Blog

Jak zavést AI do firemních procesů: postup v 10 krocích, který nezačíná nákupem nástroje

August 11, 2026Tereza NeuschlAI
Čtyři kolegové diskutují u stolu v kanceláři, dva sedí u notebooků a dva stojí nad nimi.

Internet i český LinkedIn se plní názory expertů na integraci AI do firemních procesů. Nevím, jak se stalo, že máme najednou tolik zkušených odborníků na něco, co se v téhle podobě používá pár let. Ale nevadí.

Sami s AI pracujeme od chvíle, kdy se dala použít v běžné práci. Prošli jsme kurzy, přečetli hromadu materiálů a pořád máme pocit, že se to mění rychleji, než to stíháme číst. Říkat si v téhle oblasti odborník mi proto přijde přehnané.

Co ale vidíme celkem jasně, je způsob, jakým se AI ve firmách zavádí. Máme to z první ruky.

Jak vypadá zavádění AI, když ho řídí Gemini

Na začátku letošního roku jsme ukončili spolupráci s klientem. Byl to fajn člověk, jen měl odlišnou představu o tom, co znamená zavést AI.

Zavedení AI si představoval jako tlak na dodavatele. Zadání se měnilo podle toho, co mu ten den odpovědělo Gemini. Data si posílal do AI sám, divoce a bez kontextu, a stavěl si nad nimi vlastní aplikace, protože aplikaci si dneska přece udělá každý.

Výsledkem byl chaos. Špatná interpretace dat na jeho straně a naše práce zacyklená v tom, že jsme porovnávali různé výstupy, ověřovali je proti realitě a vysvětlovali, proč se AI spletla. Jenže AI se většinou nespletla. Spletl se on, protože ji používal způsobem, který nemohl vést ke smysluplnému výsledku.

Velmi rychle jsme z dobře fungující spolupráce, která trvala roky, přešli do režimu, kdy jsme desítky hodin trávili neefektivním vysvětlováním, kde se který podklad vzal a na co to vlastně koukáme.

Rychle nám došlo, že už to není práce pro nás. A byla to nejdražší varianta zavádění AI, jakou jsem viděla u klienta. Firma zaplatila za nástroj i za dodavatele a dostala míň důvěry ve vlastní data, než měla předtím.

Zavedení AI je datová úloha, ne nákup nástroje

Prakticky všichni naši klienti dnes AI nějak řeší. My se nejčastěji potkáváme s tou částí, která má přímý dopad na naši práci: s převodem rigidních procesů, které stály roky času a spoustu peněz, do lehčí digitální podoby.

Nám je to blízké, protože je to v podstatě analytika. Abyste mohli data dobře analyzovat, musíte je mít pročištěná, rozumět jejich kontextu a mít v pořádku jmenné konvence. Teprve nad tím se dají stavět procesy a reporty, kterým jde věřit.

S AI je to stejné. Jaká data a podklady jí dáte, takové výstupy dostanete. Když do modelu pošlete data ze tří systémů, kde se jedna kampaň jmenuje pokaždé jinak, model si to nespojí. Buď je bude počítat jako tři kampaně, nebo je spojí špatně. V obou případech vám o tom neřekne.

Rozdíl oproti měření je v tom, že u čísel máte proti čemu je ověřit. Když vám GA4 ukazuje divné hodnoty, porovnáte je s fakturací, s CRM, s daty z reklamního účtu. AI vám na špatných podkladech vrátí plynulý a sebejistý text, který takhle ověřit nejde. Chybu v něm často najdete, až když je pozdě.

Blog Single Img Blog Single Img

Kde české firmy AI nasazují a kde ne

ČSÚ loni v říjnu zveřejnil data o využívání AI v podnicích. Alespoň jednu technologii AI používá 18 % českých firem s 10 a více zaměstnanci, průměr EU je 20 %. Zaostáváme mírně, žádné drama. A rosteme rychle: v roce 2023 to bylo 6 %, o rok později 11 %. Čísla za letošek ČSÚ zveřejní na podzim a nečekám, že by se ten trend zastavil.

Zajímavější je členění podle typu technologie. Generování textu a kódu používá 13 % českých firem proti 9 % v EU. Jsme nad průměrem. Pokročilou analýzu textu 7 % proti 12 %. Rozpoznávání řeči 4 % proti 7 %. Rozpoznávání obrazu 2 % proti 4 %. V tom, co text a obraz vyhodnocuje, jsme naopak pod evropským průměrem.

Stejně vypovídající je rozdělení podle oblastí použití, počítané jen z firem, které AI opravdu používají. Marketing, prodej a zákaznická podpora 59 % v Česku proti 35 % v EU. Výrobní a servisní procesy 18 % proti 21 %.

Přeloženo: jsme nadprůměrní v AI, která generuje, a podprůměrní v AI, která vyhodnocuje.

