteligence již není vnímána jako izolovaná IT iniciativa. Ovlivňuje provozní stabilitu, regulaci, ochranu dat, třetí strany, personál, reputaci a alokaci kapitálu současně.

Rizika umělé inteligence a kybernetická rizika by neměla být analyzována odděleně. Agenti zvyšují plochu digitálního útoku, protože vyžadují přístup k datům, aplikacím a nástrojům. Útočníci se mohou pokusit manipulovat se vstupy, přimět agenty k provádění neoprávněných akcí nebo zneužít jejich přihlašovací údaje. Zároveň může řádně ověřený agent sám provádět riskantní akce, pokud je jeho cíl nesprávně definován, jeho kontext manipulován nebo jeho oprávnění jsou příliš široká. Tradiční IT bezpečnost proto řeší pouze část problému. Kromě určení, zda je aktér oprávněn k přístupu k datům, je zásadní posoudit, zda je zamýšlená akce přípustná a vhodná v daném kontextu.

To s sebou nese rozšířenou odpovědnost pro vedení společnosti. Nemusí technicky rozumět každému modelu, ale musí zajistit, aby pro klíčové aplikace umělé inteligence existovala jasná odpovědnost, klasifikace rizik, eskalační postupy a ekonomické cíle. Dohled se nemůže omezovat na počet spuštěných projektů ani na velikost rozpočtu. Zásadní je potřeba spolehlivých informací o tom, které procesy jsou automatizovány produktivním způsobem, která data jsou ovlivněna, jak často je nutný lidský zásah, jaké potenciální škody jsou možné a zda se očekávané přínosy skutečně realizují.

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

Pod lupou softwaru se skrývá kapitálový problém

Zatímco se firmy potýkají s kontrolou svých agentů, technologický průmysl rozšiřuje fyzickou základnu umělé inteligence v nebývalém měřítku. V roce 2026 se očekávají investice do infrastruktury umělé inteligence ve výši téměř jednoho bilionu amerických dolarů. Mezi lety 2027 a 2030 by mohlo přibýt dalších šest bilionů amerických dolarů. Tyto částky plynou do datových center, grafických procesorů (GPU), síťových technologií, úložišť, chlazení, napájecích zdrojů a pozemků. Toto rozšíření navazuje na očekávání, že potřeba trénovat a provozovat modely umělé inteligence v průběhu let výrazně poroste.

Samotný růst však nezaručuje dostatečnou návratnost investic. Provozovatelé datových center s umělou inteligencí by museli do roku 2030 vygenerovat kumulativní tržby ve výši přibližně 8,5 bilionu dolarů, aby pokryli oznámené investice, náklady na financování a předpokládanou 12% návratnost investic. Potenciálně připadající tržby z podnikových a spotřebitelských aktivit v oblasti umělé inteligence se za stejné období odhadují na maximálně 3,6 bilionu dolarů. Přestože tato čísla podléhají značné nejistotě kvůli jejich dlouhému horizontu prognózy, rozsah rozdílu je pozoruhodný.

Bylo by však chybné přímo srovnávat investice a příjmy z umělé inteligence. Datová centra mají životnost v řádu několika let, infrastruktura zvládne různá pracovní zatížení a některé ekonomické výhody plynou spíše uživatelským společnostem než provozovatelům infrastruktury. Snižující se výpočetní náklady mohou navíc generovat novou poptávku. Hlavní poselství však zůstává platné: Trh musí nejen silně růst, ale také mimořádně rychle produkovat monetizovatelné aplikace pro všechny plánované kapacity, aby se dosáhlo očekávané návratnosti.

Tato situace je náročná. Mnoho dnešních aplikací umělé inteligence snižuje náklady nebo vylepšuje stávající produkty, ale automaticky negeneruje dodatečné příjmy odpovídající investicím do podkladové infrastruktury. Zvýšení produktivity lze navíc rozdělit mezi poskytovatele a zákazníky. Intenzivní konkurence snižuje ceny, modely s otevřeným zdrojovým kódem snižují vstupní bariéry a efektivnější modely snižují výpočetní nároky na úlohu. I když je to prospěšné pro celkovou ekonomiku, může to negativně ovlivnit ziskovost jednotlivých provozovatelů datových center.

