Umělá inteligence se sama o sobě nerozšíří: Ti, kteří si kupují pouze modely, si v první řadě automatizují vlastní zklamání

Umělá inteligence v podnikání: Proč samotná technologie nestačí

Data jako firemní odpovědnost: Proč je kvalita klíčová

Umělá inteligence (AI) si stále více nachází cestu do firem napříč všemi odvětvími, ale navzdory působivému technologickému pokroku zůstává ekonomický průlom často nedosažitelný. Zatímco mnoho organizací implementovalo nejmodernější modely AI, skutečné přínosy pro produktivitu, příjmy a náklady často ještě nejsou patrné. Výzva nespočívá jen ve schopnostech samotných technologií, ale spíše ve schopnosti společností tyto technologie efektivně integrovat do svých stávajících procesů. Klíčovým úzkým hrdlem je nedostatečná adaptace procesů, správy dat a odpovědností. V této souvislosti je zřejmé, že většina společností čelí menšímu problému s AI a více problému s provozním modelem. Aby společnosti mohly plně využít výhod AI, musí zásadně přehodnotit své pracovní postupy a hluboce začlenit technologii do svých hodnotových řetězců. Teprve pak mohou dosáhnout zvýšené efektivity a souvisejících ekonomických výhod.

Od vývoje umělé inteligence k tvorbě hodnoty: Jak dosáhnout transformace

Umělá inteligence dorazila do podniků, ale její ekonomický průlom zdaleka není dokončen. Mezi působivými schopnostmi moderních modelů a trvalým nárůstem ziskovosti existuje značná implementační propast. Mnoho organizací dokáže generovat texty, shrnovat dokumenty, doplňovat programový kód nebo předtřídit poptávky zákazníků. Mnohem méně společností však transformovalo své procesy, data, odpovědnosti a kontrolní systémy takovým způsobem, aby to mělo hmatatelný dopad na produktivitu, příjmy, náklady, kvalitu nebo kapitálové investice. Klíčovým úzkým hrdlem tedy již není pouze inteligence modelu. Je to schopnost společnosti převést tuto inteligenci do opakovatelné tvorby hodnoty.

Toto rozlišení je klíčové pro jakoukoli ekonomickou analýzu. Technologie může generovat obrovské úspory času na úrovni úkolů, ale na úrovni společnosti má malý dopad. Pokud ušetřený čas není využit produktivně, úsilí se pouze přesune. Pokud každý výsledek vyžaduje následné zpracování, vznikají nové náklady na kontrolu. Pokud aplikace umělé inteligence zůstává mimo operační systémy, vylepšuje jednotlivé úkoly, aniž by zvyšovala celkovou propustnost procesů. A pokud si mnoho oddělení nezávisle pořizuje podobná řešení, může se zvýšit počet nástrojů, ale ne nutně přidaná hodnota.

Provokativní, ale ekonomicky opodstatněná perspektiva je tedy tato: Většina společností nemá problém s umělou inteligencí, ale spíše s provozním modelem. Investují do vysoce výkonných modelů, zatímco procesy zůstávají fragmentované, data jsou nedostatečně spravována, odpovědnosti jsou nejasné a klíčové ukazatele výkonnosti (KPI) jsou vágní. K škálování však nedochází pouhým poskytnutím přístupu k chatbotovi většímu počtu zaměstnanců. Dochází k němu, když je umělá inteligence dostatečně hluboce integrována do hodnotově relevantního procesu, aby měřitelně změnila jeho nákladovou křivku, rychlost, kvalitu nebo potenciál tržeb.

Od digitálního asistenta k průmyslové produktivní síle

Současný boom umělé inteligence se od předchozích vln automatizace liší především svou širokou použitelností. Generativní systémy zpracovávají přirozený jazyk, obrázky, zvuk, video, programový kód a stále častěji i strukturovaná obchodní data. To snižuje technickou bariéru vstupu. Zaměstnanci k interakci s modelem nutně nepotřebují programátorské dovednosti. Tato snadnost použití urychluje přijetí, ale zároveň s sebou nese riziko záměny používání s tvorbou hodnoty.

Do roku 2024 78 procent dotázaných organizací po celém světě uvedlo, že používá umělou inteligenci alespoň v jedné obchodní funkci; o rok dříve to bylo 55 procent. Využívání generativní umělé inteligence se ve stejném období zvyšovalo ještě rychleji. V Evropské unii do roku 2025 používalo technologie umělé inteligence přibližně 20 procent společností s alespoň deseti zaměstnanci. U velkých společností to bylo přibližně 55 procent, zatímco u malých společností to bylo pouze kolem 17 procent. Tato čísla ilustrují dvě věci: Zaprvé, umělá inteligence již není specializovaným tématem. Zadruhé, její přijetí je velmi nerovnoměrné a stále zdaleka nedosahuje všech klíčových procesů.

Samotná rozšířenost umělé inteligence vypovídá jen málo o hloubce integrace. Společnost, která svým zaměstnancům poskytuje textového asistenta, je statisticky započítána jako uživatel. Totéž platí pro průmyslovou společnost, která kombinuje prediktivní modely s plánováním výroby, kontrolou kvality, údržbou a nákupem. Z ekonomického hlediska je mezi těmito dvěma pojmy obrovský rozdíl. V prvním případě může umělá inteligence zlepšit rychlost individuální práce. Ve druhém případě může snížit plýtvání, zvýšit dostupnost zařízení, snížit zásoby a stabilizovat dodací lhůty. Pouze tehdy, když se v průběhu souvislého procesu objeví několik takových efektů, umělá inteligence změní konkurenční pozici společnosti.

