Náklady, přínosy a rizika

Z čeho se skládají skutečné náklady AI projektu, proč „ušetřené minuty“ ještě nejsou ušetřené peníze, jak spočítat jednoduchou návratnost s poctivými předpoklady a co o přínosech AI opravdu říká výzkum.

Když si kupuješ auto, cena v inzerátu je jen začátek. Přijde pojištění, servis, pneumatiky, palivo, dálniční známka a za pár let ztráta hodnoty. Kdo porovnává auta jen podle ceny v inzerátu, často koupí to, které ho nakonec vyjde dráž. S AI je to stejné, jen jsou skryté položky ještě méně vidět.

V minulé lekci Jak najít nejcennější případy použití jsi kandidáty seřadil podle hodnoty, proveditelnosti a rizika na škále 1–5. Tady z odhadů uděláš čísla. Projdeme všechny druhy nákladů, přínosy (a jednu velmi častou past), spočítáme návratnost na příkladu a podíváme se, co o přínosech AI říkají seriózní studie. Výsledek nebude přesný, ale bude poctivý, a to je pro rozhodnutí důležitější.

Z čeho se skládají náklady

Celkové náklady na vlastnictví(total cost of ownership, TCO): Všechny náklady spojené s řešením po celou dobu jeho používání: nejen pořízení, ale i zavedení, provoz, údržba, školení a ukončení. Používá se k férovému porovnání možností, které mají různě rozložené náklady.

U AI projektu se náklady dělí na jednorázové (zaplatíš jednou při zavedení) a průběžné (platíš každý měsíc). Tady je přehled toho, na co se nesmí zapomenout:

Položka	Typ	Co to znamená
Licence a uživatelská místa	průběžné	Měsíční poplatek za uživatele u hotových nástrojů (AI asistent, AI funkce v kancelářském balíku, helpdesku, CRM). Roste s počtem lidí.
Používání přes API	průběžné	Když aplikace volá model přímo, platí se za tokeny, zvlášť za vstup a výstup. Roste s objemem práce.
Vývoj a napojení	jednorázové (+ údržba)	Propojení s firemními systémy, úprava aplikace, nastavení automatizace. Interní lidé nebo dodavatel.
Příprava dat	jednorázové (+ průběžné)	Uspořádání dokumentů, vyčištění starých verzí, doplnění chybějících informací. Často největší podceněná položka.
Provoz a dohled	průběžné	Někdo musí sledovat, jestli výstupy pořád dávají smysl, řešit chyby, upravovat pokyny, sledovat náklady.
Školení lidí	jednorázové (+ noví lidé)	Nejen „kde se to zapíná“, ale jak s nástrojem pracovat a jak výstupy kontrolovat.
Změna procesu	jednorázové	Přepsání postupů, nové role, čas vedoucích, období, kdy lidé pracují pomaleji, protože se učí.
Právní a bezpečnostní posouzení	jednorázové (+ revize)	Smlouva s dodavatelem, zpracování osobních údajů, povinnosti podle evropského AI aktu.

Platba za tokeny: proč je těžké ji odhadnout

U API se neplatí za uživatele, ale za množství zpracovaného textu v tokenech. Co je token a proč čeština spotřebuje víc tokenů než angličtina, víš z lekce Tokeny. Pro rozpočet z toho plynou tři věci:

Platí se i za vstup. Když modelu ke každému dotazu pošleš dlouhé pokyny a tři stránky podkladů, platíš za ně při každém volání. Vstup bývá větší než výstup, i když je za token levnější.
Rozdíly mezi modely jsou obrovské. U jednoho výrobce se v době psaní liší cena nejlevnějšího a nejdražšího modelu zhruba stonásobně. Volba modelu tak často rozhoduje o nákladech víc než objem.
Náklady rostou s úspěchem. Když lidé začnou nástroj používat víc, nebo když z jednoduchého volání vznikne agent, který model volá desetkrát za úlohu, účet se mění. Proto je potřeba náklady sledovat od prvního dne.

