Připravenost na AI: co ověřit dříve, než utratíte první korunu za pilotní projekt

Proč AI piloty selhávají: problém není v modelu

Většina AI projektů nepadne na algoritmu ani na výběru platformy. Padne proto, že firma začne nasazovat technologii dřív, než má jasno, jaký výsledek chce a jaká data k němu má. Záměna pořadí se platí velmi drahým pilotem.

Čísla to potvrzují nemilosrdně. Jen 9 % organizací v regionu EMEA dokázalo za poslední dva roky vykázat měřitelné byznysové výsledky z většiny svých AI projektů. Zbytek utratil rozpočet a nemá co ukázat vedení.

A trend se zhoršuje. Podíl firem, které předčasně ukončily většinu svých AI pilotů, vyskočil ze 17 % na 42 % mezi lety 2024 a 2025. To není příběh o špatné technologii. To je příběh o firmách, které si nesepsaly, co vlastně chtějí dokázat.

Z naší praxe vidíme, že firmy přistupují k implementaci AI, jako by vybíraly novou leasingovku pro svou flotilu aut. Jenže tohle je násobně náročnější projekt. Ověření kvality vlastních dat pro strojovou čitelnost a strategie, jak zaměstnanci zareagují na nový postup práce, jsou naprosto zásadní věci rozhodující o úspěchu pilotu. A stále je většina firem podceňuje.

Co s tím? Než odešlete RFP, sepište jednu větu: jaký konkrétní byznysový výsledek chcete pilotem ověřit a do kdy. Pokud tu větu nedokážete napsat bez debaty o technologii, zastavte výběrové řízení. Nemáte ještě co poptávat.

Sebeklamná past: "Naše data jsou v pořádku"

Devět z deseti IT lídrů tvrdí, že mají přehled o všech svých datech. Jen čtvrtina z nich ta data skutečně řídí a může je prokazatelně použít v AI projektu. Přesně v té propasti mezi pocitem a realitou piloty padají.

89 % IT lídrů v EMEA říká, že má úplný přehled o tom, kde jejich data leží. Jen 26 % z nich ale potvrdí, že ta data jsou plně řízená a dokumentovaná. Vědět, kde data jsou, není totéž co mít je připravená k použití.

Rozdíl mezi „vidíme svá data" a „umíme svá data použít" je přesně ten okamžik, kdy pilot narazí. Model dostane špinavý, neúplný nebo protichůdný vstup a vrátí nedůvěryhodný výstup. Vy pak neřešíte AI, ale hasíte datový chaos, který jste měli vyřešit před podpisem.

Položte svému IT vedoucímu tři otázky: Kde jsou uložena data, která chceme použít? Kdo vlastní jejich kvalitu? Existuje dokumentovaný datový slovník? Pokud u dvou ze tří zazní váhání, data připravená nejsou.

Pilíř první: co říkají vaše data ve skutečnosti

Datová připravenost není o množství dat. Je o tom, zda jsou úplná, přesná a dostatečně čistá pro konkrétní případ užití. Připravenost je vždy relativní k jednomu záměru, univerzální „AI-ready" stav neexistuje.

Špatná kvalita dat není okrajová komplikace. Je přítomna ve 43 % selhání AI projektů v evropských SMB firmách podle CDO Insights 2025. Není to nejexotičtější riziko. Je to nejčastější.

A příprava dat žere čas, který nikdo nezaplánoval. Datové týmy věnují 45 až 80 % svého času čištění a přípravě dat místo modelování. Když startujete s čistými daty, tenhle čas jde do analýzy a přínosu, ne do hašení.

Než rozjedete pilot, projděte tímto mini-checklistem. Tři a více „ne" odpovědí znamená, že před pilotem potřebujete datovou sanaci, ne dodavatele modelu.

• Máme alespoň 12 měsíců čistých, označených dat pro zamýšlený případ užití?
• Existuje jediný autoritativní zdroj pro každý datový typ?
• Víme, kdo nese odpovědnost za chyby v datech?
• Máme měřenou míru chybovosti a víme, jaká je přijatelná pro AI rozhodování?
• Jsou data dostupná bez manuálního exportu z více systémů?

Pilíř druhý: má váš tým kapacitu unést AI projekt?

Technická způsobilost týmu je v AI projektech podceňovaný faktor. Nedostatek uživatelských kompetencí způsobuje 38 % všech selhání. A nejde jen o datové inženýry, ale o schopnost každého zapojeného člověka poznat, kdy AI doporučení věřit a kdy ho odmítnout.

Nedostatečná uživatelská způsobilost tvoří 38 % všech selhání AI projektů. To je víc než jakákoli technická příčina. Model můžete koupit hotový. Schopnost týmu rozumět jeho limitům si koupit nemůžete.

Rozdíl mezi firmou připravenou a nepřipravenou přitom není v počtu lidí. Je v jasně rozdaných rolích. Zmapujte tři role před zahájením pilotu:

• Datový inženýr nebo analytik s právy k datovým zdrojům. Pokud tato role neexistuje interně ani smluvně, pilot nerozjíždějte.
• Byznys vlastník, který rozumí datům a umí validovat výstupy modelu.
• Sponzor s rozhodovacím mandátem a rozpočtem.

