Byznys

Co AI skutečně dokáže pro vaši firmu, funkci po funkci

Většina firemních debat o AI začíná u technologie a teprve pak hledá, kam ji umístit. Užitečnějším východiskem je organizační struktura. Každá funkce produkuje proud opakovaných rozhodnutí a právě v něm AI buď vrátí víc, než stojí, nebo tiše nevrátí.

Následuje mapa podle funkcí, nikoli podle technologií: co je dnes reálně automatizovatelné, jaký měřitelný efekt hledat a za jakých podmínek se investice nevrátí. Uvedená čísla jsou řádové hodnoty běžně pozorované v praxi, nikoli výstup studie. Jediné číslo, na kterém v konkrétní firmě záleží, je to, které tam bylo změřeno před začátkem prací.

Obchod a práce s klienty

Tři úlohy pohlcují neúměrnou část obchodního času. Nabídky lze sestavit z toho, co už existuje — záznamu v CRM, srovnatelných nabídek na podobný rozsah, aktuálního ceníku, standardních podmínek — takže obchodník text upravuje, místo aby jej psal. Příchozí poptávky z několika kanálů lze klasifikovat podle kvalifikačních kritérií, směrovat, odbavit první odpovědí a označit ty, které se vůbec netrefují. Příprava na jednání se scvrkne na jednu stranu sestavenou z celé historie klienta: dřívější objednávky, otevřené tikety, platební chování, nevyřešené reklamace, co bylo slíbeno minule.

Měřit je třeba uplynulý čas, ne počet úhozů: hodiny od poptávky k odeslané nabídce, čas první reakce, podíl poptávek bez lidského kontaktu po dvaceti čtyřech hodinách. Příprava standardní nabídky se obvykle posune z hodin na desítky minut. Podstatnější je druhotný efekt — zkušení obchodníci přestanou trávit dopoledne poptávkami, které se nikdy neměly uzavřít.

Kde se to nevyplatí: deset velkých zakázek na míru ročně, každá vyjednávaná měsíce, neobsahuje nic natolik opakovaného, aby to šlo automatizovat. Stejně tak žádná firma, kde historie klienta žije v osobních e-mailových schránkách místo v CRM. To je problém datové disciplíny a AI nad ním vytvoří sebejistá shrnutí neúplných faktů.

Finance a účetnictví

Finance mají nejjasnější aritmetiku, protože ruční práce se tu už teď počítá v hodinách. Párování dokladů — faktur proti objednávkám, dodacím listům a bankovním řádkům — může běžet podle částky, protistrany, data a smlouvy a eskalovat jen výjimky. Příchozí doklady v podobě PDF v desítkách rozvržení lze převést do strukturovaných polí, což odstraní jak přepisování, tak překlepy, které se o týdny později objeví jako platební spor. Pohledávky se řídí vzorci: model, který zná historii protistrany, označí faktury ujíždějící z termínu dřív, než se dluh změní ve vymáhání.

U manažerského výkaznictví je sestavení čísel úloha pro ERP a BI. AI přidává komentář — proč se pohnula marže, kteří zákazníci nebo které řady za tím stojí — připravený ze stejných dat a schválený finančním ředitelem. Měřte podíl řádků spárovaných bez lidského zásahu, počet dní do uzávěrky, dobu obratu pohledávek a podíl pohledávek po šedesáti dnech. Pracnost odsouhlasení běžně klesá o polovinu i více; zbytek jsou skutečné rozdíly, které vždy vyžadovaly člověka.

Kde se to nevyplatí: pár desítek dokladů měsíčně vývoj nezaplatí. Stejně tak ne přísně regulovaná hlášení s pevným formátem, kde je software na pravidlech levnější a předvídatelnější. Dělba práce je stabilní — deterministická pravidla na přísné části, AI na ty neuspořádané.

