57 procent používá umělou inteligenci – ale většina z nich se dopouští fatální manažerské chyby

Německá past efektivity: Proč se pouhé úspory nákladů prostřednictvím umělé inteligence stávají nebezpečnými

Dost her: Proč se nyní musí AI stát digitálním operačním systémem

Umělá inteligence dobyla německé kanceláře – ale zásadní průlom stále čeká. Zatímco čísla o jejím využití rychle rostou a stále více zaměstnanců se spoléhá na digitální asistenty, většina společností zůstává uvězněna v čistě podpůrné roli: umělá inteligence píše e-maily, shrnuje texty a pomáhá s výzkumem. Ti, kteří vnímají umělou inteligenci pouze jako oslavovaného chatbota, však přehlížejí její skutečný potenciál a v nejhorším případě pouze digitalizují stagnaci.

Skutečný ekonomický přínos spočívá v přechodu na agentní umělou inteligenci – systémy, které nezávisle plánují, řídí a provádějí složité procesy napříč hranicemi jednotlivých oddělení. To odhaluje masivní potřebu opatření v německém průmyslu. Management musí kompletně přehodnotit procesy, drasticky zlepšit kvalitu dat a již nepovažovat umělou inteligenci za pouhé opatření ke snížení nákladů, ale spíše za motor nového růstu. Čas je klíčový: ti, kteří se nezdaří přejít od izolovaného nástroje k integrovanému digitálnímu operačnímu systému, nyní riskují nevyhnutelné zaostání v mezinárodní konkurenci.

Od nástroje umělé inteligence k digitálnímu operačnímu systému: Proč německá ekonomika nyní potřebuje přepracovat své procesy

Ti, kteří používají umělou inteligenci pouze jako asistenta při psaní, stagnují v digitalizaci

Umělá inteligence překročila hranici od okrajového tématu k rozšířené klíčové technologii v německé ekonomice. 57 procent firem s 20 a více zaměstnanci nyní používá umělou inteligenci. O rok dříve to bylo 36 procent a o dva roky dříve pouze 20 procent. Dalších 38 procent plánuje nebo diskutuje o jejím zavedení. Na první pohled se jedná o působivý průlom: Během dvou let se podíl uživatelů umělé inteligence téměř ztrojnásobil a jen malá menšina stále považuje toto téma za irelevantní.

Široké přijetí by se však nemělo zaměňovat s ekonomickou vyspělostí. Klíčovou otázkou již není, zda společnost používá nějaký nástroj umělé inteligence. Klíčovou otázkou je, zda je umělá inteligence trvale integrována do procesů tvorby hodnoty, zlepšuje rozhodování, zkracuje dodací lhůty, snižuje chybovost, generuje dodatečné příjmy a dále rozvíjí obchodní model. Právě zde se objevuje značná mezera. Mnoho společností používá generativní umělou inteligenci selektivně pro texty, výzkum, shrnutí nebo interakci se zákazníky. Pouze jedenáct procent společností, které již umělou inteligenci používají nebo o jejím použití uvažují, pracuje s agenty umělé inteligence schopnými samostatně zpracovávat vícestupňové úkoly. Dalších 29 procent takovou implementaci plánuje a 31 procent o ní diskutuje. Přechod od asistenční k aktivní umělé inteligenci tedy teprve začíná.

Z ekonomického hlediska je tento přechod mnohem významnější než pouhé zvýšení počtu uživatelů. Jazykový model může zrychlit práci jednotlivých zaměstnanců. Dobře integrovaný systém agentů na druhou stranu může transformovat procesy mezi odděleními, databázemi, aplikacemi, zákazníky a dodavateli. Posouvá umělou inteligenci z osobní pracovní pomůcky do provozní architektury společnosti. To nejen zvyšuje potenciál produktivity, ale také odpovědnost managementu. Zavedení agentů není jen automatizace další softwarové funkce. Jde o zásadní redefinici toho, jak je práce distribuována, znalosti zpřístupňovány, jak je vykonávána kontrola a jak je vytvářena hodnota.

Velké číslo maskuje malou hloubku

Německá data o užívání zpočátku ukazují široké, ale převážně povrchní rozšíření. Umělá inteligence se používá obzvláště často tam, kde jsou úkoly jazykově orientované, snadno dostupné a s relativně nízkým rizikem. V oblasti kontaktu se zákazníky je toto číslo u společností používajících umělou inteligenci 72 procent a v marketingu a komunikaci 54 procent. Naproti tomu její využití v controllingu dosahuje 25 procent, v interním řízení znalostí a výrobě 22 procent, v produktech a službách 20 procent a v prodeji 14 procent. Technologie se tak primárně dostala na digitální periferii společnosti, ale výrazně méně často do jádra tvorby hodnoty.