Díky tomu se umělá inteligence blíží k tomu, aby se stala základní technologií, jejíž hodnota nespočívá v jediné aplikaci, ale v její kombinaci s doplňkovými investicemi. Elektřina nezvýšila průmyslovou produktivitu pouhým nahrazením parního stroje elektromotorem. Továrny musely být reorganizovány, stroje přeskupeny a pracovní postupy přepracovány. Totéž platí pro umělou inteligenci. Ti, kteří ji aplikují pouze na stávající struktury, dosahují izolovaných zvýšení efektivity. Ti, kteří přepracují procesy s ohledem na nové funkce, mohou transformovat celý svůj obchodní model.

Proč působiví piloti tak zřídka dosáhnou ziskové zóny

Přechod z pilotního projektu do produkčního provozu je ekonomicky nejnáročnější fází. V pilotním projektu je objem dat, uživatelská základna, varianty procesů a úroveň rizika obvykle omezené. Odborníci systém pečlivě sledují, chyby se opravují ručně a speciální technická řešení zůstávají zvládnutelná. Naproti tomu při škálovaném nasazení se výjimky, rozhraní, uživatelské skupiny a regulační požadavky násobí. Co funguje v laboratorních podmínkách, musí nyní spolehlivě fungovat pod časovým tlakem, s kolísavou kvalitou dat a v rámci zavedených IT prostředí.

Rozdíl mezi aktivitou a dopadem je odpovídajícím způsobem velký. Studie ukazují, že ačkoli mnoho organizací používá umělou inteligenci, stále si neuvědomují významný přínos pro svůj konečný výsledek na obchodní úrovni. V globálním průzkumu provedeném v roce 2026 téměř devět z deseti respondentů uvedlo, že umělou inteligenci pravidelně používá alespoň v jedné funkci. Zároveň pouze 37 procent přisoudilo umělé inteligenci jakýkoli pozitivní přínos pro zisk před úroky a zdaněním (EBIT). Pouhých šest procent splňovalo přísnější definici vysoce výkonného uživatele, kde alespoň pět procent provozního zisku bylo spojeno s umělou inteligencí a byly vnímány významné přínosy.

Jiné průzkumy, i přes použití odlišných metodologií, docházejí k podobným závěrům. Přibližně tři čtvrtiny společností se v roce 2024 stále potýkaly s generováním hmatatelné a škálovatelné hodnoty z umělé inteligence. Pouze malá část z nich disponovala pokročilými funkcemi, které přesahovaly rámec individuálních ověření konceptu. Tato čísla by neměla být interpretována jako univerzální míra selhání. Definice úspěchu, metody vzorkování a doby pozorování se značně liší. Ukazují však silný základní trend: Získávání schopností umělé inteligence postupuje výrazně rychleji než organizační kapacita proměnit je ve finanční dopad.

Základní příčiny nespočívají převážně v samotném algoritmu. Přibližně 70 procent typických problémů se škálováním se připisuje lidem a procesům, kolem 20 procent technologii a pouze asi deset procent samotným algoritmům. Často chybí zodpovědný vlastník procesu, který by nejen implementoval aplikaci, ale také přepracoval celý pracovní postup. Stejně často jsou projekty vybírány na základě technické proveditelnosti, nikoli ekonomické relevance. Výsledkem je portfolio viditelných demonstrací, které generují pozornost, ale postrádají dostatečný objem transakcí, nákladovou váhu ani potenciál diferenciace.

Dalším důvodem je chybná interpretace úspory času. Pokud zaměstnanec dokončí zprávu za 60 minut místo 90, teoreticky se ušetří 30 minut. To se však promítá do zisku pouze tehdy, když je tento čas investován do dodatečné práce s přidanou hodnotou, zkráceny jsou přesčasy, zkráceny dodací lhůty nebo skutečně přeplánovány kapacity. Bez úprav organizace práce zůstávají úspory neviditelné. Jsou v systému rozloženy jako nevyužitý čas a neobjevují se ani ve výkazu zisku a ztráty, ani ve zlepšené zákaznické zkušenosti.

Hodnota se vytváří v procesu, nikoli v promptním kroku

Nejmenší smysluplnou jednotkou transformace umělé inteligence není model, ani jednotlivý případ užití, ale komplexní proces. Model odpovídá na otázku, klasifikuje dokument nebo generuje návrh. Proces naopak propojuje spouštěče, data, rozhodnutí, předávání, kontroly a měřitelný obchodní výsledek. Pouze v rámci tohoto řetězce se technický výkon promítá do ekonomického přínosu.

Příklad ze zákaznického servisu ilustruje rozdíl. Jazykový model dokáže generovat koncepty odpovědí, čímž se zkrátí doba zpracování jednotlivých dotazů. Větší dopad však nastává, když systém rozpozná problémy, načte data o zákaznících, zkontroluje smluvní podmínky, navrhne přípustné řešení, automaticky zpracuje standardní případy, přiřadí složité případy příslušnému specialistovi a dokumentuje proces způsobem, který je odolný vůči auditu. Umělá inteligence pak nejen změní způsob psaní e-mailu, ale také celkovou propustnost, míru řešení při prvním hovoru, dobu čekání a náklady na případ.