Hodiny odpisování tikají rychleji než poptávka

Hardware umělé inteligence se od dlouhodobé základní infrastruktury liší svými krátkými inovačními cykly. Nové generace akcelerátorů často nabízejí výrazně vyšší výkon nebo lepší energetickou účinnost. V důsledku toho může starší hardware ztratit ekonomickou hodnotu, i když technicky stále funguje. Provozovatel proto musí co nejrychleji získat zpět svou investici prostřednictvím vysokého využití a atraktivních cen. Pokud poptávka nedosahuje očekávání, účetní hodnoty a modely financování se dostanou pod tlak.

Do roku 2030 by mohlo být ohroženo znehodnocením aktiv umělé inteligence v hodnotě přibližně 3,5 bilionu dolarů; do roku 2032 by toto číslo mohlo vzrůst na více než 4 biliony dolarů. Znehodnocení neznamená, že servery fyzicky zmizí. Spíše to naznačuje, že očekávané budoucí peněžní toky již neodůvodňují účetní hodnotu aktiva. Pro vysoce zadlužené provozovatele to může zpřísnit úvěrové podmínky, narušit vlastní kapitál a ztížit další investice.

Dynamika je podobná předchozím infrastrukturním cyklům. Nové základní technologie často spouštějí expanzi a zpočátku vytvářejí nadbytečnou kapacitu. Železnice, telekomunikační sítě a optická vlákna prošly srovnatelnými fázemi. Část investovaného kapitálu byla ztracena, zatímco snadno dostupná a levná infrastruktura později umožnila nové obchodní modely. Proto mohou být současně pravdivá dvě tvrzení: Umělá inteligence může spustit hlubokou ekonomickou transformaci, a přesto může značná část dnešních investorů stále dosahovat nedostatečných výnosů.

Pro celkovou ekonomiku nemusí být korekce trhu zcela negativní. Odpisy a bankroty mohou snížit náklady na výpočetní výkon a poskytnout efektivnějším kupujícím přístup k infrastruktuře. Společnosti mohou těžit z nižších cen, i když původní investoři utrpí ztráty. Situace se stává problematickou, když jsou nadměrné investice spojeny s vysokým zadlužením, dlouhodobými energetickými smlouvami nebo regionálně koncentrovanou kapacitou. V takových případech mohou korekce ovlivnit banky, dodavatele energie, trhy s nemovitostmi a místní veřejné rozpočty.

Neocloudy mezi růstem a výběrem

Nejzranitelnější jsou specializovaní poskytovatelé neocloudových služeb, kteří dodávají výpočetní výkon pro úlohy s umělou inteligencí. Jejich výhodou je vysoká úroveň technické specializace, rychlý přístup k vyhledávaným grafickým procesorům a často flexibilnější nabídky než u velkých, široce diverzifikovaných cloudových společností. Společnosti jako CoreWeave a Nebius jsou příkladem tohoto segmentu. Adresovatelný trh pro nabídky infrastruktury jako služby optimalizované pro umělou inteligenci by mohl vzrůst z 66 miliard dolarů v roce 2027 na 174 miliard dolarů v roce 2030. To by byl impozantní nárůst, ale stále by nemusel stačit k ziskovému využití současně budované kapacity.

Předpověď, že více než 80 procent neocloudových sítí by mohlo do roku 2030 ukončit nezávislý provoz, nemusí nutně znamenat úplné vymizení jejich výpočetních zdrojů. Bankroty, akvizice, fúze, dlouhodobá partnerství nebo integrace do větších platforem jsou všechny možné faktory. Základním ekonomickým faktorem je významná konsolidace. Poskytovatelé bez výhodného financování, zabezpečených dodávek energie, vysokého využití a jasně diferencované nabídky služeb budou mít problém zůstat nezávislí.

Obchodní model je křehký z několika důvodů. Zaprvé vyžaduje obrovské počáteční investice do rychle stárnoucího hardwaru. Zadruhé, zákaznická základna může být koncentrovaná, což znamená, že ztráta i několika velkých zákazníků může drasticky změnit využití kapacity. Zatřetí, neocloudy stojí mezi výrobci čipů a zákazníky, aniž by nutně měly stejnou úroveň vyjednávací síly. Začtvrté, hyperscalery mohou konkurovat komplexním platformovým službám, globální infrastruktuře a stávajícím vztahům se zákazníky. Zapáté, cenový tlak hrozí, jakmile se zpřístupní více kapacity nebo se obchodní modely stanou efektivnějšími.

