Paradox z českých firem: cítíme to, neměříme to
Představte si, že máte doma spotřebič, o kterém jste přesvědčeni, že vám šetří peníze. Jenom nevíte kolik. Nevíte, zda se jeho nákup vyplatil. A kdyby se vás partner zeptal, jestli stál za ty peníze, jen pokrčíte rameny. Zhruba takhle dnes vypadá vztah většiny českých firem k jejich AI projektům.
Průzkum společnosti Deloitte a České asociace umělé inteligence z dubna 2026, do kterého se zapojilo 155 firem napříč ekonomikou, přinesl několik čísel, která stojí za to si přečíst dvakrát. 85 % firem potvrzuje, že jim AI pomáhá v efektivitě a produktivitě. 64 % hlásí lepší rozhodování a práci s daty. A teď se dostáváme k jádru problému. 44 % firem přiznává, že využití AI nijak systematicky nesleduje. Jen 7 % má zavedená formální KPI kritéria a pravidelný monitoring.
Julie Slavík, manažerka týmu Strategy a expertka na technologickou inovaci v Deloitte, to v průzkumu komentovala trefně: „85 % firem vnímá přínos AI v efektivitě, ale jen zlomek z nich tento dopad systematicky měří. Bez jasných dat je pak těžké zjistit, co skutečně funguje, a přenést to i do dalších částí firmy.”
Co s tím? Nejdřív je potřeba pochopit, proč se to vlastně děje.
Proč se ROI u AI tak špatně vykazuje
Důvodů je několik a žádný z nich není triviální.
AI projekty se často spouštějí jako experimenty. Tým dostane prostor zkusit, jestli to funguje, a tlak na obchodní metriky přichází až ve chvíli, kdy má jít do provozu. Jenže to už je pozdě. Bez baseline, tedy počátečního měření, které jste si nastavili před startem projektu, nemáte s čím srovnávat. Kolik hodin měsíčně trvaly dřív procesy, které dnes dělá AI asistent? Kolik chyb se stávalo v reportech, než je začal kontrolovat model? Většinou to nikdo nezměřil.
Druhý problém je roztříštěnost. V jedné firmě běží Copilot pro nákupčí, vlastní interní chatbot pro HR, GPT asistent v marketingu a automatizovaný workflow v účetnictví. Každá iniciativa má jiný rozpočet, jiný tým, jiné metriky. A nikdo nesleduje, jaký je celkový dopad na firmu.
A pak je tu skrytá hodnota. Když AI asistent ušetří seniornímu manažerovi dvě hodiny týdně, neprojeví se to ve mzdových nákladech. Ten manažer nezmizí. Jenom má víc prostoru na věci, které dřív neměl čas dělat. Takzvaná reclaimed capacity, tedy uvolněná kapacita pro vyšší typy práce, je reálná. Jenže když se firma podívá do účetnictví, nevidí ji. Mnoho firem tuhle hodnotu prostě ignoruje, protože nemá, jak ji zachytit.
V praxi je tu ještě jeden faktor. AI projekty často zadávají IT a provozní týmy. Finanční oddělení přichází ke stolu až ve chvíli, kdy se projekt prodlužuje nebo něco překročí rozpočet. A tehdy je na jakoukoliv sofistikovanou debatu o ROI pozdě.
Co se vlastně dá měřit
Tady je užitečné si udělat pořádek. Měření AI projektů se dá rozdělit do tří vrstev, které se navzájem doplňují.
Tvrdé finanční metriky jsou to, co chce vidět každý CFO. Úspora mzdových nákladů, pokud AI nahradí konkrétní pracovní kapacitu. Snížení chybovosti, která dřív stála peníze na reklamacích nebo opravách. Zkrácení doby vyřízení zakázky, které se projeví v cash flow. Redukce nákladů na call centrum, pokud AI chatbot převezme část dotazů. Tyhle metriky se měří dobře, ale zachycují jen část reality.
Provozní metriky jsou druhou vrstvou. Průměrná doba zpracování jednoho případu. Počet zpracovaných dotazů bez eskalace. Procento požadavků, které AI vyřídí bez lidského zásahu. Čas, který tým věnoval dřív rutinním úkonům a dnes strategické práci. Tyhle metriky lidé ve firmě vidí okamžitě a věří jim. Fungují jako předstihové indikátory, díky kterým o problému víte dřív, než se projeví v rozpočtu.
Metriky adopce a důvěry jsou třetí vrstvou, kterou většina firem úplně přeskakuje. Kolik procent zaměstnanců AI nástroj skutečně používá? Jak často? Dokážou mu věřit natolik, aby jeho výstupy použili bez kontroly? Protože pokud AI nástroj nikdo nepoužívá, jeho technické parametry jsou irelevantní. Průzkum Deloitte a ČAUI ostatně ukázal, že nedůvěra ve výstupy AI je jednou z hlavních bariér adopce v českých firmách.
