Suverenita umělé inteligence pro firmy: Tajná evropská zbraň umělé inteligence? Jak se kontroverzní zákon stává příležitostí proti dominanci USA

Mistral poráží Google? Proč jsou bezplatné open-source modely jedinou šancí Evropy na nezávislost

Evropa se nachází uprostřed bezprecedentního cyklu modernizace umělé inteligence. Díky disruptivní síle generativní umělé inteligence investice exponenciálně rostou a prognózy slibují obrovský růst. Za fasádou mnohamiliardových rozpočtů se však skrývá hrozivá realita: místo široké demokratizace technologie se objevuje dvoustupňový ekonomický systém. Zatímco velké korporace konsolidují své výdaje u globálních hyperškálovacích společností a stávají se hluboce závislými, páteř evropské ekonomiky – inovativní malé a střední podniky (MSP) – technologicky i ekonomicky zaostává.

Tuto propast dramaticky umocní další technologický skok: „agenturní umělá inteligence“. Její extrémní nároky na infrastrukturu nutí společnosti k závislosti na dodavateli, přičemž skutečné náklady jsou často zastírány. Důkladná analýza celkových nákladů na vlastnictví (TCO) ukazuje, že zdánlivě jednoduchá cesta do cloudu pro perzistentní aplikace umělé inteligence je více než dvakrát dražší než budování vlastní, suverénní infrastruktury. Paradoxně se zákon EU o umělé inteligenci, často kritizovaný jako potlačující inovace, stává katalyzátorem změny kurzu: jeho přísné požadavky na transparentnost a kontrolu činí z používání proprietárních systémů „černé skříňky“ nevyčíslitelné riziko.

Řešení tohoto strategického trilema nákladů, závislosti a regulace spočívá v důsledném posunu směrem k technologiím s otevřeným zdrojovým kódem. Vysoce výkonné modely jako Mistral nebo Llama 3, běžící na otevřených platformách, poprvé umožňují spojit technologickou excelenci s ekonomickou efektivitou a digitální suverenitou. Zatímco technologie a strategie jsou jasné, do popředí se dostává klíčové úzké hrdlo: lidé. Akutní nedostatek kvalifikovaných pracovníků je poslední a největší překážkou na cestě Evropy nejen k požadování suverenity v oblasti umělé inteligence, ale i k jejímu formování.

Vhodné pro:

• Interní platforma umělé inteligence společnosti jako strategická infrastruktura a obchodní nezbytnost

Rovnice suverenity umělé inteligence: Ekonomické vyvažování Evropy mezi hyperškálovou dominancí a digitální soběstačností

Za hranicemi humbuku: Proč se o budoucnosti evropské umělé inteligence nerozhodne v cloudu, ale ve strategické kontrole a lidských znalostech

Nová evropská realita umělé inteligence: Trh v nerovnováze

Evropská ekonomická krajina prochází zásadní transformací, poháněnou exponenciálními investicemi do umělé inteligence. Makroekonomické prognózy signalizují neochvějný závazek k technologickým modernizacím. Nedávné analýzy předpovídají, že výdaje na IT služby související s umělou inteligencí v Evropě se v roce 2025 zvýší o 21 procent. Firmy zabývající se průzkumem trhu potvrzují, že evropský trh s umělou inteligencí vstupuje do fáze rychlého růstu, který je z velké části poháněn disruptivní silou generativní umělé inteligence (GenAI). Tato technologie se vyvinula z okrajové aplikace v centrální investiční cyklus, což nutí CIO zásadně přehodnotit své plánování do budoucna.

Tento kvantitativní nárůst však maskuje hlubokou a strukturálně nebezpečnou realitu. Podrobný pohled na data Eurostatu o přijetí technologií z roku 2024 vykresluje střízlivý obraz skutečné penetrace. V Evropské unii používalo v roce 2024 technologie umělé inteligence pouze 13,48 procenta všech společností s deseti a více zaměstnanci. I když to představuje významný nárůst o 5,45 procentního bodu ve srovnání s rokem 2023, nízká základní hodnota odhaluje, jak daleko ještě musíme ujít, abychom dosáhli širokého zavedení.

Skutečný ekonomický problém nespočívá v průměrné míře zavádění, ale v extrémní fragmentaci trhu. Data Eurostatu odhalují nebezpečnou „meziprostor v zavádění“ mezi velikostmi společností: Zatímco 41,17 procenta velkých společností již používá umělou inteligenci, pouze 20,97 procenta středních společností a katastrofálních 11,21 procenta malých společností.

To odhaluje zásadní rozpor: Pokud celkové výdaje na služby umělé inteligence masivně vzrostou o 21 procent, ale průměrné přijetí zůstává nízké a segmentované, znamená to z ekonomického hlediska, že neroste celý trh, ale spíše to, že několik již dominantních hráčů – 41 procent velkých společností – masivně konsoliduje své výdaje. Tuto konsolidaci podporuje pozorování, že společnosti se stále více přesouvají od přímého nákupu řešení umělé inteligence k implementaci partnerských řešení. V praxi jsou těmito partnery globální hyperscaleři a jejich ekosystémy.

Tento vývoj nenaznačuje zdravý, široce založený vzestup, ale spíše vznik ekonomicky dvouvrstvé společnosti. Zatímco velké korporace se hluboce integrují do ekosystémů poskytovatelů technologií, aby si zajistily konkurenceschopnost, páteř německé a evropské ekonomiky – inovativní malé a střední podniky – technologicky i ekonomicky zaostává. „Fáze rychlého růstu“ je tedy méně demokratizací umělé inteligence než spíše zrychlením závislosti těch, kteří si ji mohou dovolit.