Ne všechny neocloudy jsou tedy stejné. Největší šanci na přežití mají poskytovatelé se strukturálními výhodami: dlouhodobý přístup k levnější energii, zejména vysoké technické využití, přístup k vzácnému kapitálu, specializované služby nebo silná pozice v určitých regionech a regulovaných odvětvích. Suverénní, národně nebo evropskou kontrolovanou infrastrukturou může být také rozlišujícím faktorem, pokud zákazníci upřednostňují soukromí dat, jejich usazení a strategickou nezávislost před nejnižší cenou.

Hyperscalery si kupují čas

Velké cloudové a technologické společnosti mají oproti specializovaným poskytovatelům rozhodující výhodu: Financují expanzi umělé inteligence ze širokých a ziskových obchodních oblastí. Cloudové platformy, reklama, obchod, předplatné softwaru, sociální sítě a stávající podnikové služby generují příjmové toky, které mohou udržet investice po delší dobu. To umožňuje společnostem Amazon, Google, Microsoft, Meta a dalším velkým poskytovatelům lépe přečkat období nízkých přímých výnosů z umělé inteligence.

Diverzifikace však neodstraňuje problém návratnosti investic. I velké korporace musí z dlouhodobého hlediska vysvětlovat, jak jejich investice vytvářejí hodnotu. Jednoduše mají více času a další kanály monetizace. Umělá inteligence může zvýšit stávající využití cloudu, vylepšit reklamní produkty, udržet si zákazníky na platformách, urychlit vývojové procesy a bránit další oblasti podnikání. Některé výhody se proto neobjevují jako samostatně vykázané příjmy z umělé inteligence. Tyto strategické vedlejší účinky ztěžují přímé srovnání s neocloudy, jejichž ekonomický úspěch více závisí na pronájmu výpočetního výkonu.

Tržní síla hyperscalerů by mohla v důsledku konsolidace dále růst. Když menší poskytovatelé opouštějí trh, velké platformy získávají zákazníky, kvalifikované pracovníky a atraktivně oceňovanou infrastrukturu. To může zvýšit úspory z rozsahu, ale také zhoršit závislosti. Společnosti a vlády proto musí zvážit efektivitu a odolnost. Vysoce koncentrovaná infrastruktura je z krátkodobého hlediska často levnější, ale z dlouhodobého hlediska může ovlivnit ceny, inovační cesty a digitální suverenitu.

To vytváří pro Evropu strategické dilema. Budování vlastních kapacit umělé inteligence je energeticky a kapitálově náročné, zatímco američtí a asijští poskytovatelé již dosahují značných úspor z rozsahu. Pouhé kopírování hyperscalerů by bylo sotva slibné. Rozumnějším přístupem je zaměřit se na specifické průmyslové aplikace, důvěryhodné datové prostory, regulovaná odvětví, energetickou účinnost, evropské jazykové a technické modely a suverénní provozní řešení. Ekonomické odůvodnění musí vycházet z diferencovaných výhod, nikoli ze snahy bez rozdílu napodobovat globální závody v kapacitách.

Šest bilionů dolarů není prognóza poptávky

Další model ilustruje rozsah této výzvy. Pokud se předpokládá, že roční výdaje na infrastrukturu umělé inteligence dosáhnou do roku 2031 přibližně 1,5 bilionu dolarů a investice budou tvořit zhruba čtvrtinu příjmů v tomto odvětví, musel by globální trh s umělou inteligencí ročně generovat téměř 6 bilionů dolarů. Stávající spotřebitelské a podnikové aplikace by z toho mohly přispět 1,2 až 1,8 bilionu dolarů. Vznikla by tak mezera přibližně 4,2 bilionu dolarů, kterou by musely zaplnit nové trhy.

