Jeden šéf výroby ze středně velké firmy mi loni popsal svůj první projekt s umělou inteligencí. Chtěli automaticky vyhodnocovat reklamace. Půl roku vývoje, slušný rozpočet, prezentace pro vedení. Projekt spadl na tom, že ve třech systémech byly tři různé verze čísla reklamace a nikdo ve firmě nedokázal říct, která platí.

„Zaplatili jsme si drahou AI, aby nám došlo, že máme nepořádek v datech,“ shrnul to. Řekl to bez hořkosti, spíš pobaveně. A vystihl tím většinu firemních projektů s AI přesněji než leckterá analýza.

Tenhle přehled je pro lidi, kteří stojí před stejným rozhodnutím. Kde umělá inteligence ve firmě opravdu ušetří práci, kolik to stojí včetně položek, které nikdo nepočítá, a kdy je poctivější do toho nejít.

Kde české firmy skutečně jsou

Nejdřív čísla, protože se hodí vědět, jestli zaostáváte, nebo předbíháte. Podle Českého statistického úřadu používalo v roce 2025 některou z technologií umělé inteligence 18 procent českých podniků s deseti a více zaměstnanci. Průměr Evropské unie za stejný rok byl 20 procent. Rozdíl podle velikosti je přitom mnohem větší než rozdíl proti Evropě, u velkých firem nad 250 zaměstnanců přesáhl podíl poprvé polovinu a dostal se na 54 procent. U menších podniků zůstává výrazně nižší.

Zajímavější než celkové číslo je rozpis podle toho, co firmy vlastně používají. Generativní AI na text a kód uvedlo 13 procent podniků, generativní AI na obrázky a video 10 procent, dolování z textu 7 procent, strojové učení 7 procent, rozpoznávání řeči 4 procenta a rozpoznávání objektů a dokumentů 2 procenta. Z toho se dá vyčíst jedna věc. Drtivá většina firemního nasazení AI v Česku je dnes psaní a zpracování textu. Ne roboti, ne predikce poptávky, ne autonomní systémy. Texty, dokumenty a e-maily. Když přemýšlíte, kde začít, tohle je docela dobrá nápověda.

Tři úrovně nasazení a proč na pořadí záleží

Než se pustíme do oborů, jedno rozdělení, které vám ušetří spoustu debat. Firmy si obvykle myslí, že se rozhodují mezi nástroji. Ve skutečnosti se rozhodují mezi třemi úrovněmi, a ty se liší náklady i rychlostí o řád.

První úroveň: asistent pro zaměstnance. Koupíte lidem přístup k nějakému chatbotu, dáte jim pravidla, co tam smí a nesmí vkládat, a půl dne školení. Zavedení trvá týden. Přínos je reálný, ale rozptýlený a špatně se měří, protože každý si asistentem pomůže jinde. Hlavní věc, kterou tím firma získá, je to, že lidé přestanou používat nástroje, o kterých nikdo neví.

Druhá úroveň: AI ve věcech, které už máte. Účetní software, který umí přečíst fakturu. CRM, které navrhne odpověď. Kancelářský balík, který shrne poradu. Zavedení znamená zapnutí funkce a doplacení tarifu. Nic se nemusí programovat a data zůstávají tam, kde už jsou. Tuhle úroveň firmy přeskakují nejčastěji, přitom právě tady je poměr užitku a práce nejlepší.

Třetí úroveň: vlastní automatizace. Postup šitý přímo pro váš proces, napojený na vaše systémy. Nejvíc užitku a taky jediná úroveň, kde se dá získat výhoda, kterou konkurence nemá o týden později. Zároveň jediná, kde vám vzniká něco, co musí někdo trvale udržovat.

Rozumné pořadí je první, druhá, třetí. Firmy, které začnou třetí úrovní, obvykle staví automatizaci procesu, kterému uvnitř ještě nikdo pořádně nerozumí.

Marketing a obsah: nejrychlejší návratnost, nejsnazší ostuda

Marketing si AI osvojil první a má k tomu důvod. Výstupem je text nebo obrázek, chyba se pozná okamžitě a nic se nerozbije.

Reálně ušetří čas první verze. Popisky produktů do e-shopu, varianty inzerátů, přepis tiskové zprávy do tří délek, návrhy předmětů e-mailů. Práce, kterou copywriter dělá nerad a která ho stojí odpoledne.

