Úspěch spotřebitelů jako podvod | Velké zklamání: Když umělá inteligence selže v továrně

„Iluze myšlení“: Proč humbuk kolem ChatGPT narazil na tovární halu

Zatímco svět stále žasne nad kreativními schopnostmi ChatGPT, v reálné ekonomice se odehrává zcela jiné drama. Nová data ukazují, že sen o revoluci umělé inteligence v průmyslu hrozí stát se nejdražším zklamáním v digitální historii.

Po zlaté horečce zavládla kocovina. Generativní umělá inteligence dominovala titulkům novin, zvyšovala ceny akcií a naznačovala éru neomezené produktivity. Každý, kdo se však podívá do zákulisí třpytivých technologických prezentací a uvidí, kde dochází k tvorbě skutečné hodnoty – ve výrobních halách, logistických centrech a rozvahách průmyslu – zažije kruté probuzení.

Co funguje jako užitečný chatbot v soukromém životě, často dramaticky selhává ve složitém stroji průmyslové výroby. Čísla jsou alarmující: Zatímco technologickí giganti pumpují do datových center biliony, podle nedávných studií MIT a McKinsey je 95 procent implementací umělé inteligence ve firmách neefektivních. Místo slibované exploze efektivity zažíváme explozi nákladů bez návratnosti investic.

Od „mezery ve znalostech“ a nedostatku datových strategií až po kapitulaci německých malých a středních podniků: Tento článek nemilosrdně odhaluje, proč by bublina umělé inteligence mohla prasknout, proč umělá inteligence často simuluje pouze „iluzi myšlení“ a proč bude rok 2026 klíčovým rokem pro celý technologický sektor. Analýza rozšířeného rozčarování – a otázka, co zůstane po humbuku kolem něj.

Vhodné pro:

• „Strukturálně bankrotovaný“? Ztrátový byznys ChatGPT: Šokující pravda o obchodním modelu OpenAI

Proč se sen o automatizované továrně stává nejdražším zklamáním v digitální historii

Po třech letech nespoutaného humbuku kolem ChatGPT a generativní umělé inteligence se rýsuje zlom. To, co bylo oslavováno jako revoluce v produktivitě, se stále více projevuje jako klasický vzorec technologické hyperboly: působivé demonstrační efekty se střetávají s střízlivou obchodní realitou. Zatímco miliony lidí na celém světě používají umělou inteligenci pro text, obrázky a každodenní digitální úkoly, slibovaný průlom se nenaplnil tam, kde dochází ke skutečné tvorbě ekonomické hodnoty – ve výrobních halách, na montážních linkách a ve složitých průmyslových procesech.

Čísla mluví sama za sebe. Analýza společnosti McKinsey z roku 2025 odhaluje plný rozsah tohoto rozporu: Zatímco 78 procent společností nyní v nějaké formě používá umělou inteligenci, stejně velká část nedokáže detekovat žádný měřitelný přínos. Massachusettský technologický institut jde ve své komplexní studii ještě dále a dospívá k zdrcujícímu závěru: 95 procent všech implementací umělé inteligence v podniku nevykazuje žádný dopad na výkaz zisku a ztráty. Pouze pět procent pilotních projektů se dostane z testovací fáze do skutečné produkční připravenosti. Zde se neobjevuje dočasný problém s úpravou, ale strukturální selhání s hluboce zakořeněnými příčinami, které budou mít dalekosáhlé důsledky.

Úspěch spotřebitele jako podvod

Široké přijetí umělé inteligence v soukromé sféře vytvořilo nebezpečnou iluzi. OpenAI hlásí ohromujících 800 milionů týdenních uživatelů ChatGPT za září 2025, což je osminásobný nárůst od listopadu 2023. V Německu používá chatboty nebo hlasové asistenty s umělou inteligencí alespoň jednou týdně 64 procent populace; mezi 16 až 29letými toto číslo stoupá na 89 procent. Tato působivá míra přijetí vyvolává dojem technologie, která se úspěšně etablovala. Tento dojem je však zásadně zavádějící, vezmeme-li v úvahu skutečnou tvorbu hodnoty.

Spotřebitelé se soustředí na aplikace s nízkým ekonomickým dopadem: odpovídání na každodenní otázky, tvorba textu pro osobní účely a generování obrázků pro zábavu. 87 procent uživatelů používá výhradně bezplatné verze služeb. Tato skutečnost sama o sobě ilustruje omezenou ochotu platit, a tedy i vnímanou ekonomickou hodnotu. OpenAI sice generuje impozantní odhadované roční příjmy ve výši 12 miliard dolarů, ale tento úspěch pramení především z pouhého počtu uživatelů a podnikových licencí, nikoli z prokazatelného zvýšení produktivity v reálné ekonomice.