Toto rozdělení je racionální. Firmy začínají tam, kde jsou aplikace rychle dostupné, mají nízké náklady na integraci a dosahují okamžitých výsledků. Textového asistenta lze nasadit během několika hodin. Naproti tomu agent, který získává nabídky, kontroluje zásoby, vyhodnocuje termíny dodání, zahajuje schvalování a dokumentuje procesy v systému plánování podnikových zdrojů (ERP), vyžaduje spolehlivá data, definovaná oprávnění, rozhraní, znalost procesů a jasná pravidla odpovědnosti. Ekonomický přínos je větší, ale organizační úkol je náročnější.

To má za následek typický vzorec šíření. Počet uživatelů zpočátku roste rychleji než ekonomický dopad. Zaměstnanci mají přístup k obecně dostupným nástrojům, týmy spouštějí pilotní projekty a firmy získávají licence. Hlubší transformace následuje později, protože vyžaduje investice do datové architektury, návrhu procesů, školení a správy a řízení. Zaměření se pouze na míru přijetí proto nadhodnocuje pokrok. Relevantní metrikou není počet zaměstnanců s přístupem k modelu, ale spíše podíl procesů, ve kterých umělá inteligence prokazatelně produkuje lepší výsledky.

Mezinárodní srovnání také zdůrazňují tento rozpor. Celosvětově je velká část tvorby hodnoty řízené umělou inteligencí soustředěna v rukou malé skupiny předních společností. Podle globální studie generuje 74 procent tvorby hodnoty řízené umělou inteligencí pouhých 20 procent společností. 59 procent těchto průkopníků zásadně přepracovalo své obchodní modely s využitím umělé inteligence. V Německu to platí pouze pro 21 procent společností. Rozdíl je také více než dvojnásobný, pokud jde o nové produkty a služby: 62 procent předních společností ve srovnání s 25 procenty v Německu. Německo sice má potřebné základy, ale příliš zřídka je promítá do růstu a nových nabídek na trhu.

Produktivita se v okně chatu neděje

Produktivní výhody generativní umělé inteligence jsou snadno patrné na úrovni jednotlivých úkolů. U strukturovaných úkolů, jako je zákaznický servis, dokumentace, programování, výzkum nebo tvorba textu, mohou asistenční systémy zkrátit dobu zpracování a poskytnout méně zkušeným zaměstnancům rychlejší přístup k osvědčeným řešením. Široce citovaná terénní studie s více než 5 000 zaměstnanci zákaznického servisu zjistila průměrný nárůst produktivity o přibližně 15 procent. Obzvláště silný prospěch z toho měli méně zkušení a méně výkonní zaměstnanci, zatímco u vysoce zkušených profesionálů byly účinky výrazně menší.

Tato zjištění vysvětlují, proč je umělá inteligence v mnoha firmách zpočátku vnímána jako nástroj pro zvýšení individuální produktivity. Snižuje náklady na vyhledávání, formuluje návrhy, strukturuje informace a usnadňuje přístup k implicitním znalostem. To může standardizovat kvalitu a zkrátit dobu školení. Zároveň však rozdílný dopad v závislosti na úrovni zkušeností ukazuje, že umělá inteligence není univerzálním zrychlovacím strojem. U složitých, špatně strukturovaných nebo na kontextu vysoce závislých úkolů může kontrola výsledků spotřebovat značnou část ušetřeného času. Chyby jsou obzvláště nebezpečné, když je věrohodný jazyk zaměněn za spolehlivé znalosti.

Na úrovni společnosti vzniká další problém. I když jednotliví zaměstnanci pracují o 10 nebo 20 procent rychleji, celková produktivita se automaticky nezvýší o stejnou hodnotu. Úspora času se může ztratit na rozhraních, protože schvalování, přístup k datům, předávání a odpovědnosti zůstávají nezměněny. Rychleji generovaná cenová nabídka je k ničemu, pokud schválení ceny stále trvá několik dní. Rychle zodpovězený dotaz zákazníka jen nepatrně zlepšuje výsledek, pokud se údaje o stížnostech nepoužívají zpětně do vývoje produktu a řízení kvality. Lokální zvýšení efektivity proto může existovat vedle nezměněných úzkých míst.

Toto je jádro paradoxu produktivity současné vlny umělé inteligence: nástroje se šíří rychle, zatímco makroekonomické a celofiremní dopady se projevují až se zpožděním. Než rozšířená technologie dosáhne svého plného potenciálu, jsou nezbytné doplňkové investice. V předchozích technologických vlnách se jednalo o elektrifikaci, počítače a internet. Dnes se jedná o kvalitu dat, rozhraní, cloudovou a výpočetní infrastrukturu, procesní standardy, rozvoj dovedností a nové modely rozhodování. Samotný software je pouze jednou částí kapitálu potřebného pro skutečné zvýšení produktivity.