Tuto částku šesti bilionů amerických dolarů je třeba chápat jako ekonomickou překážku, nikoli jako spolehlivou prognózu tržeb. Číslo popisuje řádově velikost, která by byla potřeba k udržitelnému financování expanze za určitých předpokladů návratnosti a investic. Nepředpovídá, že tyto tržby budou skutečně generovány. Toto rozlišení je klíčové, protože vysoké potenciální objemy trhu jsou v technologických debatách často považovány za očekávané tržby.

Mezi další růstové trhy patří vyhledávání a reklama s využitím umělé inteligence, autonomní vozidla, nákladní automobily a drony, průmyslová automatizace, robotika, digitální dvojčata, vývoj léků, zdravotnické služby, výzkum materiálů a energetika. Autonomní systémy mají potenciál dosáhnout přibližně 400 miliard USD, zatímco fyzická umělá inteligence, zahrnující simulace, digitální dvojčata a robotiku, se odhaduje na přibližně 900 miliard USD. Tyto oblasti mají značnou ekonomickou hodnotu, ale rozvíjejí se pomaleji než čistě softwarové produkty. Vyžadují hardware, regulační schválení, bezpečnostní testování, integraci do fyzických procesů a často i nové předpisy o odpovědnosti.

Časový odstup je proto potenciálně důležitější než dlouhodobý tržní potenciál. I když robotika a průmyslová umělá inteligence generují obrovské příjmy, musí se dostatečně rychle škálovat, aby ospravedlnily dnešní investice. Náklady na datová centra, čipy a financování vznikají okamžitě; novým fyzickým aplikacím často trvá roky, než dosáhnou široké tržní zralosti. Fundamentálně zdravé budoucí očekávání se proto může stále změnit ve špatnou investici, pokud jsou cena, struktura financování nebo načasování nesprávné.

Fyzická umělá inteligence určí druhou polovinu boomu

Dosavadní úspěchy generativní umělé inteligence se silně zaměřily na práci s digitálními znalostmi. Texty, obrázky, softwarový kód, výzkum a komunikaci se zákazníky lze relativně rychle integrovat do stávajících aplikací. Potenciální příjmy z těchto trhů jsou značné, ale samy o sobě sotva postačují k ospravedlnění všech plánovaných investic do infrastruktury. Další fáze růstu se proto musí rozšířit hlouběji do fyzické ekonomiky.

Fyzická umělá inteligence propojuje učící se systémy se stroji, vozidly, výrobními zařízeními a reálným prostředím. V továrnách mohou digitální dvojčata simulovat nové výrobní procesy ještě před úpravou drahého vybavení. Roboti mohou pružněji reagovat na měnící se obrobky. V logistických centrech lze koordinovat toky materiálu, vychystávání objednávek a autonomní dopravu. V automobilovém průmyslu lze zkrátit dobu vývoje, zatímco autonomní systémy umožňují nové služby. Ekonomická hodnota vyplývá nejen ze snížených nákladů na personál, ale také ze zvýšené dostupnosti zařízení, nižší míry zmetkovitosti, rychlejšího spouštění továren a nových produktů.

To představuje strategickou příležitost, zejména pro Německo a Evropu. Jejich průmyslová základna, znalosti procesů, specializovaní výrobci strojů a komplexní dodavatelské řetězce nabízejí cenná data a oblasti použití. Tato výhoda však nevzniká automaticky. Mnoho průmyslových dat je fragmentovaných, proprietárních nebo nedostatečně strukturovaných. Společnosti musí modernizovat své datové architektury, standardizovat rozhraní a digitálně mapovat provozní znalosti. Bez tohoto základu zůstane fyzická umělá inteligence omezena na demonstrační aplikace.

Monetizace se také liší od typického cloudového softwaru. Průmyslové společnosti očekávají prokazatelnou spolehlivost, dlouhé životní cykly a jasnou odpovědnost. Neakceptují trvalé experimentální prostředí v procesech kritických z hlediska bezpečnosti. Poskytovatelé proto musí dodávat robustní, integrované systémy, které kombinují modely, senzory, řídicí systémy, kybernetickou bezpečnost a údržbu. Právě zde se může rozvíjet trh specializovaných evropských poskytovatelů, který se méně zaměřuje na maximální velikost modelu a více na odborné znalosti v dané oblasti, integraci a důvěru.