Skutečným testem pro umělou inteligenci není generování obsahu pro sociální média ani odpovídání na triviální otázky, ale komplexní prostředí průmyslové výroby, logistiky a řízení výroby. Zde se systémy musí vyrovnat s fyzikálními procesy, rozmanitým sortimentem produktů, měnícími se specifikacemi a složitými strojními ekosystémy. A právě zde se projevují selhání.

Paradox produktivity se vrací

V současné době se objevuje znepokojivé opakování jevu, který ekonomové znají již z 80. let: Solowova paradoxu. Nositel Nobelovy ceny Robert Solow v roce 1987 slavně poznamenal, že počítačový věk je viditelný všude kromě statistik produktivity. Tato paradoxní situace se opakovala s digitalizací v prvním desetiletí 21. století. Podle údajů OECD se navzdory masivním investicím do digitalizace produktivita v Německu v letech 2010 až 2018 zvyšovala pouze o 0,7 procenta ročně. Mezi lety 1992 a 2010 dokonce klesala o 1,55 procenta ročně.

Nyní jsme svědky třetího opakování tohoto paradoxu produktivity, tentokrát s umělou inteligencí jakožto údajným průlomovým faktorem. Analýza společnosti McKinsey z roku 2025 ukazuje, že 92 procent společností zvýší své investice do umělé inteligence, ale pouze jedno procento má zavedenou a propracovanou implementaci. Ve skutečnosti 67 procent uvádí, že alespoň jedna iniciativa v oblasti umělé inteligence snížila celkovou produktivitu. Tato čísla odhalují zničující rozdíl mezi objemem investic a dosaženými výnosy.

Důvody tohoto opakujícího se paradoxu jsou mnohostranné. Zásadní výzva spočívá v samotné povaze moderních systémů umělé inteligence. V současnosti dominantní modely velkých jazyků (Large Language Models) jsou založeny na statistickém rozpoznávání vzorů v trénovacích datech, nikoli na systematickém logickém uvažování nebo skutečném porozumění. Studie společnosti Apple z června 2025 tento problém stručně shrnula: i takzvaná vysvětlitelná umělá inteligence, která krok za krokem popisuje proces řešení problémů, pouze generuje iluzi myšlení. Toto zásadní omezení činí systémy nespolehlivými pro aplikace, kde jsou klíčové přesnost a konzistence – přesně ty vlastnosti, které jsou v průmyslových výrobních procesech nepostradatelné.

Selhání v průmyslové realitě

Implementace umělé inteligence v produkčním prostředí naráží na řadu přetrvávajících překážek, které nelze překonat pouhým technologickým vylepšením. Studie MIT identifikuje tzv. mezeru ve vzdělávání jako klíčový problém: Většina systémů umělé inteligence se nedokáže učit z provozní zpětné vazby, přizpůsobovat se měnícím se kontextům ani se v průběhu času zlepšovat. Devadesát procent dotázaných podnikových uživatelů dává přednost lidským kolegům před umělou inteligencí u složitých, dlouhodobých projektů, protože systémy vyžadují rozsáhlé vstupy při každém použití a nevytvářejí trvalý kontext.

Tento strukturální nedostatek je zhoršován řadou organizačních a technických faktorů. Německý ekonomický institut (IW) a různé průzkumy v odvětví vykreslují konzistentní obraz: 76 procent malých a středních podniků (MSP) se potýká s nedostatečnou kvalitou dat a roztříštěnými datovými sily. 68 procentům chybí dobře propracovaná strategie pro umělou inteligenci. 82 procent uvádí značné nedostatky v dovednostech v oblasti umělé inteligence. Německo má v současné době nedostatek 244 000 odborníků v oblasti STEM, včetně 29 500 IT specialistů. Tato čísla ilustrují, že problém sahá daleko za technologická omezení.

Aby výrobní společnost úspěšně implementovala umělou inteligenci, je zapotřebí celá řada předpokladů: vysoce kvalitní, strukturovaná a integrovaná data z různých zdrojů; technická infrastruktura pro sběr, ukládání a zpracování těchto dat; specialisté s odbornými znalostmi v oblasti datové vědy i specifických výrobních procesů; organizační struktury pro řízení změn a podporu akceptace; a jasné rámce řízení odpovědností a řízení rizik. Pokud chybí byť jen jeden z těchto prvků, je vysoce pravděpodobné, že projekty selžou.

