AI sa dnes dá pridať takmer všade. Práve preto je dobré zamyslieť sa aj nad tým, kde ju radšej netlačiť.
Na Google Cloud Summite 2026 bola o AI prakticky každá prednáška. Mňa však skôr najviac zaujali príklady s reálnymi výsledkami a jasným dopadom. A všetky mali spoločné jedno: začali konkrétnym cieľom.
Spísal som ich spolu s odporúčaniami, čo sa pri AI oplatí robiť hneď od začiatku a čomu sa radšej vyhnúť.
1. Začnite cieľom, potom vyberte AI scenár
Na summite viackrát zaznelo, že dobré AI riešenie začína cieľom. Najprv treba vedieť, ktorý proces chceme zlepšiť a ako spoznáme prínos.
Keď má AI jasnú úlohu
METRO používa AI pri spracovaní objednávok z viacerých kanálov, napríklad z WhatsAppu, chatu alebo emailu. Automatizovane tak spracúva približne 8 miliónov objednávok a AI používa aj pri práci so Salesforce pre tím s približne 8 000 ľuďmi.
O2 zapája AI do zákazníckej podpory, kde je zautomatizovaná približne tretina zákazníckeho servisu. AI zároveň vyhodnocuje interakcie so zákazníkmi a pri signáli nespokojnosti sa zákazníkovi ozve človek do 15 minút.
V oboch prípadoch má AI konkrétnu úlohu: rýchlejšie spracovať požiadavku, vyhodnotiť veľký objem komunikácie alebo dostať človeka do procesu v správnom momente.
Ako to môže vyzerať v praxi
Pri ecommerce, portáli alebo internom systéme môže byť cieľom napríklad skrátiť čas, ktorý podpora trávi hľadaním informácií o objednávke. AI prečíta požiadavku zákazníka, nájde súvisiacu objednávku, overí jej stav, pripraví návrh odpovede a odovzdá ho operátorovi na kontrolu.
Takýto scenár sa dá navrhnúť aj vyhodnotiť. Firma vie, ktorý proces zlepšuje, aký výsledok očakáva a podľa čoho spozná, že AI pomohla.
Čomu sa radšej vyhnúť
AI vie zrýchliť písanie kódu, ale to ešte neznamená, že má tím otvoriť každý odložený nápad a spraviť z neho novú funkcionalitu.
Ak vznikne veľa nového kódu, vznikne aj veľa práce okolo neho – review, testovanie, údržba, bezpečnostné kontroly, rozhodnutia pri nasadení a zodpovednosť za to, ako sa nová funkcionalita správa v produkcii.
V takom prípade sa hodiny práce môžu ľahko presunúť z vývoja do kontroly, bez zvýšenia akejkoľvek efektivity. Tím síce vyrobí viac vecí, ale zároveň musí viac vecí preveriť, opraviť, zladiť a udržiavať.
Čo robiť
Vybrať si niekoľko AI scenárov s najväčším prínosom. Takých, kde vieme povedať, ktorý proces zlepšujeme, komu to pomôže, aké dáta potrebujeme a podľa čoho zmeriame výsledok.
Dobrá otázka na začiatok teda znie:
Ktorý proces chceme zlepšiť a ako zmeriame prínos?
2. Každý AI nástroj potrebuje jasné pravidlá
Na summite zaznela aj výstraha pred tzv. Agentic Zoo – situáciou, keď firma začne rýchlo pridávať rôzne AI riešenia bez jasnej súvislosti a spoločných pravidiel.
Jeden agent pomáha s obsahom, druhý vyťahuje dáta, tretí spracúva tickety, ďalší pripravuje reporty alebo asistuje v administrácii. Na prvý pohľad to môže vyzerať ako pokrok. V praxi však každé nové AI riešenie prináša vlastnú cenu, prístup k dátam, spôsob kontroly výstupu a bezpečnostný dopad.
Cena, dáta a bezpečnosť
Pri AI riešeniach preto treba od začiatku myslieť nielen na to, čo dokážu, ale aj na to, koľko budú stáť pri reálnom používaní. Cena modelov, tokenov a nástrojov sa môže časom meniť a riešenie, ktoré dnes vyzerá lacno, môže byť pri väčšom objeme používania výrazne drahšie.
