Jak najít nejcennější případy použití

Představ si poradu vedení, na které někdo řekne: „Konkurence už má AI, měli bychom ji mít taky.“ Všichni přikývnou, někdo koupí licence, IT nasadí chatbota na intranet a za půl roku se zjistí, že ho používají tři lidé na překlady e-mailů. Nikdo neví, jestli se to vyplatilo, protože nikdo předem neřekl, co přesně to mělo zlepšit.

Tahle lekce je o opačném postupu. Nezačneš technologií, ale svými problémy. Naučíš se kandidáty systematicky sbírat, rozpoznat, které úlohy se pro AI hodí a které ne, a seřadit je tak, abys věděl, čím začít. Na konci si celý postup projdeš na smyšlené, ale realistické firmě.

Začni problémem, ne technologií

Otázka „Kde bychom mohli použít AI?“ zní rozumně, ale vede k špatným odpovědím. Lidé začnou vymýšlet, co by bylo zajímavé, a ne co by firmě pomohlo. Lepší otázky jsou: „Co nás zdržuje? Kde děláme chyby? Na co čekají zákazníci? Co dělají drazí lidé, co by mohl dělat někdo jiný?“

Teprve u odpovědí se ptáš, jestli je AI vhodný nástroj. Často zjistíš, že ne. Problém vyřeší lepší formulář, úprava procesu nebo obyčejná automatizace bez AI (pravidlo „když přijde faktura od dodavatele X, přesuň ji do složky Y“ nepotřebuje jazykový model). Z lekce Asistent, automatizace, nebo produkt už víš, že AI se do firmy dostává v různých podobách. Tady řešíme, na co ji namířit.

Případ použití(use case)

Konkrétní pracovní úloha nebo proces, ve kterém má AI pomoct, popsaná tak, aby se dala posoudit: kdo to dnes dělá, jak často, kolik to stojí a co by se mělo zlepšit. „AI pro obchod“ není případ použití. „Návrh odpovědi na poptávku z e-mailu do 10 minut místo do druhého dne“ ano.

Jak kandidáty sesbírat

Dobré případy použití málokdy přijdou z porady vedení. Leží v každodenní práci lidí, kteří o nich často ani nepřemýšlejí jako o problému, protože „to se tak vždycky dělalo“. Musíš je jít hledat.

Rozhovory s lidmi, kteří práci dělají. Ne „Jak by vám mohla pomoct AI?“, ale „Proveď mě svým typickým týdnem. Co tě nejvíc otravuje? Co děláš pořád dokola? Na co čekáš na ostatní?“ Půlhodinový rozhovor s pěti lidmi z různých oddělení ti dá víc než dotazník pro celou firmu.

Projití procesu krok za krokem. Vezmi jeden proces (třeba od přijetí poptávky po odeslání nabídky) a nakresli si ho: kdo co dělá, s jakými podklady, kolik to trvá, kde se čeká. Nejvíc času se obvykle neztrácí v samotné práci, ale v předávání a hledání.

Kde lidé kopírují a vkládají. Tohle je jeden z nejspolehlivějších signálů. Když někdo přepisuje údaje z PDF do systému, kopíruje text z e-mailu do tabulky nebo skládá dokument z pěti jiných dokumentů, je tam téměř jistě úloha, kterou umí AI aspoň zčásti převzít. Strukturovaný výstup z lekce Strukturovaný výstup je přesně na tohle.

Opakovaná práce s textem. Odpovědi na podobné dotazy, shrnutí schůzek, popisy produktů, překlady, první verze smluv podle vzoru, třídění příchozích e-mailů. Jazykové modely jsou nejsilnější tam, kde se pracuje s textem, a opakování znamená, že se úspora násobí.

Úzká hrdla znalostí. Kde se všichni ptají jednoho člověka? Technik, který jediný ví, jak se nastavuje starý stroj. Účetní, která zná výjimky u každého klienta. Když je ten člověk na dovolené, práce stojí. AI, která umí odpovídat z firemních dokumentů, tu může pomoct, pokud ovšem ty znalosti někde zapsané jsou (k tomu se ještě vrátíme).

Po pár týdnech budeš mít seznam dvaceti až čtyřiceti nápadů. Ke každému si zapiš aspoň: co se dnes děje, kdo to dělá, jak často (kolikrát týdně, kolik hodin), co je výsledek a jak bys poznal zlepšení. Bez těchto údajů se nápady nedají porovnat.