Realita v německých výrobních firmách je znepokojivá. Studie Univerzity v Koblenzi ukazuje, že zatímco dvě třetiny ze 120 dotázaných firem již uvádějí, že používají umělou inteligenci, 80 procent z nich tak činí teprve asi dva roky. Bližší pohled na skutečné výrobní postupy odhaluje, že procesy založené na umělé inteligenci jsou pro většinu výrobních firem stále vzdálenou vyhlídkou. Největší překážkou je konsolidace a dostupnost dat, těsně následovaná nedostatkem kvalifikovaných pracovníků, což dále zatěžuje již tak omezené IT zdroje.

Exploze nákladů bez návratnosti investic

Souběžně s nedostatkem provozních výhod rostou investiční náklady do závratných rozměrů. Globální výdaje na datová centra s umělou inteligencí se v roce 2025 odhadují na 600 miliard dolarů a do roku 2030 by měly vzrůst na 3 až 4 biliony dolarů. To představuje roční tempo růstu 46 procent. McKinsey dokonce předpovídá, že do roku 2030 bude jen na infrastrukturu datových center potřeba 7 bilionů dolarů. OpenAI prostřednictvím své iniciativy Stargate ve spolupráci s Oracle a Softbank plánuje datová centra v hodnotě 500 miliard dolarů. Generální ředitel společnosti Meta Mark Zuckerberg očekává do roku 2028 náklady ve výši 600 miliard dolarů.

Tyto obrovské částky se nakonec musí vyplatit. Společnost Sequoia Capital vypočítala, že odvětví umělé inteligence by muselo generovat roční tržby ve výši 600 miliard dolarů, aby ospravedlnilo současné investice, což je překážka, kterou je v krátkodobém horizontu téměř nemožné překonat. Goldman Sachs vydal ostře varování, že investice do umělé inteligence ve výši 1 bilionu dolarů nemusí přinést očekávané výnosy. Analytik Jim Covello to vyjádřil bez obalu: Přehánění věcí, které svět nepotřebuje nebo na ně není připraven, obvykle končí špatně.

Obzvláště problematická je energetická složka. Ceny kapacit v klíčovém regionu PJM v USA se pro rok 2026/2027 vyšplhaly na 329 dolarů za megawattden, což je téměř devítinásobný nárůst ve srovnání s lety 2025/2026. Tento kritický tlak na efektivitu nutí hyperscalery k okamžitému přijetí energeticky úsporných architektur. I s vylepšenými architekturami se však v polovině roku 2026 rýsuje moment prudkého nárůstu, kdy nabídka poháněná kapitálovými výdaji poroste rychleji než monetizovaná spotřeba. V tomto scénáři by se cena za token mohla blížit nule, což by vedlo k rychlému znehodnocení nově vybudované inferenční kapacity.

Situace připomíná internetovou bublinu z počátku první dekády 21. století, kdy masivní investice do optických kabelů vedly k nadměrné kapacitě, která nebyla nikdy plně využita. Mnoho nově vybudovaných datových center s umělou inteligencí by mohlo potkat podobný osud, pokud se poptávka nebude rozvíjet předpokládaným tempem. Gartner Hype Cycle, zavedený nástroj pro předpovídání technologických cyklů, naznačuje, že umělá inteligence by mohla v roce 2026 vstoupit do své třetí fáze, tedy do fáze propadu. V této fázi se jasně projeví omezení a vysoké náklady, problémy se škálováním a nedostatek životaschopných obchodních modelů vedou k neúspěchu mnoha projektů a zániku poskytovatelů.

Německá střední třída kapituluje

Zatímco technologickí giganti nadále investují miliardy do umělé inteligence, v německých malých a středních podnicích (MSP) se objevuje pozoruhodný trend: strategický ústup. Průzkum mezi 200 malými a středními podniky, který v lednu 2026 zveřejnila poradenská společnost Horvath, ukazuje, že tyto společnosti v roce 2025 utratí za technologie umělé inteligence pouze 0,35 procenta svých tržeb, ve srovnání s 0,41 procenty v roce 2024. To znamená, že malé a střední podniky investují přibližně o 30 procent méně než celkový trh, a tento rozdíl se zvětšuje.

Důvody tohoto vývoje jsou zjevné. Geopolitické napětí znepokojilo mnoho středně velkých společností a přesunulo jejich zaměření na optimalizaci nákladů. Ještě důležitější však je, že rané aplikace umělé inteligence nemusely přinést očekávané zvýšení efektivity. Heiko Fink, vedoucí studie a člen představenstva společnosti Horvath, důrazně varuje: Pokud se transformace umělé inteligence nyní masivně neurychlí, technologická propast se stane existenčním strategickým rizikem.

