Asistent, automatizace, nebo produkt

Když ve firmě zazní věta „měli bychom začít s AI“, každý si pod ní často představí něco jiného. Obchodník myslí na to, že mu ChatGPT napíše nabídku. Účetní na to, že faktury se přestanou přepisovat ručně. Majitel na chatbota na webu, který ušetří dvě pozice na zákaznické lince. Všechno je to „AI“, ale jde o tři úplně jiné projekty: s jinými náklady, jinými riziky a jinými lidmi, kteří je musí dělat.

V kurzech Jak funguje AI a Práce s AI nástroji ses naučil, co model dělá a jak s ním pracovat ty sám. Teď se na to podíváš očima manažera nebo majitele. Tahle lekce ti dá mapu: tři způsoby, jak AI vstupuje do firmy, škálu od „kopilota“ po „autopilota“ a jednoduchou tabulku, podle které poznáš, o jaký typ projektu jde. Bez té mapy se snadno stane, že firma koupí licence a čeká výsledky automatizace, nebo staví automatizaci a dopadne jako produkt.

Tři způsoby, jak AI vstupuje do firmy

1. Asistent: lidé používají AI každý sám za sebe

Nejběžnější a nejjednodušší podoba. Firma koupí lidem přístup k AI asistentovi (ChatGPT, Claude, Gemini, Microsoft 365 Copilot a podobně, přehled je v lekci ChatGPT, Claude, Gemini a Copilot) a každý zaměstnanec si ho zapojuje do své práce, jak umí: píše s ním e-maily, shrnuje dokumenty, připravuje podklady.

• Kdo ho používá: zaměstnanci, každý jinak a na jiné úlohy.
• Co stojí: hlavně licence na uživatele (měsíční předplatné), plus čas na školení. Žádný vývoj.
• Jak se projevují chyby: chyba skončí v e-mailu, nabídce nebo prezentaci konkrétního člověka. Chytá ji (nebo nechytá) ten, kdo výstup použil.
• Co je potřeba: pravidla (jaká data se smí vkládat, viz Kam putují tvoje data), školení a hlavně zvyk výstupy ověřovat.

Výhoda je, že se dá začít hned a rozhodnutí je snadno vratné. Nevýhoda je, že přínos je rozprostřený, těžko měřitelný a silně závisí na tom, jak dobře s nástrojem jednotliví lidé umějí. Dobře to ukazuje pilot britského ministerstva pro obchod (Department for Business and Trade), které na podzim 2024 rozdalo 1 000 licencí Microsoft 365 Copilot na tři měsíce. Většina uživatelů byla spokojená a u psaní dokumentů, shrnování a přepisu porad nástroj čas ušetřil. U jiných úloh, třeba tvorby prezentací nebo plánování schůzek, čas neušetřil. Hodnocení navíc nenašlo jednoznačný důkaz, že by ušetřený čas vedl k měřitelně vyšší produktivitě úřadu. Asistent pomáhá jednotlivcům, ale sám od sebe nezmění, jak firma funguje.

2. Automatizace: AI jako krok uvnitř procesu

Tady AI nepoužívá člověk v chatu, ale je zabudovaná do procesu, který běží pořád stejně. Příklady:

• příchozí e-maily na obecnou adresu se automaticky roztřídí (reklamace, objednávka, faktura, dotaz) a pošlou správnému člověku,
• z přijatých faktur v PDF se vytáhnou údaje (dodavatel, IČO, částka, splatnost) a předvyplní se do účetního systému,
• na dotaz zákazníka se připraví koncept odpovědi a pracovník podpory ho jen zkontroluje, upraví a odešle.

Integrace(integration)

Propojení AI s dalšími systémy firmy (e-mail, účetnictví, CRM, sdílené složky), aby si AI data brala sama a výsledek sama předala dál. Bez integrace člověk data do chatu kopíruje ručně, s integrací to dělá proces.

• Kdo ji používá: nikdo „nepíše prompty“. Proces používá tým, který dřív dělal danou práci ručně, a jeho role se mění z „dělám“ na „kontroluju a řeším výjimky“.
• Co stojí: jednorázový vývoj nebo nastavení (vlastní lidé, dodavatel, nebo nástroj typu automatizační platforma), pak provoz: platba za použití modelu přes API podle tokenů a údržba. Jak se to celé počítá, rozebírá lekce Náklady, přínosy a rizika.
• Jak se projevují chyby: opakovaně a potichu. Když model špatně čte určitý typ faktury, udělá tu chybu u každé takové faktury, dokud si toho někdo nevšimne. Proto potřebuješ kontrolní kroky a namátkové kontroly, ne jen „důvěru v model“.
• Co je potřeba: popsaný proces, přístup k datům, někdo, kdo to technicky propojí, a měření kvality. Technickou stránku probírá kurz Jak se staví AI aplikace.