Stejný princip platí i v průmyslu. Rozpoznávání izolovaných obrazů dokáže odhalit povrchové vady. Hodnota se vytváří ve větším měřítku, když je rozpoznání propojeno s parametry stroje, šaržemi materiálu, daty dodavatelů a rozhodnutími o kvalitě. Společnost pak může nejen třídit vadné díly, ale také rychleji identifikovat jejich příčiny, automaticky upravovat procesy, předcházet stížnostem a efektivněji řídit dodavatele. Umělá inteligence se tak transformuje z testovacího nástroje na nedílnou součást učícího se výrobního systému.

Redesign procesů je proto nejvýznamnějším opakujícím se rozdílem mezi běžnými uživateli a společnostmi s vysokým dopadem na výsledky. Úspěšné organizace neautomatizují stávající procesy pouze z hlediska automatizace. Zkoumají, které kroky lze eliminovat, která rozhodnutí by měla být automaticky připravena nebo provedena a ve kterých bodech zůstává lidský úsudek nepostradatelný. Omezují předávání úkolů, eliminují přestávky v médiu a nově definují role. To je náročnější než zavedení asistenta, ale také to generuje mnohem větší a trvalejší dopad.

Hodnotové portfolio potřebuje méně projektů a větší konzistenci

Mnoho programů umělé inteligence trpí paradoxním nadměrným zajišťováním. Protože se generativní umělá inteligence jeví jako tak všestranná, firmy shromažďují desítky nebo dokonce stovky nápadů. Ty jsou pak upřednostňovány na základě nadšení, viditelnosti nebo technické jednoduchosti. To vede k četným malým experimentům, rozptyluje vzácné talenty a ztěžuje vytváření opakovaně použitelných komponent. Lepší strategie se zaměřuje na několik hodnotových toků, kde lze umělou inteligenci nasazovat opakovaně a ve velkém objemu.

Obecné sliby produktivity nestačí pro výběr případu užití. Zásadních je nejméně šest ekonomických otázek: Jak často proces probíhá? Jaké jsou jeho současné celkové náklady? Jaké procento lze realisticky ovlivnit? Jaký je možný dopad na kvalitu nebo příjmy? Jak rychle lze řešení integrovat do stávajících procesů? A jaké riziko vyplývá z nesprávného výsledku? I když tyto faktory nemohou vypočítat perfektní budoucí hodnotu, mohou odvodit spolehlivé pořadí.

Obzvláště atraktivní jsou procesy s vysokým objemem transakcí, relativně standardizovanými rozhodnutími, digitálně dostupnými daty a vysokými náklady na čekání nebo zpracování. Patří mezi ně například kontrola dokumentů, zpracování objednávek, vyhledávání znalostí, vývoj softwaru, zákaznický servis, konfigurace nabídek, plánování údržby, prognózování poptávky a řízení kvality. Méně vhodné pro včasnou škálovatelnost jsou extrémně málo časté procesy, špatně zdokumentované postupy nebo rozhodnutí, u kterých mohou chyby způsobit existenční škody a je obtížné je kontrolovat.

Největší dopad se často nedostaví tam, kde je umělá inteligence nejviditelnější. Marketingové aplikace lze předvést rychle, ale automatizované procesy na pozadí mohou generovat vyšší a měřitelnější výnosy. Snížení nákladů na externí zpracování, zkrácení inspekčních cyklů, optimalizace zásob nebo zamezení nákladným prostojům se okamžitě promítá do zlepšení nákladů, snížení kapitálových výdajů nebo nižšího výkonu. Viditelnost a hodnota proto musí být striktně odděleny.

Disciplinované portfolio zohledňuje také závislosti. Deset aplikací, které používají stejná data o zákaznících, produktech nebo strojích, může stavět na společné datové a integrační vrstvě. Naproti tomu deset nepropojených samostatných řešení generuje deset bezpečnostních auditů, deset problémů s rozhraním a deset modelů údržby. Marginální přínos dalších projektů se zvyšuje pouze tehdy, pokud jsou základní funkce opakovaně použitelné.

Produktivitu je nutné sledovat až do výkazu zisku a ztráty

Každý, kdo chce škálovat umělou inteligenci, potřebuje systém měření hodnoty, který kombinuje technické metriky s faktory souvisejícími s podnikáním. Přesnost modelu, doba odezvy a míra využití jsou nezbytné, ale ne postačující. Systém lze používat často a stále negenerovat žádnou finanční přidanou hodnotu. Naopak, zřídka používaná aplikace může vytvářet významnou hodnotu při rozhodování s vysokými sázkami. Měření proto musí zahrnovat vše od technického výsledku a dopadu na proces až po finanční efekt.

První úroveň zahrnuje metriky kvality, jako je míra úspěšnosti, chybovost, míra halucinací, stabilita a doba zpracování. Druhá úroveň popisuje proces: dobu zpracování, procento automatizovaných případů, míru vyřešení při prvním volání, zmetkovitost, prostoje, míru konverze a počet požadovaných předání. Teprve třetí úroveň převádí tuto změnu do peněžních jednotek. Patří sem ušetřené náklady na pracovní sílu, dodatečná marže, nižší stavy zásob, snížené náklady na záruky, ušetřené smluvní pokuty a uvolněný provozní kapitál.