Jak poznat dobrou úlohu pro AI

Z předchozích kurzů víš, jak jazykový model funguje: předpovídá text podle vzorců z tréninku, občas si vymýšlí (halucinace) a pracuje jen s tím, co má v kontextu. Z toho přímo plyne, jaké úlohy mu sedí.

Dobrá úloha pro AI	Špatná úloha pro AI
Hodně textu (e-maily, dokumenty, poznámky, popisy)	Hlavně přesné výpočty nebo pevná pravidla bez výjimek
Opakuje se často, úspora se násobí	Dělá se párkrát za rok (strategická rozhodnutí, výjimečné situace)
Občasná chyba nevadí, nebo se výstup dá rychle zkontrolovat	Musí být stoprocentně správně a nikdo to nezkontroluje
Podklady existují a dají se modelu předat	Potřebné informace chybí nebo jsou jen v hlavách lidí
Výsledek se dá změřit (čas, počet chyb, doba odpovědi)	Nikdo neví, jak by vypadal úspěch
Je jasné, kdo za úlohu a výsledek odpovídá	Úloha je „všech a nikoho“, nikdo nemá pravomoc měnit proces

Pár vysvětlivek k tomu, proč jsou jednotlivé řádky důležité.

Tolerance k chybám a snadná kontrola. Tohle je nejdůležitější vlastnost. Model chybovat bude, otázka je jen jak často a co to způsobí. Ideální úloha je taková, kde je kontrola výrazně rychlejší než vytvoření. Přečíst si návrh odpovědi a opravit jednu větu trvá minutu, napsat ji od nuly pět. Naopak u úlohy, kde chybu odhalíš jen tak, že celou práci uděláš znovu, AI skoro nic neušetří. Jak kontrolu nastavit podle rizika, rozebírá lekce Jak výstupy ověřovat.

Frekvence. Případ použití, který ušetří deset minut u úlohy, co se dělá dvěstěkrát týdně, je cennější než ten, který ušetří den práce jednou za rok. Navíc u častých úloh rychle zjistíš, jestli to funguje.

Data. Model, který má odpovídat na dotazy k produktům, potřebuje aktuální popisy produktů. Pokud existují jen v hlavě obchodníka a v pěti verzích ceníku, nejdřív musíš udělat pořádek v datech. To je samo o sobě užitečné, ale je to jiný projekt s jinými náklady. Podrobně se tomu věnuje lekce Data, procesy a lidé.

Vlastník. Každý případ použití potřebuje člověka, který za výsledek odpovídá, rozumí procesu a má pravomoc ho změnit. Bez něj projekt uvízne mezi IT, které „jen nasadilo nástroj“, a oddělením, které „o to nežádalo“.

Matice: hodnota, proveditelnost, riziko

Když máš seznam kandidátů a u každého základní údaje, potřebuješ je seřadit. Osvědčený způsob je ohodnotit každý kandidát ve třech rozměrech na škále 1–5:

• Hodnota: Kolik to přinese? Ušetřený čas, který se opravdu promění v něco užitečného, rychlejší odpověď zákazníkovi, méně chyb, vyšší tržby. Hodnotí se ve srovnání s ostatními kandidáty.
• Proveditelnost: Jak snadno to půjde? Jsou data k dispozici, existuje hotový nástroj, je potřeba napojení na firemní systémy, mají lidé čas se to naučit?
• Riziko: Co se stane, když AI udělá chybu? Kdo ji uvidí, dá se vzít zpátky, týká se to osobních údajů, peněz, zdraví, práva? Tady platí 5 = vysoké riziko.

Výsledné skóre můžeš spočítat jako hodnota × proveditelnost × (6 − riziko). Riziko se odečítá od šesti proto, aby nízké riziko zvyšovalo skóre. Násobení místo sčítání má dobrý důvod: kandidát, který je v jednom rozměru velmi slabý, propadne, i když je ve zbylých dvou skvělý. Velká hodnota nepomůže, když se úloha nedá udělat nebo když chyba může firmu poškodit.