Výzvy, kterým čelí malé a střední podniky (MSP), jsou mnohostranné a hluboce zakořeněné. Byrokratické překážky a pomalý pokrok v digitalizaci výrazně zhoršují jejich schopnost implementovat umělou inteligenci. Obavy týkající se ochrany údajů a digitální suverenity dále brání jejímu přijetí. Komplexní studie malých a středních podniků o umělé inteligenci z roku 2025 vykresluje dramatický obraz: Ačkoli 86 procent uznává význam umělé inteligence, pouze 23 procent úspěšně realizovalo konkrétní projekty v oblasti umělé inteligence. Pouze 32 procent má dobře propracovanou strategii pro umělou inteligenci a pouhých 19 procent si zřídilo specializovaného manažera nebo tým pro umělou inteligenci.

Problémy s daty se ukazují jako hlavní Achillova pata. 76 procent malých a středních podniků (MSP) se potýká s nedostatečnou kvalitou dat a datovými sily mezi systémy. 83 procentům chybí komplexní datová strategie. 69 procent ani neví, jaká data potřebuje pro aplikace umělé inteligence. 58 procentům chybí struktury pro správu dat. Tato čísla ilustrují, že problém začíná dlouho před samotnou implementací umělé inteligence: Chybí základní digitální infrastruktura.

K tomu se přidává deficit v řízení. Ačkoli 91 procent respondentů považuje bezpečnost a dodržování předpisů v oblasti umělé inteligence za klíčové, 76 procentům chybí rámec pro řízení umělé inteligence. Tento rozpor představuje významné právní a reputační riziko, zejména s ohledem na zákon EU o umělé inteligenci, který vstoupil v platnost v srpnu 2024. Ačkoli toto nařízení vytváří nezbytný rámec pro zodpovědné používání umělé inteligence, mnoho společností ho vnímá jako nadměrnou regulaci, která je ve srovnání s USA a Čínou staví do konkurenční nevýhody. Zatímco evropské společnosti se prodírají džunglí nových předpisů, technologickí giganti v Severní Americe a Asii si nadále užívají relativně volnou ruku.

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

Kde umělá inteligence skutečně vytváří přidanou hodnotu

Navzdory převážně znepokojivému celkovému obrazu existují oblasti a případy použití, kde umělá inteligence prokazatelně generuje přidanou hodnotu. Tyto úspěšné příběhy jsou však velmi specifické a sledují rozpoznatelné vzorce, které se výrazně liší od neúspěšných hromadných projektů.

Studie společnosti IBM z října 2025 ukazuje, že 62 procent firem v Německu již dosahuje díky umělé inteligenci významného zvýšení produktivity. Téměř polovina očekává měřitelnou návratnost investic do dvanácti měsíců, a to především prostřednictvím zvýšení spokojenosti zaměstnanců, úspory času a zvýšení tržeb. Studie společnosti SAP dochází k podobným závěrům: Průměrná návratnost investic do umělé inteligence je v prvním roce 16 procent a očekává se, že se do dvou let téměř zdvojnásobí na 31 procent. 64 procent respondentů uvedlo, že jsou spokojeni se svou současnou návratností investic, což je více než u jakékoli jiné technologické investice.

Tato pozitivní čísla jsou však značně zmírněna, když se podíváme blíže na to, kde a jak se hodnota vytváří. Studie MIT identifikuje klíčový vzorec: Úspěšné implementace umělé inteligence se zaměřují na automatizaci back-office, nikoli na grandiózní sliby revolučních výrobních procesů. Nejvyšší návratnost vykazují automatizace dokumentů, procesy zadávání veřejných zakázek a hodnocení rizik. Úspěšné implementace ušetří ročně dva až deset milionů dolarů snížením outsourcingu obchodních procesů. Náklady agentur klesají o 30 procent, když nástroje umělé inteligence převezmou kreativní a analytické úkoly.

Vhodné pro:

• Od experimentování k škálování a industrializaci: Podniková umělá inteligence 2026 jako zlomový bod směrem ke strukturovaným obchodním operacím

Zásadní problém se odhaluje v rozložení investic

Více než polovina rozpočtů na generativní umělou inteligenci se vynakládá na marketing a prodej, přestože automatizace back-office často generuje vyšší výnosy. Toto nesprávné rozdělení je příznakem zavádění technologií, které je poháněno spíše humbukem než racionální analýzou nákladů a přínosů.