V lekci Strukturovaný výstup sis zkoušel vytáhnout údaje z faktury do JSONu ručně. Automatizace je totéž, jen to dělá proces stokrát denně, bez tebe. A právě proto na kvalitě záleží víc: chyba se nezastaví u jednoho člověka, ale násobí se.

3. Produkt: AI jako součást služby pro zákazníky

Třetí podoba je AI, se kterou se setkávají přímo tvoji zákazníci: chatbot na webu, doporučování produktů v e-shopu, „chytré vyhledávání“ v aplikaci, funkce, která zákazníkovi shrne jeho smlouvu nebo vyúčtování.

• Kdo ji používá: zákazníci. Lidé, které neproškolíš, kteří ti nic neodpustí a mezi kterými se najde i někdo, kdo se ji bude snažit schválně zmást (viz Prompt injection).
• Co stojí: vývoj jako u každého produktu, plus provoz, který roste s počtem zákazníků, plus průběžné testování, monitoring a podpora. Nikdy to není „jednorázově nastavíme“.
• Jak se projevují chyby: veřejně. Chybnou odpověď vidí zákazník dřív než ty, může ji zveřejnit a firma za ni odpovídá. V lekci Jak výstupy ověřovat jsi viděl případ Air Canada: tribunál rozhodl, že za slib chatbota ručí firma.
• Co je potřeba: skutečný vývojový tým (vlastní nebo dodavatel), testovací sady, bezpečnost, právní posouzení (AI Act ukládá povinnosti i chatbotům, například informovat lidi, že mluví se strojem; víc v kurzu Právo a etika).

Od kopilota k autopilotovi

Tři typy výše se dají popsat i jinak: podle toho, kdo dělá konečné rozhodnutí. Představ si škálu.

V řeči AI se tomu říká kopilot a autopilot:

• Kopilot (copilot): AI navrhuje, člověk rozhoduje. Asistent v chatu, koncept e-mailu, návrh kategorie u dokladu.
• Autopilot: AI rozhoduje a koná sama, člověk se dozví až o výsledku (nebo vůbec). Chatbot, který sám odpovídá zákazníkům, proces, který sám zaúčtuje fakturu.

Mezi nimi je široký střed, a ten má několik stupňů:

1. AI navrhuje, člověk každý návrh schválí. Pracovník podpory vidí koncept odpovědi a klikne „odeslat“, nebo ho přepíše.
2. AI dělá rutinu sama, nejisté případy posílá člověku. Faktury od známých dodavatelů, kde vše sedí s objednávkou, projdou samy. Cokoli neobvyklého (nový dodavatel, nesoulad částky) jde na stůl účetní.
3. AI dělá vše sama, člověk kontroluje vzorek. Každý den se náhodně zkontroluje třeba dvacet případů a sleduje se, jestli kvalita nepadá.

Většina dnešní hodnoty je právě tady, ve středu. Důvod je jednoduchý: generativní model dělá chyby, které neumíš předem předpovědět (Halucinace). Plná autonomie proto dává smysl jen tam, kde je chyba levná a snadno vratná. Ve středu dostaneš velkou část úspory a člověk přitom pořád zachytí chyby, než napáchají škodu.

Co říkají data ze skutečných nasazení

Asi nejcitovanější studie o AI v práci (Brynjolfsson, Li a Raymond, NBER) sledovala 5 179 pracovníků zákaznické podpory, kteří postupně dostali AI asistenta. Ten jim v reálném čase navrhoval odpovědi, ale rozhodovali oni. Typický střed škály. Počet vyřešených požadavků za hodinu vzrostl v průměru zhruba o 14 %, u nováčků a méně zkušených o 34 %, u nejzkušenějších téměř vůbec.