Kde to naopak nefunguje, je obsah, který má nést hlas firmy a odbornost. Model neví, co jste loni slíbili zákazníkům, jaké máte technické limity a co říká váš právník. Když ho pustíte na blog bez kontroly, poznají to čtenáři dřív než vy. Dvě konkrétní pasti. Za prvé čísla a tvrzení: model si je umí vymyslet a znějí naprosto věrohodně. Proč se to děje, vysvětluju v článku o halucinacích AI. Za druhé objem. Firmy málokdy shoří na špatném textu. Shoří na tom, že ho najednou vzniká desetkrát víc, než kolik ho někdo stihne zkontrolovat.

Zákaznická podpora: funguje, dokud je zákazník klidný

Podpora bývá druhá v pořadí a mívá nejlepší čísla, protože se tam dobře měří. AI tady zvládá tři věci slušně. Návrh odpovědi, který operátor upraví a odešle. Dohledání informace v interní dokumentaci, aby ji člověk nemusel hledat sám. A třídění příchozích dotazů podle tématu a naléhavosti.

Sáhne-li si firma na plnou automatizaci, začne to být zajímavé. Nejcitovanější případ je švédská Klarna. V únoru 2024 oznámila, že její AI asistent postavený na technologii OpenAI odvádí práci odpovídající 700 pracovníkům podpory. V květnu 2025 generální ředitel Sebastian Siemiatkowski agentuře Bloomberg přiznal, že to firma přehnala. Řekl doslova, že když se při organizaci práce stane příliš dominantním hodnoticím kritériem cena, výsledkem je nižší kvalita. Klarna začala lidi do podpory znovu najímat.

Z toho případu si nesnažím vzít, že automatizace podpory je špatný nápad. Beru si z něj něco užitečnějšího: rozdíl mezi objemem a složitostí. AI zvládla objem, tedy tisíce dotazů typu „kde mám balík“. Neuspěla na složitosti, tedy na naštvaném zákazníkovi s výjimečným případem. Firmy, kterým to funguje, mají obojí oddělené a mají jasnou cestu, jak se zákazník dostane k člověku. Pokud plánujete napojit AI na vlastní dokumentaci, hledejte přístup zvaný RAG, tedy dohledání relevantní pasáže z vašich dokumentů a její vložení modelu k odpovědi. Rozebíral jsem ho v článku Co je RAG. Bez něj si model vaše obchodní podmínky domyslí.

HR a nábor: pomocník ano, rozhodčí ne

V náboru šetří AI čas na dvou nudných místech: při psaní inzerátů a při sepisování shrnutí z pohovoru. Obojí bez rizika, protože výstup si každý přečte. Třetí použití, tedy předvýběr životopisů, je mnohem citlivější, než vypadá. Systém, který uchazeče řadí podle vhodnosti, dělá rozhodnutí o lidech. Model se učí ze vzorů a vzory z minulého náboru můžou být zkreslené. Když si tenhle nástroj pořizujete, potřebujete od dodavatele doložené, podle čeho hodnotí, a potřebujete v procesu člověka, který skutečně rozhoduje, ne jen odklikává pořadí.

Evropské nařízení o umělé inteligenci navíc s nasazením AI v náboru a řízení zaměstnanců počítá zvlášť a klade na něj přísnější požadavky. Detaily té úpravy sem nepatří, ale platí jednoduché pravidlo: než pustíte AI k rozhodování o lidech, chcete u toho právníka.

Uvnitř firmy pak AI dobře poslouží jako první linka na dotazy zaměstnanců. Kolik mi zbývá dovolené, jak se hlásí cesťák, kde najdu směrnici. Tyhle dotazy sežerou personalistům překvapivě velkou část dne a odpověď na ně existuje v dokumentu.

Účetnictví a administrativa: nejnudnější a možná nejužitečnější

Čtení dokladů, vytahování položek, párování plateb, předkontace. Tady se AI potkává s prací, která je opakovaná, měřitelná a nikoho nebaví. Funguje to dobře na strukturovaných vstupech, tedy na fakturách z e-shopů a systémů. Funguje to hůř na skenech, mačkaných účtenkách a dokladech, které kolega vyfotil pod lampou. Přesnost se tam propadá a náklad na kontrolu sežere úsporu.

Rozumné nasazení proto vypadá tak, že systém doklad předvyplní a účetní ho potvrdí. Ne tak, že systém účtuje sám. U dokladů se navíc chyba nepozná hned, ale při kontrole o půl roku později, což z ní dělá jeden z nejdražších druhů chyb, jaké ve firmě můžete mít. Vedle účetnictví sem patří i drobná administrativa, na kterou se zapomíná: zápisy z porad, převod poznámek do úkolů, hlídání termínů ve smlouvách, překlady interních dokumentů. Jednotlivě to vypadá směšně. Ve firmě o padesáti lidech se to sečte do slušného počtu hodin.