Neříkám, že je to špatně. Marketing je logický vstupní bod, dopad je vidět hned a chyba se dá zachytit dřív, než někam odejde. Sama v něm pracuju. Říkám jen, že když se v Česku řekne „zavádíme AI“, nejčastěji to znamená nástroj, který něco píše. A nástroj na psaní se nasazuje na člověka, ne na proces.

Proces je ta těžší část. A ta se odbýt nedá.

Dvě nejčastější chyby při zavádění AI

Přemýšlení klientů se za poslední rok posunulo. Málokdo už čeká, že AI udělá všechno sama. Pořád ale narážím na dva omyly, které klienty stojí víc, než se na první pohled zdá.

„Udělám si to sám a levně.“

Nástroje jsou dostupné, prototyp vznikne za odpoledne. Problém nastane ve chvíli, kdy z něj vypadne materiál, který vypadá hotově, ale není. Kolegové ho musí rozebrat a ověřit, a to může trvat déle, než kdyby to ten člověk rovnou udělal sám. Ušetříte v rozpočtu a utratíte v hodinách, které nikdo nefakturuje, protože jsou schované uvnitř firmy.

A pak je tu položka, kterou jsem zatím skoro nikde neviděla spočítanou: tokeny.

Nechat AI, ať si poradí sama, není levné. Je to jen jinak drahé. Když modelu nedáte strukturu a kontext, doplní si je odhadem. To znamená víc pokusů a delší výstupy. A každé další kolo s sebou standardně nese celou dosavadní konverzaci, takže neplatíte jen za odpověď, ale i za historii, na kterou ta odpověď navazuje. Krotit se to dá ukládáním kontextu do cache nebo tím, že historii ořežete. Musí to ale někdo udělat vědomě.

V předplaceném chatu za tokeny neplatíte přímo, narazíte ale dřív na limity. Jakmile něco pustíte do API, do automatizace nebo do agenta, který sám rozhoduje, kolikrát se pokusí, je to reálná položka v rozpočtu. A přijde na faktuře se zpožděním, v době, kdy už si nikdo nevzpomene, proč.

„Nejsme na to ready, tak zatím nic.“

Druhý extrém. Firma čeká na moment, kdy bude připravená. Ten nepřijde, protože data se sama neuklidí a procesy se samy nepopíší.

Mezi nimi vede celkem úzká cesta a nevede přes nákup licence.

Proč většina firem neví, jestli jim AI vydělává

Tohle mi z dat přijde nejzajímavější. Podle průzkumu Deloitte a České asociace umělé inteligence z dubna 2026 nemá 44 % ze 155 dotázaných českých firem žádný systematický způsob, jak sledovat využívání AI. Formální KPI a pravidelný monitoring má 7 %.

Ve stejném průzkumu ale 85 % firem uvádí, že jim AI zlepšila efektivitu a produktivitu. Vzorek je malý, takže bych ta čísla nebrala jako přesné měření trhu. Poměr mezi nimi ale odpovídá tomu, co vidím u klientů. Většina hlásí přínos, který nesleduje.

Je to stejná situace, jakou znám z analytiky. Firma má nasazené GA4, do reportu se dívá jednou za kvartál a stejně vám s jistotou řekne, že jí kampaně fungují.

Jak zavést AI do procesu: 10 kroků

Jak to děláme u nás? Máme jedno pravidlo. Nezavádíme AI do firmy, zavádíme ji do konkrétního procesu, který umíme popsat. Když ho popsat neumíme, je to první úkol a nemá s AI nic společného.

Naše zkušenost je nejsilnější v tom, co děláme: zákaznické cesty, digitální marketing a analytika. Samotný postup je ale obecný.

Nedávno jsem tímhle postupem prošla u nápočtu profitability zakázek a čerpání klientských objednávek. Vedlo mě k tomu tápání juniornějších lidí v týmu nad ručně vyráběnými tabulkami. Nikdy to nebyla velká ztráta, vždycky jen desítky minut na callu, kde jsme si vyjasňovali, co v které tabulce vlastně je. Jenže se to opakovalo každý měsíc a u tří lidí z toho byly hodiny neproduktivní práce, kterou jsme nikomu nevyfakturovali.

Postavila jsem funkční verzi, která propojuje data z Jiry, Togglu a klientských objednávek a reportuje čísla zvlášť pro tým a zvlášť pro klienta, každému v míře, kterou potřebuje vidět. S AI mi to zabralo tři hodiny.

Tři hodiny to byly proto, že jsem měla hotové kroky 1 až 5. Ten proces jsem dělala sama, věděla jsem, kde jsou data, a projekty se v Jiře a v Togglu jmenují stejně. Kdyby ne, strávila bych první dva dny slepováním názvů a k nápočtu bych se nedostala vůbec.

Tady je postup, který používáme.

