Otázka „máme nasadit AI?" se za poslední dva roky proměnila z technické úvahy na téměř povinnou položku v každé strategické debatě. A právě v tom je problém. Firmy, které se k AI dostávají přes tlak okolí, často spustí pilot bez jasné představy, co konkrétně má vyřešit. Po šesti měsících mají nasazený nástroj, který nikdo nepoužívá, fakturu od dodavatele a pocit, že „AI prostě ještě není připravená". Připravená je. Nebyla připravená otázka.
Tento článek je pokusem dát vám pevný rámec, jak se rozhodnout. Bez marketingu, bez „digitální transformace" a bez slibů, že vám AI vyřeší to, co nedokáže vyřešit ani člověk. Vycházíme z desítek projektů, kde jsme buď AI nasazovali, nebo klientovi otevřeně řekli, že to v jeho případě nedává smysl.
Co znamená AI ve firmě v roce 2026
Než se začneme bavit o tom, kdy AI nasadit, je potřeba si srovnat slovník. V roce 2026 už pojem „AI ve firmě" prakticky nikdy neznamená klasické machine learning modely, které firmy trénují samy na vlastních datech. To je pořád doména několika málo organizací s datovými týmy a rozpočtem v řádu milionů.
Pro drtivou většinu firem AI dnes znamená tři věci, které se kombinují: velké jazykové modely (LLM jako GPT, Claude, Gemini), které dokážou rozumět textu a generovat ho; AI agenti, kteří kolem těchto modelů obalí logiku, paměť a přístup k nástrojům, aby uměli samostatně dokončit úkol; a specializované modely pro úzce vymezené úlohy — přepis hlasu, klasifikace obrázků, OCR z dokumentů.
Důležitý posun oproti období 2023–2024 je v tom, že firmy už dnes téměř nikdy nestaví AI od nuly. Místo toho ji integrují jako vrstvu nad svými stávajícími systémy — nad e-mailem, nad CRM, nad účetnictvím, nad ticketovacím nástrojem. To má jeden zásadní důsledek pro rozhodování: úspěch AI projektu nezáleží na tom, jak chytrý model si vyberete. Záleží na tom, jak dobře rozumíte procesu, který má AI obsluhovat, a jak čistá data do něj proudí.
Tři situace, kde AI dává okamžitý smysl
Existuje několik typů úloh, u kterých z naší zkušenosti AI dělá rozdíl tak výrazný, že návratnost investice je často viditelná v řádu týdnů. Nejsou to ty nejatraktivnější use casy, o kterých čtete na konferencích — jsou to ty, které tiše fungují a nikomu se o nich nechce mluvit, protože nejsou dost „inovativní".
První situace: musíte rozumět velkému objemu textu, který přichází v různé struktuře. Příchozí e-maily od zákazníků, poptávky přes web, PDF faktury od různých dodavatelů, smlouvy v různých formátech, recenze produktů. Pokud někdo v týmu tráví hodiny denně tím, že tyhle vstupy čte, kategorizuje, přepisuje do systému nebo na ně odpovídá podobnou variací téhož, AI to dokáže udělat za zlomek nákladů a obvykle stabilněji.
Druhá situace: máte znalostní bázi, kterou nikdo nečte. Interní wiki, manuály, postupy, historické tikety, archiv obchodních materiálů. Lidé se ptají kolegů, místo aby hledali, protože hledání je pomalejší než zeptat se. Interní AI asistent napojený na firemní dokumenty tohle mění během pár týdnů. Není to revoluce, ale je to měřitelný posun v rychlosti, s jakou lidé dostávají odpovědi.
Třetí situace: rozhodování, které vyžaduje kombinaci dat z více míst. Klasifikace tiketu podle historie zákazníka. Vyhodnocení rizika u nové poptávky. Návrh odpovědi obchodníkovi na základě toho, co se o klientovi dosud ví. Tohle jsou úlohy, kde klasická pravidla selhávají, protože každý případ je trochu jiný, ale zároveň se v něm opakují vzorce, které AI dokáže rozpoznat.