Data a reporting: největší sliby, nejtvrdší dopad na zem

Tady bývá očekávání nejvyšší a zklamání nejrychlejší. Představa, že se vedení zeptá přirozenou řečí „proč nám v červnu klesly tržby na severu“ a dostane odpověď, je lákavá a technicky uskutečnitelná.

Naráží na tři věci. Model musí vědět, kde ta data jsou. Musí vědět, co která tabulka znamená, protože sloupec stav může v jednom systému znamenat stav objednávky a v druhém stav skladu. A někdo musí ručit za to, že odpověď je správně, protože špatné číslo v podkladu pro vedení má jinou váhu než překlep v inzerátu.

Firmy, kterým tohle funguje, mají obvykle za sebou práci, která s AI nesouvisí vůbec: pořádek v datech a popsané významy sloupců. Ten šéf výroby z úvodu narazil přesně na tohle.

Co ale funguje hned a stojí skoro nic: nechat si od AI vysvětlit nebo sestavit dotaz do databáze, když nejste analytik. Rozhodnutí zůstává na vás. Ušetříte hodinu hledání v dokumentaci.

Kolik to opravdu stojí

Nabídkové ceny nástrojů se mění po měsících, tak sem konkrétní částky psát nebudu, struktura nákladů se ale nemění a právě v ní se firmy nejčastěji přepočítají.

Licence na uživatele. To je ta položka, kterou všichni vidí. Měsíční poplatek za člověka za asistenta nebo kancelářský balík s AI. Snadno se spočítá.

Spotřeba modelu. Když si stavíte vlastní automatizaci, platíte za každý zpracovaný text zvlášť. Cena roste s délkou vstupu i výstupu, takže scénář, který modelu posílá celý dokument místo výtahu, může stát desetkrát víc než scénář, který posílá jen podstatné. Tuhle položku nikdo neodhadne dopředu přesně a je potřeba ji měsíc měřit.

Napojení na vaše systémy. Nejdražší část a v nabídkách bývá nejmenším písmem. Zprovoznění přístupu do skladového systému, který má rozhraní z roku 2011, není práce na odpoledne.

Čas vašich lidí. Kdo dodavateli vysvětlí, jak proces funguje? Kdo tři měsíce kontroluje výstupy? Tyhle hodiny se do rozpočtu nikdy nepíšou a přitom bývají největší.

Údržba. Model, na kterém automatizace stojí, dodavatel jednou zruší. Cizí rozhraní změní formát. Když nemáte v rozpočtu položku na to, aby se tomu někdo věnoval, dostanete drahou věc, která za rok tiše přestane fungovat.

Než začnete porovnávat nabídky, projděte si tenhle seznam znovu a doplňte si k němu vlastní odhady, bez posledních dvou položek vypadá skoro každý projekt levně.

Jak si spočítat, jestli se to vyplatilo

Většina firem tenhle výpočet neudělá, a proto se pak projekt tak špatně obhajuje. Přitom stačí čtyři čísla a půl hodiny. Kolik minut zabere úloha dnes a kolikrát měsíčně se dělá. Vynásobte a máte hodiny. Vynásobte hodinovými náklady na toho, kdo ji dělá, a máte současnou cenu.

Kolik minut zabere po zavedení. Pozor, tady se počítá i kontrola. Když AI vytvoří koncept za deset vteřin a člověk ho pak sedm minut kontroluje, je to sedm minut a deset vteřin, ne deset vteřin.

Kolik stojí provoz. Licence plus spotřeba modelu plus poměrná část času, který na to někdo měsíčně obětuje.

Kolik stálo zavedení a za jak dlouho se má vrátit. Rok je rozumná hranice. Když vám na papíře vychází návratnost za tři roky, nepočítejte s ní, protože za tři roky bude na trhu něco jiného.

Pátý údaj, který se nepočítá a rozhoduje: chybovost. Kolik procent výstupů muselo jít zpátky k předělání a co stály ty, které se propustily dál špatně, u marketingového textu je to nula. U faktury ne. A jedna past. Ušetřené hodiny nejsou automaticky ušetřené peníze, když účetní ušetří deset hodin měsíčně a firma jí nedá jinou práci ani nesníží stav, náklady zůstaly stejné. Je to pořád dobrý výsledek, jen se jmenuje jinak: méně přesčasů nebo víc kapacity na věci, které se nestíhaly. Když to takhle vedení nepopíšete, bude projekt vypadat jako neúspěch.