Správný výpočet využívá výchozí hodnoty před implementací a porovnává je s kontrolovaným novým způsobem práce. Pokud je to možné, měly by se porovnávat srovnatelné týmy, lokality nebo časová období. Je třeba zohlednit sezónní vlivy, změny v poptávce a souběžné programy zlepšování. V opačném případě budou umělé inteligenci připisovány změny, které ve skutečnosti vyplývají z vyšších objemů objednávek, personálních změn nebo běžné optimalizace procesů.

Stejně důležitá je i kompletní analýza nákladů. Licenční poplatky tvoří pouze jednu část skutečných nákladů. Mezi další výdaje patří výpočetní výkon, příprava dat, rozhraní, bezpečnostní opatření, hodnocení, lidský dohled, školení, provozní podpora a průběžné úpravy. U generativních systémů se mohou výrazně zvýšit i náklady na inferenci založené na využití. Pilotní projekt s několika uživateli se může jevit jako levný, zatímco celofiremní nasazení s miliony dotazů vytváří novou strukturu nákladů.

Návratnost investic by proto neměla být chápána jako jedno číslo. Významnější je hodnotová křivka napříč různými úrovněmi zralosti. V počáteční fázi dominují náklady na nastavení. S rostoucím objemem se jednotkové náklady snižují, za předpokladu, že platforma a procesy jsou opakovaně použitelné. Později mohou rostoucí náklady na řízení, energii nebo modelování opět omezit přínos. Dobrý management proto nejen sleduje, zda je projekt ziskový, ale také v jakém objemu, za jakých požadavků na kvalitu a s jakou provozní architekturou zůstává ziskový.

Data nejsou surovinou, ale obchodní povinností

Běžné tvrzení, že data jsou surovinou pro umělou inteligenci, je selhává. Suroviny lze nakupovat, ukládat a zpracovávat podle známých specifikací. Podniková data naopak vznikají z procesů, mění svůj význam, obsahují přístupová práva a často odrážejí organizační nesrovnalosti. Špatná kvalita dat je proto zřídka jen technickým problémem. Je viditelným důsledkem nejasných odpovědností a nekonzistentních pracovních metod.

Tato výzva je u generativní umělé inteligence ještě zhoršena. Jazykový model dokáže přesvědčivě formulovat, i když jsou podkladové informace zastaralé, protichůdné nebo neúplné. To zvyšuje riziko, že si uživatelé zamění jazykovou jistotu za faktickou přesnost. Škálovatelná architektura proto musí transparentně uvádět, na kterých zdrojích se výsledek opírá, jak aktuální jsou tyto zdroje a zda je uživatel oprávněn k přístupu k použitým datům.

V mnoha společnostech dává smysl kombinace centralizovaných standardů a decentralizované odpovědnosti za data. Centrální funkce definují bezpečnostní třídy, rozhraní, metadata, pravidla kvality a schválené platformy. Obchodní jednotky jsou zodpovědné za relevanci, aktuálnost a povolené použití svých datových produktů. To zabraňuje tomu, aby se centrální datové oddělení stalo úzkým hrdlem, a zároveň umožňuje nekontrolované šíření dat.

Obzvláště důležitá je kombinace strukturovaných a nestrukturovaných informací. Faktury, data ze senzorů a položky objednávek jsou často uloženy v pevných polích. Smlouvy, zprávy o údržbě, e-maily a manuály jsou méně strukturované. Ekonomický přínos moderní umělé inteligence často spočívá právě v kombinované analýze obou světů. To vyžaduje identity, řízení přístupu, sémantické mapování a sledovatelný původ dat. Bez tohoto základu zůstává model výmluvnou anomálií, odtrženou od reality obchodních operací.

Práce s daty by se však neměla stát nekonečnou nutností. Žádná společnost si nemusí všechna svá data vyčistit před prvním produktivním případem použití. Hodnotově orientovaný přístup dává smysl: Zvolený proces určuje, která data a v jaké kvalitě jsou potřeba. Zlepšení těchto dat pak generuje konkrétní výhody a lze je znovu použít pro další aplikace. Tímto způsobem se modernizace dat transformuje z abstraktního, rozsáhlého projektu na nedílnou součást iniciativy tvorby měřitelné hodnoty.

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

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

Více informací zde:

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

Správná architektura zachovává svobodu volby a nákladovou disciplínu

Technologický vývoj zůstává rychlý a nepředvídatelný. Výkonné modely se stávají dostupnějšími, menší modely se zlepšují, otevřené a proprietární nabídky konkurují a nové systémy založené na agentech stále častěji přebírají vícevrstvé úkoly. Škálovatelná podniková architektura proto nesmí záviset na jediném modelu nebo dodavateli. Musí umožňovat přechod bez nutnosti přestavby každé aplikace.

Pro tento účel se doporučuje oddělení několika vrstev. Uživatelské rozhraní a obchodní procesy by měly být odděleny od orchestrace, přístupu k datům a samotného modelu. Bezpečnostní pravidla, protokolování a vyhodnocování by měly být integrovány do platformy jako sdílené služby. Modely lze poté vybírat podle úkolu: malý, levný model pro klasifikaci, specializovaný model pro technickou dokumentaci a výkonnější systém pro komplexní analýzy.