Změna paradigmatu: Od izolovaných pilotů k „agentské umělé inteligenci“

Souběžně s touto kvantitativní tržní dynamikou dochází v samotné technologii ke kvalitativnímu skoku, který zásadně zintenzivňuje její strategické důsledky. Éra izolovaných pilotních projektů umělé inteligence, zaměřených primárně na zvýšení produktivity, ustupuje nové fázi: „agentní umělé inteligenci“. Analytici definují „agentní budoucnost“ jako stav, ve kterém systémy umělé inteligence již nejen vykonávají úkoly, ale jednají autonomně, záměrně a škálovatelně. Jde o orchestraci inteligence napříč celými systémy, týmy a hodnotovými řetězci s cílem předefinovat obchodní modely.

Ochota přijmout toto nové paradigma je v roce 2025 pozoruhodně vysoká. Průzkum ukazuje, že 29 procent organizací uvádí, že již používá Agentic AI, zatímco dalších 44 procent plánuje její implementaci v příštím roce. Pouze 2 procenta společností její použití neuvažují. Primární případy použití se zaměřují na jádro obchodních procesů: 57 procent uživatelů plánuje nasadit ji v zákaznickém servisu, 54 procent v prodeji a marketingu a 53 procent v IT a kybernetické bezpečnosti. Globální technologické společnosti tento trend podporují; 88 procent amerických manažerů uvedlo, že kvůli Agentic AI v příštím roce zvýší své rozpočty na AI.

Tato euforie se však setkává s krutou realitou: implementačním vakuem. Navzdory vysoké ochotě investovat postrádá 62 procent společností, které hodnotí agenty umělé inteligence, jasný výchozí bod pro implementaci. 32 procent všech pilotních projektů se zastaví a nikdy se nedostane do produkční fáze.

Hlavní příčinou tohoto rozsáhlého selhání není ani tak software, jako spíše fyzická infrastruktura. Více než polovina všech současných pilotních projektů umělé inteligence stagnuje kvůli nedostatečným omezením infrastruktury. Agentní umělá inteligence není jednoduchá aktualizace softwaru; zásadně transformuje síťové požadavky. Analytici společnosti Cisco varují, že požadavky agentní umělé inteligence generují až 25krát více síťového provozu než tradiční požadavky. Tyto systémy vyžadují novou, decentralizovanou architekturu „unifikované hranice“, protože se předpokládá, že 75 procent podnikových dat bude v budoucnu nutné zpracovávat na hranici sítě – tedy tam, kde vznikají, například v továrně nebo v autě.

Tato infrastrukturní krize způsobuje hluboký problém s důvěrou. Ukázal se významný rozpor ve vnímání: Zatímco 78 procent vedoucích pracovníků na vrcholovém managementu tvrdí, že mají silné řízení umělé inteligence, souhlasí s tím pouze 58 procent vrcholových manažerů, kteří jsou blíže k implementaci. Je zajímavé, že 78 procent těchto manažerů – těch samých, kteří schvalují velké rozpočty – přiznává, že nedůvěřují agentní umělé inteligenci, když činí autonomní rozhodnutí.

Tato nedůvěra není primárně psychologická, ale je přímým příznakem nedostatečnosti infrastruktury. Management nedůvěřuje systémům, protože jejich vlastní infrastruktura není navržena tak, aby zvládla 25násobné zatížení sítě ani nezaručila potřebnou robustnost a bezpečnost na okraji sítě. Právě tato mezera – neschopnost provozovat Agentic AI na vlastní infrastruktuře – se stává největším akcelerátorem závislosti na dodavateli. Evropské společnosti, které chtějí tento strategický krok učinit, jsou nuceny zakoupit požadovanou architekturu na okraji sítě jako drahou, spravovanou službu právě od hyperškálovacích společností, jejichž dominance se ve skutečnosti obávají.

Paradox návratnosti investic (ROI) do umělé inteligence

Obrovské investice do infrastruktury umělé inteligence narážejí na další klíčový ekonomický problém: paradox návratnosti investic (ROI). Rozpočty na digitální iniciativy explodovaly. Data za rok 2025 ukazují, že tyto rozpočty se zvýšily ze 7,5 procenta tržeb v roce 2024 na 13,7 procenta v roce 2025. Pro typickou společnost s tržbami 13,4 miliardy dolarů to odpovídá digitálnímu rozpočtu ve výši 1,8 miliardy dolarů. Významná část z toho, v průměru 36 procent, jde přímo do automatizace umělé inteligence.

Navzdory této masivní alokaci kapitálu zůstávají výnosy často vágní, „pomalu se projevují a jsou obtížně měřitelné“, jak odhalil průzkum společnosti Deloitte z roku 2025 mezi evropskými manažery. Tento rozpor mezi masivním vstupem a nejasným výstupem je klíčovou charakteristikou současné ekonomiky umělé inteligence.

Jedním z jevů, které tento paradox nejzřetelněji ilustrují, je tzv. „stínová umělá inteligence“. Jedna pronikavá studie ukazuje, že ačkoli pouze 40 procent společností získalo oficiální licence pro modely velkých jazyků (LLM), zaměstnanci z více než 90 procent společností používají pro své každodenní pracovní úkoly soukromé nástroje umělé inteligence (například osobní účty ChatGPT).