Provoz a logistika

Prognóza poptávky a zatížení je nejstarší prověřenou aplikací a předchází LLM o desetiletí, hodnotu ale tvoří jen tam, kde předpověď mění rozhodnutí: objednávku, rozpis směn, trasu, závazek kapacity. Přidělování rozděluje příchozí zakázky mezi čety, trasy nebo stroje podle kvalifikace, lokality, aktuálního vytížení a slíbeného termínu. Hlídání termínů sleduje zakázky, u nichž se posunuly dílčí milníky, a vytáhne je nahoru, dokud je čas reagovat — s pravděpodobnou příčinou, ne jako holé upozornění. Analýza odchylek čte volně psané záznamy o výjimkách od lidí nejblíže problému a shlukuje příčiny podle dodavatele, směny, produktu nebo regionu — ze „čtyřicetkrát jsme se v tomto kvartálu opozdili“ dělá „za šedesát procent z toho mohou dva dodavatelé“.

Měřte chybu předpovědi na horizontu, na němž se skutečně rozhoduje, a pak to, co z ní plyne: výpadky zásob, přesčasy, nevyužitou kapacitu, expresní dopravu, dodržení termínů, rozptyl vytížení napříč týmem.

Kde se to nevyplatí: nepravidelná poptávka bez použitelné historie — nová produktová řada, firma mladší dvou let — nedá předpovědi z čeho se učit. Stejně tak ne situace s pevnou kapacitou, kde by se rozhodnutí nezměnilo, ať předpověď říká cokoli. Lepší informace, která nemůže změnit žádný krok, je drahé pohodlí.

Dokumenty a právní rutina

Právě tady odvádějí vyhledávací systémy typu RAG práci, kterou nic jiného nezvládne dobře. Vyhledávání a odpovědi nad firemními dokumenty — směrnicemi, předpisy, smlouvami, technickou dokumentací, záznamy z minulých projektů — s odkazem na konkrétní ustanovení, což je zde nepodkročitelné: odpověď bez zdroje je v právním a compliance kontextu nepoužitelná. Porovnání smluv odpovídá na otázku, na kterou porovnání verzí v editoru nestačí: co se změnilo oproti naší standardní šabloně a které změny mají následek — odpovědnost, náhrada škody, ukončení, platební podmínky, jurisdikce. Extrakce podmínek staví registr závazků napříč celým portfoliem: data prodloužení a výpovědní lhůty, indexace, sankce, exkluzivita, objemové závazky.

Měřte objem dotazů eskalovaných na dva tři lidi, kteří vědí všechno, dobu, za kterou je nový zaměstnanec samostatně výkonný, a čas kontroly vrácené smlouvy s vyznačenými změnami. Pro řadu firem je extrakce prvním okamžikem, kdy jsou jejich vlastní závazky vidět na jednom místě, a obvyklým nálezem je smlouva, která se automaticky prodloužila, protože nikdo nehlídal výpovědní lhůtu.

Kde se to nevyplatí: sada dokumentů dost malá na to, aby ji přečetl jeden člověk, žádné vyhledávání nepotřebuje. Archiv netříděných skenů bez textové vrstvy mění projekt v cvičení z OCR a katalogizace, což je skutečný náklad a tak se má i ocenit. Cokoli opouští firmu jako právní stanovisko, zůstává asistované, nikdy autonomní.

Lidé a nábor

Přihlášky lze třídit proti požadavkům, na kterých skutečně záleží, s výsledkem v podobě seřazeného užšího výběru a písemného odůvodnění, se kterým může náborový manažer polemizovat. Popisy rolí lze postavit z toho, co tým skutečně dělá, a z profilů lidí, kteří na dané pozici uspěli, místo ze šablony plodící stejný obecný inzerát jako u konkurence. Interní dotazy — dovolená, výdaje, vybavení, přístupy, nástroje — běží na stejném vyhledávacím mechanismu namířeném na interní dokumentaci. Měřte čas od přihlášky k prvnímu kontaktu, podíl uchazečů posouzených do dvaceti čtyř hodin a objem tiketů dopadajících na HR a IT.

Kde se to nevyplatí: pět náborů ročně není objem. A model nesmí sám rozhodovat o zamítnutí — v EU to znamená přímé riziko podle pravidel o automatizovaném rozhodování a analyticky to optimalizuje na špatnou veličinu. Systém řadí a vysvětluje, rozhoduje člověk.