Kdy se do toho nepouštět

Poctivý přehled musí obsahovat i tuhle část, protože prodejní materiály ji neobsahují nikdy.

Malý objem. Když daný úkol děláte pětkrát měsíčně, nezaplatí se ani zavedení, natož údržba. Hranice bývá kolem několika desítek opakování týdně, pod ní vychází ruční práce líp.

Proces, který nikdo neumí popsat. Když dva lidé ve firmě dělají tutéž věc jinak a oba tvrdí, že správně, nemáte problém s technologií. Automatizace ten spor jen zabetonuje do softwaru.

Nepořádek v datech. Viz úvod. AI ho neuklidí, jen ho zviditelní, a to je drahý způsob, jak si udělat audit.

Rozhodnutí s právním dopadem. Nároky, úvěry, ukončení pracovního poměru, cokoliv, co musíte umět obhájit. Model vám neřekne, proč rozhodl, jak rozhodl, a „tak to vyhodnotil systém“ před soudem neobstojí.

Firma v krizi. Když hoří, projekt na tři měsíce s nejistým výsledkem nikdo nedotáhne. Proti AI to nesvědčí nijak. Svědčí to o načasování.

Postup, který dává smysl na tři měsíce

Nezačínejte strategií. Začněte seznamem otravné práce. Obejděte oddělení a ptejte se, co lidi dělají ručně a co je u toho štve, ten seznam je cennější než jakákoliv prezentace od dodavatele. Vyberte z něj jednu úlohu, která se opakuje aspoň desetkrát týdně a u které se výsledek dá zkontrolovat za pár vteřin.

Změřte, jak dlouho ta úloha trvá dnes. Bez toho čísla nebudete umět říct, jestli projekt vyšel, a přesně tohle stojí za tím, že se piloty po půl roce tiše ruší. Poradenská firma Gartner v tiskové zprávě z června 2025 předpověděla, že do konce roku 2027 bude zrušeno přes 40 procent projektů s agentní AI, a jako důvody uvedla rostoucí náklady, nejasný přínos a nedostatečné kontrolní mechanismy. Nejasný přínos je slušný opis pro „nikdo to na začátku nezměřil“.

První měsíc nechte nástroj běžet vedle lidí, ne místo nich. Výstupy zapisujte, ale nepoužívejte. Získáte tím číslo, jak často se trefil, a to je jediný podklad, kterým projekt obhájíte. Teprve pak měňte pracovní postup. Automatizace, po které lidem zůstane původní práce a přibude kontrola, je čistá ztráta a rychle si vyslouží špatnou pověst. Změna postupu je přitom ta část, kterou musí odsouhlasit vedoucí daného oddělení, ne dodavatel.

Až první úloha běží a má čísla, vezměte druhou. Firmy, které začaly deseti projekty naráz, obvykle nedokončily ani jeden.

Kdo to má ve firmě na starosti

Otázka, která rozhodne o výsledku víc než výběr nástroje, a přitom se na ni obvykle přijde až v půlce projektu. Nejhorší varianta je nikdo. AI se ve firmě rozjede zdola, každé oddělení si najde vlastní nástroj, nikdo neví, kde končí data, a když se něco pokazí, není za kým jít. Druhá nejhorší varianta je IT oddělení, které dostane úkol „zavést AI“ a nikdo z byznysu mu neřekne, na co.

Co funguje, je dvojice. Někdo z provozu, kdo tomu procesu opravdu rozumí a má pravomoc ho změnit. A někdo technický, kdo umí nástroj napojit a udržovat. Ta první role bývá důležitější a hůř se shání, protože „rozumí procesu“ a „smí ho změnit“ se ve firmách často nepotkávají v jedné osobě. K tomu patří tři nudné věci, které stojí jedno odpoledne a ušetří spoustu problémů. Napsaná pravidla, co se do AI nástrojů smí vkládat a co ne, konkrétně a s příklady. Seznam schválených nástrojů, aby si lidé nemuseli hledat vlastní. A jedno místo, kam se hlásí, když nástroj vyplodí nesmysl, protože bez zpětné vazby se o problémech dozvíte od zákazníka.