Tato rozmanitost modelů není sama o sobě cílem. Slouží ekonomické optimalizaci. Nasazení nejvýkonnější dostupné umělé inteligence pro každý požadavek by bylo jako použití těžkého nákladního vozu pro každou dodávku. Kvalita, rychlost, důvěrnost a náklady musí být přiměřené danému úkolu. Směrovací mechanismy mohou rozdělovat požadavky podle obtížnosti a rizika. Často postačuje řešení založené na pravidlech nebo tradiční analytika; generativní umělá inteligence by se měla používat tam, kde skutečně poskytuje přidanou hodnotu.

Zároveň roste důležitost rozhodnutí typu „vyrobit, nebo koupit“. Standardní funkce, jako je textová asistence, překlad nebo protokolování, lze často efektivně zakoupit. Procesy, které jsou klíčové pro výkonnost podniku, však mohou vyžadovat rozsáhlejší přizpůsobení. Vývoj interně nemusí nutně znamenat školení základního modelu. Strategická hodnota obvykle spočívá v proprietárních datech, znalostech procesů, integracích, hodnoceních a designu uživatelské zkušenosti. Základní model se stává stále více zaměnitelným; jeho provozní implementace však zůstává obtížně replikovatelná.

Strategie platformy také snižuje mezní náklady na další aplikace. Sdílená správa identit, přístup k modelům, protokoly, testovací postupy a datové konektory zabraňují tomu, aby každé oddělení muselo znovu budovat stejnou infrastrukturu. Nadměrná centralizace však může brzdit inovace. Federovaný model je proto úspěšnější: centrální směrnice a opakovaně použitelné služby v kombinaci s decentralizovanou správou produktů a procesů.

Agenti zvyšují jak výhody, tak i odpovědnost

Další úroveň škálování nespočívá jen v lepších odpovědích, ale také v systémech, které provádějí akce. Agenti umělé inteligence mohou shromažďovat informace, přistupovat k nástrojům, plánovat úkoly, kontrolovat výsledky a zahajovat následné akce. To posouvá technologii z asistenčního režimu do poloautonomního provozu. Ekonomický potenciál se zvyšuje, protože lze automatizovat nejen jednotlivé části obsahu, ale celé pracovní sekvence.

Tento vývoj současně mění rizikový profil. Zaměstnanec může opravit chybný koncept textu. Agent, který spouští objednávky, upravuje zákaznická data nebo upravuje výrobní parametry, může způsobit okamžité škody. S každým dalším stupněm autonomie se proto zvyšují nároky na oprávnění, limity, monitorování a obnovu. Autonomie by neměla být udělována bez rozdílu, ale musí být spojena s vratností rozhodnutí.

Robustní stupňovitý model začíná návrhy, které ještě nejsou implementovány. Následují schválené akce, kde člověk potvrzuje každý krok. V další fázi může agent jednat samostatně v rámci přísných limitů týkajících se množství, dat nebo procesů. Plně autonomní procesy mají smysl pouze tam, kde jsou rizika nízká, výsledky snadno ověřitelné a chyby snadno vratné. Tento stupňovitý přístup zabraňuje tomu, aby si společnosti musely vybrat mezi úplným manuálním zásahem a nekontrolovanou autonomií.

Agenti se stávají obzvláště zajímavými z ekonomického hlediska, když zkracují čekací doby mezi systémy a odděleními. Mnoho administrativních procesů je nákladných ne proto, že by každý krok byl složitý, ale proto, že procesy jsou zpožděny, chybí informace a odpovědnosti se přesouvají. Agent může tyto mezery zaplnit, shromáždit data a spustit další krok. Výhoda pak pramení méně z výjimečné inteligence než z konzistentního, nepřetržitého provádění.

Zároveň musí firmy zabránit agentům v pouhém zrychlování neefektivních procesů. Před jakoukoli automatizací je třeba si položit otázku, zda je daný krok vůbec nutný. V opačném případě organizace digitalizuje vlastní byrokracii a zvyšuje rychlost, aniž by zkoumala její účel.

Správa věcí veřejných není překážkou, ale spíše výrobní infrastruktura

V raných experimentech je řízení často vnímáno jako omezení. Ve velkém měřítku je však nezbytným předpokladem pro rychlost. Pokud se datové třídy, schvalování, odpovědnosti a testovací postupy pokaždé znovu projednávají, každý projekt se prodlužuje. Jasné standardy naopak vytvářejí bezpečný koridor, v němž mohou týmy vyvíjet a vydávat produkty rychleji.

Efektivní model řízení kombinuje strategickou, technickou a odbornou odpovědnost. Vedení společnosti definuje toleranci rizik a cíle v oblasti hodnot. Centrální kompetenční centrum poskytuje platformu, metody a minimální standardy. Specializovaná oddělení jsou zodpovědná za procesy, data a výsledky. Právní oddělení, oddělení ochrany dat, oddělení informační bezpečnosti a zástupci zaměstnanců jsou zapojeni již v rané fázi, nikoli zpětně, než aby se hotový systém přezkoumával. Rozhodující je, že určená osoba musí být v konečném důsledku odpovědná za přínosy a rizika každého produktivního systému.

