Co je AIRI a jak měří připravenost firmy na umělou inteligenci?

Proč AI projekty stagnují ještě před první nasazenou funkcí

Znáte to. Vedení schválí rozpočet na AI pilot, IT vybere nástroj, tým se nadchne. A za tři měsíce projekt tiše zamrzne. Ne proto, že by model nefungoval, ale protože data nebyla v pořádku, nikdo neměl mandát rozhodovat, nebo lidé nevěděli, co s výstupem dělat.

Většina AI projektů neselhává na špatném algoritmu. Selhává na organizační nepřipravenosti, kterou nikdo předem nediagnostikoval. Přesně z tohoto pozorování vznikl AIRI: AI Singapore ho vyvinul na základě stovek reálných angažmá s firmami napříč odvětvími, velikostmi i úrovněmi zralosti.

V praxi u českých firem vidíme stejný vzorec. Nadšení přeskočí fázi, ve které se má poctivě říct: ve které vrstvě máme díru? Technologie, data, lidé, nebo řízení? Kdo tuhle otázku nepoloží před nákupem nástroje, platí ji později rozpočtem.

Co AIRI měří a proč cílíte na Level 2, ne Level 4

AIRI v aktuální verzi hodnotí organizaci v 15 dimenzích napříč pěti pilíři, každou na škále od L0 (AI Unaware) po L4 (AI Catalyst). Klíčové doporučení je nečekané: pro většinu firem je správným cílem Level 2, tedy stav AI Ready. Ne každá organizace potřebuje být špičkovým katalyzátorem.

AIRI umožňuje firmě i jednotlivým útvarům změřit připravenost a pojmenovat mezeru mezi současným a cílovým stavem. To je celé kouzlo. Nejde o absolutní skóre, jde o rozdíl mezi tím, kde jste, a tím, kde chcete být.

Manažerská ambice zní typicky takto: chceme být jedničky. Jenže dostat každou dimenzi na L4 je drahé, zbytečné a pro většinu business modelů nadbytečné. Konkrétní rada: při prvním assessmentu si jako tým definujte cílový level za 12 měsíců v každém pilíři zvlášť, ne jen celkově. Zjistíte, že u některých stačí L2 a energii máte přesměrovat jinam.

Největší slepé místo českých firem: data existují, ale nejsou AI-ready

Data Readiness je pilíř, ve kterém české firmy nejčastěji přeceňují svou zralost. Mít data v systému totiž neznamená mít data připravená pro AI. Nekonzistentní, duplicitní nebo špatně klasifikovaná data vedou přímo k chybným výstupům, halucinacím modelů a rozpadajícím se funkcím.

Tohle je nejméně příjemná pravda celého frameworku. Špatná kvalita dat přímo způsobuje halucinace, zkreslené výstupy a nefunkční funkce modelu. Není to okrajová komplikace, je to bindingová překážka. Bez dobrých dat žádný nástroj nezachráníte.

Kvalita a standardizace dat jsou přitom kritické proto, že zajišťují jednotnost napříč odděleními a umožňují efektivní trénování algoritmů. Když má obchod jinou definici zákazníka než finance, žádný model to nespraví.

Konkrétní krok: proveďte datový audit odděleně od technologického. Neptejte se jen, kde data jsou, ale jak jsou označena, zda jsou konzistentní napříč odděleními a zda má každý klíčový datový zdroj svého ownera. Tohle je práce, kterou nejde outsourcovat na nástroj.

Technologie nestačí: governance jako systémové lepidlo AI transformace

Většina firem řeší AI připravenost odzadu. Nejdřív koupí infrastrukturu a nástroje, teprve pak si všimne, že nikdo neschvaluje projekty, nikdo neodpovídá za etiku dat a priorita se určuje podle toho, kdo zrovna křičí nejvíc.

Výzkum přitom ukazuje opačné pořadí priorit. AI připravenost je utvářena více systémovou soudržností a governance mechanismy než samotnou technologickou dostupností. Firmy, které nalijí peníze do infrastruktury bez governance rámce, naráží při škálování pilotů opakovaně na stejnou zeď.