Jak náklady na model měřit a snižovat (volba modelu, ukládání opakovaného vstupu do mezipaměti, dávkové zpracování), probírá lekce Náklady a volba modelu. Pro první odhad stačí hrubý výpočet, jaký najdeš v rozbalovacím bloku níže.

Do hloubkyHrubý odhad nákladů na tokeny

Řekněme, že aplikace měsíčně zpracuje 3 000 e-mailů. Ke každému pošle modelu pokyny, text e-mailu a podklady o objednávce, celkem odhadem 3 000 tokenů vstupu, a dostane zpět návrh odpovědi o 500 tokenech.

Vstup: 3 000 × 3 000 = 9 milionů tokenů měsíčně.
Výstup: 3 000 × 500 = 1,5 milionu tokenů měsíčně.

Ceny se uvádějí za milion tokenů, zvlášť pro vstup a výstup. Podle ceníku jednoho z velkých výrobců v době psaní:

Model ze střední třídy (například 2 dolary za milion vstupních a 10 dolarů za milion výstupních tokenů) vyjde na 9 × 2 + 1,5 × 10 = 33 dolarů měsíčně.
Nejdražší model (10 a 50 dolarů) vyjde na 9 × 10 + 1,5 × 50 = 165 dolarů.
Nejlevnější model (0,10 a 0,50 dolaru) by vyšel asi na 1,65 dolaru.

Dvě poučení. Zaprvé, u takové úlohy jsou tokeny často menší položka než čas lidí, kteří řešení udržují. Zadruhé, číslo se může změnit řádově podle toho, jak dlouhé podklady posíláš a kolikrát model voláš. Ceny se mění, takže vždy počítej s aktuálním ceníkem (odkaz najdeš ve zdrojích) a nech si rezervu.

Přínosy a past ušetřených minut

Přínosy AI se dají rozdělit do pěti skupin:

Ušetřený čas. Úloha trvá méně dlouho.
Kvalita. Méně chyb, jednotnější výstupy, lepší texty.
Rychlost. Zákazník dostane odpověď za hodinu místo za den, nabídka odejde dřív než od konkurence.
Tržby. Víc vyřízených poptávek, lepší popisy produktů, které líp prodávají, obsluha zákazníků v dalším jazyce.
Nové schopnosti. Věci, které dřív nešly vůbec, třeba projít tisíce smluv a najít v nich rizikové doložky, nebo obsluhovat zákazníky v noci.

Nejčastěji se počítá ten první, protože se nejlíp měří. A právě u něj je nejčastější chyba.

Proto se při výpočtu vyplatí ptát: „Co konkrétně se stane s ušetřeným časem?“ Pokud odpověď zní „servis zvládne o 30 % víc dotazů, takže při plánovaném růstu nemusíme příští rok přijímat dalšího člověka“, je to skutečný přínos. Pokud odpověď zní „no, lidé budou mít víc času“, započítej jen část, a otevřeně napiš, jakou.

Že to není jen teorie, naznačuje rozsáhlá dánská studie ekonomů Andrese Humluma a Emilie Vestergaardové. Propojili průzkumy mezi tisíci pracovníků v profesích, kterých se AI chatboty týkají, s úředními záznamy o mzdách a odpracovaných hodinách. Lidé hlásili, že jim chatboty šetří čas, ale v prvních dvou letech po nástupu ChatGPT se to v jejich mzdách ani odpracovaných hodinách nijak měřitelně neprojevilo. Firmy místo toho měnily náplň práce: přibyly úlohy jako kontrola výstupů z AI nebo její zapojování do práce. Je to jedna studie z jedné země a z rané doby, ale dobře ukazuje, že mezi „ušetřenými minutami“ a výsledkem firmy je dlouhá cesta.

Příklad: spočítáme návratnost

Vezmeme nejlépe hodnoceného kandidáta smyšlené firmy TechnoDíly z minulé lekce: návrhy odpovědí na e-maily zákazníků. Všechna čísla jsou ilustrativní, vymyšlená pro tento příklad. Smyslem není výsledek, ale postup: každý předpoklad je napsaný, takže ho můžeš nahradit svými čísly.