Agenti posouvají hranice automatizace

Tradiční jazykový model v podstatě reaguje na vstup a produkuje výstup. Naproti tomu agent umělé inteligence sleduje cíl, rozděluje ho na dílčí kroky, přistupuje k nástrojům a zdrojům dat, vyhodnocuje mezivýsledky a může spouštět akce v rámci definovaných hranic. Dokáže například identifikovat dodavatele, porovnávat ceny, získávat informace o úvěruschopnosti, vytvářet varianty nabídek, formulovat následné otázky a připravovat proces ke schválení. Lidé již nemusí zahajovat každý jednotlivý krok, ale místo toho definují cíl, pravidla a kontrolní body.

To mění ekonomickou jednotku automatizace. S asistentem se úkol urychlí. S agentem lze přepracovat celý proces. Tento rozdíl je zásadní. Náklady na obchodní proces často nevznikají z jediného pracovního kroku, ale z čekacích dob, přerušení médií, dotazů, oprav a koordinačního úsilí. Agentní systémy dokáží přesně tyto neefektivity řešit, protože zpracovávají informace napříč více systémy a samy spouštějí další krok.

Největší potenciál proto nemusí nutně spočívat ve velkolepých, plně autonomních aplikacích. Často jsou ekonomicky cenní úzce definovaní agenti, kteří zpracovávají opakující se procesy podle jasných pravidel. V nákupu by mohli konsolidovat požadavky a připravovat nabídky. V údržbě by mohli agregovat data ze senzorů, historii údržby a zásoby náhradních dílů. V logistice by mohli detekovat zpoždění, vypočítávat alternativy a proaktivně informovat dotčené zákazníky. Ve financích by mohli kontrolovat nesrovnalosti, přiřazovat dokumenty a eskalovat nejasné případy. Důležité je, že agent nepůsobí volně v rámci společnosti, ale spíše v rámci záměrně vybudované sféry působnosti.

Úplná autonomie není ani technicky nutná, ani vždy ekonomicky rozumná. Čím větší potenciální škody způsobené chybným rozhodnutím, tím přísněji musí být kontrolována oprávnění, schvalování a kontroly. Agent může navrhnout možnost dodání bez podpisu smlouvy. Může připravit fakturu bez definitivního schválení platby. Může strukturovat dokumenty žádosti o zaměstnání, aniž by činil rozhodnutí o přijetí do zaměstnání. Ekonomický pokrok nespočívá v maximální autonomii, ale v optimálně rozdělené rozhodovací pravomoci mezi lidi a stroje.

Úzké hrdlo spočívá v řízení společnosti

Dokud bude umělá inteligence vnímána primárně jako softwarový nástroj, odpovědnost často nese IT oddělení. Tento model již pro umělou inteligenci založenou na agentech nestačí. IT oddělení může vybírat platformy, poskytovat rozhraní, implementovat bezpečnostní požadavky a monitorovat technickou kvalitu. Nemůže však samo rozhodovat o tom, které procesní cíle platí, která rizika jsou přijatelná, která rozhodnutí lze automatizovat a jak se role mění. Tyto otázky patří vrcholovému managementu a příslušným oddělením.

Zásadní chybou managementu je prosté nasazení nových technologií na staré procesy bez jakýchkoli změn. Pouhé zrychlení neefektivního procesu pouze zhoršuje jeho chyby a zvyšuje jeho složitost. Proto je před jakoukoli automatizací nezbytné určit, které kroky lze eliminovat, která data jsou skutečně nezbytná a kde lidský úsudek přidává hodnotu. Pořadí není: koupit nástroje, najít případ užití, zaškolit zaměstnance. Je to: definovat problém vytvářející hodnotu, zjednodušit proces, uspořádat data a odpovědnosti, vybrat vhodnou technologii a změřit dopad.

Úspěšné společnosti zabývající se umělou inteligencí se vyznačují méně přístupem k exkluzivním modelům než organizační konzistencí. Mezinárodní průzkumy ukazují, že společnosti s vysokým dopadem umělé inteligence zásadně přepracovávají své pracovní postupy mnohem častěji. Kombinují efektivitu s růstem a inovacemi, než aby s umělou inteligencí zacházely pouze jako s programem na snižování nákladů. Odpovědnost navíc nese pevněji vrcholový management a specializovaná oddělení jsou více zapojena do vývoje a provozu. To dává smysl: Jeden model si může koupit mnoho konkurentů. Složitá souhra dat, znalostí procesů, vztahů se zákazníky a organizačního učení, budovaná v průběhu let, je mnohem obtížnější replikovat.

To má za následek změnu v úkolech managementu pro představenstva a vedoucí pracovníky. Projekty umělé inteligence by již neměly být hodnoceny pouze na základě technických milníků. Mezi relevantní metriky patří doba zpracování, chybovost, tržby na zákazníka, úroveň zásob, kvalita služeb, míra konverze, zmetkovitost, dodržování termínů a vázaný kapitál. Bez spolehlivého ekonomického základu zůstává nejasné, zda pilotní projekt skutečně vytváří hodnotu. Zároveň musí být plně zachyceny náklady: využití modelu, integrace, příprava dat, monitorování, školení, bezpečnostní opatření a průběžné úpravy. Teprve poté lze provést spolehlivé srovnání mezi investicemi a přínosy.