Dobrý rámec pro měření kombinuje všechny tři vrstvy. Finanční metriky obhájí projekt před boardem. Provozní metriky řídí každodenní fungování. Adopce a důvěra rozhodují o tom, jestli projekt vůbec dlouhodobě přežije.
Rámec pro měření ve čtyřech krocích
Jak takové měření nastavit, aby projekt neskončil mezi 44 % firem, které AI vůbec neměří?
Krok první: definovat baseline ještě před startem. Než se napíše první řádek kódu, je třeba si sednout s provozním týmem a sepsat, jak dnes vypadají hlavní metriky bez AI. Kolik hodin, kolik chyb, kolik peněz. Bez tohoto čísla nikdy nebudete vědět, jestli AI něco změnila. A ano, baseline někdy chybí i pro věci, které si myslíme, že dobře známe. Vezměme si typickou situaci z praxe. Firma chce nasadit AI pro automatické zpracování faktur a zjistí, že vlastně neví, kolik času to celkem v účetním oddělení dnes zabere. Různí lidé mají různé odhady, skutečnost nikdo neměřil.
Krok druhý: vybrat tři až pět hlavních metrik, ne dvacet. Omyl mnoha firem je, že se snaží měřit všechno. Výsledkem je dashboard, na který se nikdo nedívá. Lepší je vybrat jednu finanční metriku, dvě provozní a jednu metriku adopce. S tím se dá pracovat. Na tom se dá stavět.
Krok třetí: nastavit krátké cykly vyhodnocení. Měsíční reporty jsou pro rychlý vývoj AI projektů málo. Zkuste přejít na dvoutýdenní kontrolní body. Vidíte trendy dřív, můžete reagovat rychleji, tým si zvykne na rytmus. Také máte větší šanci včas zachytit, že model přestává fungovat, protože se změnila vstupní data. Tenhle jev, kdy se výsledky AI zhoršují, aniž by se cokoliv změnilo v kódu, je u AI projektů běžnější než u klasického softwaru.
Krok čtvrtý: propojit metriky s rozhodováním. Poslední krok, který se nejčastěji přeskakuje. Není důležité metriky sbírat, ale používat je. Kdo reaguje, když metrika klesne? Kdo eskaluje, když roste cena za token? Kdo říká“stop”, pokud adopce zůstane pod 30 %? Bez jasného vlastnictví se i ta nejlepší metrika změní v tabulku, kterou nikdo neotevře.
Kde české firmy typicky uvíznou mezi PoC a produkcí
Proof of concept, tedy ověřovací pilot, funguje. Model dává hezké výsledky na testovacím datasetu. Demo prezentaci na boardu ocení všichni. A pak začíná ten skutečně těžký úsek cesty.
Data v produkci vypadají jinak než v pilotu. V pilotu jste pracovali s čistým, vybraným vzorkem. V produkci přicházejí data, jaká opravdu chodí z různých systémů, v různých formátech, s chybami, s prázdnými poli. Model, který v pilotu dával 92 % přesnost, najednou dává 74 %.
Integrace do existujících systémů je druhý kámen úrazu. Napojit AI model na SAP, Dynamics 365 nebo interní legacy aplikaci není totéž, jako ho spustit v testovacím prostředí. Často se ukáže, že data, která model potřebuje, jsou rozprostřená ve čtyřech systémech a nikdo nemá mandát je propojit. Tady ostatně vstupuje do hry i Model Context Protocol (MCP), o kterém jsme psali minule. Bez něj nebo něčeho podobného AI agent nikdy nedosáhne na firemní data způsobem, který dává smysl.
Governance a bezpečnost jsou třetí překážkou. V pilotu si můžete dovolit experimentovat. V produkci potřebujete logovat, kdo co zadal, co model odpověděl, jak s odpovědí naložil. Potřebujete umět říct, jestli model neexportoval někam osobní údaje. Potřebujete mít plán, co dělat, když model začne dávat špatné odpovědi. Většina pilotů tohle nemá vyřešené, a ve chvíli, kdy je řeší, projekt se zpomalí o tři měsíce.
A poslední věc zabíjí víc projektů, než bychom rádi přiznali. Nikdo se nestará o to, co bude s aplikací za rok. Model se nasadí, slavnostně se stříhá páska a tým jde na další zakázku. Za čtyři měsíce se zhoršuje přesnost a nikdo neví proč. Za osm měsíců lidi přestanou nástroj používat a někdo si toho všimne až při ročním vyhodnocení.
