Nová vlna plýtvání? Třetina firem platí za AI, ale neumí změřit, co jim přináší

Firmy dnes podléhají tlaku, že jim v oblasti umělé inteligence ujede vlak. Masivně nakupují licence a spouštějí pilotní projekty, aniž by vždy dokázaly říct, jaký konkrétní problém mají vyřešit a jak poznají, že se investice vyplatila. Finanční ředitelé vidí rostoucí náklady na technologie, jen málokdo ale dokáže doložit jejich skutečnou obchodní hodnotu. Samotná úspora času nestačí – rozhodující je, zda firma dokáže uvolněnou kapacitu proměnit ve vyšší produktivitu, lepší služby nebo nové obchodní příležitosti. „Každá AI iniciativa by měla už od začátku odpovědět na jednoduchou otázku: Co chceme změnit a podle čeho poznáme, že jsme uspěli? Firma by neměla začínat výběrem nástroje, ale konkrétním problémem, který chce pomocí AI vyřešit,“ říká Zuzana Kubíková, Head of Management Consulting v RSM.

Podle vašeho průzkumu třetina firem vůbec neměří ani neplánuje měřit přínosy AI. Nehrozí, že společnosti dnes investují do technologií, aniž by věděly, zda jim skutečně vydělávají peníze?

Ano, to riziko existuje. Každá AI iniciativa by měla už od začátku odpovědět na jednoduchou otázku: Co chceme změnit a podle čeho poznáme, že jsme uspěli? Pokud firma neumí přínosy měřit, může investovat do technologií, aniž by dokázala posoudit jejich skutečnou hodnotu. Na začátku AI vlny se návratnost příliš neřešila, ale s rostoucími náklady firmy stále více sledují hodnotu, kterou jim jednotlivé nástroje přinášejí. Datově a procesně vyspělé firmy dokážou AI využít mnohem rychleji a získat konkurenční výhodu.

Většina firem se spoléhá na jediný argument: „Ušetřili jsme čas.“ Stačí to?

Úspora času je důležitá metrika, ale sama o sobě nestačí. Je spíše výchozím ukazatelem než konečným cílem. Pokud zaměstnanec díky AI ušetří dvě hodiny týdně, ještě to automaticky neznamená vyšší ziskovost firmy. Rozhodující je, co firma s ušetřeným časem udělá.

Skutečná obchodní hodnota vzniká až ve chvíli, kdy se úspora času promítne do vyšší produktivity, rychlejší obsluhy zákazníků, nižších nákladů, lepší kvality služeb nebo růstu tržeb. Většina organizací je stále v první fázi adopce AI. Měří, zda lidé pracují rychleji, ale jen menší část už dokáže propojit AI s obchodními výsledky.

Podle čeho lze tedy poznat, zda investice do AI dává smysl?

Management by měl AI hodnotit stejně jako každou jinou strategickou investici. Doporučuji zaměřit se na čtyři oblasti. První je produktivita – úspora času, snížení chybovosti nebo vyšší objem práce zpracovaný stejným týmem. Druhou je výkonnost procesů, například rychlost zpracování nebo kvalita výstupů. Třetí představují obchodní výsledky, tedy růst tržeb, marže či retence zákazníků. A čtvrtou oblastí je samotná adopce AI – kolik projektů se podařilo převést z pilotního provozu do běžného fungování a jaká je jejich návratnost.

Váš průzkum ukazuje zvláštní rozpor – přes 40 % firem vnímá AI jako důležitou, ale ve své dlouhodobé strategii ji má zakotvenou jen pětina z nich. Proč?

Je to poměrně logické. Většina firem už chápe, že AI bude mít významný dopad na jejich byznys, ale stále hledá způsob, jak ji systematicky propojit s obchodní hodnotou. V mnoha organizacích ji dnes využívají jednotlivci nebo týmy ke zvýšení produktivity či administrativě. AI se tak do firem dostává „zdola“ dříve, než se jí začne systematicky věnovat vedení.

Je možné, že firmy nakupují AI jen ze strachu, že zůstanou pozadu?

Tlak na zavádění AI je dnes značný a někdy vede k tomu, že firmy chtějí hlavně deklarovat, že AI používají, protože ji využívá i konkurence. Takový přístup ale nepřináší očekávanou hodnotu. Úspěšné nasazení AI musí vycházet z jasné strategie a konkrétních obchodních cílů. Samotné pořízení licencí, například Microsoft Copilotu, automaticky vyšší produktivitu nepřinesou. Stejně důležité je sledovat, jak zaměstnanci AI skutečně využívají a jaké přinášejí výsledky. Bez toho se z investice snadno stane jen reakce na trend.

Jak tedy vybrat správný projekt pro využití AI, aby nešlo jen o drahý pokus, který po pilotní fázi vyšumí do ztracena?

Nejlepší AI use-case nepoznáte podle toho, jak moderně zní, ale podle toho, zda má měřitelný obchodní dopad. Ještě před spuštěním projektu by si firma měla odpovědět na tři otázky: Jaký problém řešíme? Kolik nás dnes stojí? A jak poznáme, že se situace po nasazení AI zlepšila? Dobrý use-case je navázaný na konkrétní KPI. Pokud přínos neumíme propojit s obchodním cílem firmy, hrozí, že půjde jen o technologický experiment. Mnoho projektů uspěje v pilotu, ale selže při reálném nasazení, protože chybí kvalitní data, změna procesů nebo ochota zaměstnanců nový způsob práce přijmout.