Německá past efektivity zpomaluje nový růst

Německo má vynikající předpoklady pro průmyslovou umělou inteligenci. Jeho ekonomika se pyšní hlubokými odbornými znalostmi v dané oblasti, vysoce kvalitními technickými daty, silnou tvorbou průmyslové hodnoty, specializovanými středně velkými podniky a náročnými zákazníky. V odvětvích, jako je strojírenství, automatizace, logistika, chemický průmysl, automobilový průmysl a lékařské technologie, vznikají komplexní procesy, kde může umělá inteligence přinést významné výhody. Zároveň je však patrná strategická slabina: mnoho společností se při implementaci umělé inteligence primárně zaměřuje na efektivitu, zatímco růst, nové produkty a nové obchodní modely hrají menší roli.

Toto zaměření je pochopitelné vzhledem k vysokým nákladům, nedostatku kvalifikovaných pracovníků a slabému růstu produktivity. Když jsou energie, práce, regulace a financování drahé, snižování nákladů se jeví jako zřejmý cíl. Jednostranná strategie efektivity však s sebou nese tři rizika. Zaprvé je defenzivní a omezuje potenciál úspor na stávající nákladová střediska. Zadruhé, podobné nástroje mohou zavést i konkurenti, což způsobí, že konkurenční výhoda rychle zmizí. Zatřetí, hrozí sestupná spirála, pokud je umělá inteligence vnímána primárně jako program na snižování počtu pracovních míst, což vede zaměstnance k zadržování znalostí nebo odmítání žádostí.

Růstově orientovaná umělá inteligence se řídí jinou logikou. Nejenže zlepšuje stávající procesy, ale také rozšiřuje škálu nabízených služeb. Výrobce strojů může vyvíjet prediktivní služby z dat o stavu. Poskytovatel logistických služeb může dynamičtěji propagovat kapacity a dříve identifikovat rizika. Pojišťovna může lépe integrovat prevenci a správu pojistných událostí. Konzultační firma může systematizovat znalosti a nabízet škálovatelné produkty založené na datech. V těchto případech se umělá inteligence nestává jen prostředkem racionalizace, ale nedílnou součástí hodnoty pro zákazníka.

Německé odborné znalosti v oblasti efektivity jsou i nadále cenné, ale je třeba je doplnit silnějším tržním pohledem. Ústřední otázkou by nemělo být jen to, kolik pracovních hodin agent ušetří. Stejně důležité je, jaké další objednávky, příjmy ze služeb, datové produkty nebo loajalitu zákazníků umožňuje. Společnosti, které optimalizují výhradně interně, riskují, že je předběhne konkurence, která integruje umělou inteligenci přímo do své hodnotové nabídky. Strategický rozdíl spočívá mezi levnějším starým podnikáním a lepším novým.

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Spravovaná platforma umělé inteligence

Malé a střední podniky (MSP) potřebují jinou logiku škálování

Přechod na umělou inteligenci založenou na agentech je pro německé malé a střední podniky obzvláště náročný. Malé a střední podniky mají často méně IT personálu, heterogenní systémové prostředí a menší investiční rozpočty. Mnoho procesů je založeno na zkušenostech jednotlivých zaměstnanců, neformálních dohodách a historicky vyvinutých aplikacích. To sice představuje významný potenciál pro automatizaci, ale často to také vede k nedostatku standardizovaného základu, na kterém by agenti mohli spolehlivě fungovat.

Středně velká společnost by se proto neměla snažit kopírovat programy umělé inteligence globálních korporací. Rozumnějším přístupem je selektivní škálování v rámci několika málo ekonomicky jasných procesů. Vhodné jsou procesy s vysokým objemem, opakujícími se vzorci, dostupnými daty a měřitelnými výsledky. Mezi příklady patří zpracování nabídek, technický zákaznický servis, kontrola dokumentů, identifikace náhradních dílů, komunikace s dodavateli nebo interní vyhledávání znalostí. Pokud takový proces funguje spolehlivě, lze jeho komponenty a získané poznatky přenést do sousedních oblastí.

Ekonomická efektivita silně závisí na standardizaci a opětovném použití. Samostatné řešení vyvinuté na míru se může stát příliš drahým, pokud zvládá pouze malý proces. Platformy, řešení specifická pro dané odvětví a sdílené datové prostory mohou snížit fixní náklady. Klíčovou roli hrají také asociace, dodavatelé softwaru a specializovaní poskytovatelé služeb, protože mohou sdílet technické znalosti a převádět regulační požadavky do opakovaně použitelných modulů. Pro mnoho středně velkých podniků nebude rozhodujícím faktorem vytvoření dokonalého modelu interně, ale spíše schopnost bezpečně integrovat stávající modely s jejich vlastními znalostmi procesů.