  1. ‍Vyberte proces, který chcete změnit, ne ten, který zní dobře na LinkedInu. Dobrý kandidát: opakuje se alespoň jednou týdně, má jasný vstup a výstup, dělá ho víc lidí a každý trochu jinak, a když se v něm něco pokazí, firma nespadne. Typicky reporting, příprava podkladů, třídění poptávek, onboarding klienta. Ne strategie a už vůbec ne cenotvorba.‍
  2. Popište ho tak, jak opravdu běží. Ne tak, jak je ve směrnici. Sedněte si s tím, kdo ho dělá, a projděte ho s ním krok po kroku. Včetně kroků, které nejsou nikde napsané a dělají se „protože to jinak nefunguje“. Ty jsou obvykle nejdůležitější. Je to nejnudnější část celého postupu a zároveň ta, na které projekty nejčastěji umírají. Jen se to zjistí až za tři měsíce a svede se to na model.‍
  3. Najděte podklady a zjistěte, v jakém jsou stavu. Kde leží? Kdo je udržuje? Jak jsou pojmenované a nakolik aktuální? Když je odpověď „to má v hlavě Petr“ nebo „je to někde v mailech“, máte úkol, který je potřeba vyřešit dřív.‍
  4. Sjednoťte jmenné konvence a strukturu. Stejná disciplína jako u měření. Bez toho se budete dohadovat, která z odpovědí platí, a stejný spor poběží i uvnitř týmu.‍
  5. Změřte, jak to vypadá dnes. Kolik hodin to zabere, kolik kol připomínek, kolik chyb. Bez téhle baseline nezjistíte, jestli vám AI pomohla, nebo jen přesunula práci o dvě židle dál.‍
  6. Nejdřív člověk s AI, teprve potom automatizace. Nechte proces měsíc běžet tak, že AI dělá návrh a člověk ho schvaluje a opravuje. Uvidíte, kde se to láme, a získáte materiál na instrukce. Automatizovat rozbitý proces znamená jen rychleji vyrábět chyby.‍
  7. Určete vlastníka procesu. Není to IT. Vlastník je člověk, který tu práci dělá a odpovídá za její výsledek. IT pomůže s napojením, ale nemůže posoudit, jestli je výstup věcně správný. Když je vlastníkem „všichni“, není to nikdo.‍
  8. Nastavte si limity výdajů dřív, než něco spustíte. Výdaje za tokeny nemají strop, dokud si ho nenastavíte. A nastavit se dá. U jednoho člověka s chatem je to jedno. U procesu, který běží denně, nebo u agenta, který si počet pokusů řídí sám, to jedno není.‍
  9. Napište, co se smí a co ne. Která data smí ven, jaké nástroje jsou schválené, kdo výstup kontroluje, než odejde ke klientovi. Ke stejné disciplíně patří i to, na koho jsou vaše účty a nástroje vlastně založené. Globální studie KPMG a University of Melbourne se ptala přes 48 000 lidí ze 47 zemí. Ze zaměstnaných respondentů téměř polovina přiznává, že AI používá v rozporu s pravidly firmy, a 57 % říká, že své používání AI skrývá a výstupy vydává za vlastní. Plošný zákaz to nevyřeší, absence pravidel taky ne. Používat to budou tak jako tak, jde jen o to, jestli o tom budete vědět.‍
  10. Za měsíc to otevřete znovu. Porovnejte s baseline a zeptejte se na věc, na kterou se zapomíná: kam šel ušetřený čas? Když na to nikdo neumí odpovědět, úspora se rozpustila v drobných a nikde ji nenajdete.

Než ale nějaký proces automatizujete, stojí za to si říct, jestli má smysl ho automatizovat.

Co zvládnete sami a kdy se vyplatí někdo zvenčí

Pomoc zvenčí nepotřebujete se vším a rozhodně ne s nákupem licencí a psaním promptů. To zvládnete sami a nepřipadá mi, že by za to měl někdo brát peníze.

Dává to smysl u napojení na víc systémů, u nastavení měření dopadu a u právního rámce kolem osobních údajů. A pak v jedné situaci, kterou zevnitř pokrýt nejde: když potřebujete, aby vám proces zmapoval někdo, kdo v něm nepracuje. Co děláte den co den, to už často ani nevidíte.

Má ale smysl průběžně se vzdělávat, dívat se na příklady z praxe a hlavně zkoušet. Já sama jsem se toho nejvíc naučila zkoušením a tím, že jsem zvídavá.

Místo „Jsme připravení na AI?“ se ptejte jinak

„Jsme připravení na AI?“ je špatná otázka. Připravenost se nedá koupit a nedá se jí ani dočkat.

Až vám příště bude někdo vysvětlovat, jak zavést AI do firmy, položte mu jednu otázku: „Jak vypadá můj proces dnes?“ Když na to neumí odpovědět, nezavádí vám AI. Prodává vám nástroj.

A jestli na to neumíte odpovědět vy, máte první úkol. Není v něm žádná AI a to je na tom nejlepší. Můžete ho začít dělat dneska odpoledne, bez rozpočtu a bez jediné licence.

Zdroje