Minimální požadavky zahrnují inventář všech systémů umělé inteligence, klasifikaci rizik, zdokumentované zdroje dat, definované testovací případy, protokolování, možnosti lidského zásahu a postup reakce na incidenty. U generativní umělé inteligence je nutné dále prověřit faktickou přesnost, nežádoucí obsah, odolnost proti neoprávněné manipulaci, ochranu dat a práva k obsahu. Hodnocení není jednorázovým akceptačním testem. Modely, data a vzorce užívání se mění, a proto je nutné kvalitu sledovat během průběžného provozu.

Pro evropské společnosti je tato schopnost relevantní i z regulačního hlediska. Evropský právní rámec se řídí přístupem založeným na riziku. Od srpna 2026 platí klíčová pravidla a donucovací pravomoci; povinnosti transparentnosti se vztahují mimo jiné na určité interakce s umělou inteligencí a syntetický obsah. U vysoce rizikových systémů platí postupné odkládání lhůt spolu s požadavky na řízení rizik, kvalitu dat, dokumentaci, lidský dohled, robustnost a kybernetickou bezpečnost. Společnosti, které takové důkazy zjišťují až krátce před auditem, vytvářejí nákladné paralelní struktury. Ty, které je integrují do své technické platformy, kombinují dodržování předpisů se zlepšenou provozní kvalitou.

Dobrá správa a řízení upřednostňují riziko a hodnotu. Interní asistent pro neformální brainstorming potřebuje jiné kontroly než systém pro personální rozhodnutí nebo kritickou infrastrukturu. Jednotná maximální kontrola by byla drahá a brzdila by inovace; minimální kontrola by byla nedbalá. Umění spočívá ve standardizovaných, ale odstupňovaných postupech.

Lidé rozhodují o tom, zda se ušetřený čas promítá do výkonu

Umělá inteligence mění práci především na úrovni úkolů. Celosvětově je zhruba každý čtvrtý pracovník zaměstnán v práci, která je vystavena určité míře generativní umělé inteligence. Tento podíl je vyšší v zemích s vysokými příjmy. Vystavení se však automaticky neznamená ztrátu pracovních míst. Většina pracovních míst obsahuje jak snadno automatizovatelné, tak i obtížně automatizovatelné úkoly. Redistribuce úkolů, odpovědností a požadavků na dovednosti je proto pravděpodobnější.

Studie produktivity často ukazují zlepšení o deset až 45 procent u jasně definovaných úkolů. Ve velkém terénním experimentu s vývojáři softwaru se průměrné dokončení úkolů s podporou umělé inteligence zvýšilo přibližně o 26 procent. V zákaznickém servisu, textové práci a úkolech založených na znalostech z toho často těží méně zkušení zaměstnanci, zejména proto, že jim systém zpřístupňuje části implicitních znalostí zkušenějších kolegů. Tyto výsledky vykazují značný potenciál, ale neměly by být bez rozdílu aplikovány na celé společnosti.

Klíčovým úkolem managementu je převést individuální úspory času do kolektivního výkonu. To vyžaduje úpravu rolí, cílů a plánování kapacit. Pokud tým pracuje o 20 procent rychleji, může zpracovat více případů, poskytovat vyšší kvalitu, nabízet další konzultace nebo si poradit s menší externí podporou. Bez takového rozhodnutí zůstává nejasné, kam bude získaná kapacita alokována.

Další vzdělávání by se nemělo omezovat pouze na techniky rychlého řešení. Zaměstnanci musí být schopni kontrolovat výsledky, rozpoznávat omezení, vybírat vhodné úkoly a zodpovědně zacházet s daty. Manažeři také potřebují rozumět návrhu procesů, jejich měření a rizikům. Odbornost v dané oblasti neztrácí na významu; stává se nezbytným předpokladem pro vyhodnocování návrhů strojů a řešení výjimek.

Zároveň se rýsuje nová forma dekvalifikace. Pokud mladí profesionálové zcela delegují jednoduché úkoly na umělou inteligenci, mohou přijít o vzdělávací příležitosti, které jim později pomohou rozvíjet zdravý úsudek. Společnosti se proto musí vědomě rozhodovat, které činnosti automatizovat a které si ponechat nebo přepracovat pro účely školení. Krátkodobá efektivita nesmí podkopat dlouhodobou základnu dovedností.

Přijetí se nedosahuje pouze komunikací. Uživatelé systém přijmou, když je spolehlivý, zapadá do jejich pracovního postupu a nabízí hmatatelný přínos. Pokud jsou vyžadovány další vstupy, kontroly nebo změny systému, používání se snižuje. Řízení změn proto musí začít na pracovišti: se zapojenými uživateli, jasnými smyčkami zpětné vazby, upravenými výkonnostními cíli a viditelnou podporou ze strany managementu.

Problém s rozšiřováním Evropy je také strategickou příležitostí

Zavádění umělé inteligence v Evropě výrazně roste, ale zůstává velmi fragmentované mezi jednotlivými zeměmi, odvětvími a velikostmi společností. Do roku 2025 používalo umělou inteligenci přibližně 20 procent společností v EU. V Dánsku to bylo přibližně 42 procent, ve Finsku necelých 38 procent a ve Švédsku kolem 35 procent. Na spodním konci žebříčku se nacházelo Rumunsko s něco málo přes pět procent a Polsko a Bulharsko se zhruba osmi až devíti procenty. Tyto rozdíly odrážejí digitální infrastrukturu, dovednosti, strukturu odvětví, investiční kapacitu a institucionální rámce.