Společné jádro obou krizí

Problémy s agenty umělé inteligence a neocloudy se zpočátku zdají být oddělené. Na jedné straně existují obchodní procesy, řízení a chybná rozhodnutí; na druhé straně datová centra, financování a odpisy. Ve skutečnosti jsou oba založeny na stejné ekonomické mylné představě: že technické schopnosti se téměř automaticky promítnou do ziskových a škálovatelných výhod.

U agentů je úspěšný pilotní projekt často zaměňován za vyspělost produkčního projektu. U infrastruktury jsou rychle rostoucí potřeby výpočetní techniky ztotožňovány s dostatečnou ochotou platit a udržitelnou návratností investic. V obou případech se mezifáze často přehlížejí. Mezi výkonem modelu a obchodním přínosem leží kvalita dat, redesign procesů, integrace, zabezpečení, lidský dohled a přijetí. Mezi výpočetní kapacitou a návratností investic leží využití, ceny, náklady na energii, stárnutí hardwaru, financování a konkurence.

Toto zjištění nevyvrací umělou inteligenci. Argumentuje pro profesionálnější alokaci kapitálu. Technologické revoluce zřídka probíhají lineárně. Excesy financují experimenty a infrastrukturu, ale následně vedou ke korekci a konsolidaci. Vítězi nejsou nutně ty společnosti, které investují jako první nebo nejvíce. Často zvítězí ty, které obezřetně řídí náklady, poučí se z prvních chyb a přizpůsobí své nabídky skutečné ochotě platit.

Humbuk se musí promítnout do osvědčených obchodních praktik

Firmy by měly nasazovat agenty umělé inteligence pouze tam, kde existuje jasně definovaný proces, spolehlivá data a měřitelná cílová metrika. Výchozím bodem by nemělo být místo, kde lze prokázat co největší autonomii. Klíčovým faktorem je místo, kde lze eliminovat konkrétní úzké hrdlo, zkrátit dodací lhůtu, zlepšit kvalitu nebo generovat dodatečné příjmy. Pro každý případ použití by mělo být před zahájením stanoveno, jaké náklady a míra chyb jsou přijatelné a za jakých podmínek bude projekt zastaven.

Nasazení by mělo být postupné. Zpočátku může agent poskytovat návrhy, poté jednat se souhlasem člověka a teprve po stabilním výkonu může autonomně vykonávat omezené úkoly. Tyto úrovně vyspělosti umožňují oddělené sledování přínosů a rizik. Systém, který již jako asistent negeneruje žádnou měřitelnou hodnotu, se nestane ekonomicky životaschopným pouhým udělením větších privilegií.

Souběžně s tím je nutná centrální inventarizace. Společnosti potřebují vědět, kteří agenti existují, jaké modely používají, ke kterým systémům přistupují a kdo je za ně zodpovědný. Náklady by měly být alokovány jednotlivým procesům a obchodním jednotkám. Kritické akce vyžadují prahové hodnoty schválení a každá produkční aplikace potřebuje funkční mechanismus ukončení. Řízení by nemělo být vnímáno jako rigidní dokument; musí být technicky zakotveno v platformách, identitách, protokolech a vývojových procesech.

Mění se i zadávání veřejných zakázek. Smlouvy s poskytovateli umělé inteligence a cloudu by měly obsahovat ustanovení o využívání dat, změnách modelů, přístupu k protokolům, bezpečnostních incidentech, výkonu, odpovědnosti a možnostech přechodu. Společnosti se musí vyhnout tomu, aby jejich klíčové procesy závisely na jediném poskytovateli, jehož ceny, modely nebo obchodní strategie se mohou v krátké době změnit. Pokud je to možné, modulární architektury a zaměnitelné modely zvyšují vyjednávací sílu.

Pro investory do infrastruktury je důležitý zákazník, ne čip

Pro datová centra a neocloudy nestačí pouze přístup k současnému hardwaru pro životaschopný obchodní model. Investoři by měli primárně zvážit kvalitu a trvání poptávky. Dlouhodobé smlouvy jsou cenné pouze tehdy, pokud jsou zákazníci bonitní a lze skutečně splnit minimální požadavky na nákup. Stejně důležité jsou ceny energií, síťová připojení, chlazení, vzorce využití, možnosti refinancování a zbytková hodnota staršího hardwaru.