Aj preto dáva zmysel rozlíšiť, čo má riešiť AI a čo klasický kód. Presné výpočty, jednoduché pravidlá alebo stabilné kroky systému často patria do kódu. AI má väčší prínos tam, kde treba pracovať s textom, dokumentmi, zákazníckymi požiadavkami, nejasným zadaním alebo viacerými signálmi naraz.
Čomu sa radšej vyhnúť
Pozor aj na interné rebríčky v tom, kto používa AI najviac (token leaderboard). Teda situácie, keď sa úspech meria podľa počtu promptov, výstupov alebo tokenov, ktoré tím vyprodukoval.
Veľa výstupov ešte neznamená dobrý výsledok. Firma potom ľahko platí viac, kontroluje viac a pritom nemusí byť bližšie k reálnemu prínosu. AI nemá byť súťaž v aktivite, ale nástroj na zlepšenie konkrétnej práce.
Čo robiť
Pri AI riešení sa oplatí pripraviť pravidlá pre bezpečné a rozumné používanie AI (safety nets). V praxi ide najmä o štyri oblasti:
- Dáta: ku ktorým zdrojom má AI prístup a ktoré informácie patria mimo jej dosahu.
- Akcie: čo môže AI vykonať sama a kde pripraví iba návrh pre človeka.
- Náklady: ako sa sleduje používanie modelov, tokenov a nástrojov pri väčšom objeme.
- Kontrola: kde sa logujú výstupy, kto ich schvaľuje a čo sa stane pri chybe alebo neistom výsledku.
AI potom funguje ako súčasť systému s jasnými hranicami. Firma vie, kde môže pomôcť samostatne, kde má pripraviť podklad a kde má rozhodnutie zostať na človeku.
Dobrá otázka pre tento bod:
Aké pravidlá potrebuje naše AI riešenie, aby bolo bezpečné, kontrolovateľné a udržateľné?
3. Hľadajte prácu, ktorú AI vie škálovať
Silný príklad zo summitu bola ukážka generovaných promo obrázkov pre okuliare. Pri katalógu s približne 20 000 aktívnymi produktmi je klasické fotenie rôznych vizuálov pre rôzne trhy časovo aj finančne náročné. Tím preto využil AI na tvorbu produktových fotiek prispôsobených konkrétnym krajinám: pre Taliansko napríklad s tmavovlasými modelmi v južansky pôsobiacom prostredí, pre severské krajiny zas s blond typmi v seversky ladenej scéne. Na webe sa potom návštevníkom automaticky zobrazovali vizuály podľa ich trhu.
Výsledok ukázal silu škálovania: celý proces od nápadu po zverejnenie fotky na webe trval približne 2 hodiny, náklady na jeden obrázok boli 200× nižšie ako pri klasickom fotení a v testoch sa miera konverzie zvýšila o 34 %. Web zároveň z rovnakej návštevnosti priniesol vyšší obrat.
Ako to môže vyzerať vo firme
Podobný princíp platí aj pri obsahu, produktových dátach, reportoch, zákazníckych odpovediach alebo administratíve. AI má zmysel tam, kde tím robí veľa podobnej práce, ale každý výstup potrebuje trochu iný kontext.
Čomu sa radšej vyhnúť
AI sa neoplatí používať len preto, aby vznikalo viac výstupov. Dôležité je, aby tie výstupy riešili konkrétny problém: rýchlosť, náklady, objem práce, personalizáciu alebo dostupnosť kvalitných podkladov.
Čo robiť
Hľadať procesy, kde má firma veľký objem podobnej práce a zároveň potrebuje prispôsobiť výstup produktu, trhu, zákazníkovi alebo internému pravidlu.
Dobrá otázka pre tento bod:
Ktorú prácu dnes robíme opakovane a AI by ju vedela pripraviť rýchlejšie, lacnejšie alebo vo väčšom rozsahu?
Záver
AI sa vo firmách postupne posúva z roviny experimentov do praktickej fázy. A práve vtedy vzniká najväčšie riziko: že sa z dobrých nápadov stane veľa rozbehnutých pokusov, ktoré nikto poriadne nemeria, nestráži a nedotiahne.
Preto sa oplatí držať jednoduchý rámec:
- začať konkrétnym cieľom,
- vybrať AI scenár s jasným prínosom,
- nastaviť pravidlá pre dáta, náklady a kontrolu,
- hľadať prácu, ktorú AI vie škálovať.