Školení dělejte na vaší práci, ne obecně. Hodina, ve které lidé zkoušejí nástroj na svých vlastních e-mailech a svých vlastních dokumentech, funguje mnohem líp než odpoledne o tom, jak funguje jazykový model.

Jak poznat dobrého dodavatele

Nabídek chodí do firem hodně a znějí podobně. Pár otázek, které rychle roztřídí, s kým mluvíte. Zeptejte se, co ten nástroj neumí. Dodavatel, který na tuhle otázku odpoví konkrétně a bez rozpaků, tu věc provozuje. Dodavatel, který začne mluvit o tom, jak se to pořád vyvíjí, ji prodává.

Zeptejte se na úspěšnost u podobného zákazníka a na to, co se stalo, když systém selhal. Chcete slyšet čísla a popis chyby. Jméno spokojené firmy vám neřekne nic. Zeptejte se, kde běží model a kdo vidí vaše data. Odpověď má být konkrétní, včetně země a včetně toho, jestli se data používají k trénování. Když dodavatel odpoví, že je to bezpečné, není to odpověď.

Zeptejte se, co se stane, když s ním za dva roky skončíte. Kdo vlastní data, v jakém formátu je dostanete a co z toho, co se postavilo, vám zůstane.

A poslední otázka, kterou lidé nekladou: kdo to bude udržovat a kolik to stojí ročně. Nabídka bez téhle položky je neúplná, ne levná.

Rizika, která nemají s technologií nic společného

Nejčastější škoda z AI ve firmě nevzniká tím, že se model splete. Vzniká tím, že zaměstnanec vloží do bezplatné služby dokument, který tam neměl dávat. Firma o tom obvykle neví, protože takové používání nikde neeviduje. Anglicky se tomu říká shadow AI a řeší se to hlavně tak, že firma dá lidem schválený nástroj dřív, než si najdou vlastní. Základní pravidla bezpečné práce jsem sepsal v článku Bezpečnost při práci s AI. Druhé riziko je závislost na jednom dodavateli. Když celý proces postavíte na jedné službě, jste vystavení jejímu ceníku i jejím rozhodnutím o tom, které modely zruší.

Třetí je odpovědnost. Za výstup ručí firma, ne dodavatel modelu a ne autor promptu. Než AI začne psát zákazníkům, musí být jasné, kdo to podepisuje.

A čtvrté riziko jsou lidé. Projekt, který se ve firmě představí slovy o úspoře nákladů, si zajistí tichý odpor všech, kterých se týká. Projekty, které jsem viděl uspět, se představovaly jinak: tuhle otravnou práci vám vezmeme.

Na co si dát pozor

Než cokoliv podepíšete, přečtěte si v podmínkách dodavatele, co dělá s vašimi daty a jestli je používá k trénování. U firemních tarifů to bývá jinak než u bezplatných verzí a rozdíl je podstatný. Nekupujte řešení dřív, než popíšete proces. Když dodavatel na první schůzce mluví o produktu a ne o vaší práci, prodává, neradí.

Ptejte se na čísla z jiných nasazení. Reference typu „zákazníci jsou spokojení“ nechte plavat a chtějte vědět, jak často systém uspěl a co se dělo, když ne. Kdo tahle čísla nemá, tu věc neprovozuje.

Nepouštějte se do agentů, když ještě nemáte za sebou obyčejnou automatizaci. Rozdíl mezi nimi a to, proč většina agentních pilotů skončí v šuplíku, rozebírám v průvodci AI agenti a automatizace. A dejte si pozor na skryté náklady kontroly. Nástroj, který ušetří hodinu psaní a přidá hodinu ověřování, nešetří nic.

Osmnáct procent není zaostávání

Ta čísla z ČSÚ se dají číst dvěma způsoby. Buď jako varování, že čtyři pětiny českých firem něco zaspaly. Nebo jako informaci, že většina zatím nenašla úlohu, u které by se to vyplatilo. Přikláním se k druhému čtení. Firmy, kterým AI dnes reálně vydělává, obvykle nezačaly velkou vizí. Začaly u faktur, u návrhů odpovědí nebo u přepisu porad. U práce, kterou nikdo nechce dělat a jejíž výsledek se dá zkontrolovat za deset vteřin.

Ten šéf výroby z úvodu se k projektu vrátil, nejdřív ale strávil čtvrt roku tím, že si ve třech systémech udělal pořádek v číslech reklamací. Vyhodnocování mu teď běží a stálo zlomek toho prvního pokusu. Nudná část, jak sám říká, byla ta důležitá.