Průzkum Deloitte a ČAUI mimochodem ukázal, že Česko je v převodu pilotů do produkce mírně nad globálním průměrem. 30 % firem u nás převedlo do ostrého provozu alespoň 40 % svých AI pilotů, globálně je to 25 %. Není to špatný výsledek. Zbývající 70 % českých firem se ale stále nachází v situaci, kdy většina jejich AI experimentů skončila v šuplíku nebo někde v půli cesty.
Co očekávat od dodavatele, aby projekt skončil v produkci, ne v šuplíku
Pokud zvažujete externího partnera pro AI zakázku, vyplatí se s ním už na začátku probrat několik otázek.
Jak budeme měřit úspěch? Pokud odpověď zní „uvidíme podle zadání”, hledejte jinde. Dobrý dodavatel s vámi baseline řeší dřív, než spustí vývoj. Ví, že bez toho nebude mít čím obhájit výsledek.
Jak řešíte přechod z pilotu do produkce? Tady se pozná zkušenost. Protože to není samostatná fáze na konci, ale rozhodnutí, která se dělají od prvního dne. Jak vybíráte trénovací data. Jak navrhujete architekturu. Jak píšete testy.
Kdo se stará o řešení po nasazení? Tohle je otázka, která nejčastěji vytřídí dodavatele na dvě skupiny. Jedni řeknou, že dodávka končí jejím převzetím. Druzí mají návrh, jak se model bude monitorovat, jak se bude aktualizovat, kdo bude reagovat, když se něco pokazí. Druhá skupina je to, co chcete. AI projekt bez následného supportu je jako auto bez servisní knížky. Bude chvíli jezdit, ale nevydrží.
Naše zkušenost v eManu ukazuje jednu věc. Rozdíl mezi vydařeným a neúspěšným AI projektem se ukáže až několik měsíců po nasazení. Proto u zakázek nepokládáme dodávku za uzavřenou v okamžiku produkčního startu, ale pokračujeme dál se supportem, měřením a optimalizací. Bez toho i slibné řešení rychle ztrácí smysl.
Jak z paradoxu ven
Vraťme se k číslům z úvodu. 85 % firem vidí přínos AI. 7 % ho měří. Těch 78 procentních bodů mezi je prostor, na kterém se v nejbližších letech rozhodne, kdo z AI dostane skutečnou konkurenční výhodu, a kdo jen utratil rozpočet.
Měření samo o sobě žádné peníze nevydělá. Umožní ale odpovědět na otázky, které dnes nikdo ve firmě spolehlivě zodpovědět neumí. Kde AI funguje? Kam ji rozšiřovat? Co je potřeba zastavit? Bez dat jsou to hádanky. S daty jsou to rozhodnutí.
Firmy, které si to uvědomí teď, budou mít v roce 2027 výrazný náskok. Budou vědět, které AI zakázky jim přinesly hodnotu, a budou je umět škálovat. Zbytek bude pokračovat v režimu“funguje to, asi”, dokud jim finanční ředitel nevysvětlí, že takhle dál ne.
Často kladené otázky (FAQ)
Jak se pozná, že AI projekt má reálný přínos?
Jediný spolehlivý způsob je mít baseline z doby před nasazením a pravidelně ji porovnávat s aktuálními daty. Bez počátečního měření zůstávají přínosy AI jen na úrovni dojmu.
Které metriky sledovat u AI projektu jako první?
Začněte s jednou finanční metrikou, dvěma provozními a jednou metrikou adopce. Čtyři až pět metrik je lepší než dvacet. S méně metrikami se snáz pracuje, víc jich naopak skončí v nečteném reportu.
Proč AI projekt úspěšný v pilotu selže v produkci?
Tři nejčastější důvody: produkční data jsou jiná než pilotní, integrace do existujících systémů je složitější a chybí governance, tedy pravidla, jak model monitorovat a reagovat na jeho chyby.
Jak obhájit AI investici před CFO, když přínos je zčásti skrytý?
Kombinujte tvrdé metriky (ušetřené náklady, zkrácení cash flow cyklu) s měkkými (reclaimed capacity, tedy uvolněná kapacita seniorních lidí). Potřebujete obě skupiny pojmenované a měřené.
Jaký je rozdíl v úspěšnosti AI projektů mezi českými a globálními firmami?
V převodu pilotů do produkce je Česko mírně nad globálním průměrem (30 % vs. 25 %). V hluboké transformaci byznys modelů je ale pozadu (20 % vs. 34 % globálně).
Co od dodavatele AI projektu požadovat, aby neskončil v šuplíku?
Jasnou představu, jak budete měřit úspěch ještě před startem vývoje. Konkrétní plán pro přechod z pilotu do produkce. A model dalšího supportu, který zahrnuje sledování modelu i po nasazení.