Pro srovnání příklad z autopilotního konce. Švédská fintech firma Klarna v únoru 2024 oznámila, že její AI asistent za první měsíc vedl 2,3 milionu konverzací, zhruba dvě třetiny chatů zákaznické podpory, a dělá práci odpovídající 700 lidem. To jsou čísla ze tiskové zprávy firmy, ne nezávislé měření. Zhruba o rok později generální ředitel Sebastian Siemiatkowski agentuře Bloomberg řekl, že při rozhodování příliš převážily náklady, výsledkem byla nižší kvalita, a firma začala znovu nabírat lidi do podpory. Zákazník má podle něj vždycky dostat člověka, když o něj stojí. AI ve firmě zůstala, jen se posunula blíž ke středu.

Do hloubkyProč autopilot stojí víc, než vypadá+

Když AI posouváš ke kraji autopilota, nepřibývá jen úspora. Přibývá i práce, kterou dřív dělal kontrolující člověk zadarmo a nenápadně:

• Rozpoznání, že si AI neví rady. Člověk ve středu škály pozná podivný případ intuitivně. U autopilota to musí umět systém sám: pravidla, kdy předat případ člověku, kontrola, jestli výstup dává smysl (třeba jestli součet položek faktury odpovídá celkové částce).
• Měření kvality. Bez člověka, který vidí každý výstup, se o zhoršení dozvíš až ze stížností. Potřebuješ testovací sady a průběžné sledování (kurz Kvalita a bezpečnost).
• Bezpečnost. Systém, který sám koná (posílá e-maily, mění data), je lákavý cíl. Čím víc oprávnění má, tím víc škody napáchá podvržený pokyn (lekce Oprávnění a lidská kontrola).
• Odpovědnost. Když chybu udělá autopilot, není nikdo, kdo by ji „měl vidět“. Musíš předem rozhodnout, kdo za proces ručí.

U střední cesty pozor na opačnou past. Člověk, který za den odklikne stovky návrhů, přestane číst (automatizační zkreslení z lekce o ověřování). Pak máš náklady kopilota a rizika autopilota zároveň. Dobře navržený střed proto posílá člověku jen to, kde má jeho úsudek smysl, a ne všechno.

Ne všechno musí být generativní AI

Z kurzu 1 víš, že „AI“ je široký pojem a generativní jazykové modely jsou jen jeho nejmladší část (Co je umělá inteligence). Ve firmě je dobré si u každého nápadu položit otázku: nestačí na to něco jednoduššího, levnějšího a předvídatelnějšího?

Klasický software (pravidla) je lepší, když:

• se úloha dá popsat přesnými pravidly („když je faktura od dodavatele X a částka sedí s objednávkou, schval ji“),
• potřebuješ, aby stejný vstup dal pokaždé stejný výsledek a dalo se dohledat proč,
• data už jsou ve strojově čitelné podobě. Česká elektronická faktura ve formátu ISDOC například nese všechny údaje jako data, takže je účetní programy umějí načíst bez jakéhokoli „čtení“. AI na vytěžování dává smysl až u faktur, které přijdou jako sken nebo běžné PDF.

Klasické strojové učení je lepší, když:

Klasické strojové učení(classic machine learning)

Modely, které se z historických dat naučí jednu konkrétní předpověď nebo zařazení: odhad poptávky, pravděpodobnost, že zákazník odejde, rozpoznání podezřelé platby. Negenerují text, vracejí číslo nebo kategorii. Jak se stroj učí z příkladů, popisuje lekce Jak se stroj učí.

• jde o předpověď z čísel a tabulek (prodeje, sklad, ceny, poruchovost strojů),
• máš hodně historických příkladů se správnou odpovědí,
• potřebuješ přesnost, kterou umíš změřit, a velmi nízkou cenu za jeden případ.

Generativní model je lepší, když:

• vstupem je nestrukturovaný text, obrázek nebo zvuk (e-maily, smlouvy, skeny, nahrávky),
• výstupem je text nebo struktura, která se z textu musí „vyčíst“,
• případy jsou tak různorodé, že by se pravidla nedala sepsat,
• nemáš tisíce označených příkladů, ale umíš úlohu popsat slovy.

Často je nejlepší kombinace. Generativní model přečte e-mail a vytáhne z něj údaje, klasická pravidla pak rozhodnou, co se s nimi stane. Model dělá to, v čem je silný (rozumí textu), a rozhodnutí zůstane předvídatelné.

Úloha: přiřadit příchozí platby na bankovním účtu k vystaveným fakturám.

