Dnes 18:11

Nejčastější příčiny, proč AI projekty ve firmách selhávají,

a doporučení, jak se jim vyhnout

Po období intenzivních investic do umělé inteligence přichází fáze, kdy firmy začínají vyhodnocovat skutečné přínosy. Z dat McKinsey & Company vyplývá, že méně než 30 % AI projektů v podnikovém prostředí dosáhne plánované návratnosti investic. Řada iniciativ končí bez výraznějších výsledků – často bez veřejného přiznání neúspěchu.

Technologie obvykle problémem nebývá

Zkušenosti z praxe ukazují, že samotná technologie většinou nepředstavuje hlavní bariéru. Modely jsou dostupné, nástroje stabilní a náklady na jejich provoz postupně klesají. Slabé místo se obvykle nachází uvnitř organizace; v nepřipravenosti procesů, chybějící odpovědnosti a nedostatečné komunikaci.

„Vidíme to opakovaně: management přijde nadšený z konference, kde viděl demo nějakého AI řešení. Chce totéž za šest týdnů. Nikdo se přitom nezeptá, jestli má čistá data, zda jsou procesy vůbec popsané, nebo kdo to bude v praxi používat," říká David Strejc, zakladatel společnosti Apertia Tech, která AI řešení implementuje a při analýzách neúspěšných implementací identifikuje několik typických, opakujících se příčin:

1. Nerealistická očekávání managementu

AI není univerzální řešení, které okamžitě automatizuje celý provoz. Vyžaduje postupné ladění, dohled a vyhodnocování. Projekty s očekáváním rychlé a výrazné návratnosti bývají často ukončeny předčasně.

2. Nejasná odpovědnost za projekt

Bez jednoznačného interního vlastníka dochází k přenášení odpovědnosti mezi IT a byznysovým oddělením. Výsledkem je zpomalení rozhodování a ztráta priority.

3. Chybějící definice úspěchu

Bez předem stanovených a měřitelných cílů nelze objektivně vyhodnotit přínos projektu. Pokud nejsou určeny konkrétní parametry – například úspora času, snížení chybovosti nebo zkrácení reakční doby – nelze projekt efektivně řídit.

4. Nekonzistentní a nepřipravená data

„Nejčastěji slyšíme: máme data v Excelu, v poštovní schránce a v hlavách lidí, kteří u nás už nepracují. Pak se diví, že AI nedává smysluplné výstupy," popisuje Strejc reálnou situaci z praxe.

5. Nedostatečné zapojení zaměstnanců

Systém navržený bez účasti lidí, kteří s daným procesem denně pracují, bývá v praxi odmítán nebo obcházen. To výrazně snižuje jeho přínos.

Pokud firma zaměstnancům neukáže, jak AI jejich práci usnadní, nikoliv nahradí, skončí projekt tichým bojkotem,

Lidský faktor jako klíčová proměnná

Zkušenosti z digitálních transformací potvrzují, že největší riziko neleží v technologii, ale v přijetí změny. Podle Gartneru selhalo 80 % neúspěšných digitálních transformací primárně z důvodů na straně lidí, nikoliv kvůli technickým limitům.

„Nejen pro AI technologie platí, že zaměstnanci mají často z nového IT řešení strach. Strach ze ztráty práce, strach z toho, že nebudou rozumět novému nástroji, strach z toho, že budou vypadat hloupě. Pokud firma tento strach neadresuje otevřeně a neukáže, jak AI jejich práci usnadní – nikoliv nahradí – projekt skončí tichým bojkotem," vysvětluje David Strejc.

V průmyslovém prostředí, kde jsou procesy dlouhodobě standardizované a odpovědnost jasně rozdělena, může být změna pracovních postupů citlivým tématem. Transparentní komunikace a postupné zavádění jsou proto zásadní.

Tři principy, které zvyšují šanci na úspěch

Z dosavadních implementací vyplývají tři základní principy, které pomáhají minimalizovat riziko neúspěchu:

Zaměřit se na konkrétní a ohraničený problém – Namísto rozsáhlé transformace celé organizace je efektivnější začít jedním jasně definovaným procesem – například konkrétním reportem, rutinní administrativní agendou nebo vybranou částí zákaznické komunikace. Pilotní projekt umožní ověřit přínos a nastavit další postup.
Vytvořit interní podporu projektu – Identifikace zaměstnanců, kteří mají k technologiím pozitivní vztah, pomáhá urychlit adopci. Praktická zkušenost sdílená mezi kolegy má větší dopad než formální rozhodnutí vedení.
Stanovit měřitelné cíle od začátku – Každý projekt by měl mít definované parametry úspěchu; například procentuální snížení nákladů, zrychlení procesu nebo redukci chybovosti v konkrétním časovém horizontu. Bez těchto metrik je obtížné projekt obhájit při pravidelném vyhodnocování.

Od experimentů k systematické implementaci

České firmy se podle dostupných dat pohybují v evropském průměru v oblasti adopce AI. Pilotní projekty jsou běžné, plně produkční nasazení zatím méně časté. Podle Evropské komise by však v roce 2026 mělo implementovat alespoň jeden podnikový proces s využitím AI více než 40 % středních a velkých firem v EU. „Ti, kteří se poučili z prvních neúspěchů a dnes postupují systematicky, získají konkurenční výhodu, která bude v příštích třech letech těžko dosažitelná. AI nepočká na firmy, které nejsou připravené," uzavírá David Strejc.