Tři situace, kde AI dělá víc škody než užitku
Druhá strana mince. Existují kontexty, ve kterých AI nasazení skoro vždy selže, nebo selže dříve, než stihne přinést hodnotu. Pokud se v některém z nich poznáváte, je v pořádku rok počkat a investovat čas jinam.
První: proces, který nikdo neumí popsat. Pokud na otázku „jak to děláte dnes" odpoví pět lidí pěti způsoby a každý z nich má svou improvizovanou logiku, AI nemá co napodobovat. Modely nejsou kouzelníci — odvozují vzorce z toho, co jim ukážete. Pokud vzorce neexistují, AI buď halucinuje, nebo se chová náhodně. Řešení tady není AI, ale nejdřív standardizace procesu.
Druhá: rozhodnutí s vysokou cenou chyby a nízkou tolerancí. Schvalování úvěrů, vystavení velkých faktur, právní posouzení smluv, lékařské doporučení. AI tady nemá být rozhodovatel. Maximálně může být asistentem, který připraví podklady. Pokud byste byli ochotní nechat finální rozhodnutí na modelu, který se nedokáže ospravedlnit, kontrolu jste de facto vzdali — a v regulovaných oborech vás to dříve nebo později dostane do problému.
Třetí: úkol, který už dnes řeší dobře fungující automatizace. Vidíme to často. Firma má spolehlivý workflow, který přesouvá data ze systému A do systému B, a najednou ji někdo přesvědčí, že na to potřebuje AI agenta, který bude „chytřejší". Chytřejší obvykle znamená méně předvídatelný, dražší a hůř debuggovatelný. Pokud klasická automatizace funguje, není důvod ji nahrazovat. AI se vyplatí tam, kde klasická automatizace nestačí, ne tam, kde funguje.
Rozdíl mezi LLM, AI agentem a klasickou automatizací
Praktický rozhodovací rámec stojí na pochopení, jak se tyhle tři vrstvy liší. Není to akademická otázka — určuje, kolik bude implementace stát, jak rychle ji nasadíte a jaké chyby od ní můžete čekat.
Klasická automatizace je deterministická. Pravidlo A znamená vždy akci B. Pokud objednávka přijde, vystaví se faktura. Pokud se faktura zaplatí, pošle se potvrzení. Tenhle přístup je nepřekonatelný všude, kde vstup má jasný tvar a krok je jednoznačně daný. Cena vývoje je nízká, údržba předvídatelná, chyby vždy zpětně dohledatelné.
LLM jako služba přidává schopnost porozumět nestrukturovanému vstupu — textu, dokumentu, hlasu. Sám o sobě ale LLM nic neřeší. Dostane vstup, dá výstup, zapomene. Hodí se tam, kde potřebujete jednu konkrétní transformaci: shrnutí, klasifikaci, extrakci. Implementace je rychlá, ale výsledná „inteligence" je omezená na jeden krok.
AI agent je LLM obalený do logiky, paměti a sady nástrojů. Umí si pamatovat průběh konverzace, sáhnout do databáze, zavolat API, rozhodnout se mezi více možnostmi. Hodí se na úkoly s více kroky a větvením — třeba zpracovat poptávku od začátku do konce. Implementace je dražší a vyžaduje pečlivou definici hranic, ale dokáže nahradit komplexnější část lidské práce. Tomuhle se podrobněji věnujeme v sekci AI automatizace.
Rozhodovací pravidlo, které používáme s klienty, je jednoduché: nejdřív se ptejte, jestli to zvládne klasická automatizace. Pokud ano, použijte ji. Teprve když narazíte na to, že vstup nemá pevnou strukturu nebo že rozhodnutí vyžaduje úsudek, posuňte se k LLM. A agenta nasazujte až tam, kde úloha má víc kroků, které musejí na sebe navazovat se znalostí kontextu.
