Domain-specific AI: prečo firemný kontext prebíja najnovší model

Keď s klientmi riešime AI, prvá otázka býva „aký model použijeme”. Je to však zlá prvá otázka. Najnovší model s najlepším skóre v benchmarku vám sám osebe nevyrieši, že nepozná vaše cenníky, interné postupy, históriu zákazníkov ani to, ako sa vo vašom odbore reálne hovorí. V praxi vidíme, že o úspechu nasadenia nerozhoduje voľba medzi dvoma špičkovými modelmi, ale to, ako dobre model napojíte na firemný kontext. A tento posun teraz potvrdzuje aj Gartner.

Prečo generický model naráža na firemnú realitu

Najlepšia ilustrácia nie je marketingový slide, ale tvrdé dáta z nasadení. Report MIT z projektu NANDA The GenAI Divide: State of AI in Business 2025 zistil, že približne 95 % firemných pilotov generatívnej AI neprinieslo merateľný dopad na hospodársky výsledok. Kľúčová veta z reportu nehovorí o kvalite modelu — hovorí o tom, že generické nástroje vo firemnej prevádzke zlyhávajú, pretože sa neučia a neprispôsobujú firemným workflow.

Druhý problém je dôveryhodnosť. Generický model bez prístupu k vašim dátam si domýšľa. Enterprise benchmarky naprieč komerčnými LLM vykazujú mieru halucinácií zhruba 15 až 52 % podľa úlohy a domény. Nie je to chyba modelu — model jednoducho nemá odkiaľ vziať fakt, ktorý nikdy nevidel. Vo chvíli, keď AI odpovedá zákazníkovi na cenník alebo reklamáciu, je aj 15 % vymyslených odpovedí neúnosných.

Čo Gartner reálne predpovedá

Trend smerom k špecializácii nie je názor, sú to čísla. Gartner predpovedá, že do roku 2027 budú organizácie používať malé, úlohovo zamerané modely približne trikrát viac než univerzálne veľké LLM. Analytik Sumit Agarwal to zhŕňa jasne: rozmanitosť úloh vo firemných procesoch a potreba vyššej presnosti tlačia firmy k špecializovaným modelom, dotrénovaným na konkrétne funkcie alebo doménové dáta.

Ekonomika toho posunu dáva zmysel. Podľa Gartneru ponúkajú domain-specific jazykové modely (DSLM) až o 50 % nižšie náklady na vývoj, rýchlejšie nasadenie a vyššiu spoľahlivosť v biznisovo kritických procesoch než univerzálne LLM. Pri vysokoobjemových, opakovaných úlohách navyše malé modely dokážu znížiť náklady na inferenciu až o 90 % pri takmer okamžitej odozve. A nie je to okrajová nika: Gartner odhaduje, že trh DSLM a aplikácií na nich postavených dosiahne v roku 2035 zhruba 131 miliárd dolárov. Pointa: menší, ale správne napojený model často porazí väčší generický — na presnosti, cene aj rýchlosti.

RAG, fine-tuning a domain-specific modely: čo si vybrať

Napojiť model na kontext sa dá troma cestami a v praxi ich väčšinou kombinujeme.

RAG (retrieval-augmented generation) dáva modelu vaše dáta v okamihu dotazu — z dokumentov, databáz alebo znalostnej bázy si vytiahne relevantnú pasáž a na jej základe odpovie. Podľa IBM je RAG vhodný tam, kde sa znalosť často mení a chcete ju mať externe a aktualizovateľnú. Býva to najrýchlejšia cesta k výsledku a zásadne znižuje halucinácie, pretože odpoveď je „uzemnená” vo vašom zdroji.

Fine-tuning naopak upravuje samotné parametre modelu. Nehodí sa na fakty, ktoré sa menia, ale na to, aby si model osvojil vašu terminológiu, tón a vzorce uvažovania vo vašom odbore — právnické, zdravotnícke alebo strojárske formulácie, ktoré generický model netrafí.

Domain-specific / malé jazykové modely sú potom výsledkom tejto logiky dotiahnutej do konca: model postavený alebo dotrénovaný priamo pre váš odbor a úlohu, ktorý beží lacnejšie a predvídateľnejšie.

V praxi radíme začať RAG-om — je najlacnejší, najrýchlejšie ukáže hodnotu a odhalí, ako ľudia nástroj reálne používajú. Fine-tuning alebo vlastný menší model prichádza až pri úlohách s najvyššou hodnotou, kde sa investícia vráti. Zriedka ide o „buď–alebo”; najlepšie výsledky dáva hybrid.

Koľko to reálne stojí a kde sú skryté náklady

Tu býva najväčšie nedorozumenie. Klienti očakávajú, že hlavnou položkou bude „ten model”. Realita je iná. Podľa prehľadu nákladov na enterprise RAG za rok 2026 nie je najväčším nákladovým driverom LLM, ale vrstva riadenia prístupov, integrácie a compliance — role, oprávnenia (RBAC), napojenie na SSO, logovanie a ingest z viacerých zdrojov. Jednoduché nasadenie sa pohybuje rádovo v desiatkach tisíc dolárov, plne on-premise riešenie s integráciou výrazne vyššie. Model je z toho často tá najlacnejšia súčasť.

Preto je samotný výber modelu z hľadiska rozpočtu takmer detail. Peniaze aj riziko sú v dátach: v ich kvalite, prístupových právach a bezpečnosti. Nie náhodou 73 % firiem uvádza bezpečnosť dát ako hlavnú bariéru v adopcii AI. A ak dáta nie sú v poriadku, nepomôže ani sebelepší model — projekt spadne skôr, než sa rozbehne.

Čo s tým konkrétne urobiť

Pre firmu, ktorá z AI chce návratnosť, nie demo, to znamená obrátiť poradie krokov:

• Nezačínajte modelom, začnite úlohou a dátami. Vyberte jeden konkrétny, opakovaný proces s jasným výsledkom (napr. odpovede podpory z vašej dokumentácie) a zistite, či sú k nemu dáta dostupné a čisté.
• Najprv RAG, uzemnite odpovede vo svojich zdrojoch. Získate rýchlu hodnotu, nižšie halucinácie a dáta o reálnom používaní ešte predtým, než investujete do fine-tuningu.
• Riešte prístupové práva a bezpečnosť od začiatku, nie ako dodatok. Je to najväčšia nákladová aj riziková položka.
• Model voľte podľa úlohy, nie podľa rebríčka. Pri vysokoobjemových úlohách počítajte s menším špecializovaným modelom — býva lacnejší, rýchlejší a spoľahlivejší.

Zhrnutie

Najnovší model je čoraz menej tým, čo odlišuje úspešné nasadenie od drahého pilotu. Rozhoduje kontext — vaše dáta, procesy a terminológia — a schopnosť model na ne bezpečne napojiť. Dáta z MIT aj predikcie Gartneru mieria rovnakým smerom: budúcnosť firemnej AI patrí špecializovaným, uzemneným riešeniam, nie najväčšiemu univerzálnemu modelu.

V DIGITAL WOLF staviame AI aplikácie presne takto — od úlohy a dát, cez RAG a napojenie na vaše systémy, až po výber správne veľkého modelu. Ak zvažujete, kade z pilotu do reálnej prevádzky, ozvite sa; radi sa pozrieme, kde je u vás najrýchlejšia návratnosť.