Absence kterékoli z těchto rolí je varovný signál třídy „zastavit nebo odložit". Firma, která má identifikované mezery ve schopnostech a plán jejich rozvoje, je na tom paradoxně lépe než firma, která žádné mezery nevidí. Ta druhá je totiž nevidí proto, že se nedívala.

Pilíř třetí: organizační připravenost, kterou nelze obejít

Představte si firmu, která technicky odvedla dobrou práci. Pilot běží, model dává smysluplné výstupy, tým je nadšený. A pak se nic nestane. Do produkce se to nikdy nedostane.

Je to jeden z nejčastějších vzorců. Organizace často skórují „pokročile" v technické infrastruktuře, ale zůstávají na úrovni „začátečníka" v kultuře učení. Pilot funguje, produkce se nespustí. Bariéra není v modelu, ale v tom, že infrastruktura a kultura nedovolí škálování.

K tomu se přidává governance. Projekty bez výkonného sponzora selhávají třikrát častěji. Když nikdo nemá mandát prosadit změnu procesu, kterou AI navrhne, model zůstane hezkou demonstrací bez dopadu. Assessment připravenosti proto musí hodnotit lidi a procesy se stejnou přísností jako data. Jak by měla firma nastavit odpovědnosti, rozebíráme v textu o správě umělé inteligence.

Před pilotem ověřte dvě otázky. Kdo má pravomoc říct „tato data AI použít nesmí"? A kdo schvaluje změnu procesu, pokud AI navrhne jiný postup než stávající praxi? Pokud tyto otázky vedou k debatě o tom, kdo je vlastně zodpovědný, máte governance problém, který žádný model nevyřeší.

Kde mizí rozpočet: realita nákladů na přípravu dat

Nabídka od dodavatele vypadá rozumně. Model, integrace, nasazení, jasná cena. Problém je v tom, co v ní chybí.

Vítězné AI programy alokují 50 až 70 % časového i finančního rozpočtu na datovou připravenost na extrakci, normalizaci a governance metadata, nikoli na samotný model. A přesně tuhle položku většina nabídek neobsahuje. Není to zlá vůle dodavatele. Je to práce, kterou dodavatel předpokládá, že máte hotovou, a vy ji hotovou nemáte.

Výsledek? Podepíšete smlouvu na model a pak zjistíte, že skutečný projekt teprve začíná. Datová sanace, kterou nikdo nenacenil, spolkne víc než samotný model. Jak se těmto skrytým nákladům vyhnout, řešíme v článku o zavádění AI bez plýtvání rozpočtem.

Při hodnocení nabídek vyžádejte explicitní rozpad nákladů: kolik procent tvoří datová příprava, čištění a governance versus vývoj modelu. Pro české B2B SME je rozumným vstupním bodem assessment v řádu nižších stovek tisíc korun, který připravenost ověří dřív, než utratíte řádově víc za pilot s nejistým výsledkem.

90denní pilot-light: jak ověřit připravenost bez milionového rizika

Bezpečný způsob, jak zjistit, zda je firma připravena na AI, není rozsáhlý pilot za miliony. Je to záměrně omezený experiment s měřitelnými metrikami a jasným rozhodovacím prahem: pokračovat, nebo zastavit do 90 dní. Cílem není nasadit AI, ale získat důkaz hodnoty.

Klíč je v metrice. Firmy, které revidují KPI specificky pro AI použití, dosahují třikrát vyšší finanční přínos než ty, které měří výsledky generickými metrikami. Bez jediné jasné metriky úspěchu nevíte, jestli pilot uspěl, nebo ne.

1. Dny 1 až 15: definice

   Definujte jedinou měřitelnou metriku úspěchu. Přiřaďte vlastníka dat a byznys sponzora. Bez těchto dvou rolí nepokračujte.

2. Dny 16 až 45: úzký scope

   Omezte pilot na jeden proces, jeden datový zdroj, jeden tým. Scope nerozšiřujte za žádných okolností.

3. Dny 46 až 90: měření

   Měřte odchylku od baseline. Zaznamenávejte datové incidenty a rozhodovací momenty, kdy jste AI výstupu věřili nebo ho přebili.

4. Den 90: rozhodnutí

   Buď máte důkaz hodnoty a jasný plán škálování, nebo projekt zastavíte s poznatky. Ne s prázdnou kapsou.

Tenhle formát dělá jednu věc, kterou velký pilot neumí. Dává vám právo říct ne bez ztráty milionů. A pokud řeknete ano, řeknete ho s daty, ne s nadějí.

Poctivý self-assessment: proč ho většina firem nedodělá

Nástroj na měření připravenosti je snadné najít. Těžké je s jeho výsledky něco udělat.

Méně než 30 % firem, které dokončí self-assessment připravenosti na AI, výsledky skutečně využije ke změně priorit investic. Zbytek si zjištění přečte, přikývne a jede dál po staré trajektorii. Assessment sám o sobě nestačí. Klíčová je ochota jednat na základě nepříjemných zjištění.

A přesně tam vede celý tenhle článek. Diagnostika příčin selhání, checklist datové připravenosti, mapa rolí, 90denní validace. Všechno to jsou nástroje k jednomu rozhodnutí: co vyřešíte před pilotem, ne po něm. Pokud jste ochotni jednat na základě výsledku, self-assessment je nejlevnější investice, kterou před podpisem smlouvy uděláte. Pokud ochotni nejste, ušetříte si čas i tím, že ho neuděláte.