Jak změřit, jestli AI ve vašem provozu funguje
Tohle je část, kterou většina projektů ignoruje — a pak se po roce diví, že nikdo neumí říct, jestli investice měla smysl. AI nasazení musí mít předem definovaná měřítka úspěchu, jinak nejde rozhodnout, kdy ho rozšířit a kdy zastavit.
Měřítka se liší podle use casu, ale obecně doporučujeme sledovat tři vrstvy. Provozní metriky jako počet zpracovaných případů, průměrná doba zpracování, podíl případů, které prošly bez lidského zásahu. Tohle jsou tvrdá čísla, která sednou rozdíl mezi „před" a „po".
Kvalitativní metriky jsou zrádnější, ale zásadní. Kolik výstupů AI vyžaduje korekci člověkem? Jak často se mýlí způsobem, který je pro byznys drahý? Doporučujeme si první tři měsíce pravidelně procházet vzorek výstupů a hodnotit je manuálně. Bez téhle kalibrační smyčky se nedostanete k tomu, abyste AI důvěřovali tam, kde můžete, a hlídali ji tam, kde musíte.
Nákladová metrika bývá podceňovaná. Spočítejte si plnou cenu na zpracovaný případ — tedy nejen cenu tokenů nebo licence, ale i čas lidí, kteří výstupy kontrolují, a čas vývojářů, kteří systém ladí. U dobře nastaveného nasazení tahle cena klesá v čase. Pokud roste, je to signál, že použití AI bylo špatně zvolené a měli byste se vrátit k otázce, jestli proces nepřepracovat jinak.
Bezpečnost dat a soukromí v AI nasazeních
Tohle téma se v debatách často odbývá větou „používáme evropský model" nebo „máme GDPR doložku". Realita je o trochu složitější a stojí za to ji znát dřív, než podepíšete první smlouvu s dodavatelem.
První otázka, kterou si položte: kam fyzicky tečou vaše data, když je posíláte do AI. Velká část modelů běží mimo EU, a i když poskytovatel tvrdí, že data nepoužívá k trénování, samotný přenos podléhá pravidlům o předávání osobních údajů do třetích zemí. Existují cesty, jak to ošetřit smluvně i technicky, ale je potřeba je vědomě nastavit, ne na ně narazit při auditu.
Druhá otázka je jaká data do modelu vůbec posíláte. Často vidíme, že firmy v nadšení napojí AI agenta na celou znalostní bázi včetně mzdových dat, smluv s dodavateli nebo osobních poznámek. Před napojením by měl proběhnout audit zdrojů — co je veřejné, co je interní, co je citlivé. Citlivá data buď do modelu nepatří vůbec, nebo musí jít přes vrstvu, která je maskuje a kontroluje, kdo k nim přes AI smí.
Třetí věc, na kterou se zapomíná, je logování. AI agent by měl mít kompletní zápis o tom, co dostal na vstupu, co odpověděl a jaké nástroje volal. Bez toho nezvládnete vyšetřit incident, neudržíte auditní stopu a nemáte čím obhájit rozhodnutí, které agent udělal. Logování zní jako technický detail, ale je to nutná podmínka pro nasazení v jakémkoliv regulovaném prostředí.
Pět konkrétních prvních kroků pro firmu, která AI ještě nepoužívá
Pokud čtete tenhle článek a říkáte si „dobře, ale kde mám začít, když jsme s AI ještě nikdy nepracovali", tady je sekvence, kterou doporučujeme. Není to seznam přání, je to průchozí cesta, kterou jsme prošli s firmami, co začínaly od nuly a po šesti měsících měly fungující nasazení.
- Vyberte jeden konkrétní problém, ne oblast. Ne „chceme AI v marketingu", ale „chceme automatizovat třídění příchozích poptávek do segmentů a generovat první draft odpovědi". Čím užší, tím vyšší šance, že to dotáhnete.
- Spočítejte si dnešní cenu toho problému. Kolik hodin týdně to dnes stojí, kolik chyb to generuje, jak dlouho čeká zákazník. Bez výchozí hodnoty nezměříte zlepšení.