Toto chování je z ekonomického hlediska velmi výmluvné. Ukazuje, že ačkoli je hodnota technologie pro jednotlivého zaměstnance zřejmá a bezprostřední (jinak by ji nepoužíval), tvorba hodnoty není společností ani zachycena, kontrolována, ani využívána. „Stínová umělá inteligence“ proto není pouze problémem s dodržováním předpisů, ale symptomem neúspěšné strategie v oblasti zadávání veřejných zakázek, infrastruktury a hodnoty. Management často investuje do viditelných, ale do značné míry netransformačních prestižních projektů, zatímco největší příležitosti k návratnosti investic v optimalizaci funkcí back-office zůstávají nedostatečně financovány.

Problém s měřením návratnosti investic spočívá v samotné povaze transformace. Zavedení umělé inteligence není jednoduchý upgrade; je srovnatelné s historickým přechodem z parní energie na elektřinu v továrnách. Plné výhody elektřiny nevznikly pouhým nahrazením parního stroje elektromotorem, ale až poté, co společnosti překonfigurovaly celé své výrobní linky a pracovní postupy kolem nového, decentralizovaného zdroje energie.

Z tohoto důvodu tradiční metriky návratnosti investic (ROI), které se zaměřují na úspory nákladů nebo zvýšení produktivity, selhávají. Analytici proto volají po alternativních metodách hodnocení. Patří mezi ně návratnost investic zaměstnanců (ROE), která měří zlepšení zkušeností a udržení zaměstnanců, a návratnost investic do budoucnosti (ROF), která posuzuje dlouhodobou strategickou výhodu a budoucí životaschopnost obchodního modelu. Zároveň musí hodnocení plně zachytit celkové náklady na vlastnictví (TCO), včetně často skrytých nákladů na audity shody s předpisy, průběžné přeškolování modelů a interní administrativní režie. Problém návratnosti investic je tedy často problémem TCO: společnosti se vyhýbají vysokým variabilním provozním nákladům (OpEx) cloudových služeb ve prospěch těžko měřitelného zvýšení produktivity a přehlížejí kapitálové výdaje (CapEx) do vlastní platformy, které by mohly legalizovat stínovou umělou inteligenci a interně kontrolovat její hodnotu.

Pravda o celkových nákladech na vlastnictví: Přehodnocení nákladů na infrastrukturu pro regenerativní umělou inteligenci

Diskuse o návratnosti investic (ROI) je neoddělitelně spjata se základním rozhodnutím týkajícím se podkladové infrastruktury. Strategická volba mezi on-premise prostředím (ve vlastním datovém centru) a veřejným cloudem (s hyperscalerem) je ekonomicky rekalibrována specifickými požadavky generativní umělé inteligence. Dogma „cloud first“, které bylo po léta považováno za posvátné, se stále častěji ukazuje jako ekonomický klam pro úlohy s umělou inteligencí.

Zásadní rozdíl spočívá ve struktuře nákladů. Náklady na cloud jsou variabilní, na využití závislé provozní náklady (OpEx). Lineárně se zvyšují s výpočetním časem, úložným prostorem, voláními API nebo objemem dat. Náklady na on-premise jsou naopak z velké části fixní kapitálové výdaje (CapEx). Po vysoké počáteční investici se mezní náklady na jednotku použití s ​​rostoucím využitím on-premise hardwaru snižují.

Pro tradiční, kolísavé úlohy byl cloud nepřekonatelný. Pro nové, perzistentní úlohy s umělou inteligencí – zejména školení a průběžné nasazování modelů (inference) – je tento obrázek opačný. Analýza celkových nákladů na vlastnictví (TCO) provedená společností Lenovo, která porovnává úlohy s grafickými procesory (ekvivalenty NVIDIA A100 na instancích AWS p5) za pětileté období, přináší jasné výsledky. Při nepřetržitém používání 24 hodin denně, 7 dní v týdnu, které je typické pro inferenci s umělou inteligencí, činí celkové náklady na on-premise hardware přibližně 411 000 USD. Stejný výpočetní výkon ve veřejném cloudu stojí za stejné období přibližně 854 000 USD. Náklady na cloud jsou tedy více než dvojnásobné.

Argument, že cloud je flexibilnější, platí pouze při velmi nízké míře využití. Pokud v tomto scénáři využití klesne na 30 procent, náklady na cloud sice výrazně klesnou, ale stále zůstávají vyšší než náklady na on-premise prostředí. Pro společnosti, které chtějí provozovat umělou inteligenci vážně a ve velkém měřítku, však nízké využití není cílem, ale problémem efektivity. Lineární model provozních nákladů cloudu je ekonomicky neefektivní pro udržitelný provoz generace umělé inteligence.

Generativní modely umělé inteligence ženou tuto spirálu nákladů do extrémů. Tréninkové modely, jako je Llama 3.1, vyžadovaly 39,3 milionu hodin výpočetního výkonu GPU. Hypoteticky by spuštění tohoto školení na instancích AWS P5 (H100) mohlo stát přes 483 milionů dolarů, bez započítání nákladů na úložiště. Tato čísla ilustrují, že školení, a dokonce i rozsáhlé doladění základních modelů, prostřednictvím veřejných cloudových služeb je pro většinu organizací finančně neúnosné.

Kromě pouhého výpočtu nákladů nabízí on-premise přístup vynikající kontrolu nad citlivými daty a duševním vlastnictvím kritickým pro podnikání. V cloudu zvyšují zpracování dat třetími stranami a sdílená infrastruktura rizika pro soukromí dat, čímž se dodržování regulačních požadavků (jako je GDPR nebo specifická pravidla pro dané odvětví ve financích a zdravotnictví) stává složitějším a nákladnějším. Analýza celkových nákladů na vlastnictví (TCO) tak poskytuje ekonomický důkaz o potřebě přehodnocení: Digitální suverenita není jen politickým módním slovem, ale nekompromisní finanční nutností.