V samotné průmyslové výrobě jsou úspěchy sporadické a omezené na specifické aplikace. Prediktivní údržba, která využívá strojní data k včasné detekci opotřebení nebo poruch, vykazuje prokazatelné úspěchy. Automobilky jako Volkswagen používají umělou inteligenci ve svých továrnách k analýze dat ze senzorů, čímž minimalizují neplánované prostoje. Ford používá umělou inteligenci k automatizaci výrobních procesů, jako je svařování a montáž. Společnost General Motors snížila prostoje o 20 procent díky prediktivní údržbě.

Řízení kvality pomocí počítačového vidění je další oblastí s dokumentovaným úspěchem. Systémy podporované umělou inteligencí analyzují snímky z kamer v reálném čase a detekují i ​​mikroskopické vady, čímž výrazně zvyšují spolehlivost. Analýza ukazuje, že plně implementovaná infrastruktura umělé inteligence může dosáhnout 200 až 300% návratnosti investic díky snížení počtu vad a rychlejším kontrolním cyklům. Optimalizace dodavatelského řetězce a zásob dosahuje 150 až 250% návratnosti investic díky prevenci nedostatků zásob a zlepšení řízení dodavatelského řetězce.

Klíčové je, že tyto úspěchy nepramení z jednoduché implementace standardních řešení umělé inteligence typu „plug-and-play“, ale spíše z hluboké, přizpůsobené integrace do specifických procesů, doprovázené významným řízením změn a neustálou adaptací. Data MIT ukazují, že externí partnerství dosahují produkční připravenosti zhruba dvakrát častěji než interní vývoj, 67 procent oproti 33 procentům. Úspěšní kupující nepovažují poskytovatele umělé inteligence za dodavatele softwaru, ale za obchodní partnery, a měří úspěch spíše podle obchodních výsledků než podle technických benchmarků.

Šedá ekonomika umělé inteligence jako ukazatel

Při bližší analýze vzorců užívání se objevuje fascinující jev: V 90 procentech zkoumaných společností používají zaměstnanci pro svou práci soukromé nástroje umělé inteligence, přestože pouze 40 procent společností získalo oficiální licence na umělou inteligenci. Tato tzv. stínová ekonomika umělé inteligence ukazuje zásadní rozpor: Jednotlivci mohou umělou inteligenci úspěšně používat, pokud jsou nástroje flexibilní a uživatelsky přívětivé. Institucionální implementace naopak selhává kvůli složitosti, nedostatečné integraci a organizačním bariérám.

Tento paralelní svět neoficiálního používání umělé inteligence má několik důsledků. Zaprvé ukazuje, že samotná technologie může být prospěšná, pokud je snadno dostupná. Zadruhé odhaluje obrovský problém s řízením a správou: 81 procent společností nemá žádné pokyny pro používání nástrojů umělé inteligence. 64 procent má obavy o ochranu osobních údajů. 73 procent nedokáže měřit zvýšení produktivity. 58 procent hlásí problémy s kvalitou výstupů umělé inteligence. Bez holistického konceptu pracoviště s umělou inteligencí představují stínové IT a neefektivní prostředí nástrojů skutečným rizikem.

Rozdíl mezi individuálním využitím ze strany spotřebitelů a neúspěšnou implementací v podnicích je příznakem základního problému umělé inteligence v její současné podobě. Systémy jsou optimalizovány pro jednoduché, individuální případy použití s ​​nízkým rizikem a složitostí. Systematicky však selhávají, když je třeba je začlenit do složitých organizačních kontextů s vysokými požadavky na kvalitu a spolehlivost. Takzvaná mezera ve učení – neschopnost systémů učit se ze zpětné vazby a přizpůsobovat se kontextům – je činí nevhodnými pro dlouhodobé, složité projekty, které dominují průmyslovým podnikům.

Odchylky specifické pro dané odvětví

Analýza MIT odhaluje další klíčový vzorec: Pouze dvě z devíti studovaných odvětví – technologie a média – vykazují skutečné strukturální změny prostřednictvím umělé inteligence. V sedmi dalších odvětvích, včetně výroby, je transformace i přes značnou pilotní aktivitu stále nedosažitelná. Tato odchylka specifická pro dané odvětví není náhodná, ale odráží zásadní rozdíly ve složitosti a požadavcích.

Technologické a mediální společnosti působí v digitálním prostředí se strukturovanými daty, vysokou standardizací procesů a krátkými iteračními cykly. Jejich obchodní modely jsou založeny na softwaru a digitálních službách, nikoli na fyzických produktech se složitými dodavatelskými řetězci a výrobními procesy. Disponují velkým počtem datových vědců a expertů na umělou inteligenci. Jejich organizační kultura je zaměřena na rychlé zavádění technologií. Všechny tyto faktory podporují úspěšnou implementaci umělé inteligence.