Míra přijetí v Německu, která činila přibližně 26 procent, byla nad průměrem EU. Velké německé společnosti dosáhly přibližně 57 procent, zatímco společnosti s deseti až 49 zaměstnanci zaznamenaly přijetí asi 23 procent. To poskytuje solidní základ, ale také odhaluje značný rozdíl ve velikosti. Malé a střední podniky (MSP) často disponují cennými znalostmi procesů a specializovanými daty, ale chybí jim týmy pro platformy, specialisté na rizika a investiční zdroje.

Pro evropské malé a střední podniky je proto vhodnější jiný přístup ke škálování než pro globální korporace. Místo vlastních proprietárních modelů potřebují bezpečné standardní platformy, řešení specifická pro dané odvětví, sdílené datové prostory a externí operační modely. Spravovaná umělá inteligence může sdílet odborné znalosti za předpokladu, že závislosti, datová suverenita a náklady zůstanou transparentní. Sdružení, výrobci strojů, poskytovatelé softwaru a výzkumné instituce mohou poskytovat opakovaně použitelné komponenty pro celé sítě tvorby hodnoty.

Silná stránka Evropy nespočívá ani tak v maximální velikosti platformy jako v průmyslových znalostech, regulovaných trzích a komplexních procesech B2B. Strojírenství, logistika, energetika, mobilita, zdravotnictví a profesionální služby disponují obrovským množstvím zkušeností v daných oblastech. Strukturování těchto znalostí, jejich propojení s provozními daty a jejich převod do spolehlivých produktů umělé inteligence vytváří konkurenční výhodu, kterou nelze replikovat pouhým přijetím širšího jazykového modelu.

Regulace není automaticky ani výhodou, ani nevýhodou. Zpočátku zvyšuje úsilí a může neúměrně zatěžovat malé poskytovatele. Zároveň vytváří požadavky na sledovatelnost, bezpečnost a kontrolu, které jsou v průmyslových a kritických aplikacích stejně nezbytné. Společnosti, které dokáží efektivně provozovat důvěryhodné systémy, tak získávají přístup na trhy, kde pouhá rychlost nestačí.

Výpočetní výkon se z drobného problému vyvíjí k faktoru nákladů a umístění

Škálování umělé inteligence má fyzický základ. V roce 2024 spotřebovala datová centra po celém světě přibližně 415 terawatthodin elektřiny, což představuje asi 1,5 procenta celosvětové spotřeby elektřiny. Do roku 2030 by se tato poptávka mohla více než zdvojnásobit na zhruba 945 terawatthodin. Zrychlené servery, zejména ty používané pro umělou inteligenci, patří mezi hlavní hnací síly tohoto růstu. I když náklady na jednotlivé výpočetní operace výrazně klesají, rostoucí počet a složitost aplikací mohou tyto zvýšení efektivity více než vyvážit.

Pro firmy to znamená, že výpočetní výkon již nelze považovat za neviditelný, neomezený cloudový zdroj. Cena, dostupnost, umístění dat, kapacita sítě a zdroj energie se stávají nedílnou součástí architektonického rozhodnutí. Při rozsáhlém používání mají inferenční náklady přímý dopad na ekonomickou životaschopnost případu užití. Zejména agentní systémy mohou generovat četná volání modelů pro jeden úkol, čímž znásobují náklady.

Efektivita se proto stává nedílnou součástí dobrého řízení umělé inteligence. To zahrnuje menší, vhodné modely, ukládání opakujících se výsledků do mezipaměti, kratší vstupní časy, inteligentní přiřazování úkolů a vědomé omezení zbytečného generování. Na důležitosti nabývá také otázka, zda úkol vůbec vyžaduje generativní model. Klasický software, statistické metody nebo jednoduchá pravidla jsou často levnější, rychlejší a snáze ověřitelné.

Na makroekonomické úrovni může dostupnost elektřiny a datových center ovlivnit regionální konkurenceschopnost. Největší nárůst poptávky po elektřině do roku 2030 se očekává ve Spojených státech a Číně; Evropa roste pomaleji, ale zůstává důležitým trhem. Výhodu budou mít lokality s vysoce výkonnými sítěmi, předvídatelnými povolovacími procesy, konkurenceschopnou energií a dobrou datovou konektivitou. Zároveň se zvyšuje tlak na uspokojení poptávky po dodatečné kapacitě způsobem šetrným ke klimatu.

Spotřeba energie nesnižuje výhody umělé inteligence, ale vyžaduje komplexní analýzu nákladů a přínosů. Systém, který snižuje spotřebu materiálu, dopravu nebo prostoje zařízení, může ušetřit mnohem více zdrojů, než kolik spotřebuje. Naopak aplikace bez jasného účelu generuje dodatečnou digitální aktivitu bez odpovídající hodnoty. Udržitelnost a ekonomická efektivita se proto shodují ve stejné otázce: Která výpočetní práce skutečně vytváří hodnotu?