Boj za digitální suverenitu jako ekonomická strategie

Analýza celkových nákladů na vlastnictví (TCO) ukazuje, že volba infrastruktury má rozměr průmyslové politiky. „Digitální suverenita“ již není čistě obranným nebo politickým požadavkem, ale spíše ofenzivní ekonomickou strategií pro zajištění konkurenčních výhod.

Pozice Německa v tomto globálním závodě je nejistá. Analýza ZEW (Centrum pro evropský ekonomický výzkum) vykresluje smíšený obraz: Zatímco německé společnosti jsou lídry ve využívání umělé inteligence v Evropě, země je slabá jako poskytovatel řešení v oblasti umělé inteligence. Německo má značný obchodní deficit v oblasti produktů a služeb umělé inteligence a jeho podíl na globálních patentových přihláškách v oblasti umělé inteligence značně zaostává za podílem předních zemí.

Tuto strategickou mezeru zhoršuje nedostatečné povědomí o problému v klíčovém průmyslovém sektoru, konkrétně v malých a středních podnicích (MSP). Společná studie společností Adesso a výzkumného institutu Handelsblatt z roku 2025 ukazuje, že čtyři z pěti německých firem nemají rozvinutou strategii pro digitální suverenitu. To je o to alarmující, že většina těchto společností přiznává, že je již silně závislá na digitálních řešeních od mimoevropských poskytovatelů.

Tato pasivita se stává nebezpečnou ve světle globální dynamiky. Rostoucí geopolitická fragmentace a sílící „technologický nacionalismus“ nově definují pravidla průmyslové soutěže. Pro klíčová evropská odvětví – výrobu, automobilový průmysl, finance a zdravotnictví – se kontrola nad proprietárními daty, dodavatelskými řetězci a systémy umělé inteligence stává otázkou přežití. Evropa se musí posunout od „pasivního uživatele“ k „aktivnímu tvůrci“ své digitální průmyslové budoucnosti.

Strategická odpověď na tuto výzvu spočívá ve federovaných datových prostorech, které propagují iniciativy jako Platform Industrie 4.0 a Gaia-X. Platform Industrie 4.0 si klade za cíl vytvořit datové prostory, které umožňují mnohostrannou spolupráci založenou na důvěře, integritě a individuální datové suverenitě.

Gaia-X, která v roce 2025 vstoupí do konkrétní implementační fáze s více než 180 projekty v oblasti datového prostoru, je pokusem povýšit tuto vizi na celoevropskou úroveň. Cíl je jasný: prolomit „hegemonii severoamerických aktérů“ vytvořením federované, interoperabilní a bezpečné datové infrastruktury, která bude dodržovat evropské hodnoty a pravidla.

Zde je třeba opravit zásadní nedorozumění: Gaia-X není „evropskou cloudovou alternativou“, která by měla přímo konkurovat hyperscalerům. Spíše se jedná o operační systém pro důvěru a interoperabilitu. Gaia-X poskytuje rámce důvěryhodnosti, otevřené standardy a mechanismy dodržování předpisů, které umožňují německému výrobci automobilů bezpečně federovat svou (podle analýzy TCO ekonomicky výhodnou) on-premise infrastrukturu se systémy svých dodavatelů v rámci odvětvově specifického, suverénního datového fondu.

80 procent německých firem bez strategie suverenity se proto dopouští dvojí ekonomické chyby: Nejenže ignorují akutní geopolitické riziko, ale také masivní výhodu celkových nákladů na vlastnictví (TCO), kterou by suverénní infrastruktura navržená podle principů Gaia-X mohla v době GenAI nabídnout.

Od závislosti na velkých poskytovatelích cloudových služeb zpět k znovuobjevení vlastní IT infrastruktury (on-premise)

Zákon EU o umělé inteligenci: Regulační zátěž, nebo katalyzátor suverenity?

Do této složité směsice ekonomického tlaku a strategické nutnosti nyní zasahuje evropská regulace. Zákon EU o umělé inteligenci (nařízení (EU) 2024/1689) je často diskutován jako pouhá zátěž pro dodržování předpisů nebo brzda inovací. Hlubší ekonomická analýza však ukazuje, že zákon o umělé inteligenci působí jako nezamýšlený, ale účinný katalyzátor právě těch suverénních architektur umělé inteligence, které jsou již nezbytné z důvodu celkových nákladů na vlastnictví (TCO) a strategických úvah.

Zákon o umělé inteligenci (AI Act) se řídí přístupem založeným na riziku a rozděluje systémy umělé inteligence do čtyř skupin: minimální, omezené, vysoké nebo nepřijatelné riziko. Ekonomicky relevantní termíny se rychle blíží: od 2. února 2025 budou v EU zakázány systémy umělé inteligence s „nepřijatelným rizikem“ (např. sociální skóre). 2. srpen 2025 je však pro toto odvětví mnohem významnější. K tomuto datu vstoupí v platnost pravidla správy a povinnosti pro modely univerzální umělé inteligence (GPAI) – základní technologie, která stojí za GenAI.