Výrobní a průmyslové společnosti čelí zcela odlišným výzvám. Výrobní prostředí jsou definována nuancemi: proměnlivým sortimentem produktů, vyvíjejícími se specifikacemi, kolísavou poptávkou a složitými strojními ekosystémy. Když modely umělé inteligence tyto skutečnosti přehlížejí, šíří se falešné poplachy a důvěra pracovníků klesá. Rada pro vedení výroby odhaduje, že většina reálných výrobních dat zůstává nevyužita. Pokud se přehlédne kontext, umělá inteligence je náchylná k nákladným chybám, jako je klasifikace procesního šumu jako vad nebo přehlížení skutečných signálů pro zlepšení.

K tomu se přidává problém fragmentované IT a OT krajiny. Desítky let staré architektury často izolují operační technologické systémy, které generují strojová data, od informačních systémů, které jsou zodpovědné za procesní a obchodní data. Tato fragmentace zakrývá klíčové signály a znamená, že modely umělé inteligence fungují s částečným, zastaralým nebo nekonzistentním pohledem na realitu ve výrobním závodě. Překonání těchto strukturálních bariér vyžaduje masivní investice do infrastruktury, které se vyplatí až v dlouhodobém horizontu.

Průzkum společnosti Deloitte o inteligentní výrobě z roku 2025 zjistil, že 92 procent výrobců věří, že inteligentní výroba povede k budoucí konkurenceschopnosti, ale 84 procent z nich nedokáže automaticky reagovat na datovou inteligenci. Průzkum společnosti S&P Global uvádí, že 42 procent organizací do roku 2025 opustilo většinu iniciativ v oblasti umělé inteligence, oproti pouhým 17 procentům v roce 2024. Zpráva společnosti RAND z roku 2024 dospěla k závěru, že více než 80 procent průmyslových projektů umělé inteligence selhává, což je údaj připisovaný složitosti procesů, nízké kvalitě dat a nedostatku kontextu reálného světa.

Škála porušených slibů

Abychom plně pochopili rozsah tohoto zklamání, stojí za to se ohlédnout za sliby danými v letech 2023 a 2024. V lednu 2025 generální ředitel OpenAI Sam Altman na svém blogu triumfálně oznámil, že nyní vědí, jak konstruovat umělou inteligenci. Tvrdil, že agenti umělé inteligence budou mít koncem téhož roku znatelný dopad na výsledky společnosti. Poté, v listopadu 2025, Altman považoval za významný úspěch, že ChatGPT konečně dokázal správně zpracovávat pomlčky. Tento rozpor mezi aspiracemi a realitou ilustruje, jak daleko se očekávání a skutečné možnosti lišily.

Konzultační institut Institute for Economic Research, zadaný společností Google, předpověděl, že využití generativní umělé inteligence by mohlo zvýšit hrubou přidanou hodnotu v německém výrobním sektoru až o 7,8 procenta, což odpovídá 56 miliardám eur. Realita je však zcela jiná. Produktivita práce ve strojírenství a dalších oblastech výrobního sektoru se od roku 2018 prakticky nezměnila a ročně se zvyšuje o pouhých 0,4 procenta. Zatím neexistují žádné známky dividend z umělé inteligence.

McKinsey předpověděl, že umělá inteligence zvýší produktivitu a bude mít obrovský potenciál pro globální ekonomiku. Goldman Sachs na druhou stranu varoval, že i přes vysoké náklady má tato technologie daleko k užitečnosti. Přehánění s věcmi, které svět nevyužívá nebo na ně není připraven, obvykle končí špatně. Investiční společnost Sequoia a hedgeový fond Elliott již vidí technologické společnosti v bublině.

Kritické hlasy ve vědecké komunitě jsou stále hlasitější. Kognitivní vědec Gary Marcus varuje, že ačkoli stále více společností s touto technologií experimentuje, nevidí žádné podstatné zlepšení. Studie společnosti Forrester předpovídá, že do roku 2026 bude odložena zhruba čtvrtina plánovaných investic do umělé inteligence. Společnost Boston Consulting Group vykresluje obraz stagnace zakoupené za vysokou cenu: jen mizivě malé procento společností dosud dokázalo proměnit své obrovské investice ve skutečnou přidanou hodnotu.

Strukturální příčiny selhání

Analýza neúspěšných projektů umělé inteligence odhaluje konzistentní vzorec strukturálních příčin, které nelze napravit iterativním vylepšováním algoritmů. Hlavní překážkou je nedostatečné řízení. Většina společností zachází s umělou inteligencí jako s dalším IT projektem, spíše než jako s ekosystémem vyžadujícím neustálou údržbu. Chybí jasné odpovědnosti, rámce pro řízení rizik a mechanismy pro průběžné zajišťování kvality.