Zvláštní opatrnost se doporučuje v případech, kdy je růst z velké části financován dodatečným dluhem a očekávané využití kapacity je založeno na malém počtu zákazníků. Pokles poptávky pak může současně ovlivnit tržby, hodnotu aktiv a finanční kapacitu. Stresové scénáře by měly kombinovat nižší ceny, zpožděné uvedení do provozu, klesající využití kapacity, zrychlené stárnutí hardwaru a vyšší kapitálové náklady. Návratnost investic je spolehlivá pouze tehdy, když obchodní model zůstává životaschopný i za méně příznivých předpokladů.

Pro specializované poskytovatele vede cesta od zaměnitelnosti přes diferenciaci. To zahrnuje vysoce efektivní datová centra, suverénní evropské operační modely, platformy specifické pro dané odvětví, garantovanou rezidenci dat, integrované bezpečnostní služby nebo úzké propojení mezi infrastrukturou a aplikačními znalostmi. S rostoucí nabídkou se čistá kapacita stává obchodovatelnou komoditou. Důvěra, integrace a prokazatelný výkon naopak zůstávají vzácnější.

Nadcházející úklid neznamená konec umělé inteligence

Očekávané rušení projektů a potenciální konsolidace neokloudů neznamenají vyvrácení umělé inteligence. Spíše jsou typické pro přechod z fáze expanze řízené technologiemi na trh, kde jsou prvořadé návratnost investic, spolehlivost a institucionální zralost. Velká část raných projektů zmizí, protože byly špatně definovány, špatně integrovány nebo ekonomicky neživotaschopné. Zároveň úspěšné aplikace proniknou hlouběji do klíčových procesů.

Infrastrukturní aktiva se jen tak nestanou bezcennými. Výpočetní kapacitu lze stále využívat i po odpisech, akvizicích nebo nižších cenách. Pro uživatele může být konsolidace trhu dokonce výhodná, pokud konkurence a nadměrná kapacita sníží náklady. Rozdělení zisku se však mění: zákazníci a pozdější kupující mohou z toho těžit, zatímco investoři do kapitálových a dluhových investic nesou část ztrát.

Nejpravděpodobnější cestou vývoje proto není ani úplný kolaps očekávání od umělé inteligence, ani hladké pokračování boomu. Pravděpodobnější je dvoustranný vývoj. Vysoce kvalitní, jasně kontrolované aplikace budou i nadále růst a stanou se standardní obchodní infrastrukturou. Naproti tomu nediferencované projekty agentů, špatně zabezpečené obchodní modely a předražené kapacity se dostanou pod tlak. Trh odděluje technologické možnosti od ekonomické životaschopnosti.

Skutečná revoluce umělé inteligence nezačíná dalším velkolepým modelem, ale střízlivou schopností proměnit technologii ve spolehlivou tvorbu hodnot. Společnosti, které společně řídí náklady, kontrolu a přínosy, z této korekce vyjdou silnější. Ti, kteří škálují autonomii bez odpovědnosti nebo výpočetní výkon bez ziskové poptávky, naopak primárně financují další vlnu odpisů.

V průmyslovém B2B segmentu se udržitelné obchodní vztahy zřídkakdy objevují přes noc. Rozvíjejí se krok za krokem – prostřednictvím viditelnosti, profesní relevance, opakujících se kontaktních bodů a rostoucí důvěry. Čtyřfázový model Xpert.Digital přesně toto řeší: Nabízí strukturovanou cestu, která začíná zvládnutelným vstupním bodem a v případě potřeby se může rozvinout do hlubší spolupráce v oblasti rozvoje podnikání.

Místo spoléhání se na hlasité marketingové sliby staví tento model do popředí vztah. Firmy začínají s jasně definovanými, snadno vypočítatelnými kritérii a poté se na základě vlastních zkušeností rozhodnou, jak dalece chtějí spolupráci rozšířit. Klíčovým faktorem pro tento nerušený proces budování důvěry je, že se platforma zcela vyhýbá otravným reklamám, takže redakční zaměření zůstává výhradně na odbornosti firem.

Více informací zde:

• Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

 

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

Můžete mě kontaktovat vyplněním kontaktního formuláře zde wolfenstein@xpert.digital: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