Pro společnosti, které musí klasifikovat systémy umělé inteligence jako „vysoce rizikové“ (např. v kritické infrastruktuře, náboru, lékařské diagnostice nebo financích), se náklady na dodržování předpisů stávají významnými. Články 8 až 17 zákona stanoví přísné povinnosti před uvedením takového systému na trh. Patří mezi ně:

• Zavedení odpovídajících systémů řízení rizik a jejich zmírňování.
• Zajištění vysoké kvality školicích, validačních a testovacích datových sad, zejména s cílem minimalizovat diskriminaci.
• Zavedení průběžného zaznamenávání aktivit pro zajištění sledovatelnosti výsledků.
• Vytvoření podrobné technické dokumentace obsahující veškeré informace o systému a jeho účelu.
• Zavedení odpovídajícího lidského dohledu.
• Důkaz vysoké úrovně robustnosti, kybernetické bezpečnosti a přesnosti.

Tyto požadavky fungují jako implicitní hnací síla pro on-premise a open-source řešení. Klíčovou otázkou pro každého generálního ředitele a CIO je: Jak může německá společnost splnit požadavky zákona o umělé inteligenci (AI Act), pokud používá proprietární API „black-box“ od neevropského hyperscalera?

Jak může prokázat „vysokou kvalitu datových sad“, pokud jsou trénovací data amerického modelu obchodním tajemstvím? Jak může zaručit úplné „protokolování pro sledovatelnost“, pokud nemá přístup k inferenčním protokolům poskytovatele? Jak může vytvořit „podrobnou technickou dokumentaci“, pokud architektura modelu není zveřejněna?

Zákon o umělé inteligenci vytváří de facto mandát pro transparentnost, auditovatelnost a kontrolu. Tyto požadavky je obtížné nebo nemožné splnit se standardními službami nabízenými hyperškálovači, nebo pouze za extrémně vysoké dodatečné náklady a právní rizika. Termín v srpnu 2025 nyní nutí společnosti k strategickému rozhodnutí. Zákon o umělé inteligenci a analýza celkových nákladů na vlastnictví (TCO) (viz oddíl 4) se tak ubírají stejným strategickým směrem: od cloudu typu black-box směrem k kontrolovatelným, transparentním a suverénním architekturám umělé inteligence.

Věrnostní závazek k dodavateli: Strategické nebezpečí proprietárních ekosystémů

Analýza celkových nákladů na vlastnictví (TCO) a požadavky zákona o umělé inteligenci (AI Act) zdůrazňují strategické riziko, které představuje hluboká integrace do ekosystémů hyperškálovacích společností (jako jsou Amazon Web Services, Microsoft Azure a Google Cloud Platform). Tato tzv. „vázanost na dodavatele“ není jen technickou nepříjemností, ale ekonomickou a strategickou pastí. Společnosti se stávají závislými na proprietárních službách, specifických rozhraních pro programování aplikací (API), datových formátech nebo specializované infrastruktuře. Přechod k jinému poskytovateli se stává neúměrně drahým nebo technicky nemožným.

Mechanismy tohoto uzamčení jsou jemné, ale účinné. Hlavním problémem je „technické zapletení“. Hyperscalery nabízejí množství vysoce optimalizovaných, proprietárních služeb (např. specializované databáze jako AWS DynamoDB nebo orchestrační nástroje jako AWS ECS). Ty jsou v ekosystému bezproblémově a hladce použitelné. Vývojový tým pod časovým tlakem pochopitelně zvolí tyto nativní nástroje před otevřenými, přenositelnými standardy (jako je PostgreSQL nebo Kubernetes). S každým z těchto rozhodnutí se snižuje přenositelnost celé aplikace, až by migrace vyžadovala kompletní přepracování.

Druhým mechanismem je eskalace nákladů. Firmy se často nechají lákat do cloudu štědrými bezplatnými počátečními kredity a slevami. Jakmile je však infrastruktura hluboce zakořeněná a náklady na přenos dat („datová gravitace“) migraci ztěžují, ceny se zvyšují nebo se mění podmínky.

Lákadlo hyperscalerů je záměrnou strategií, která má zakrýt dlouhodobé nevýhody v podobě celkových nákladů na vlastnictví, které vznikají u přetrvávajících pracovních zátěží (jak je uvedeno v části 4). V době, kdy společnost dosáhne fáze škálování, kdy by lokální řešení bylo o více než 50 procent levnější, je již technicky vázána na daný systém. „Krize infrastruktury“ analyzovaná v části 2 během zavádění umělé inteligence Agentic slouží jako perfektní katalyzátor pro toto vázání. Hyperscalerové nabízejí „jednoduché“ plug-and-play řešení pro komplexní problém s okrajem sítě – řešení, které je nevyhnutelně hluboce zakořeněno v jejich proprietárních a nepřenositelných službách.

Běžná protiopatření, jako jsou strategie multicloudu – tedy využívání více poskytovatelů k posílení vlastní vyjednávací síly – a upřednostňování přenositelnosti dat prostřednictvím otevřených formátů, jsou důležitá, ale v konečném důsledku pouze obranná taktika. Zmírňují příznaky, ale neřeší základní příčinu závislosti. Jediná robustní obrana proti závislosti na dodavateli spočívá na architektonické úrovni: konzistentní používání softwaru s otevřeným zdrojovým kódem a otevřených standardů.

Vhodné pro:

• Nebezpečí uzamčení dodavatele: Proč by se společnosti měly vyhýbat závislosti

Open Source jako páteř evropské suverenity v oblasti umělé inteligence

Důsledné používání softwaru a modelů s otevřeným zdrojovým kódem je klíčovou strategickou pákou, která v první řadě umožňuje ekonomicky racionální a technicky efektivní suverenitu umělé inteligence pro Evropu. Open-source modely s velkými jazyky (LLM), jejichž zdrojový kód a často i školicí mechanismy jsou volně dostupné, modifikovatelné a distribuovatelné, představují strategickou alternativu k proprietárním, uzavřeným modelům.