Na druhou stranu, zejména menší firmy si často musí projít určitou křivkou učení a vyzkoušet si AI nástroje metodou pokus–omyl bez přesně definovaného cíle, protože je těžké formulovat očekávání, když ještě nevíte, co technologie dokáže. Otázkou ale je, zda na tento přístup ještě zůstává čas – AI postupné zdražuje a doba bezhlavého experimentování pomalu končí.

Když už ale firma z fáze experimentování překlopí AI do reálného provozu, její očekávání se často nenaplní. V čem spočívá to hlavní nedorozumění?

AI není primárně technologický projekt, ale projekt změny fungování firmy. To je podle mě základní nepochopení. Úspěch neurčuje samotný nástroj, ale připravenost organizace změnit procesy, práci s daty i způsob práce lidí. Mnoho firem začne nákupem technologie, ale skutečné překážky se objeví až při snaze AI rozšířit napříč organizací.

Většina debat se točí kolem volby softwaru, vy však tvrdíte, že jádro problému leží v procesech. Co přesně musí mít organizace vyřešeno, než se do nasazení AI vůbec pustí?

Před zaváděním AI by si firma měla udělat pořádek ve třech oblastech – procesech, datech a pravidlech řízení. Pokud není jasné, jak proces funguje a jaké výsledky má přinášet, AI často jen zrychlí existující neefektivitu a odkryje nedokonalosti, o kterých firmy vědí, jen je nechtějí řešit.  Stejně důležitá jsou data. Firma musí vědět, odkud pocházejí, jaká je jejich kvalita a zda s nimi může AI bezpečně pracovat. Nekvalitní data vedou k nepřesným výstupům, bezpečnostním problémům a ztrátě důvěry uživatelů. Třetí oblastí je governance – jasná pravidla, kdo může nástroje využívat, jak se ověřují výstupy a jak se měří přínosy. Technologie by měla přijít až ve chvíli, kdy má firma v tomto jasno.

Je tedy kvalita dat důležitější než samotný software?

Zásadně. Ve většině případů rozhodují o úspěchu AI více než samotný výběr technologie. Platí jednoduché pravidlo: „Garbage in, garbage out.“ Špatná data vedou ke špatným výsledkům. Doporučujeme nezačínat otázkou, jaký AI nástroj koupit, ale který proces chceme zlepšit a jaká data máme k dispozici.

Jedním z výrazných zjištění vašeho průzkumu je rozmach fenoménu zvaného Shadow AI. Co se stane, když si zaměstnanci zavádějí AI na vlastní pěst?

Shadow AI bude jedním z největších témat příštích let. Ne proto, že zaměstnanci AI používají, ale proto, že její využívání často předbíhá pravidla firmy. Vedení pak nemá přehled, jaké nástroje lidé používají ani s jakými daty pracují. Rizikem není samotná AI, ale její neřízené používání.

Bezpečnostní rizika přitom sledují ani ne dvě procenta firem. Kdo má mít v organizaci nad AI dohled?

Základní governance nemusí být složitá, ale firmy často podceňují její šíři. Rizikem totiž není jen únik dat, ale i nekvalitní výstupy a nejasná odpovědnost za rozhodnutí učiněná pomocí AI. Firma by měla mít jasně určeno, jaká data lze do nástrojů zadávat, jak se vzdělávají zaměstnanci a kdo za AI odpovídá. To ale nemůže být jen úkolem IT. Pokud má AI změnit fungování firmy, musí za její směřování nést odpovědnost vedení. Ideální je mít executive ownera z vrcholového managementu, který propojí byznys, technologie i změnu způsobu práce. Klíčové je ale zapojit i takzvané ambasadory změny – nadšence napříč týmy, kteří pomáhají s adopcí v praxi.

Takže zásadní je také zvládnutí firemní kultury a změnového řízení?

Ano, change management je minimálně stejně důležitý jako samotná technologie. Většina AI projektů neselže proto, že by nefungoval nástroj, ale proto, že lidé nezmění způsob práce nebo výsledkům nevěří. Zaměstnanci potřebují rozumět tomu, co se změní v jejich práci a jak jim AI pomůže.

Jakou největší chybu firmy při zavádění AI opakovaně dělají?

Že investují do nástrojů, ale podceňují procesy, data, governance a změnu způsobu práce lidí. Pak mají desítky pilotních projektů, ale minimum skutečných výsledků. Stejně častým omylem je snaha nasadit AI všude najednou místo zaměření na prioritní oblasti. Druhým extrémem je naopak vyčkávání v přesvědčení, že se změna firmy netýká.

Nejúspěšnější firmy nezačínají technologií, ale konkrétním byznysovým problémem. Pokud začnete potřebami firmy, máte mnohem větší šanci dosáhnout skutečné transformace. Zároveň je potřeba počítat s tím, že AI nebude dlouhodobě levnější automaticky a naopak mohou v horizontu jednoho až dvou let výrazně růst. Proto by měl být součástí každého projektu realistický business case a výpočet návratnosti.