AI piloty: proč většina nepřinese výsledek a co s tím

Skoro každá firma dnes „něco s AI“ dělá. Podle McKinsey už 88 % organizací používá AI aspoň v jedné funkci. Jenže adopce a výsledek nejsou totéž — a přesně tady se láme chleba. V praxi vidíme, že rozdíl mezi pilotem, který skončí v prezentaci, a nasazením, které šetří peníze, není o modelu. Je o procesu kolem něj.

Kolik pilotů opravdu selhává (a proč to není o modelu)

Nejtvrdší číslo přinesla studie MIT NANDA State of AI in Business 2025: 95 % podnikových GenAI pilotů nemá měřitelný dopad na P&L. Jen zhruba 5 % dokáže reálně zrychlit tržby. Studie stojí na 150 rozhovorech s lídry, 350 dotaznících a analýze 300 veřejných nasazení — není to anekdota.

Zajímavé je zdůvodnění. MIT nemluví o slabých modelech, ale o „learning gap“ — generické nástroje typu ChatGPT se neučí kontext firmy, nepamatují si její procesy a nezapadají do workflow. Model umí odpovídat, ale neumí převzít konkrétní úkol od začátku do konce. Gartner k tomu přidává predikci, že nejméně 30 % GenAI projektů skončí po proof of concept — kvůli špatné kvalitě dat, chybějícím kontrolám, rostoucím nákladům a nejasné hodnotě.

Co s tím: ber pilot jako test celého řetězce — data, integrace, validace, měření — ne jako test, jestli model umí hezky psát. To umí dávno.

Adopce není totéž co dopad na zisk

McKinsey přesně kvantifikuje tu propast. AI používá 88 % firem, ale dopad na EBIT na úrovni celé firmy hlásí jen 39 %. Za „významnou“ hodnotu z AI se hlásí jen zhruba 6 % respondentů — to jsou tzv. high performers. Většina organizací zatím vůbec nezačala AI škálovat napříč firmou.

Podobný obrázek dává BCG ve zprávě AI at Work 2025: jen 13 % firem má AI agenty reálně zapojené do workflow, zatímco 56 % je používá jen experimentálně nebo v pilotu. Adopce zaměstnanců navíc narazila na strop — pravidelně AI používá jen kolem poloviny lidí v první linii.

Co s tím: „používáme AI“ není cíl. Cílem je konkrétní metrika — méně hodin na proces, nižší náklady na externí dodavatele, kratší doba zpracování. Když ji nedokážeš pojmenovat před startem, po startu ji nezměříš.

Co odlišuje těch pár procent, které fungují

Napříč všemi třemi zdroji se opakuje jeden faktor: redesign procesu, ne jeho automatizace tak, jak je. McKinsey uvádí, že přepracování workflow koreluje s dopadem na EBIT nejsilněji — high performers procesy nedigitalizují, přemýšlejí je od nuly a AI do nich zabudují, místo aby ji nalepili na starý postup.

Druhý faktor je nákup vs. vlastní vývoj. MIT zjistilo, že nasazení přes specializovaného dodavatele a partnerství uspěje zhruba v 67 % případů, zatímco čistě interní vývoj jen ve třetině. Nejde o to nestavět vlastní — jde o to nezačínat od nuly tam, kde existující řešení dovede tým rychleji k prvnímu reálnému výsledku.

Třetí faktor je trpělivost s rozsahem. BCG upozorňuje, že hodnotu čerpají firmy, které kromě nasazení nástroje investují i do lidí — do tréninku, řízení změny a nových rolí. Bez toho zůstane pilot ostrůvkem, který po odchodu nadšeného kolegy zase zarůstá.

Co s tím: vyber jednu bolest, přepracuj kolem ní proces a k prvnímu nasazení jdi s partnerem, který podobné řešení už postavil. Šířku přidávej až po prvním měřitelném úspěchu.

Data, validace a měřitelný cíl: co musí být hotové před spuštěním

Tady je konkrétní minimum, které v praxi rozhoduje, jestli pilot přežije:

• Data. Gartner i další zprávy ukazují špatnou kvalitu dat jako první příčinu úmrtí projektu. Než pustíš AI na firemní dokumenty, musí být dohledatelné, aktuální a čisté. Jinak model odpovídá sebejistě a špatně.
• Validace výstupů. U kritických úkolů potřebuješ mechanismus kontroly — člověk ve smyčce, pravidla, křížová kontrola proti zdroji. Bez toho jedna sebejistá halucinace zabije důvěru celého týmu.
• Měřitelný cíl. Definuj baseline před startem (kolik to stojí a trvá dnes) a jedno číslo, které chceš pohnout. „Zefektivnit“ není metrika.
• Integrace a vlastník. Nástroj mimo systémy, kde lidé reálně pracují, nikdo nepoužije. A projekt bez konkrétního majitele uvnitř firmy se rozplyne.

Když stavíme řešení pro klienty, tenhle seznam řešíme dřív než volbu modelu. Model se dá vyměnit za víkend; špinavá data a chybějící cíl potopí projekt na měsíce.

Kde hledat první reálné ROI (tip: ne v marketingu)

MIT našlo konkrétní past v alokaci rozpočtů: přes polovinu GenAI investic míří do sales a marketingu, ale největší návratnost je v back-office — automatizace opakované administrativy, snížení nákladů na outsourcing, zkrácení zpracování dokumentů a dotazů. Jsou to méně viditelné, ale měřitelnější procesy: mají jasný objem, jasný čas a jasnou cenu.

Praktický test, který používáme: dokážeš proces popsat jako „X-krát měsíčně někdo dělá Y a trvá to Z hodin“? Pokud ano, máš kandidáta na pilot s měřitelným výsledkem. Pokud proces neumíš popsat čísly, AI ti to číslo nedodá — jen zamlží, kde hodnota vznikla.

Co s tím: první pilot postav tam, kde existuje opakovaný proces s tvrdým číslem — ne tam, kde bude AI nejvíc vidět na poradě.

Shrnutí

Data z MIT, McKinsey, Gartneru i BCG říkají totéž z různých úhlů: firmy AI mají, ale hodnotu z ní čerpá menšina. Rozdíl nedělá lepší model, ale čtyři věci — čistá data, validace výstupů, redesign procesu a jeden měřitelný cíl. „Nasadit ChatGPT“ je začátek, ne řešení.

V DIGITAL WOLF stavíme AI řešení a automatizace přesně takhle: začínáme jedním procesem s tvrdým číslem, vyřešíme data a validaci a nasazujeme tam, kde lidé reálně pracují. Pokud zvažuješ první AI projekt — nebo restartuješ pilot, který se zasekl — ozvi se nám a projdeme, kde má u vás AI nejrychlejší návratnost.