Trh s modely umělé inteligence se dramaticky posunul ve prospěch open source. Od začátku roku 2023 se počet vydaných modelů s open source téměř zdvojnásobil ve srovnání s jejich proprietárními protějšky. Data naznačují, že on-premise řešení, která převážně využívají modely s open source, již ovládají více než polovinu trhu s LLM. Tuto dynamiku potvrzuje i široké přijetí v podnikání: 89 procent společností používajících umělou inteligenci využívá v nějaké formě komponenty s open source.

Ekonomické výhody jsou zřejmé: Open Source nabízí transparentnost, vynikající přizpůsobivost (jemné doladění), drastické snížení provozních nákladů (protože neexistují žádné poplatky za tokeny založené na jejich využití) a především úplnou eliminaci rizika závislosti na určitém dodavateli.

Existence výkonných open-source modelů, jako je Llama 3 od společnosti Meta a modely od Mistral (evropské společnosti se sídlem v Paříži), je strategickým průlomem. Výkonnostní benchmarky ukazují, že Llama 3 vyniká v komplexních procesech uvažování, vícenásobných dialozích a multimodálních schopnostech (text a obrázek). Rodina modelů Mistral je na druhou stranu optimalizována pro efektivitu, nízkou latenci a nákladově efektivní přizpůsobení, což ji činí ideální pro použití v agilních scénářích nebo scénářích edge computingu.

Tyto modely jsou však pouze „motory“. Pro jejich efektivní provoz v průmyslovém měřítku jsou zapotřebí otevřené platformy MLOps (Machine Learning Operations). Systémy jako Kubeflow, který je postaven na de facto průmyslovém standardu Kubernetes, jsou klíčové pro správu celého životního cyklu – od školení a doladění až po nasazení a monitorování – na vaší vlastní infrastruktuře škálovatelným, přenosným a automatizovaným způsobem.

Existence těchto výkonných open-source balíčků (model + platforma) řeší strategické trilema evropského průmyslu. Dříve čelila jedna německá společnost nemožné volbě: (A) používat drahé, proprietární americké modely s vysokými celkovými náklady na vlastnictví (TCO), rizikem závislosti na dodavateli a problémy s dodržováním zákona o umělé inteligenci, nebo (B) spoléhat se na méně konkurenceschopné, proprietární modely.

Díky revoluci open-source si nyní společnost může zvolit třetí, suverénní cestu: Může provozovat špičkový model (např. Llama 3 nebo Mistral) na vlastní (ekonomicky lepší, dle analýzy TCO) on-premise infrastruktuře, spravované otevřenou platformou (jako je Kubeflow) a interoperabilní (dle standardů Gaia-X) a zároveň plně auditovatelné a transparentní (dle zákona o umělé inteligenci). Strategické rozhodnutí se přesouvá od otázky „AWS, Azure nebo GCP?“ k otázce: „Používáme Mistral pro efektivní edge aplikace nebo Llama 3 pro komplexní back-office procesy na naší vlastní platformě založené na Kubeflow?“

Vhodné pro:

• Le Chat od Mistral AI – evropská odpověď na ChatGPT: Tento asistent s umělou inteligencí je výrazně rychlejší a bezpečnější!

Lidské úzké hrdlo: Dvojitá krize dovedností v Německu

Technologické a ekonomické argumenty pro suverénní strategii umělé inteligence jsou silné. Architektura (open source, on-premise) je dostupná a finančně výhodnější. Existuje regulační nutnost (zákon o umělé inteligenci). Implementace této strategie však selhává kvůli jednomu poslednímu, kritickému úzkému hrdlu: lidskému kapitálu. Hlavní překážkou přijetí umělé inteligence a digitální transformace v Německu je přetrvávající nedostatek IT specialistů a digitálních profesionálů obecně.

Trh práce pro specialisty na umělou inteligenci je velmi volatilní. Data společnosti PwC ukazují, že počet nabídek práce související s umělou inteligencí v Německu po vrcholu 197 000 v roce 2022 klesl do roku 2024 na 147 000. Tento pokles není známkou uvolnění napětí, ale spíše naznačuje strategickou dezorientaci. Silně koreluje s obdobím, kdy si společnosti po počáteční vlně humbuku (2022) uvědomily realitu paradoxu návratnosti investic (2023) a infrastrukturních překážek (2024). Datoví vědci byli najímáni v panice, bez potřebné infrastruktury nebo strategie pro jejich produktivní využití.

Skutečným problémem není nedostatek špičkových výzkumníků, ale spíše širší „mezera v kompetencích“. Najímání vysoce placených odborníků na umělou inteligenci má malý význam, pokud zbytek pracovní síly není schopen nové procesy aplikovat nebo interagovat se systémy. Studie tento rozpor potvrzuje: Zatímco 64 procent zaměstnanců má zájem o školení v oblasti umělé inteligence, mnoha společnostem chybí konkrétní programy a strategie pro jejich implementaci.

Tento dvojí nedostatek – nedostatek specialistů a nedostatek širokých znalostí v oblasti umělé inteligence – žene náklady na personál pro těch několik dostupných talentů do extrémních výšin. Platy v Německu pro rok 2025 tento nedostatek odrážejí. Specialista na umělou inteligenci v Německu vydělává v průměru mezi 86 658 a 89 759 eury. Platové rozpětí zkušených specialistů (seniorní úroveň, 6–10 let praxe) ilustruje plný rozsah těchto nákladů na personál.