Návratnost: návrhy odpovědí na e-maily (ilustrativní čísla)

Předpoklady:

Předpoklad	Hodnota
Počet e-mailových dotazů měsíčně	3 000
Dnešní čas na jednu odpověď	6 minut
Čas s návrhem od AI (včetně kontroly)	3,5 minuty, tedy úspora 2,5 minuty
Podíl dotazů, u kterých operátoři AI opravdu použijí (adopce)	80 %
Náklad na hodinu práce operátora (mzda včetně odvodů a režie)	450 Kč
Část ušetřeného času, která se promění ve skutečnou hodnotu	60 % (tým zvládne růst objednávek bez nového člověka, zbytek se „rozpustí“)

Jednorázové náklady: napojení na helpdesk a příprava podkladů 120 000 Kč, školení a úprava postupů 20 000 Kč, právní a bezpečnostní posouzení 15 000 Kč. Celkem 155 000 Kč.

Průběžné náklady měsíčně: API nebo licence s rezervou 3 000 Kč, provoz a dohled (asi 8 hodin práce) 7 000 Kč. Celkem 10 000 Kč.

Přínos měsíčně:

Ušetřený čas: 3 000 × 80 % × 2,5 min = 6 000 minut = 100 hodin.
Hodnota: 100 h × 450 Kč × 60 % = 27 000 Kč.
Čistý přínos: 27 000 − 10 000 = 17 000 Kč měsíčně.

Výsledek:

Návratnost jednorázové investice: 155 000 ÷ 17 000 ≈ 9 měsíců.
První rok: přínos 12 × 27 000 = 324 000 Kč, náklady 155 000 + 12 × 10 000 = 275 000 Kč. Čistě 49 000 Kč, tedy návratnost investice (ROI) kolem 18 %.
Od druhého roku odpadnou jednorázové náklady a čistý přínos je asi 200 000 Kč ročně.

Vypadá to dobře. Teď ale přijde nejdůležitější část: co když se předpoklady nesplní?

Citlivostní analýza: co když…

Citlivostní analýza(sensitivity analysis): Ověření, jak se změní výsledek výpočtu, když se změní jeden předpoklad. Ukáže, na kterých předpokladech výsledek nejvíc závisí, a tedy co je potřeba v pilotu ověřit jako první.

Zkusíme změnit dva nejistější předpoklady, každý zvlášť:

Scénář	Přínos měsíčně	Čistě měsíčně	Návratnost
Základ (adopce 80 %, úspora 2,5 min)	27 000 Kč	17 000 Kč	asi 9 měsíců
Adopce jen 30 %	10 125 Kč	125 Kč	prakticky nikdy
Úspora jen 1,5 min (kontrola trvá déle)	16 200 Kč	6 200 Kč	asi 25 měsíců

Výpočet pro adopci 30 %: 3 000 × 30 % × 2,5 min = 2 250 minut = 37,5 hodiny, × 450 Kč × 60 % = 10 125 Kč. Po odečtení průběžných nákladů zbude 125 Kč měsíčně, takže se jednorázová investice nevrátí.

Z tabulky plyne zásadní poučení: projekt nestojí na technologii, ale na tom, jestli ho lidé budou používat. Adopce 30 % není pesimistický výmysl. Stává se běžně, když lidé nástroji nevěří, když je nepohodlný nebo když je nikdo nenaučil, jak s ním pracovat. Pilot by proto měl jako první ověřit právě adopci a skutečnou úsporu času, ne to, jestli model píše hezké odpovědi. A rozpočet by měl počítat i s náběhem: v prvních měsících bude adopce nižší a lidé pomalejší.

Přínosy, které se špatně měří

Ne všechno se dá převést na koruny. Některé přínosy jsou skutečné, ale těžko měřitelné:

Spokojenost zákazníků z rychlejší odpovědi (dá se sledovat přes hodnocení, ale přisoudit změnu právě AI je těžké).
Méně rutinní práce a s tím menší odchody lidí. Studie zákaznické podpory níže zaznamenala nižší odchodovost, ale u tebe to může být jinak.
Zachované znalosti, když odchází zkušený člověk.
Zkušenost firmy s AI, která se hodí u dalších projektů.

