AI piloty: prečo väčšina neprinesie výsledok a čo s tým

Skoro každá firma dnes „niečo s AI” robí. Podľa McKinsey už 88 % organizácií používa AI aspoň v jednej funkcii. Lenže adopcia a výsledok nie sú to isté — a presne tu sa láme chlieb. V praxi vidíme, že rozdiel medzi pilotom, ktorý skončí v prezentácii, a nasadením, ktoré šetrí peniaze, nie je o modeli. Je o procese okolo neho.

Koľko pilotov naozaj zlyháva (a prečo to nie je o modeli)

Najtvrdšie číslo priniesla štúdia MIT NANDA State of AI in Business 2025: 95 % podnikových GenAI pilotov nemá merateľný dopad na P&L. Len zhruba 5 % dokáže reálne zrýchliť tržby. Štúdia stojí na 150 rozhovoroch s lídrami, 350 dotazníkoch a analýze 300 verejných nasadení — nie je to anekdota.

Zaujímavé je zdôvodnenie. MIT nehovorí o slabých modeloch, ale o „learning gap” — generické nástroje typu ChatGPT sa neučia kontext firmy, nepamätajú si jej procesy a nezapadajú do workflow. Model vie odpovedať, ale nevie prevziať konkrétnu úlohu od začiatku do konca. Gartner k tomu pridáva predikciu, že najmenej 30 % GenAI projektov skončí po proof of concept — pre zlú kvalitu dát, chýbajúce kontroly, rastúce náklady a nejasnú hodnotu.

Čo s tým: ber pilot ako test celého reťazca — dáta, integrácia, validácia, meranie — nie ako test, či model vie pekne písať. To vie už dávno.

Adopcia nie je to isté čo dopad na zisk

McKinsey presne kvantifikuje tú priepasť. AI používa 88 % firiem, ale dopad na EBIT na úrovni celej firmy hlási len 39 %. Za „významnú” hodnotu z AI sa hlási len zhruba 6 % respondentov — to sú tzv. high performers. Väčšina organizácií zatiaľ vôbec nezačala AI škálovať naprieč firmou.

Podobný obraz dáva BCG v správe AI at Work 2025: len 13 % firiem má AI agentov reálne zapojených do workflow, zatiaľ čo 56 % ich používa len experimentálne alebo v pilote. Adopcia zamestnancov navyše narazila na strop — pravidelne AI používa len okolo polovice ľudí v prvej línii.

Čo s tým: „používame AI” nie je cieľ. Cieľom je konkrétna metrika — menej hodín na proces, nižšie náklady na externých dodávateľov, kratší čas spracovania. Keď ju nedokážeš pomenovať pred štartom, po štarte ju nezmeriaš.

Čo odlišuje tých pár percent, ktoré fungujú

Naprieč všetkými troma zdrojmi sa opakuje jeden faktor: redizajn procesu, nie jeho automatizácia tak, ako je. McKinsey uvádza, že prepracovanie workflow koreluje s dopadom na EBIT najsilnejšie — high performers procesy nedigitalizujú, premýšľajú ich od nuly a AI do nich zabudujú, namiesto toho, aby ju nalepili na starý postup.

Druhý faktor je nákup vs. vlastný vývoj. MIT zistilo, že nasadenie cez špecializovaného dodávateľa a partnerstvo uspeje zhruba v 67 % prípadov, zatiaľ čo čisto interný vývoj len v tretine. Nejde o to nestavať vlastné — ide o to nezačínať od nuly tam, kde existujúce riešenie dovedie tím rýchlejšie k prvému reálnemu výsledku.

Tretí faktor je trpezlivosť s rozsahom. BCG upozorňuje, že hodnotu čerpajú firmy, ktoré okrem nasadenia nástroja investujú aj do ľudí — do tréningu, riadenia zmeny a nových rolí. Bez toho zostane pilot ostrovčekom, ktorý po odchode nadšeného kolegu zase zarastá.

Čo s tým: vyber jednu bolesť, prepracuj okolo nej proces a k prvému nasadeniu choď s partnerom, ktorý podobné riešenie už postavil. Šírku pridávaj až po prvom merateľnom úspechu.

Dáta, validácia a merateľný cieľ: čo musí byť hotové pred spustením

Tu je konkrétne minimum, ktoré v praxi rozhoduje, či pilot prežije:

• Dáta. Gartner aj ďalšie správy ukazujú zlú kvalitu dát ako prvú príčinu úmrtia projektu. Než pustíš AI na firemné dokumenty, musia byť dohľadateľné, aktuálne a čisté. Inak model odpovedá sebavedomo a zle.
• Validácia výstupov. Pri kritických úlohách potrebuješ mechanizmus kontroly — človek v slučke, pravidlá, krížová kontrola voči zdroju. Bez toho jedna sebavedomá halucinácia zabije dôveru celého tímu.
• Merateľný cieľ. Definuj baseline pred štartom (koľko to stojí a trvá dnes) a jedno číslo, ktoré chceš pohnúť. „Zefektívniť” nie je metrika.
• Integrácia a vlastník. Nástroj mimo systémov, kde ľudia reálne pracujú, nikto nepoužije. A projekt bez konkrétneho majiteľa vnútri firmy sa rozplynie.

Keď staviame riešenia pre klientov, tento zoznam riešime skôr než voľbu modelu. Model sa dá vymeniť za víkend; špinavé dáta a chýbajúci cieľ potopia projekt na mesiace.

Kde hľadať prvé reálne ROI (tip: nie v marketingu)

MIT našlo konkrétnu pascu v alokácii rozpočtov: cez polovicu GenAI investícií mieri do sales a marketingu, ale najväčšia návratnosť je v back-office — automatizácia opakovanej administratívy, zníženie nákladov na outsourcing, skrátenie spracovania dokumentov a dopytov. Sú to menej viditeľné, ale merateľnejšie procesy: majú jasný objem, jasný čas a jasnú cenu.

Praktický test, ktorý používame: dokážeš proces opísať ako „X-krát mesačne niekto robí Y a trvá to Z hodín”? Ak áno, máš kandidáta na pilot s merateľným výsledkom. Ak proces nevieš opísať číslami, AI ti to číslo nedodá — len zahmlí, kde hodnota vznikla.

Čo s tým: prvý pilot postav tam, kde existuje opakovaný proces s tvrdým číslom — nie tam, kde bude AI najviac vidieť na porade.

Zhrnutie

Dáta z MIT, McKinsey, Gartnera aj BCG hovoria to isté z rôznych uhlov: firmy AI majú, ale hodnotu z nej čerpá menšina. Rozdiel nerobí lepší model, ale štyri veci — čisté dáta, validácia výstupov, redizajn procesu a jeden merateľný cieľ. „Nasadiť ChatGPT” je začiatok, nie riešenie.

V DIGITAL WOLF staviame AI riešenia a automatizácie presne takto: začíname jedným procesom s tvrdým číslom, vyriešime dáta a validáciu a nasadzujeme tam, kde ľudia reálne pracujú. Ak zvažuješ prvý AI projekt — alebo reštartuješ pilot, ktorý sa zasekol — ozvi sa nám a prejdeme, kde má u vás AI najrýchlejšiu návratnosť.