Závislost by neměla být zaměňována s dělbou práce. Je ekonomicky nerentabilní vyvíjet každou komponentu interně. Společnosti však musí vědět, které části jsou strategicky kritické. Zákaznická data, procesní logika, autorizační modely a možnost změny dodavatele by měly zůstat pod jejich vlastní kontrolou. Modely a výpočetní výkon lze získávat externě, za předpokladu, že jsou jasně definována rozhraní, přenositelnost dat a postupy ukončení. Suverenita neznamená úplnou autonomii, ale spíše důvěryhodné alternativní postupy.

Práce je nově definována, nikoli pouze nahrazována

Debata o umělé inteligenci a zaměstnanosti se často omezuje na počet ohrožených pracovních míst. Agentní umělá inteligence však zpočátku ovlivňuje úkoly, nikoli celé profese. Profese se skládá z rutinních, analytických, komunikačních, fyzických a s odpovědností souvisejících činností. Některé z nich lze automatizovat, jiné umělá inteligence doplňuje a další nabývají na významu. Proto ani teze o všeobecném vytěsnění, ani uklidňující tvrzení, že se toho změní jen málo, nejsou přesné.

V krátkodobém horizontu bude největším efektem pravděpodobně přerozdělení úkolů. Zaměstnanci stráví méně času vyhledáváním, dokumentací, standardní komunikací a zadáváním dat. Místo toho se zvýší nároky na testování, zpracování výjimek, porozumění zákazníkům a návrh procesů. Obzvláště relevantní je tzv. juniorský efekt: pokud umělá inteligence převezme mnoho jednoduchých úkolů na základní úrovni, může se snížit potřeba profesionálů na základní úrovni. Zároveň právě tyto úkoly tradičně představovaly cestu učení, jejímž prostřednictvím si juniorní zaměstnanci budovali zkušenostní znalosti. Společnosti proto musí vytvářet nové kvalifikační modely, jinak jim bude chybět nová generace zkušených profesionálů.

Mění se i vedení. Když agenti připravují nebo provádějí operační rozhodnutí, musí odpovědní vést efektivněji prostřednictvím pravidel, hranic eskalace a kvality výsledků. Mikromanagement jednotlivých pracovních kroků ztrácí na významu, zatímco návrh systému jako celku nabývá na významu. To vyžaduje jiné chápání kontroly. Ne každá akce musí být předem schválena, ale kritická rozhodnutí musí být sledovatelná. Ne každé chybě lze předejít, ale neobvyklé vzorce je nutné identifikovat a včas zastavit.

Způsob, jakým firmy rozdělují zvýšení produktivity, je pro přijetí klíčový. Pokud se úspory času promítají pouze do snižování počtu zaměstnanců, vytváří se motivace k blokování automatizace. Pokud se tyto úspory použijí ke snížení pracovní zátěže, zlepšení kvality, řízení růstu nebo financování dalšího vzdělávání, ochota k zapojení se zvyšuje. Nejde o okrajový sociopolitický problém, ale o klíčový faktor ekonomického úspěchu. Agenti potřebují znalosti procesů zaměstnanců. Ti, kdo chtějí tyto znalosti mobilizovat, potřebují důvěru a důvěryhodný pohled.

Kvalita dat se stává položkou rozvahy

Agenti umělé inteligence mohou fungovat jen tak spolehlivě, jak spolehlivě přistupují k datům a pravidlům. Mnoho společností přeceňuje svou technologickou vyspělost, protože informace jsou v principu dostupné. Dostupnost však neznamená použitelnost. Data mohou být protichůdná, zastaralá, neúplná, špatně zdokumentovaná nebo rozptýlená po různých systémech. Člověk tyto nedostatky často kompenzuje zkušenostmi a objasněním. Automatizovaný agent je naopak může rychle proměnit v následné chyby.

Nedávné průzkumy mezi podniky ukazují, že mezi nejvýznamnější překážky ekonomického dopadu umělé inteligence patří kvalita dat, nedostatek odborných znalostí a nejasná správa a řízení. Velká část společností se alespoň občas setkává s nekvalitními investicemi do umělé inteligence, což vede k přepracování, zpožděním nebo nevyřízeným záležitostem. To zdůrazňuje, proč by investice do dat neměly být považovány za pouhý technický vedlejší projekt. Kmenová data, metadata, přístupová práva, pravidla aktualizace a odpovědnosti jsou produktivní aktiva, i když jsou v tradiční rozvaze sotva viditelná.

U systémů založených na agentech vzniká další požadavek: data musí být nejen čitelná, ale také akční. Agent potřebuje jednoznačné identity, spolehlivá rozhraní a strojově čitelná obchodní pravidla. Musí znát aktuální cenu, který dodavatel je schválen, která smlouva je platná a která osoba má rozhodovací pravomoc. Čím více proces závisí na neformálních znalostech, tím obtížnější je jeho automatizace. Zavedení agentů se proto stává testem organizační přehlednosti.