Tyhle přínosy do výpočtu nedávej jako vymyšlená čísla. Napiš je vedle výpočtu slovy a nech vedení posoudit, kolik pro ně váží. Pokud se projekt vyplatí jen díky nim, je to důležitá informace, ne důvod je nafouknout.

Rizika jsou taky náklady

Riziko je náklad, který možná přijde. I když ho nemůžeš přesně vyčíslit, patří do rozhodování:

Chyby. Špatná odpověď zákazníkovi, chybný údaj v nabídce. Náklad zahrnuje opravu, kompenzaci a čas na řešení. Zmírňuje se kontrolou člověkem a volbou úloh, kde je chyba levná.
Pověst. Jeden absurdní výstup, který někdo zveřejní, může stát víc než celý projekt. Platí to hlavně u všeho, co komunikuje přímo se zákazníky bez kontroly.
Právní riziko. Osobní údaje, smluvní závazky, povinnosti podle AI aktu. Z lekce Jak výstupy ověřovat znáš případ letecké společnosti, která odpovídala za chybnou informaci svého chatbota. Podrobně se právu věnuje kurz Právo a etika, například lekce Kategorie rizika.
Závislost na dodavateli (anglicky vendor lock-in). Když postavíš proces na jednom nástroji, dodavatel může zdražit, změnit podmínky nebo model, a přechod jinam bude drahý. Pomáhá mít vlastní testovací příklady a nepřivazovat se k vlastnostem jednoho produktu bez potřeby. Rozhodování mezi koupí a vlastním řešením rozebírá lekce Koupit, nebo postavit.
Bezpečnost. Únik dat do nástroje, který je neměl dostat, nebo útoky, při kterých někdo do textu schová pokyny pro model (o nich lekce Prompt injection).

Praktický postup: ke každému riziku napiš, jak pravděpodobné je, co by stálo a co uděláš pro jeho snížení. Opatření (kontrola, školení, právní posouzení) mají svou cenu a ta patří zpátky do nákladů.

Co říká výzkum o produktivitě

Na konferencích uslyšíš čísla jako „AI zvyšuje produktivitu o 40 %“. Taková čísla obvykle pocházejí ze skutečných studií, ale bez kontextu jsou zavádějící. Podívejme se na dvě nejcitovanější.

Zákaznická podpora (Brynjolfsson, Li, Raymond). Ekonomové sledovali 5 179 pracovníků zákaznické podpory softwarové firmy, kteří postupně dostali AI asistenta navrhujícího odpovědi. Počet vyřešených požadavků za hodinu vzrostl v průměru o 14 %. U nováčků a méně zkušených pracovníků o 34 %, u nejzkušenějších a nejšikovnějších byl efekt minimální. Autoři to vysvětlují tím, že asistent předává začátečníkům postupy, které zkušení kolegové už znají.

Konzultanti BCG (Dell'Acqua a kol.). Experiment s 758 konzultanty Boston Consulting Group s GPT-4. U úloh, které AI zvládala (vymýšlení a rozpracování nového produktu), dosáhli účastníci s AI výrazně lepších výsledků, podle shrnutí BCG zhruba o 40 % kvalitnějších než kontrolní skupina. Nejvíc si polepšili ti slabší. U úlohy schválně navržené mimo schopnosti AI (obchodní analýza, kde AI sváděla k chybnému závěru) ale dopadli lidé s AI hůř než ti bez ní. Autoři pro to zavedli pojem nepravidelná hranice (jagged frontier): AI zvládá některé úlohy výborně a jiné, na pohled podobně těžké, špatně, a předem není vidět, kde ta hranice vede.