Následující tabulka shrnuje platové standardy pro klíčové pozice v oblasti umělé inteligence v Německu v roce 2025 na základě analýzy různých tržních dat.

Platové benchmarky pro profesionály v oblasti umělé inteligence v Německu (hrubý roční plat, 2025)

Platové benchmarky pro profesionály v oblasti umělé inteligence v Německu (hrubý roční plat, 2025) – Obrázek: Xpert.Digital

Pro rok 2025 jsou platové standardy pro profesionály v oblasti umělé inteligence v Německu (hrubý roční plat) následující: Pro datové vědce se zaměřením na umělou inteligenci je hrubý roční plat 55 000–70 000 EUR pro juniory (0–2 roky), 70 000–90 000 EUR pro střední úroveň (3–5 let) a 90 000–120 000 EUR pro seniory (6–10 let). Inženýři strojového učení vydělávají 58 000–75 000 EUR jako junioři, 75 000–95 000 EUR jako střední úroveň a 95 000–125 000 EUR jako senioři. Vědci v oblasti umělé inteligence vydělávají na nižší úrovni 60 000 až 80 000 eur, na střední úrovni 80 000 až 105 000 eur a na vyšší úrovni 105 000 až 140 000 eur.

Tyto vysoké personální náklady jsou nedílnou součástí výpočtu celkových nákladů na vlastnictví (TCO) a paradoxně dalším silným argumentem proti veřejnému cloudu. Je ekonomicky iracionální zaměstnávat osmičlenný seniorní tým pro umělou inteligenci s personálními náklady kolem jednoho milionu eur ročně a následně nechat jejich produktivitu brzdit variabilní náklady, technická omezení nebo latence API cloudové platformy. Drahý a vzácný lidský kapitál vyžaduje optimalizované, kontrolované a nákladově efektivní (interní) zdroje, aby se dosáhlo maximální hodnoty.

Transformace v praxi: Strategie německých průmyslových šampionů (Bosch a Siemens)

Nastíněná strategická výzva – potřeba vyvážit celkové náklady na vlastnictví, suverenitu a budování kompetencí – není pouze teoretická. Přední německé průmyslové společnosti se jí již aktivně zabývají. Strategie korporací jako Bosch, Siemens a jejich společného podniku BSH Hausgeräte slouží jako plán, jak může být transformace suverénní umělé inteligence v praxi úspěšná.

Tyto společnosti vynakládají masivní dlouhodobé kapitálové výdaje (CapEx) do svých vlastních kapacit v oblasti umělé inteligence. Například společnost Bosch oznámila plány investovat do umělé inteligence do konce roku 2027 více než 2,5 miliardy eur. Tyto peníze se primárně nepoužívají na nákup cloudových služeb, ale spíše na rozvoj interních odborných znalostí a integraci umělé inteligence jako klíčové součásti jejích produktů, což jí umožní rychleji převádět inovace do reálných obchodních aplikací.

Strategie těchto šampionů se nezaměřuje na interní aplikaci pro zvýšení produktivity, ale spíše na „vestavěnou umělou inteligenci“ nebo „hranovou umělou inteligenci“ – integraci umělé inteligence přímo do produktu za účelem zvýšení hodnoty pro zákazníka. Příklady společností Bosch a BSH to ilustrují:

• Trouba Bosch řady 8 využívá umělou inteligenci k automatickému rozpoznání více než 80 pokrmů a nastavení optimálního způsobu vaření a teploty.
• Inteligentní dětská postel „Bosch Revol“ využívá umělou inteligenci k monitorování životně důležitých funkcí dítěte, jako je srdeční a dechová frekvence, a upozorní rodiče v případě nesrovnalostí.
• Nástěnné skenery založené na umělé inteligenci detekují napájecí kabely nebo kovové vzpěry ve zdi.

Tyto případy užití vyžadují spolehlivé odvozování v reálném čase přímo na zařízení (na okraji sítě), nezávisle na stabilním internetovém připojení. Potvrzují technickou nutnost decentralizované architektury (jak je popsáno v části 2) a jsou proveditelné pouze investicemi do proprietárních, suverénních funkcí.

Souběžně s investicemi do technologií tyto společnosti proaktivně řeší nedostatek lidských zdrojů (oddíl 9) prostřednictvím rozsáhlých interních vzdělávacích iniciativ. Společnost Siemens spustila v roce 2022 program „SiTecSkills Academy“. Nejedná se pouze o interní vzdělávací program, ale o otevřený ekosystém určený k poskytování dalšího vzdělávání a zvyšování kvalifikace pro všechny pracovníky – od výroby a služeb až po prodej – a také pro externí partnery v oblastech orientovaných na budoucnost, jako je umělá inteligence, internet věcí a robotika.

Filozofii tohoto přístupu stručně shrnula společnost BSH (Bosch a Siemens Home Appliances): Umělá inteligence není vnímána jako „přídavný modul“, ale spíše jako „součást naší celkové strategie“. Cílem je vytvořit „skutečnou přidanou hodnotu pro naše spotřebitele“, které jsou podřízena veškerá technologická rozhodnutí.