Firmy by se neměly snažit abstraktně zdokonalovat kvalitu dat pro celou organizaci. To by bylo drahé a pomalé. Efektivnější je procesně orientovaný přístup. Pro každý prioritní případ užití jsou definovány potřebné zdroje dat, požadavky na kvalitu, odpovědnosti a kontroly. To přímo propojuje práci s daty s ekonomickými přínosy. Dobrá data nevznikají jednorázovým projektem čištění, ale průběžnou, strukturovanou údržbou v rámci provozních procesů.

Bezpečnost musí být součástí řetězce akcí

Přechod z reagujícího na jednající systém zásadně mění rizikový profil. Chybný text lze opravit ještě předtím, než opustí společnost. Naproti tomu agent s přístupem k e-mailu, databázím, platebním procesům nebo produkčním systémům může okamžitě spustit akci. Rizika, jako jsou halucinace, manipulované vstupy, úniky dat nebo nesprávná oprávnění, tak nabývají operačního rozměru.

Nepřímé útoky jsou obzvláště problematické. Agent může například zpracovat externí dokument, webovou stránku nebo e-mail obsahující skryté instrukce. Pokud systém interpretuje tyto instrukce jako legitimní příkazy, může zveřejnit data nebo provést neoprávněné akce. Dále mohou chybná paměť, manipulované znalostní báze a řetězové reakce mezi více agenty vytvářet zranitelnosti. Malá chyba na začátku procesu může být zesílena následnými kroky dříve, než si jí člověk všimne.

Řešením by nemělo být úplné vyhýbání se agentům. Ekonomicky zdravá architektura je architektura s minimálními oprávněními, jasným oddělením přístupu pro čtení a zápis, protokolováním, monitorováním běhu a stupňovitými oprávněními. Agent by měl mít přístup pouze k systémům a datům, které potřebuje k plnění svého úkolu. Kritické akce vyžadují dodatečné potvrzení. Neobvyklé chování musí být automaticky zastaveno nebo eskalováno. Kromě toho by mělo být vždy možné rekonstruovat, která data, pravidla a verze modelu vedly k danému rozhodnutí.

Řízení se nesmí stát pouhou dodatečnou myšlenkou, dokumentačním cvičením. Musí být nedílnou součástí návrhu produktu. Ekonomicky zdravé řízení zkracuje schvalovací procesy, protože rizika jsou od samého začátku řešena standardizovaným způsobem. Vytváří opakovaně použitelné modely rolí, testovací postupy a kontrolní vzorce. Společnosti, které zabezpečení přidají až po pilotním projektu, nashromáždí technický dluh a odloží škálování. Společnosti, které jej integrují od začátku, mohou růst rychleji, protože důvěra a odpovědnost jsou jasně definovány.

Regulace je nákladovým faktorem a filtrem konkurence

Evropský právní rámec zvyšuje požadavky na transparentnost, řízení rizik, lidský dohled, dokumentaci a odborné znalosti v oblasti umělé inteligence. Od srpna 2026 platí klíčové požadavky na transparentnost a správu a řízení, zatímco určité povinnosti pro vysoce rizikové systémy budou zaváděny postupně. Pro společnosti to znamená dodatečnou práci, zejména pokud se umělá inteligence používá v personálních rozhodnutích, posuzování úvěruschopnosti, kritické infrastruktuře nebo regulovaných produktech.

Čistě defenzivní pohled na regulaci je nedostatečný. Jasná pravidla mohou snížit transakční náklady, pokud posilují důvěru mezi dodavateli, společnostmi a zákazníky. Zejména v průmyslovém sektoru B2B jsou sledovatelnost, bezpečnost a odpovědnost klíčovými kritérii nákupu. Dodavatel, který může prokázat zdokumentované toky dat, práva kontrolovaných zástupců a ověřitelné výsledky, má konkurenční výhodu oproti technicky výkonným, ale neprůhledným řešením.

Regulace se stává problematickou tam, kde nejistota zpožďuje rozhodování. Pokud společnosti nevědí, jak systém klasifikovat, jaké důkazy jsou vyžadovány nebo kdo je odpovědný v případě selhání, odkládají investice. Proto jsou klíčové praktické pokyny, regulační testovací prostředí a standardizované postupy. Zejména menší společnosti potřebují srozumitelné šablony namísto dalších abstraktních povinností. Tvůrci politik by měli nejen stanovit limity, ale také snížit náklady na implementaci.

To má jasné důsledky pro management: právní oddělení, oddělení ochrany dat, informační bezpečnosti a zástupci zaměstnanců musí být do projektů zapojeni od samého začátku. Pozdní kontroly často brání produktivnímu nasazení technicky úspěšného pilotního projektu. Včasné zapojení neznamená blokování každého nápadu. Umožňuje klasifikaci rizik, což umožňuje rychlé schválení nekritických aplikací a specifické zabezpečení citlivých aplikací.