Dobrý začiatok je pozrieť sa na procesy, ktoré už vo firme bežia: zákaznícka podpora, objednávky, administratíva, obsah, reporting alebo schvaľovanie. Práve tam sa dá nájsť miesto, kde AI zrýchli prácu, zlepší orientáciu v dátach alebo pripraví kvalitnejší podklad pre človeka.
Kde môže AI pomôcť práve vo vašej firme?
Máte proces, ktorý chcete zrýchliť, zjednodušiť alebo lepšie prepojiť s dátami? Pozrieme sa naň spolu a vyhodnotíme, kde má AI reálny prínos, aké dáta a pravidlá bude riešenie potrebovať a ako sa dá jeho výsledok merať.
Keď bude AI najlepšia cesta, navrhneme, ako ju zapojiť do vášho digitálneho produktu alebo interného procesu. Keď bude vhodnejšie jednoduchšie riešenie, povieme vám to.
Často kladené otázky o zavádzaní AI do firmy
Kde má AI vo firme najväčší zmysel?
AI má najväčší prínos tam, kde tím spracúva väčšie množstvo textu, dokumentov, zákazníckych požiadaviek alebo dát a jednotlivé prípady potrebujú určitú mieru kontextu. Typickým príkladom môže byť zákaznícka podpora, spracovanie objednávok, reporting, administratíva, práca s produktovými dátami alebo príprava obsahu.
Ako vybrať prvý AI scenár vo firme?
Začať sa oplatí konkrétnym procesom, pri ktorom viete pomenovať problém aj očakávaný výsledok. Dobrý AI scenár má jasného používateľa, dostupné dáta a merateľný cieľ, napríklad kratší čas spracovania požiadavky, nižšie náklady alebo väčší objem práce zvládnutý rovnakým tímom.
Kedy je lepšie použiť klasický kód namiesto AI?
Klasický kód je vhodnejší pri presných výpočtoch, jednoznačných pravidlách a stabilných procesoch, pri ktorých má systém vždy vykonať rovnaký krok. AI má väčší prínos pri úlohách, kde treba pracovať s neštruktúrovaným obsahom, významom textu, nejasným zadaním alebo viacerými signálmi naraz.
Musí mať AI prístup ku všetkým firemným dátam?
Nie. Prístup AI k dátam by mal vychádzať z konkrétnej úlohy. Od začiatku je dobré určiť, ktoré zdroje môže riešenie používať, ktoré informácie nepotrebuje a ktoré citlivé dáta majú zostať mimo jeho dosahu.
Čo sú safety nets pri AI riešeniach?
Safety nets sú pravidlá a technické mechanizmy, ktoré určujú hranice AI riešenia. Definujú napríklad prístup k dátam, akcie, ktoré môže AI vykonať samostatne, situácie vyžadujúce schválenie človekom, sledovanie nákladov, logovanie výstupov a postup pri chybe alebo neistom výsledku.
Musí človek kontrolovať každý výstup AI?
Závisí od konkrétneho scenára a jeho rizika. Pri niektorých úlohách môže AI pracovať samostatne, pri iných je vhodnejšie, aby pripravila návrh a konečné rozhodnutie zostalo na človeku. Hranica by mala byť nastavená podľa dopadu prípadnej chyby na zákazníka, dáta alebo fungovanie systému.
Ako sa dajú kontrolovať náklady na AI?
Náklady sa oplatí sledovať už od prvého návrhu riešenia. Dôležité je poznať počet požiadaviek, spotrebu modelov a tokenov, používané nástroje aj očakávaný rast používania. Pri väčšom objeme má význam priebežne vyhodnocovať, ktoré úlohy potrebuje riešiť AI a ktoré môže efektívnejšie zabezpečiť klasický kód.
Ako zistíme, či AI firme skutočne pomáha?
Prínos sa má odvíjať od cieľa, s ktorým riešenie vzniklo. Môžete sledovať napríklad čas potrebný na dokončenie úlohy, náklady na jeden výstup, počet spracovaných požiadaviek, úspešnosť automatizácie, konverziu alebo množstvo práce, ktoré musí po AI ešte vykonať človek.
Musíme začať veľkým AI projektom?
Nie. Praktickejšie je začať jedným konkrétnym procesom, pri ktorom sa dá rýchlo overiť prínos aj technická realizovateľnosť. Ak sa scenár osvedčí, riešenie sa môže postupne rozširovať alebo prepojiť s ďalšími časťami systému.