Vedení: panel, na kterém majitel vidí firmu

Za většinou manažerských dashboardů nestojí požadavek na další grafy. Jde o dvě věci: krátkou sadu čísel, která tuhle firmu skutečně řídí — stav hotovosti, objem nevyřízených zakázek, marži po řadách, dodržení termínů, pokrytí obchodního trychtýře — a vysvětlující vrstvu, jež běžným jazykem řekne, proč se číslo pohnulo, s možností rozpadu až na jednotlivé záznamy.

Druhá část byla až donedávna obtížná. Sestavit metriky umí běžné BI. Vysvětlit odchylku — že pokles marže je soustředěn v jednom regionu a táhnou ho dva zákazníci se slevovými podmínkami po zdražení od dodavatele — znamenalo týden práce analytika, o který si někdo řekl teprve tehdy, když už byla odchylka velká. Automatizace mění tempo řízení, a proto je rozumnou metrikou počet dní mezi událostí a okamžikem, kdy na ni někdo zareagoval.

Kde se to nevyplatí: když si zdrojové systémy odporují a tržby mají dvě verze podle toho, kde se čtou. Pak je projekt sjednocením dat a nazývat ho AI jen odkládá skutečnou práci. Selže i tam, kde majitel čísla už má a nejedná podle nich — nákup nástroje zakrývá problém řízení.

Jak rozeznat, kde se AI vyplatí a kde je dekorací

Rozdíl určují čtyři otázky a platit musí všechny čtyři.

• Opakovatelnost. Má úloha rozpoznatelný tvar — podobné vstupy, podobné výstupy, popsatelnou představu dobré odpovědi? Užitečný test: dokázali byste ji písemně vysvětlit schopnému nováčkovi? Pokud váš vlastní tým neumí popsat, jak se rozhoduje, systém to neodvodí.
• Cena chyby. Co se stane, když je výstup špatně, a jak snadno se to vrátí zpět? Špatnou větu v konceptu někdo přepíše; špatnou platbu, právní stanovisko ani zprávu klientovi ne. Vysoká cena úlohu nediskvalifikuje — posouvá návrh od automatizace k asistenci a obchodní zdůvodnění od počtu lidí k rychlosti a kvalitě toho, kdo zůstává ve smyčce.
• Objem. Vývoj je fixní náklad, úspora vzniká na každé události. Hrubý test zabere deset minut: hodiny na úlohu měsíčně krát plná hodinová sazba krát dvanáct, proti nákladu na vývoj plus rok provozu. Pokud roční úspora nepokryje vývoj zhruba do roka, patří úloha na jiný seznam — ne proto, že selhala technologie, ale proto, že nevyšla aritmetika.
• Data. Existují vstupy už teď ve strojově čitelné podobě, na jednom místě a s odpovědným vlastníkem? Právě tady se většina projektů zasekne a poctivá odpověď na otázku „proč to tak dlouho trvá“ bývá zde. Omezením nikdy nebyl model.

Všechny čtyři znamenají projekt. Tři ze čtyř znamenají nejdřív doplnit chybějící podmínku, a téměř vždy jsou to data. Dvě a méně znamenají úlohu zatím nechat být, ať demo vypadalo jakkoli.

Co z toho plyne pro první projekt

Vzorec, který funguje, je úzký: jedna funkce, jeden proces, výchozí stav změřený dřív, než se cokoli postaví. Firmy, které z AI hlásí zklamání, zřídka narazily na slabý model. Narazily na to, že si předem nezapsaly, kolik proces stál, a nemohly tedy ukázat žádné zlepšení. Návratnost od výdaje odděluje číslo zaznamenané před začátkem prací a ochota předem pojmenovat podmínku, za níž bude projekt vyhodnocen jako neúspěšný.

AKVANT Technologies je firma pro AI poradenství a vývoj. Se společnostmi hledáme, kde se AI vyplatí — a stavíme jen tam.