Tito lídři v oboru tak poskytují živoucí důkaz základní teze této analýzy: Řeší paradox návratnosti investic (kapitola 3) tím, že hledají hodnotu nikoli v nejasných interních úsporách, ale v nových funkcích produktů placených zákazníkem. Potvrzují argumenty celkových nákladů na vlastnictví (kapitola 4) prostřednictvím kapitálových výdajů v řádu miliard dolarů. A řeší krizi dovedností (kapitola 9) prostřednictvím strategických a škálovatelných interních akademií.

Strategický výhled: Cesta Evropy k suverenitě v oblasti umělé inteligence do roku 2026

Ekonomická analýza implementace umělé inteligence v Evropě v roce 2025 vede k jasnému a naléhavému závěru. Evropská, a zejména německá, ekonomika stojí na křižovatce charakterizované řadou hlubokých ekonomických a strukturálních rozporů.

Zaprvé, existuje nebezpečná mezera v zavádění. Zatímco velké společnosti konsolidují své výdaje na umělou inteligenci a hluboce se integrují do ekosystémů hyperškálování, střední podniky technologicky zaostávají.

Za druhé, další technologický skok, „agentní umělá inteligence“, tuto propast urychluje. Její extrémní nároky na infrastrukturu (zejména na okraji sítě) zahlcují většinu společností a vytvářejí akutní tlak na problémy, což je přímo žene do závislosti na dodavatelích, kteří nabízejí rychlá, ale proprietární řešení.

Za třetí, mnoho společností zažívá „paradox návratnosti investic“, který zhoršuje fenomén „stínové umělé inteligence“. Investují do technologií značně, ale nemohou měřit jejich hodnotu, protože se spoléhají na nesprávné metriky a ekonomicky neoptimální strategii infrastruktury.

Analýza dat této studie odhaluje cestu ven z tohoto trilematu. Na rozdíl od dogmatu „cloud first“ analýza celkových nákladů na vlastnictví ukazuje, že suverénní on-premise nebo hybridní infrastruktury jsou ekonomicky výhodnější pro perzistentní, výpočetně náročné úlohy generativní umělé inteligence – náklady lze snížit o více než 50 procent.

Tento ekonomicky racionální přístup je nyní podporován regulačním rámcem zákona EU o umělé inteligenci (AI Act). Jeho přísné požadavky na transparentnost, auditovatelnost a protokolování, které vstoupí v platnost pro modely GPAI v srpnu 2025, fungují jako de facto mandát pro otevřené, transparentní a auditovatelné systémy – požadavky, které proprietární API typu black-box jen stěží splňují.

Strategické řešení je technicky i ekonomicky dostupné: kombinace vysoce výkonných open-source LLM (jako je Mistral nebo Llama 3), otevřených platforem MLOps (jako je Kubeflow) a interoperabilních standardů (jako je Gaia-X). Tato architektura řeší tři klíčové problémy – celkové náklady na vlastnictví (TCO), závislost na dodavateli a dodržování předpisů AI Act – současně.

Tím se úzké hrdlo definitivně přesouvá z technologií na lidi. Nedostatek kvalifikovaných pracovníků napříč všemi oblastmi i mezi specialisty, který se projevuje v prudce rostoucích platech, je poslední a největší překážkou.

Strategický plán pro německé malé a střední podniky ilustrují průmysloví šampioni, jako jsou Bosch a Siemens: Budoucnost nespočívá v nákupu umělé inteligence jako variabilní cloudové služby, ale v budování umělé inteligence jako strategické klíčové kompetence. To vyžaduje (1) kapitálové výdaje do proprietární, suverénní a otevřené infrastruktury umělé inteligence a (2) paralelní masivní investice do širokého vzdělávání vlastních pracovníků.

V roce 2026 se úspěch evropského průmyslu v globálním závodě o umělou inteligenci nebude měřit velikostí účtů za cloud, ale hloubkou integrace umělé inteligence do klíčových produktů a rychlostí, s jakou si pracovní síla tuto transformaci osvojí.

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

Zaměření na odvětví: B2B, digitalizace (od AI po XR), strojírenství, logistika, obnovitelné zdroje energie a průmysl

Více o tom zde:

• Obchodní centrum Xpert

Tematické centrum s poznatky a odbornými znalostmi:

• Znalostní platforma o globální a regionální ekonomice, inovacích a trendech specifických pro dané odvětví
• Sběr analýz, impulsů a podkladových informací z našich oblastí zájmu
• Místo pro odborné znalosti a informace o aktuálním vývoji v oblasti podnikání a technologií
• Tematické centrum pro firmy, které se chtějí dozvědět více o trzích, digitalizaci a inovacích v oboru

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem národním jazyce!

Konrad Wolfenstein

Rád vám a mému týmu posloužím jako osobní poradce.

Kontaktovat mě můžete vyplněním kontaktního formuláře nebo mi jednoduše zavolejte na číslo +49 89 89 674 804 (Mnichov) . Moje e-mailová adresa je: wolfenstein ∂ xpert.digital

Těším se na náš společný projekt.

☑️ Podpora MSP ve strategii, poradenství, plánování a implementaci

☑️ Vytvoření nebo přeladění digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální obchodní platformy B2B

☑️ Pioneer Business Development / Marketing / PR / Veletrhy

Nový rozměr digitální transformace s „řízenou AI“ (umělou inteligencí) – platforma a řešení B2B | Xpert Consulting - Obrázek: Xpert.Digital

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

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

Klíčové výhody na první pohled:

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

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstávají 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. My se postaráme o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

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

Více o tom zde:

• Řešení spravované umělé inteligence – Průmyslové služby umělé inteligence: Klíč ke konkurenceschopnosti v odvětví služeb, průmyslu a strojírenství