Problém datové zralosti představuje druhou zásadní překážku. Analýza technologických společností založená na více než 20 000 hodinách výzkumu ve více než 50 společnostech odhaluje, že pouze 14 procent z nich má potřebné základy pro úspěšnou implementaci umělé inteligence. Většina se potýká s fragmentovanými daty, nekonzistentními systémy a nedostatečnou správou dat. Bez kvalitních, strukturovaných a dostupných dat zůstávají i ty nejpokročilejší algoritmy neúčinné.

Problém dále zhoršuje nedostatek kvalifikovaných pracovníků. Německu v současnosti chybí 244 000 odborníků v oblasti STEM, včetně 29 500 IT specialistů. U expertů na informatiku, včetně datových vědců a specialistů na umělou inteligenci, se do roku 2027 očekává, že nedostatek kvalifikovaných pracovníků dosáhne 18 655. Největší relativní nárůst se očekává u manažerů v oblasti síťového inženýrství a IT administrace. Firmy čelí dilematu, že pro úspěšnou implementaci umělé inteligence potřebují odborné znalosti, které jsou na trhu sotva dostupné.

Nedostatek v řízení změn tvoří čtvrtý pilíř selhání. Technická implementace je pouze polovinou rovnice. Bez komplexního řízení změn se přijetí stává nefunkčním. Poskytovatel finančních služeb implementoval sofistikovaný systém pro detekci podvodů, ale ten měl malý účinek kvůli nedostatečné integraci do schvalovacího procesu, jelikož zaměstnanci systém pravidelně obcházeli. Operátoři a inženýři jsou často skeptičtí, když doporučení umělé inteligence neodpovídají realitě na pracovišti nebo pocházejí z tzv. „černých skříňek“, které neposkytují žádné transparentní odůvodnění.

Nesprávné přidělování zdrojů tyto strukturální problémy zhoršuje. Více než polovina rozpočtů na generativní umělou inteligenci se vynakládá na prodej a marketing, přestože automatizace back-office často generuje vyšší výnosy. Společnosti se honí za projekty s obrovským potenciálem, aniž by si vytvořily základní digitální infrastrukturu. Staví na dokonalých demo datech, která se v reálných podmínkách okamžitě hroutí. Systematicky podceňují úsilí potřebné k integraci, údržbě a neustálému přizpůsobování.

Dalších dvacet čtyři měsíců jako křižovatka

Příští dva roky budou klíčové pro další rozvoj umělé inteligence ve výrobě a průmyslu. Několik trendů naznačuje, že roky 2026 a 2027 budou přelomovým obdobím, v němž se jasně rozliší vítězové a poražení.

Gartnerův cyklus hype naznačuje, že umělá inteligence vstoupí do propasti deziluze v roce 2026. Během této fáze se jasně projeví omezení a vysoké náklady. Problémy se škálováním a nedostatek životaschopných obchodních modelů vedou k neúspěchu mnoha projektů a zániku poskytovatelů. Tato fáze však není katastrofou, ale spíše nezbytnou korekcí trhu. Technologie, které projdou cyklem hype, dosáhnou po propadu deziluze plató produktivity, kde dochází k tvorbě skutečné hodnoty.

Dynamika investic naznačuje potenciální moment prudkého nárůstu v polovině roku 2026. Pokud nabídka, poháněná kapitálovými výdaji, poroste rychleji než monetizované využití, cena za token by se mohla blížit nule. To by vedlo k rychlé devalvaci nově vybudované inferenční kapacity a vynutilo by si masivní odpisy. Společnosti, které si příliš pozdě uvědomily, že jejich investice do umělé inteligence negenerují návratnost, budou muset provést bolestivé úpravy.

Zároveň se objevuje nová generace systémů umělé inteligence, známá jako agentní umělá inteligence. Tyto systémy disponují perzistentní pamětí a iterativním učením, čímž přímo řeší mezeru ve znalostech, kterou společnosti identifikují jako hlavní překážku. První experimenty s agenty zákaznických služeb, kteří autonomně zpracovávají kompletní dotazy, nebo s agenty finančních procesů, kteří monitorují rutinní transakce, ukazují slibný potenciál. Společnosti, které nyní investují do adaptivních, hluboce integrovaných systémů umělé inteligence, vytvářejí konkurenční výhody, které bude později obtížné dohnat.