• Pravidla: když variabilní symbol odpovídá číslu faktury a částka sedí, je to spárované. Tohle vyřeší většinu plateb a umí to každý účetní program.
• Generativní model: zbytek, kde chybí variabilní symbol, ale ve zprávě pro příjemce stojí „platba za školení 12. 3., Novák“. Model navrhne, ke které faktuře platba nejspíš patří, a účetní návrh potvrdí.
• Klasické strojové učení: smysl by dávalo až při statisících plateb, například na odhad, které faktury budou nejspíš zaplaceny pozdě.

Kdo by na celou úlohu nasadil jazykový model, zaplatil by víc za horší výsledek u té části, kterou pravidla vyřeší stoprocentně.

Rozhodovací tabulka

Než začneš řešit konkrétní nástroj nebo dodavatele, zařaď nápad do tabulky. Řekne ti, s jakým typem projektu máš počítat.

	Asistent	Automatizace	Produkt
Kdo s AI pracuje	Zaměstnanec v chatu	Proces, tým kontroluje výjimky	Zákazník
Hlavní náklad	Licence na uživatele, školení	Vývoj nebo nastavení, pak platba za použití	Vývoj, provoz rostoucí se zákazníky, údržba
Kdo chytá chyby	Uživatel sám	Kontrolní kroky, vzorky, tým	Testy a monitoring předem, jinak zákazník
Jak se chyba projeví	Jednotlivě, u jednoho člověka	Opakovaně a potichu	Veřejně, firma za ni ručí
Co je potřeba	Pravidla a školení	Popsaný proces, data, integrace	Vývojový tým, bezpečnost, právní posouzení
Jak rychle začít	Dny	Týdny až měsíce	Měsíce
Vratnost rozhodnutí	Snadná	Střední	Obtížná
Typická pozice na škále	Kopilot	Střed	Střed až autopilot

A pár otázek, které ti pomůžou rozhodnout, jestli vůbec sáhnout po generativní AI:

Otázka	Když ano
Dá se úloha popsat přesnými pravidly?	Klasický software.
Jde o předpověď z čísel a máš hodně historie?	Klasické strojové učení.
Je vstupem různorodý text, dokument nebo řeč?	Generativní model, ideálně doplněný pravidly.
Je chyba drahá nebo nevratná?	Člověk ve smyčce, žádný autopilot.
Vidí výstup přímo zákazník?	Počítej s produktovým projektem, ne s „nastavením nástroje“.

Co z toho plyne pro tebe jako manažera: když ti někdo nabízí „AI řešení“, zeptej se nejdřív, který z těch tří typů to je a kde na škále stojí. Nabídka „chatbot pro zákazníky za cenu licence“ je podezřelá, protože produkt se nikdy neprovozuje za cenu licence. A naopak, pokud chceš jen zvýšit produktivitu lidí, nepotřebuješ vývojový projekt. Jestli nástroj koupit, nebo si nechat postavit, je samostatné rozhodnutí, které rozebírá lekce Koupit, nebo postavit.

Co si odnést

• AI vstupuje do firmy třemi způsoby: jako asistent lidí, jako krok v automatizovaném procesu, nebo jako součást produktu pro zákazníky. Mají jiné náklady, rizika, lidi i tempo.
• U asistenta chytá chyby uživatel, u automatizace se chyby opakují potichu, u produktu se projeví veřejně a firma za ně ručí.
• Na škále od kopilota (rozhoduje člověk) po autopilota (rozhoduje AI) je dnes nejvíc hodnoty ve středu: AI dělá rutinu, člověk řeší nejisté případy a kontroluje vzorky.
• Plná autonomie dává smysl jen tam, kde je chyba levná a vratná. I firmy, které šly k autopilotovi, se často vracejí ke středu.
• Ne všechno má řešit generativní model: přesná pravidla zvládne klasický software, předpovědi z čísel klasické strojové učení. Nejlépe často funguje kombinace.

Zdroje a další čtení

• Brynjolfsson, Li, Raymond: Generative AI at Work (NBER) – studie s 5 179 pracovníky podpory, kterým AI navrhovala odpovědi.
• Department for Business and Trade: Discover DBT's M365 Copilot evaluation report – shrnutí britského pilotu s 1 000 licencemi Copilotu, odkaz na celou zprávu.
• Klarna: AI assistant handles two-thirds of customer service chats in its first month (2024) – tisková zpráva firmy, tedy tvrzení, ne nezávislé měření.
• Entrepreneur: Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It (2025) – jak se Klarna vrátila k lidem v podpoře.
• Fakturoid: Formát ISDOC – co je strojově čitelná česká faktura a proč ji není potřeba „číst“ pomocí AI.