Co si z toho odnést pro firmu:

Přínos závisí na úloze. Stejný nástroj může u jedné úlohy výrazně pomoct a u jiné uškodit. Proto se přínos musí měřit na vlastních úlohách, ne převzít z cizí studie.
Přínos závisí na člověku. Zkušení lidé často získají méně, začátečníci víc. To mění i úvahu, komu nástroj nasadit nejdřív.
Pocit není měření. Lidé svou úsporu času s AI často odhadují jinak, než jak vychází měření. Proto patří do pilotu skutečné měření, ne jen dotazník spokojenosti.

Do hloubkyProč se výsledky studií tolik liší

Studie o produktivitě AI se liší v mnoha věcech najednou, a proto jejich čísla nejdou jednoduše porovnat:

Co se měří. Rychlost (úlohy za hodinu), kvalita (hodnocení výstupu odborníky), nebo ekonomický výsledek (mzdy, tržby). Studie zákaznické podpory měřila vyřešené požadavky za hodinu, experiment BCG hodnocení kvality, dánská studie mzdy a odpracované hodiny. Každá odpovídá na jinou otázku.
Laboratoř, nebo provoz. V experimentu dostanou lidé připravenou úlohu a omezený čas. Ve skutečné práci musí úlohu nejdřív najít, sehnat podklady a výsledek někam zapracovat.
Jaký model a kdy. Studie zachycují stav nástrojů v určité době. Modely se zlepšují, takže starší výsledky mohou dnešní přínos podceňovat, ale i dnešní nadšení může být za rok jinde.
Kdo jsou lidé. Zkušenost, obor, ochota nástroj používat.

Dobrou ilustrací je výzkum organizace METR se zkušenými programátory open source projektů z roku 2025. Programátoři předem čekali, že je AI zrychlí, a i po skončení měli pocit, že je zrychlila, ale změřený čas vyšel s AI delší, v průměru asi o 19 %. Sama organizace v roce 2026 upozornila, že nástroje se od té doby zlepšily a že nová měření ukazují spíš zrychlení, i když jsou zatížená vlastními metodickými problémy. Ponaučení není „AI zpomaluje“, ale že odhad lidí a skutečné měření se mohou rozcházet, i u odborníků.

Co si odnést

Náklady AI projektu nejsou jen licence. Patří k nim tokeny u API, napojení na systémy, příprava dat, provoz a dohled, školení, změna procesu a právní posouzení.
U API rozhoduje o ceně hlavně volba modelu a délka vstupu. Náklady rostou s používáním, sleduj je od prvního dne.
Ušetřené minuty mají hodnotu, jen když se promění v něco jiného: víc zvládnuté práce, rychlejší odpověď, odložené přijímání. Do výpočtu dávej jen tu část, kterou umíš obhájit.
Každý výpočet návratnosti stojí na předpokladech. Napiš je a vyzkoušej, co se stane, když se nesplní. Výsledek nejvíc závisí na adopci, a právě tu ověř v pilotu jako první.
Rizika (chyby, pověst, právo, závislost na dodavateli, bezpečnost) jsou náklady, které možná přijdou. Opatření proti nim patří do rozpočtu.
Výzkum ukazuje skutečné přínosy, ale silně závislé na úloze a člověku, a u některých úloh i škodu. Měř na vlastních úlohách, nepřebírej cizí procenta.

Zdroje a další čtení

Brynjolfsson, Li, Raymond: Generative AI at Work (NBER, 2023) – studie 5 179 pracovníků zákaznické podpory a jejich produktivity s AI asistentem.
BCG: How People Can Create – and Destroy – Value with Generative AI (2023) – výsledky experimentu s 758 konzultanty včetně úlohy mimo „hranici“ AI.
Humlum, Vestergaard: Large Language Models, Small Labor Market Effects (NBER, 2025) – dánská studie o tom, proč se přínosy chatbotů zatím neprojevily ve mzdách a hodinách.
METR: aktualizace výzkumu produktivity programátorů (2026) – proč se odhad a měření liší a jak rychle zastarávají výsledky studií.
Anthropic: ceník modelů v API – příklad, jak se ceny za tokeny uvádějí a jak velké jsou rozdíly mezi modely.