Zásadní roli bude hrát i regulační prostředí. Zákon EU o umělé inteligenci zavádí závazný právní rámec s přechodnými obdobími v délce šesti až 36 měsíců a potenciálně značnými pokutami za nedodržení předpisů. I když to vytváří povinnosti v oblasti dodržování předpisů a dokumentační zátěž, lze AI Made in Europe vnímat také jako pečeť kvality. Společnosti, které včas implementují požadavky na dodržování předpisů, se mohou etablovat jako průkopníci v oblasti důvěryhodné umělé inteligence. Otázkou je, zda evropská regulace vytvoří očekávaný náskok z hlediska důvěry, nebo zda bude působit především jako konkurenční nevýhoda ve srovnání s USA a Čínou.

Co následuje po deziluzi?

Současné rozčarování z umělé inteligence ve výrobě a průmyslu není dočasným problémem s adaptací, ale nevyhnutelným důsledkem přehnaných očekávání, která se setkávají se strukturálně neúplnou technologií. Systémy, které jsou v současnosti označovány jako AI, jsou vysoce sofistikované nástroje pro specifické případy použití, nikoli univerzální řešitele problémů. Dokážou rozpoznávat vzory v datech, ale nedokážou systematicky a logicky myslet. Dokážou automatizovat jednoduché úkoly, ale nedokážou samostatně optimalizovat složité výrobní procesy. Dokážou podporovat lidské znalosti, ale nemohou je nahradit.

Toto poznání neznamená konec inovací v oblasti umělé inteligence, ale spíše začátek realističtější fáze. Společnosti, které v nadcházejících letech uspějí, jsou ty, které nepovažují umělou inteligenci za zázračné řešení, ale za nástroj vyžadující pečlivou integraci, neustálou údržbu a realistická očekávání. Nebudou investovat do projektů s nejrůznějšími dopady, ale do základních digitálních základů: kvality dat, systémové integrace, rozvoje dovedností a řízení organizačních změn.

Tvorba hodnoty v nadcházejících letech bude vznikat především v úzce definovaných případech užití, kde se projeví silné stránky umělé inteligence, rozpoznávání vzorů ve velkých datových sadách, automatizace opakujících se úkolů a rychlé zpracování strukturovaných informací. Prediktivní údržba bude i nadále nabývat na významu. Zavede se řízení kvality založené na počítačovém vidění. Automatizace back-office přinese značné úspory nákladů. Vize autonomních, samooptimalizujících se továren však v dohledné budoucnosti zůstane sci-fi.

Německé malé a střední podniky čelí strategickému zlomu. Současná neochota investovat do umělé inteligence je vzhledem k neuspokojivým výsledkům dřívějších projektů pochopitelná. Úplná abstinence však není řešením. Společnosti, které nyní vytvářejí základní předpoklady – datovou infrastrukturu, digitální procesy a rozvoj dovedností – budou moci těžit z nové generace systémů umělé inteligence, jakmile budou zralé. Ti, kteří budou i nadále vyčkávat, riskují, že zcela zůstanou pozadu.

Deziluze obklopující umělou inteligenci ve výrobě a průmyslu je v konečném důsledku nezbytnou nápravou přehnaných očekávání. Nutí nás konfrontovat se s nepříjemnou realitou: že technologie sama o sobě nepřináší transformaci, že organizační a lidské faktory jsou přinejmenším stejně důležité jako algoritmy a že udržitelná tvorba hodnot vyžaduje čas a systematickou práci. Umělá inteligence prokázala svou přidanou hodnotu pro text a obrázky. Pro ekonomickou složku ve výrobě a průmyslu je tento důkaz stále čeká na své výsledky a teprve se uvidí, zda a kdy jej lze poskytnout.

☑️ 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

Využijte rozsáhlé pětinásobné odborné znalosti společnosti Xpert.Digital v komplexním balíčku služeb | Výzkum a vývoj, XR, PR a optimalizace digitální viditelnosti - Obrázek: Xpert.Digital

Xpert.Digital má hluboké znalosti z různých odvětví. To nám umožňuje vyvíjet strategie šité na míru, které jsou přesně přizpůsobeny požadavkům a výzvám vašeho konkrétního segmentu trhu. Neustálou analýzou tržních trendů a sledováním vývoje v oboru můžeme jednat s prozíravostí a nabízet inovativní řešení. Kombinací zkušeností a znalostí vytváříme přidanou hodnotu a poskytujeme našim zákazníkům rozhodující konkurenční výhodu.

Více o tom zde:

• Využijte 5x odborných znalostí Xpert.Digital v jednom balíčku – již od 500 EUR měsíčně