Postavme to proti sobě jasně: investice do technologie vám dá pilot. Governance vám dá schopnost ten pilot rozšířit na celou firmu. Jedno bez druhého je slepá ulička. Proto k otázce, jak by měla firma přistupovat ke správě AI, doporučujeme přistupovat souběžně s assessmentem, ne až po něm.

Paralelně s AIRI assessmentem si proto zmapujte tři věci: kdo schvaluje AI projekty, kdo odpovídá za etiku dat a jak se rozhoduje o prioritizaci iniciativ. Bez tohoto rámce zůstane každý pilíř AIRI jen číslem bez majitele.

Jak provést AIRI assessment za 4 až 6 týdnů bez konzultantské armády

Základní AIRI self-assessment zvládnete samostatně přibližně za 15 minut. Smysluplný firemní sprint ale zahrnuje přípravu, workshopy s klíčovými stakeholdery a překlad výsledků do akčního plánu. Pro středně velkou českou firmu je realistický rámec 4 až 6 týdnů, a nepotřebujete k tomu armádu konzultantů.

Framework je dostupný pod licencí Creative Commons CC BY 4.0, takže vstupní diagnostiku můžete provést vlastními silami. To je zásadní pro segment firem, které nemají enterprise rozpočet, ale AI řešit chtějí.

1. Týden 1 až 2: sestavení týmu a self-assessment

   Dejte dohromady interní tým, kde je IT, HR, business owner a management. Proveďte společně self-assessment po jednotlivých pilířích.

2. Týden 3 až 4: validace a top 3 gaps

   Výsledky ověřte workshopem s klíčovými stakeholdery. Nespoléhejte na skóre, konfrontujte ho s realitou lidí v terénu a identifikujte tři nejzávažnější mezery.

3. Týden 5 až 6: akční plán s ownery

   Převeďte gaps do kvartálního akčního plánu s měřitelnými milníky a jmenovitě přiřazenými ownery. Gapa bez ownera se nezavře.

Tento postup je jádrem toho, jak zavádět AI do firmy bez zbytečných chyb a plýtvání rozpočtem. Diagnostika napřed, nákup až potom.

AIRI skóre nezaručuje úspěch AI projektu, a to je důležité vědět

Teď častá námitka: když projdeme assessmentem s dobrým skóre, máme vyhráno. Nemáte. AIRI je nástroj pro identifikaci mezer, ne pojistka proti selhání.

Stojí za tím i metodologická realita. Žádný jednotný standard pro měření AI připravenosti napříč frameworky dnes neexistuje. Skóre je tedy vždy relativní k dané metodě, ne absolutní certifikát. A i vysoké skóre neodstraní riziko stagnace, pokud firma neřeší škálování pilotů na firemní úroveň jako explicitní organizační výzvu.

Proto výsledky AIRI berte jako vstupní mapu, ne jako razítko. Doplňte je rozhovory s lidmi, kteří s daty a systémy pracují každý den, a ověřte, zda skóre odpovídá jejich realitě. Když se čísla a zkušenost rozcházejí, věřte zkušenosti a hledejte, proč assessment díru neukázal.

Od AIRI výsledků k měřitelnému dopadu: jak přeložit skóre do business jazyka

Vraťme nitky dohromady. Diagnostikovali jste pilíře, našli díru v datech, postavili governance, provedli sprint a přijali, že skóre není záruka. Zbývá jediná věc, která rozhodne, jestli se za výsledky vedení postaví: propojení s business metrikou.

Zlepšení AI readiness není cíl samo o sobě. Prioritizovat se má podle souladu s business strategií a vizí vedení pro měřitelnou tvorbu hodnoty. Cílem je nižší náklad, kratší time-to-market nebo lepší rozhodování. Tyto metriky musí stát za každou prioritizovanou gapou.

Ke každé identifikované AIRI gapě proto přiřaďte jednu otázku: co se zlepší a o kolik, když ji zavřu do šesti měsíců? Teprve s touto vazbou dostanete roadmapu, kterou vedení schválí, ne odloží. Právě tady začíná rozdíl mezi firmou, která o AI mluví, a firmou, která z ní má výsledky.