Digitální suverenita určuje vyjednávací sílu

Německá a evropská ekonomika jsou silně závislé na mimoevropských poskytovatelích cloudové infrastruktury, softwarových platforem a předních modelů umělé inteligence. Firmy si tuto závislost stále více uvědomují. V sektoru informačních technologií více než 60 procent firem uvádí vysoký stupeň závislosti v alespoň jedné klíčové technologické oblasti; ve výrobním sektoru je toto číslo téměř 50 procent. Pokud jde o generativní umělou inteligenci, více než každá třetí společnost v oblasti informačních technologií a zhruba každá čtvrtá průmyslová společnost se cítí silně závislá na mimoevropských poskytovatelích.

Tato závislost není ze své podstaty škodlivá. Globální platformy nabízejí výkonné modely, vysokou škálovatelnost a rychlé inovace. Plošné odmítnutí by zvýšilo náklady a potenciálně by prohloubilo technologickou propast. Situace se stává kritickou, když společnosti nemají realistickou možnost přejít na jiného poskytovatele, nemohou přenést svá data nebo propojit klíčové procesy s proprietárními funkcemi. V takových případech se vyjednávací síla přesouvá na poskytovatele a změny cen, geopolitické konflikty nebo regulační rozhodnutí mohou přímo ovlivnit jejich vlastní tvorbu hodnoty.

Pragmatická strategie suverenity se proto opírá o technickou a smluvní volbu. Data by měla být dostupná v kontrolovatelných formátech, rozhraní by měla být co nejotevřenější a logika agentů by měla být oddělena od jednotlivých modelů. Pro obzvláště citlivé aplikace mohou být vhodná evropská nebo samostatně provozovaná řešení, zatímco méně kritické úkoly mohou běžet na globálních platformách. Zásadní je promyšlená segmentace založená na riziku a strategickém významu.

Z dlouhodobého hlediska nespočívá příležitost Evropy pouze v soutěži o největší základní model. Její silné stránky spočívají v průmyslových datech, regulovaných aplikacích, inženýrských znalostech a důvěryhodné integraci. Pokud evropští poskytovatelé vyvinou specializované systémy agentů pro výrobu, energetiku, mobilitu, zdravotnictví a administrativu založené na těchto zdrojích, může vzniknout nezávislý trh. To však vyžaduje dostatečný kapitál, výpočetní výkon, veřejné zakázky a rychlý přístup k průmyslovým datům. Suverenity se nedosáhne politickou rétorikou, ale konkurenčními nabídkami.

Od pilotního projektu k měřitelnému provozu

Cesta k organizaci založené na agentech by neměla být chápána ani jako velký technologický skok, ani jako nekoordinovaný soubor malých experimentů. Potřebné je portfolio, které kombinuje krátkodobé úspěchy v učení se strategickou transformací. Společnosti potřebují několik prioritních procesů, jejichž ekonomická hodnota, data a rizika jsou transparentní. Každý případ užití by měl mít odpovědné oddělení, měřitelný výchozí bod a jasné kritérium pro ukončení.

Prvním krokem je diagnostika procesu. Kde vznikají dlouhé čekací doby, časté dotazy, vysoké náklady na chyby nebo zbytečné zásoby? Která rozhodnutí se řídí opakujícími se vzorci? Jaké informace je v současnosti nutné shromažďovat ručně z více systémů? Pouze zodpovězením těchto otázek lze určit, zda je správným řešením klasický pracovní postup, jazykový model nebo agent. Ne každý problém vyžaduje umělou inteligenci. Automatizace založená na pravidlech je často nákladově efektivnější, stabilnější a snáze ověřitelná.

Následuje omezené produktivní nasazení namísto nekonečného demonstračního projektu. Agent má jasně definovaný rozsah akcí, reálná data a kontrolovaná oprávnění. Jeho výsledky jsou porovnávány s předchozím výkonem. Měření zahrnují nejen čas a náklady, ale také kvalitu, výjimky, přijetí uživateli a nová rizika. Teprve když je efektivita potvrzena v každodenním používání, je proces rozšířen nebo přenesen do dalších oblastí.

Schopnost institucionálního učení je klíčová. Společnosti potřebují centrální rámec pro platformy, zabezpečení, přístup k datům a regulaci a zároveň si zachovávají decentralizovanou odpovědnost v rámci jednotlivých oddělení. Plně centralizované oddělení umělé inteligence se stává úzkým hrdlem, pokud jím musí procházet každá úprava. Naopak, plně decentralizované experimenty generují stínovou umělou inteligenci, duplicitu úsilí a nekontrolovaná rizika. Federovaný model je úspěšný: centrální standardy a sdílená infrastruktura v kombinaci s expertním vývojem úzce propojeným s procesem.