- Zmapujte data a procesy, které se k problému váží. Kde data leží, kdo k nim má přístup, jaký je dnes proces. Většina AI projektů ztroskotá tady, ne v modelu.
- Postavte malý pilot s jasnou hranicí. Nasazení by mělo trvat týdny, ne měsíce. Pilot má za úkol potvrdit nebo vyvrátit, jestli AI v tomhle konkrétním kontextu dává smysl, ne dodat finální řešení.
- Vyhodnoťte podle metrik, ne podle pocitu. Po pilotu se vraťte k číslům z bodu 2 a srovnejte. Pokud je posun jasný, rozšiřte. Pokud není, nepřesvědčujte se — analyzujte proč a buď upravte zadání, nebo projekt ukončete bez výčitek.
Pokud nevíte, který problém vybrat jako první, většinou pomůže audit provozu, který tyhle kandidáty pojmenuje za vás. Je to levnější než nasadit AI naslepo a o půl roku později zjistit, že jste řešili nesprávnou otázku.
Časté otázky
Kolik stojí nasadit AI ve středně velké firmě?
Rozptyl je velký — od desítek tisíc za jednoduchého asistenta nad znalostní bází po nižší stovky tisíc za agenta s napojením na více systémů. Provozní náklady pak typicky tvoří jednotky tisíc měsíčně na tokeny a licence. Klíčové ale není to, kolik nasazení stojí, ale kolik vám má ušetřit. Pokud nedokážete cenu spočítat na obou stranách rovnice, je brzy AI řešit.
Musíme mít vlastní data k tomu, abychom mohli AI nasadit?
Pro většinu úloh ne. Moderní LLM jsou předtrénované na obrovských datasetech a fungují velmi dobře bez jakéhokoliv vlastního trénování. Vaše data využíváte spíš k tomu, abyste modelu dali kontext — přes znalostní bázi, prompty, případně tzv. fine-tuning u specializovaných úloh. Vlastní trénink modelu od nuly se ve firmách dnes prakticky nedělá.
Co když nám AI udělá chybu vůči zákazníkovi?
To je správná obava a měla by být součástí designu od začátku. Doporučujeme jasně rozlišovat mezi případy, kde AI rozhoduje sama, a kde připravuje podklad pro člověka. V citlivé komunikaci se zákazníky držte druhého modelu — AI navrhuje, člověk potvrzuje. U interních a nízkorizikových úloh můžete agentovi dát víc autonomie. Hranici si určujete vy, ne dodavatel.
Je AI ve firmě bezpečná z pohledu GDPR?
Může být, ale není to dáno automaticky. Záleží na tom, jaký model používáte, kam jdou data, jaké zpracovatelské smlouvy máte uzavřené a jak je celé nasazení zalogované. Doporučujeme, aby u jakéhokoliv AI projektu, který se dotýká osobních údajů, byl od začátku přítomný někdo, kdo rozumí pravidlům — interně nebo externě. Vyřešit GDPR až po nasazení je obvykle dražší než od začátku.
Nahradí AI lidi v našem týmu?
V drtivé většině firem, které vidíme, AI nenahrazuje lidi — přesouvá je k práci, která má vyšší přidanou hodnotu. Co odpadá, jsou opakující se úkoly, manuální přepisy, klasifikace, hledání informací. Co zůstává, je rozhodování, kreativita, vztahy se zákazníky. Pokud máte ve firmě tým, který tráví většinu času mechanickou prací, AI dá tomuto týmu prostor dělat věci, na které dnes nemá kapacitu. Pokud má ale firma tým jen na mechanickou práci, je to organizační otázka, ne technologická.
Kdy je dobré ještě s AI rok počkat?
Pokud ve firmě nemáte zmapované procesy, žádná data nejsou v digitální podobě a tým je vyčerpaný z předchozích neúspěšných projektů. V téhle situaci nepřinese AI hodnotu, jen zvýší frustraci. Lepší je nejdřív si udělat pořádek v provozu, dotáhnout základní digitalizaci a teprve potom přidávat inteligentní vrstvu. Pořadí matter.