Příklad: firma TechnoDíly

TechnoDíly s.r.o. (smyšlená firma) prodávají náhradní díly pro průmyslové stroje firmám v Česku a na Slovensku. Mají 80 zaměstnanců, e-shop, obchodní oddělení a malý zákaznický servis. Po rozhovorech s lidmi z několika oddělení vzniklo šest kandidátů:

1. Návrhy odpovědí na e-mailové dotazy zákazníků. Servis dostává denně desítky podobných dotazů (stav objednávky, dostupnost, kompatibilita dílu). AI připraví návrh, operátor ho zkontroluje a odešle.
2. Překlad a sjednocení popisů produktů. Asi 8 000 položek má popisy různé kvality, část jen česky. AI je přepíše podle jedné šablony a přeloží do slovenštiny, člověk kontroluje vzorek.
3. Vytěžení údajů z poptávek do CRM. Poptávky chodí jako e-maily a PDF v různých formátech, obchodníci je ručně přepisují. AI vytáhne zákazníka, díly, množství a termín do formuláře.
4. Asistent pro technickou dokumentaci. Na dotazy ke starším strojům umí odpovědět jen pan Dvořák, technik před důchodem. Dokumentace existuje, ale je to směs skenovaných manuálů, poznámek a e-mailů.
5. Automatické schvalování reklamací. AI by sama rozhodla o uznání reklamace a vrácení peněz, bez kontroly člověkem.
6. Předpověď poptávky pro nákup. Odhadnout, které díly a kolik objednat na příští čtvrtletí.

Hodnocení (sestavené na workshopu vedení, servisu, obchodu a IT):

Kandidát	Hodnota	Proveditelnost	Riziko (5 = vysoké)	Skóre H × P × (6 − R)
1. Návrhy odpovědí	4	4	2	64
2. Popisy produktů	3	5	2	60
3. Poptávky do CRM	4	3	2	48
4. Technická dokumentace	5	2	2	40
6. Předpověď poptávky	4	2	3	24
5. Automatické reklamace	4	3	5	12

Co z toho vyplývá:

• 1 a 2 jsou rychlé výhry. Časté, textové, s existujícími podklady a snadnou kontrolou. U popisů produktů je hodnota nižší (přínos se projeví až nepřímo, třeba v méně dotazech a lepším vyhledávání), ale proveditelnost je nejvyšší: stačí běžný AI nástroj a tabulka.
• 3 je dobrý druhý krok, jakmile tým získá zkušenosti. Proveditelnost snižuje napojení na CRM.
• 4 je strategická sázka. Hodnota je nejvyšší (znalosti pana Dvořáka odejdou s ním), ale dokumentace se musí nejdřív digitalizovat a uspořádat. Vyplatí se začít hned, protože to bude trvat dlouho, ale nečekat od toho rychlý výsledek.
• 6 není úloha pro jazykový model. Patří k analytikovi s nástroji na předpovědi z historických dat. Vyřadit z tohoto seznamu, ne z firmy.
• 5 v této podobě ne. Chyba znamená peníze a naštvaného zákazníka, a nikdo ji nezachytí. Když se úloha přeformuluje („AI připraví shrnutí reklamace a návrh rozhodnutí, rozhodne člověk“), riziko klesne na 2 a skóre vyskočí na 48. Často se vyplatí kandidáta nezahodit, ale upravit.

Všimni si posledního bodu. Stejný proces může být špatný i dobrý případ použití podle toho, jakou roli v něm AI dostane. Rozdíl mezi „AI rozhoduje“ a „AI připraví podklad pro rozhodnutí“ bývá rozdíl mezi nepřijatelným a výborným projektem.

Rychlé výhry a strategické sázky

Z matice obvykle vyjdou dvě skupiny, které potřebují jiný přístup.

Rychlé výhry (vysoká proveditelnost, nízké riziko, slušná hodnota) se dají vyzkoušet za týdny, často s nástroji, které firma už má. Jejich hlavní přínos nemusí být finanční. Lidé si na AI zvyknou, firma se naučí měřit výsledky a vedení uvidí konkrétní důkaz. Riziko je, že zůstaneš jen u nich a AI bude navždy „pomocník na e-maily“.

Strategické sázky (vysoká hodnota, nižší proveditelnost) vyžadují přípravu dat, napojení systémů a změnu procesů. Trvají měsíce a stojí víc. Pokud se povedou, mění, jak firma funguje. Dobrý plán obvykle kombinuje obojí: dvě tři rychlé výhry, které budují důvěru a dovednosti, a jednu strategickou sázku, která běží souběžně. Kolik to všechno stojí a jak spočítat, jestli se to vyplatí, je téma další lekce Náklady, přínosy a rizika.

Past jménem „věčný pilot“

Pilotní projekt(pilot)

Omezené vyzkoušení nového řešení na malé skupině lidí nebo části procesu, s předem stanoveným cílem a dobou trvání. Má odpovědět na otázku, jestli se řešení vyplatí nasadit naplno.