Ekonomická páka spočívá v šíři ekonomiky

Pro německou ekonomiku přichází transformace umělé inteligence v kritickém bodě. Růst je slabý, populace v produktivním věku stárne a růst produktivity již léta nedostatečně vyrovnává rostoucí náklady a demografické výzvy. Odhady dlouhodobého přínosu generativní umělé inteligence se značně liší, ale obecně poukazují na pozitivní vliv na produktivitu. Pro Německo proto není klíčové pouze to, zda jsou jednotlivé technologické společnosti úspěšné. Důležité je, zda průmysl, malé a střední podniky (MSP), poskytovatelé služeb a veřejná správa tuto technologii efektivně využívají.

Rozšířené zavádění umělé inteligence může zmírnit nedostatek kvalifikovaných pracovníků tím, že stávajícím zaměstnancům umožní zpracovávat více případů, zpřístupní znalosti rychleji a sníží administrativní úkoly. Může také posílit konkurenceschopnost energeticky a pracovně náročných společností. Dopad však zůstává omezený, pokud umělá inteligence pouze zrychlí stávající kancelářskou práci. Větší pákový efekt plyne z lepší koordinace procesů plánování výroby, vývoje, údržby, logistiky a veřejného schvalování.

Zároveň se propast mezi společnostmi zvětší. Průkopníci nejenže sklízejí krátkodobé zisky z efektivity, ale také si budují datová úložiště, integrační odborné znalosti a organizační rutiny. Tyto schopnosti se vzájemně posilují. Ti, kteří dříve produktivně škálují, se učí rychleji a mohou automatizovat další procesy s vyššími náklady. Zaostávající společnosti si později budou muset nejen zakoupit technologie, ale také dohnat nashromážděnou výhodu zkušeností. V důsledku toho by se dnešní rozdíly v používání mohly rozvinout v trvalou konkurenční a ziskovou propast.

Tvůrci politik by proto měli difuzi důrazněji chápat jako infrastrukturní úkol. To zahrnuje vysoce výkonné sítě a datová centra, digitální správu, další vzdělávání, aplikačně orientovaný výzkum, přístup ke kapitálu a interoperabilní datové prostory. Konkurenční trhy jsou stejně důležité. Pokud několik platforem ovládá modely, cloud computing, rozhraní a distribuci, velká část přidané hodnoty plyne k provozovatelům infrastruktury. Německo a Evropa si nemusí všechno vyrábět samy, ale musí si udržovat dostatečné domácí odborné znalosti a konkurenci, aby se vyhnuly ztrátě všech ekonomických výhod.

Okno příležitosti se uzavírá rychleji, než se očekávalo

Německá ekonomika úspěšně zvládla první fázi zavádění umělé inteligence. Technologie je viditelná, akceptovaná a prakticky otestovaná v mnoha společnostech. Další krok je náročnější, protože ho nelze dosáhnout pouhým zakoupením dalších licencí. Vyžaduje přepracování procesů, dat a odpovědností. Právě proto rozhodnutí, která se nyní činí, určí, které společnosti využijí umělou inteligenci k vytvoření trvalé výhody v produktivitě a růstu.

Výchozí bod je lepší, než naznačují některé předpovědi o zlém dni. Německo má průmyslovou základnu, kvalifikovanou pracovní sílu, silné vztahy se zákazníky a cenné znalosti procesů. Zároveň je reálné zaostávání v inovacích obchodních modelů a škálování produktů. Ti, kdo se spokojí s vysokou mírou využití, si pletou aktivitu s pokrokem. Společnost může mít tisíce uživatelů umělé inteligence a stále generovat sotva nějaký dodatečný zisk.

Důvod je tedy tento: Agentická umělá inteligence není ani krátkodobým módním výstřelkem, ani automatickou zárukou prosperity. Je to nová forma organizační infrastruktury. Její výhody vznikají, když si firmy ujasní své cíle, zjednoduší procesy, zpřístupní data a inteligentně rozdělí lidskou kontrolu. To je primárně manažerský úkol, podporovaný technologiemi, právem a rozvojem lidských zdrojů.

Rozhodující soutěž se netýká nejvýmluvnějšího modelu. Jde o to, kdo dokáže proměnit znalosti ve spolehlivé činy. Společnosti, které pouze integrují umělou inteligenci do stávajících procesů, zaznamenají izolovaná zlepšení. Společnosti, které přepracují své procesy s ohledem na umělou inteligenci, mohou zásadně transformovat svou nákladovou strukturu, rychlost a tržní pozici. Problém Německa tedy již není v nedostatku pozornosti. Je to riziko, že všeobecné nadšení povede k nedostatečným, hlubokým inovacím. Okno příležitostí je stále otevřené, ale křivky učení průkopníků jsou již v pohybu.

Rád/a bych sloužil/a jako váš osobní poradce.

Můžete mě kontaktovat na adrese wolfenstein∂xpert.digital nebo

Zavolejte mi na +49 7348 4088 965 .

LinkedIn