Domain-specific AI: proč firemní kontext přebíjí nejnovější model

Když s klienty řešíme AI, první otázka bývá „jaký model použijeme“. Je to ale špatná první otázka. Nejnovější model s nejlepším skóre v benchmarku vám sám o sobě nevyřeší, že nezná vaše ceníky, interní postupy, historii zákazníků ani to, jak ve vaší branži lidé skutečně mluví. V praxi vidíme, že o úspěchu nasazení nerozhoduje volba mezi dvěma špičkovými modely, ale to, jak dobře model napojíte na firemní kontext. A tenhle posun teď potvrzuje i Gartner.

Proč generický model naráží na firemní realitu

Nejlepší ilustrace není marketingový slide, ale tvrdá data z nasazení. Report MIT z projektu NANDA The GenAI Divide: State of AI in Business 2025 zjistil, že zhruba 95 % firemních pilotů generativní AI nepřineslo měřitelný dopad na hospodářský výsledek. Klíčová věta z reportu nemluví o kvalitě modelu — mluví o tom, že generické nástroje ve firemním provozu selhávají, protože se neučí a nepřizpůsobují firemním workflow.

Druhý problém je důvěryhodnost. Generický model bez přístupu k vašim datům domýšlí. Enterprise benchmarky napříč komerčními LLM vykazují míru halucinací zhruba 15 až 52 % podle úlohy a domény. To není chyba modelu — model prostě nemá odkud vzít fakt, který nikdy neviděl. Ve chvíli, kdy AI odpovídá zákazníkovi na ceník nebo reklamaci, je i 15 % vymyšlených odpovědí neúnosné.

Co Gartner reálně předpovídá

Trend směrem ke specializaci není názor, je to čísla. Gartner předpovídá, že do roku 2027 budou organizace používat malé, úkolově zaměřené modely přibližně třikrát více než univerzální velké LLM. Analytik Sumit Agarwal to shrnuje jasně: rozmanitost úloh ve firemních procesech a potřeba vyšší přesnosti tlačí firmy ke specializovaným modelům, dotrénovaným na konkrétní funkce nebo doménová data.

Ekonomika toho posunu dává smysl. Podle Gartneru nabízejí domain-specific jazykové modely (DSLM) až o 50 % nižší náklady na vývoj, rychlejší nasazení a vyšší spolehlivost v byznysově kritických procesech než univerzální LLM. U vysokoobjemových, opakovaných úloh navíc malé modely dokážou snížit náklady na inferenci až o 90 % při téměř okamžité odezvě. A není to okrajová nika: Gartner odhaduje, že trh DSLM a aplikací na nich postavených dosáhne v roce 2035 zhruba 131 miliard dolarů. Pointa: menší, ale správně napojený model často porazí větší generický — na přesnosti, ceně i rychlosti.

RAG, fine-tuning a domain-specific modely: co si vybrat

Napojit model na kontext se dá třemi cestami a v praxi je většinou kombinujeme.

RAG (retrieval-augmented generation) dává modelu vaše data v okamžiku dotazu — z dokumentů, databází nebo znalostní báze si vytáhne relevantní pasáž a na jejím základě odpoví. Podle IBM je RAG vhodný tam, kde se znalost často mění a chcete ji mít externě a aktualizovatelnou. Je to zpravidla nejrychlejší cesta k výsledku a zásadně snižuje halucinace, protože odpověď je „uzemněná“ ve vašem zdroji.

Fine-tuning naopak upravuje samotné parametry modelu. Nehodí se na fakta, která se mění, ale na to, aby si model osvojil vaši terminologii, tón a vzorce uvažování ve vaší branži — právnické, zdravotnické nebo strojírenské formulace, které generický model netrefuje.

Domain-specific / malé jazykové modely jsou pak výsledkem této logiky dotažené do konce: model postavený nebo dotrénovaný přímo pro váš obor a úlohu, který běží levněji a předvídatelněji.

V praxi radíme začít RAGem — je nejlevnější, nejrychleji ukáže hodnotu a odhalí, jak lidé nástroj reálně používají. Fine-tuning nebo vlastní menší model přichází až u úloh s nejvyšší hodnotou, kde se investice vrátí. Zřídka jde o „buď–anebo“; nejlepší výsledky dává hybrid.

Kolik to reálně stojí a kde jsou skryté náklady

Tady bývá největší nedorozumění. Klienti očekávají, že hlavní položkou bude „ten model“. Realita je jiná. Podle přehledu nákladů na enterprise RAG za rok 2026 není největším nákladovým driverem LLM, ale vrstva řízení přístupů, integrace a compliance — role, oprávnění (RBAC), napojení na SSO, logování a ingest z více zdrojů. Jednoduché nasazení se pohybuje řádově v desítkách tisíc dolarů, plně on-premise řešení s integrací výrazně výše. Model je z toho často ta nejlevnější součást.

Proto je samotný výběr modelu z hlediska rozpočtu skoro detail. Peníze i riziko jsou v datech: v jejich kvalitě, přístupových právech a bezpečnosti. Ne náhodou 73 % firem uvádí bezpečnost dat jako hlavní bariéru v adopci AI. A pokud data nejsou v pořádku, nepomůže ani sebelepší model — projekt spadne dřív, než se rozjede.

Co s tím konkrétně udělat

Pro firmu, která z AI chce návratnost, ne demo, to znamená obrátit pořadí kroků:

• Nezačínejte modelem, začněte úlohou a daty. Vyberte jeden konkrétní, opakovaný proces s jasným výsledkem (např. odpovědi podpory z vaší dokumentace) a zjistěte, zda jsou k němu data dostupná a čistá.
• Nejdřív RAG, uzemněte odpovědi ve svých zdrojích. Získáte rychlou hodnotu, nižší halucinace a data o reálném používání ještě předtím, než investujete do fine-tuningu.
• Řešte přístupová práva a bezpečnost od začátku, ne jako dodatek. Je to největší nákladová i riziková položka.
• Model volte podle úlohy, ne podle žebříčku. U vysokoobjemových úloh počítejte s menším specializovaným modelem — bývá levnější, rychlejší a spolehlivější.

Shrnutí

Nejnovější model je čím dál méně tím, co odlišuje úspěšné nasazení od drahého pilotu. Rozhoduje kontext — vaše data, procesy a terminologie — a schopnost model na ně bezpečně napojit. Data z MIT i predikce Gartneru míří stejným směrem: budoucnost firemní AI patří specializovaným, uzemněným řešením, ne největšímu univerzálnímu modelu.

V DIGITAL WOLF stavíme AI aplikace přesně takhle — od úlohy a dat, přes RAG a napojení na vaše systémy, až po výběr správně velkého modelu. Pokud zvažujete, kudy z pilotu do reálného provozu, ozvěte se; rádi se podíváme, kde je u vás nejrychlejší návratnost.