Mnoho firem se zasekne v tom, čemu se anglicky říká pilot purgatory, tedy pilotní očistec. Pilot proběhne, lidé jsou spokojení, prezentace vypadá dobře, a pak se nic nestane. Pilot se prodlouží, rozjede se další, a po roce má firma deset pilotů a žádné řešení v plném provozu.

Typické příčiny jsou už v tom, jak se případ použití vybíral:

• Nikdo předem neřekl, co je úspěch. Bez měřitelného cíle („doba odpovědi pod 2 hodiny“, „o 30 % méně ručního přepisování“) nejde pilot vyhodnotit, takže se nikdy neukončí.
• Pilot nemá vlastníka v provozu. Vede ho nadšenec z IT nebo externí dodavatel, ale oddělení, které by řešení mělo používat, ho nepovažuje za své.
• Pilot se dělal v podmínkách, které ve skutečnosti nejsou. Vyčištěná data, nejšikovnější lidé, ruční obcházení problémů. V plném provozu pak nic z toho neplatí.
• Nikdo nespočítal náklady na plný provoz. Pilot pro deset lidí je levný, nasazení pro dvě stě lidí s napojením na systémy už ne.

Obrana je jednoduchá na popis a těžká na dodržení: už při výběru kandidáta si zapiš měřitelný cíl, vlastníka, dobu trvání a co se stane po pilotu, když uspěje i když neuspěje. Jak pilot připravit, vyhodnotit a pak rozšířit, rozebírá do hloubky kurz Zavádění AI v praxi, hlavně lekce Příprava pilotu a Škálování a řízení.

Do hloubkyProč ne rovnou „AI strategie pro celou firmu“?+

Některé firmy začínají velkým strategickým dokumentem: vize, principy, cílový stav za tři roky. Takový dokument má své místo, hlavně pro pravidla (které nástroje se smí používat, jak se zachází s daty). Jako způsob, jak najít případy použití, ale obvykle selhává, a to ze dvou důvodů.

Zaprvé, schopnosti nástrojů se mění rychle a firma se teprve učí, co pro ni funguje. Tříletý plán sestavený bez vlastní zkušenosti je hlavně odhad. Výzkum, o kterém mluví další lekce, ukazuje, že hranice toho, co AI zvládá, je nepravidelná: u podobně vypadajících úloh může dopadnout velmi rozdílně. To se dá zjistit jen zkoušením na skutečné práci.

Zadruhé, hodnota se zpravidla neschovává v jednom velkém projektu, ale v mnoha menších úlohách roztroušených po firmě. Najdeš je jen tak, že se zeptáš lidí, kteří je dělají.

Rozumný postup je proto opačný: pravidla a mantinely shora, případy použití zdola, a strategie, která se z obojího postupně skládá. Jak od firemních cílů dojít k seznamu případů použití a k plánu, popisuje lekce Od cílů k případům použití.

Co si odnést

• Začni problémy a procesy, ne technologií. Ptej se, co zdržuje, kde vznikají chyby a na co čekají zákazníci, a teprve pak, jestli je AI vhodný nástroj.
• Kandidáty najdeš v rozhovorech s lidmi a při procházení procesů. Nejlepší signály jsou kopírování mezi systémy, opakovaná práce s textem a znalosti v hlavě jednoho člověka.
• Dobrá úloha pro AI je textová, častá, snese občasnou chybu nebo se dá rychle zkontrolovat, má dostupná data, měřitelný výsledek a jasného vlastníka.
• Seřaď kandidáty podle hodnoty, proveditelnosti a rizika. Násobení odhalí kandidáty, kteří jsou v jednom rozměru nepřijatelní. Riskantní úlohu často zachráníš tím, že AI připraví podklad a rozhodne člověk.
• Kombinuj rychlé výhry, které budují důvěru, s jednou strategickou sázkou. U každého pilotu předem urči cíl, vlastníka a co bude potom, jinak uvízneš ve věčném pilotu.

Zdroje a další čtení

• BCG: How People Can Create – and Destroy – Value with Generative AI (2023) – experiment s konzultanty, který ukazuje, že u jedněch úloh AI výrazně pomáhá a u jiných škodí.
• MIT Sloan: How generative AI can boost highly skilled workers' productivity (2023) – shrnutí téhož výzkumu a pojmu „nepravidelná hranice“ schopností AI.
• Brynjolfsson, Li, Raymond: Generative AI at Work (NBER, 2023) – studie zákaznické podpory jako příklad dobře zvoleného případu použití: častá textová úloha s měřitelným výsledkem.