Škálování vyžaduje nový systém řízení

Robustní operační model umělé inteligence integruje strategii, portfolio, platformu, řízení, talenty a měření hodnoty. Tyto prvky by neměly být spravovány jako samostatné programy. Strategie bez platformy produkuje slajdy. Platforma bez prioritních hodnotových toků produkuje nevyužitou infrastrukturu. Řízení bez vlastnictví produktu produkuje formuláře. Školení bez transformovaných procesů produkuje nadšené individuální uživatele, ale žádný dopad na podnik.

Management musí nejprve definovat několik klíčových obchodních cílů, jako jsou kratší dodací lhůty, zvýšená dostupnost zařízení, rychlejší růst v zákaznickém segmentu nebo nižší náklady na zpracování. Z těchto cílů jsou poté odvozeny prioritní oblasti procesů. Každé oblasti je přiřazen odpovědný vlastník firmy, interdisciplinární produktový tým a měřitelné benchmarky. Technická platforma poskytuje standardizovaný přístup k modelům, datům, zabezpečení a hodnocení.

V praxi je přístup založený na produktu efektivnější než tradiční přístup založený na projektu. Systém umělé inteligence není po svém prvním spuštění dokončen. Chování uživatelů, data, verze modelů a obchodní pravidla se mění. Tým musí pozorovat, testovat a vylepšovat. Financování by proto mělo pokrývat nejen vývoj, ale i provoz, zajištění kvality a další rozvoj.

Škálování se pak dosahuje pomocí opakovaně použitelných šablon. Pokud například společnost zavedla bezpečné zpracování dokumentů pro smlouvy, lze jejich části použít pro faktury, technické specifikace nebo stížnosti. Pokud vytvořila vyhodnocovací prostředí pro jazykové modely, lze je testovat napříč více produkty. Každý úspěšný případ použití by proto měl přinést nejen lokální výhody, ale také rozšířit celkové možnosti společnosti.

Stejně důležitá je konzistentní strategie ukončení. Aplikace, které po definovaném období nepřinášejí dostatečné výsledky, by měly být ukončeny nebo zásadně přepracovány. V mnoha organizacích pilotní projekty pokračují, protože nikdo nechce přiznat své selhání. To váže rozpočet a pozornost. Zralá inovační kultura nepovažuje ukončení za porážku, ale za disciplinované přidělování zdrojů.

Skutečná soutěž se rozhoduje podle modelu

Výkon modelů umělé inteligence se bude i nadále zvyšovat, zatímco srovnatelné funkce budou dostupnější a dostupnější. To posouvá konkurenční výhodu. Pouhý přístup k výkonnému modelu je zřídkakdy trvale exkluzivní. Cennější jsou jedinečná data, hluboká znalost procesů, učící se organizace, integrované vztahy se zákazníky a schopnost bezpečně provozovat systémy.

Firmy by se proto neměly ptát, jaký model mají, ale spíše jaké organizační schopnosti vyvíjejí. Mohou přepracovat proces rychleji než jejich konkurence? Mohou se systematicky učit ze zpětné vazby? Mohou měřit kvalitu a rizika v reálném čase? Mohou si vyměňovat nové modely, aniž by musely přepracovávat své aplikace? A mohou zapojit zaměstnance takovým způsobem, aby technická podpora vedla k lepším rozhodnutím?

Makroekonomická očekávání musí zůstat realistická. Odhady dodatečného ročního nárůstu produktivity díky umělé inteligenci v zemích G7 se pohybují přibližně od 0,2 do 1,3 procentního bodu v příštím desetiletí v závislosti na předpokladech o přijetí a implementaci. Toto široké rozpětí je významné, protože makroekonomický dopad nevyplývá pouze z výkonnosti modelu. Záleží na investicích, dovednostech, dynamice firem, konkurenci a rychlosti adaptace organizací.

Hodnota bude také nerovnoměrně rozložena na úrovni společnosti. Ti, kteří si AI osvojí včas, automaticky nevyhrají. Klíčovým faktorem je, zda se učí rychleji, než technologie zastará. Ti, kteří si ji osvojí později, nemusí nutně prohrát, pokud efektivně přijmou osvědčená řešení. Největší rozdíl se objeví mezi organizacemi, které chápou AI jako neustálou transformaci tvorby hodnoty, a těmi, které ji vnímají jako soubor dalších softwarových nástrojů.

Skutečná tvorba hodnoty proto začíná nepříjemnou pravdou: AI se neškáluje jen proto, že se model stává inteligentnějším. Škáluje se, když společnost činí přesnější rozhodnutí o tom, co automatizovat, důsledně restrukturalizuje své procesy, spolehlivě organizuje data, jasně přiřazuje odpovědnost a sleduje každý dopad až do finančních výkazů. Technologie otevírá dveře možnostem. Management rozhoduje, zda se tyto možnosti promítnou do produktivity, růstu a konkurenceschopnosti.

Vítězi další fáze nebudou společnosti s největším počtem pilotních projektů. Budou to ty, které vyvinou opakovatelný systém tvorby hodnoty z několika prioritních aplikací. Nebudou s umělou inteligencí zacházet ani jako s lahůdkou na všechno, ani jako s pouhým upgradem IT, ale jako s novou výrobní a rozhodovací infrastrukturou. Právě tam končí potenciál a začíná ekonomická hodnota.

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

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!

Konrad Wolfenstein

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

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

Těším se na náš společný projekt.

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

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy