Když se v posledních měsících bavím s majiteli firem o AI, většinou narazím na jeden ze dvou extrémů.

První skupina si myslí, že AI je ChatGPT a stačí ho dát zaměstnancům, ať si s ním "něco dělají". Druhá skupina věří, že AI je magická černá skříňka, která jim spolkne firmu a vyplivne robota, co odpoví zákazníkovi v chatu.

Realita je jiná a přitom mnohem zajímavější. AI integrace ve firmě je široké spektrum konkrétních řešení, kde každé řeší určitý problém — a chatbot je z nich většinou to nejméně zajímavé.

Tenhle článek je pokus dát tomu rámec. Po jeho přečtení byste měli vědět:

Poznámka: Tohle je přehledový článek — vysvětluje, co od AI integrace ve firmě čekat a jak o ní přemýšlet. V dalších článcích půjdu do hloubky: konkrétní technické postupy, reálné případovky a specifické use-cases krok za krokem.

Co AI integrace ve firmě NENÍ

Než se dostaneme ke konkrétním věcem, je potřeba odmazat pár nepravd, se kterými se opakovaně setkávám.

Není to "dáme zaměstnancům ChatGPT"
To je jako říct, že firma má integrovaný Excel, protože má nainstalovaný Office. Integrace znamená, že AI dělá něco automaticky uvnitř vašich procesů, ne že někdo občas zkopíruje text do prompt boxu.
Není to nahrazování lidí
V naprosté většině případů je to odebrání nejhloupějších částí jejich práce. Účetní nepřestane být potřeba. Začne dělat zajímavější věci, na které předtím nebyl čas. Pokud vám někdo prodává AI argumentem "vyhodíte půlku týmu", utíkejte.
Není to magie
Každé AI řešení se dá popsat na jednom papíru: tohle jde dovnitř, tohle se s tím stane, tohle vypadne ven. Když vám někdo nedokáže nakreslit váš use case na papír, neví, co dělá.
Není to vždy chatbot
Chatbot je jen jedna forma nasazení a často ne ta nejlepší. Spousta firem řeší "potřebujeme chatbota" místo "potřebujeme zákaznickou podporu 24/7" — což může a nemusí být chatbot.
Nemusí to být drahé a data nemusí opustit firmu
Dnes existují open-source modely, které běží přímo u vás ve firmě. Žádný cloud, žádné odesílání dat, žádné měsíční platby za SaaS. O obojím se mluví málo — proto si to rozeberu níže.

Co AI integrace ve firmě reálně dělá

Teď naopak — co AI ve firmě reálně řeší. Každá firma je jiná a konkrétní řešení se vždy šije na míru, ale níže jsou nejčastější příklady z praxe. Pro každý je stejná struktura: situace, kterou pravděpodobně znáte, co s tím AI udělá a co z toho máte. Klikněte na kartu pro detail.

Prvních šest bodů jsou ofenzivní — rozšiřují váš dosah a přinášejí nové zákazníky. Posledních šest je defenzivních — šetří čas a peníze na existující práci.

1
Personalizace, kterou by ručně nikdo nezvládl
Jiný obsah pro každého zákazníka v reálném čase
Růst
+

Newsletter rozesíláte stejný všem. Web ukazuje stejnou hlavní stránku každému. Reklamní texty máte tři varianty pro 50 000 lidí. Víte, že personalizace zvyšuje konverze, ale rozumný způsob, jak ji dělat ve velkém, jste nenašli.

Pro každého zákazníka složí jinou kombinaci. Jiný úvodní text v newsletteru podle toho, co naposledy koupil. Jiné produkty na hlavní stránce. Jiné reklamní headliny podle segmentu. Vše v reálném čase podle pravidel, která držíte vy.

To, co by jeden marketér nezvládl ani za rok, běží automaticky pro každého návštěvníka zvlášť. Nárůsty konverze v desítkách procent, podle toho, jak personalizovaná byla výchozí komunikace.

2
Landing pages v hodinách místo týdnů
Webové stránky, kampaně, produktové launche
Růst
+

Spouštíte produkt. Potřebujete landing page. Brief grafikovi, kódování, copywriting, schvalování — dva až tři týdny minimum. Hypotézy se netestují, protože každá další verze stránky je další kolotoč.

Z briefu složí strukturu stránky, napíše texty, navrhne layout. Člověk doladí finální brand polish, vizuální detaily, A/B varianty.

První funkční verze za půl dne. Možnost A/B testovat pět verzí místo jedné. Marketing rozhoduje rychleji — odpadá fronta na grafika a copywritera. Mění to tempo, jakým firma reaguje na trh.

3
Vytěžování veřejných zdrojů
Scraping, monitoring konkurence, lead signály
Růst
+

Konkurenti mění ceny, přidávají produkty, sbírají recenze — vy se to dozvíte náhodou. Signály jako nová investice, otevírání pobočky, nábor — dozvíte se z LinkedInu náhodně, nebo vůbec.

  • Monitoruje ceny a sortiment konkurence v reálném čase
  • Zachytává obchodní signály a posílá je obchodníkům jako leady
  • Sbírá data o trhu pro rozhodování
  • Vytěžuje zdroje pro lead generation — najde firmy s daným signálem

Vše legální, v rámci robots.txt, ToS a GDPR.

Informační převahu, kterou by manuálně nezvládla ani s týmem analytiků. V kombinaci s body 4 a 5: zcela automatizovaný kanál akvizice nových zákazníků na základě signálů, ne náhody.

4
Personalizovaný obchodní outbound
Emaily, příprava na schůzky, lead scoring
Růst
+

Obchodník má 500 firem k oslovení. Píše každému stejný email s odezvou pod 2 %, nebo se dvě hodiny připravuje na hovor a pokrývá 5 firem za den. Outbound dělá v Česku skoro každý stejně špatně.

Pro každý lead si přečte web firmy, LinkedIn klíčových lidí, novinky — a poskládá briefing: co dělají, koho oslovit, proč zrovna teď. Složí emailovou variantu, která sedí na konkrétní firmu. Pokud nereaguje, hlasový agent zavolá.

Místo masového oslovování s 1% odezvou personalizace ve velkém s násobně vyšším response rate. Kratší příprava, obchodník řeší vztah a hodnotu, ne research. Dnes dostupné i menším firmám.

5
Marketingový obsah a generování textů s hlavou a patou
Produktové popisky, newslettery, sociální sítě, články
Růst
+

Marketér tráví hodiny psaním popisků, newsletterů, postů. Každý kus obsahu prochází copy-edit, korekturu, schvalování. Při spuštění produktu se popisky skládají narychlo s chybami. Obsah nestíháte vydávat v objemu, který by dával smysl.

Naučí se váš tone of voice z existujících textů. Pak dostane brief — co prodáváte, komu, na jakém kanálu — a napíše první draft, který drží značku a dává smysl. Ne generický AI slop, ale obsah, co sedí do vaší komunikace. Marketér finalizuje, neskládá od nuly.

Místo 3 hodin na produktový popisek 20 minut na finalizaci. Místo jednoho newsletteru týdně tři. Víc obsahu = víc touchpointů = víc zákazníků. Marketing dělá strategii, ne přepisování.

6
Cenová optimalizace a predikce poptávky
Dynamické ceny, skladová optimalizace, timing kampaní
Růst
+

Ceny nastavujete podle pocitu nebo konkurence. Sklad objednáváte podle loňska. Kampaně spouštíte, když "se to zdá vhodné". Peníze necháváte na stole, protože nemáte čas nebo nástroje na to, abyste reagovali na poptávku v reálném čase.

Analyzuje historická data prodejů, sezónnost, konkurenční ceny a aktuální poptávku. Na základě toho doporučuje cenové úpravy, predikuje, kdy objednat sklad, a identifikuje optimální timing pro kampaně.

Vyšší marže bez ztráty zákazníků. Méně neprodaného skladu. Kampaně ve správný čas, ne náhodně. To, co dělají velké e-commerce firmy s týmy analytiků, teď zvládne i střední firma.

7
Komunikace přes všechny kanály, obousměrně
Chat, email, telefon, WhatsApp — příchozí i odchozí
Úspora
+

Operátorka odpovídá pětkrát denně na "kde je moje objednávka". Poptávky z webu vyřídí obchodník až za dva dny. Hodinu před schůzkou nikdo netuší, jestli klient dorazí. O víkendu nikdo nezvedá telefon.

Připojí se na všechny kanály a obsluhuje je v obou směrech:

  • Příchozí: zákazník napíše nebo zavolá, agent má napojení na objednávky, sklad, CRM a kalendář — reálně odpovídá. Co neumí, předá člověku s celým kontextem.
  • Odchozí: hodinu před schůzkou agent zavolá a potvrdí. Příchozí poptávka z webu se neztratí — agent zavolá zpátky, vyzpovídá detaily a pošle obchodníkovi shrnutí.

Operátoři a obchodníci dělají jen složité věci, kde má lidský úsudek smysl. Zákazník dostane odpověď v noci, o víkendu, hned. Objem rutinních dotazů klesne o 60–80 %, aniž by utrpěla kvalita.

8
Vyhledávač uvnitř firmy, který skutečně odpovídá
Interní znalostní báze přes všechny dokumenty
Úspora
+

"Jakou máme reklamační lhůtu na elektroniku?" Kolega prochází Drive, ptá se na Slacku, někdo někdy někde poslal screenshot smlouvy. Onboarding nového člověka trvá týdny, protože "to si musí všechno najít sám".

Spojí všechny vaše dokumenty (Drive, Confluence, sdílené disky, smlouvy, manuály) a stane se z toho jeden vyhledávač. Otázku položíte v běžné češtině, dostanete odpověď s odkazem na zdroj.

Onboarding z týdnů na dny. Senioři přestávají odpovídat na stejné dotazy. Znalosti přestávají být v hlavě jednoho člověka. Prakticky garantovaná návratnost v každé firmě nad 30 lidí.

9
Zpracování dokumentů bez ruční práce
Faktury, smlouvy, objednávky, formuláře
Úspora
+

Přijde faktura mailem. Účetní opíše dodavatele, IČO, datum, položky a částky do systému. Stejné se smlouvami, objednávkami, formuláři. Chyba v jednom čísle a celé to dohledáváte ručně.

Otevře dokument, vytáhne strukturovaná data, zkontroluje je proti pravidlům (sedí IČO? je dodavatel schválený? sedí součet?) a buď automaticky založí v systému, nebo dá člověku ke schválení s předvyplněným formulářem.

Z pěti minut na fakturu třicet sekund kontroly. Účetní řeší výjimky, ne přepisování. Při růstu firmy škáluje bez nabírání dalších lidí — nejdražší skrytý poplatek za růst.

10
Rozhodování nad daty, která dnes nikdo nečte
Průběžný monitoring, alerting, ranní briefing
Úspora
+

V systémech máte roky dat — prodeje, návštěvnost, reklamace, kampaně. Reporty jednou za měsíc, 30 stránek, všichni je přeskakují. Problémy se objevují s dvouměsíčním zpožděním.

Sleduje data průběžně a ozve se, když se něco mění. "Tenhle produkt má dvojnásobek reklamací." "Z kategorie X odchází zákazníci rychleji." "Kampaň Y má ROI pod prahem." Česky, s kontextem — ne další graf v dashboardu.

Problémy zachytíte, když vznikají. Manažer dostane každé ráno shrnutí relevantní pro jeho roli. Data ve firmě poprvé reálně něco mění — ne kvartální report, který nikdo nečte.

11
Automatizace interních workflow a schvalování
Routing úkolů, eskalace, notifikace, approval chains
Úspora
+

Objednávka od klienta přijde mailem. Někdo ji ručně přepošle do výroby. Výroba se zeptá na detail, trvá dva dny než se vrátí odpověď. Schvalování dovolených, nákupů nebo faktur leží ve frontě, protože schvalovatel neví, že na něj něco čeká.

Rozpozná typ požadavku, vytáhne potřebné informace, nasměruje ke správnému člověku nebo oddělení a hlídá, jestli se věc hýbe. Pokud se zasekne, eskaluje. Pokud chybí informace, doptá se sám.

Věci se neztrácí v emailech a nečekají na někoho, kdo zapomněl. Průměrná doba zpracování interních požadavků klesne na zlomek. Nikdo nemusí být "ten, kdo to pořád hlídá".

12
HR, nábor a onboarding zaměstnanců
Screening CV, komunikace s kandidáty, zaškolení
Úspora
+

Na inzerát přijde 200 CV. HR je čte ručně, 80 % nesplňuje základní požadavky. Kandidáti čekají týden na odpověď. Nový člověk nastoupí a tři týdny nikdo pořádně neví, co mu říct a kde co najde.

Předtřídí CV podle zadaných kritérií a připraví shortlist. Kandidátům, kteří neprošli, automaticky odpoví. Těm, kteří prošli, navrhne termíny pohovoru. Po nástupu nového člověka slouží jako průvodce — odpovídá na otázky o firmě, procesech, nástrojích.

HR se věnuje pohovorům a vztahům, ne třídění a administrativě. Kandidáti mají lepší zážitek (rychlá odezva). Onboarding je konzistentní a nezávisí na tom, jestli má mentor zrovna čas.

Defenziva a ofenziva: dva úhly pohledu

Když si projdete předchozí přehled, najdete v něm dva typy řešení:

Ofenzivní

Vyrůst

AI rozšiřuje dosah, rychlost, počet kontaktů a variant. Návratnost se počítá v nových zákaznících a vyšší konverzi.

123456

Defenzivní

Ušetřit

AI odebírá nudnou práci, snižuje čas, šetří lidi. Návratnost se počítá v ušetřených hodinách.

789101112

Český trh je v této otázce zaseknutý na defenzivě. Všichni se ptají "kolik lidí tím nahradíme" nebo "kolik hodin to ušetří". Málokdo se ptá "o kolik tím vyrosteme" nebo "kolik nových zákazníků nám to přivede".

Obvyklý důvod, proč se ofenziva neřeší: defenziva se počítá snadno, ofenziva se musí zkusit. Ale když vyjde, posunuje firmu jinam, než kam ji posune ušetření 20 % na účetnictví.

Když přemýšlíte o AI projektu, schválně si položte obě otázky. Tu druhou si pravděpodobně dlouho nikdo nepoložil.

Kde to vlastně běží

Když si představíte AI nasazení ve firmě, většina lidí předpokládá, že data tečou někam ven do cloudu — k OpenAI, Microsoftu, Googlu — a tam se s nimi něco děje. U řady firem (právo, zdravotnictví, finance, výroba s vlastním know-how) je to nepřekonatelná překážka.

V mé praxi řešení defaultně stavím v Docker containeru s frameworkem Agno, který běží přímo u klienta:

Klíčové: Kód, integrace, queue zpráv i logy zůstávají v infrastruktuře, kterou si klient určil. Žádný SaaS prostředník, na kterého nemáte páku. Data nikam netečou.

  • Container nainstaluju klientovi rovnou na firemní počítač, server nebo NAS. Nemusí mít VPS, nemusí mít cloud.
  • Klient přijde ráno, zapne počítač a agent v containeru dotáhne práci z noci nebo víkendu.
  • Pokud chce běh 24/7, posune řešení na vlastní VPS nebo dedikovaný server. Volba je jeho.

A teď klíčová otázka: jaký model to celé pohání?

Data nikdy neopustí firmu — a přesto to funguje skvěle

Defaultně stavím na lokálních open-source modelech, které běží přímo na vašem serveru. Llama, Mistral, Qwen nebo DeepSeek dnes ve velikostech 7B–70B parametrů zvládají naprostou většinu firemních úkolů stejně dobře jako cloudové modely před rokem.

  • Data fyzicky neopouští vaši síť ani na zlomek vteřiny
  • Nulové měsíční poplatky za API — platíte jen za hardware a mou práci
  • Ideální pro: zdravotnictví, právo, výzkum, výrobu i běžné firmy, které chtějí klid
  • Open-source modely dohánějí top komerční modely rychleji, než kdokoli čekal

Pro většinu firem optimální mix

Běžné úkoly (kategorizace, extrakce, jednoduchý chat) řeší lokální model. K složitým úkolům, které jsou jen občas, se sáhne na cloud API. Náklady i risk pod kontrolou.

  • 90 % práce zvládne lokální model bez odeslání dat
  • Pro zbylých 10 % se cíleně zavolá cloud API s minimem dat
  • Můžete začít lokálně a přidávat cloud jen tam, kde to dává smysl

Jen když to opravdu potřebujete

Pokud potřebujete schopnosti, které lokální modely zatím nemají (extrémně komplexní úvahy, nejnáročnější kreativní obsah), sáhnete po cloud API. Data tečou jen do API a zpět.

  • Lze vybrat poskytovatele s EU regionem a smluvním zpracováním dat
  • Většinou jde o doplněk, ne základ — základ je lokální
  • Typicky méně než 10 % celkového objemu úkolů

Jak řeším modely a kolik to stojí

Když lidé slyší o AI ve firmě, představí si cloudové služby za stovky dolarů měsíčně. Realita s lokálními modely je zásadně jiná — a mnohem příznivější.

Stavím na open-source modelech (Llama, Mistral, Qwen, DeepSeek), které běží přímo u klienta. Jaký model a jakou velikost zvolím, závisí na náročnosti úkolu:

Pro náročnější úkoly

Lokální velký model (30B–70B parametrů)

10 000 – 25 000 Kč / měsíc za infrastrukturu

Když potřebujete lepší porozumění kontextu, složitější úvahy nebo práci s velkým množstvím dat najednou. Vyžaduje silnější hardware — opět jde o provozní náklady na server, ne o cenu implementace.

Komplexní analýzy, obchodní briefings, personalizovaný outbound, monitoring a rozhodování
Výjimečně, jako doplněk

Cloud API (Claude, GPT) — jen na specifické úkoly

Variabilní, podle objemu

Sáhnu po tom, jen když lokální model na konkrétní úkol nestačí. Většina firem to nepotřebuje vůbec. Pokud ano, jde typicky o zlomek celkového objemu.

Extrémně komplexní kreativní obsah, multi-step plánování, edge cases

Pravidlo: použít nejlevnější model, který na daný úkol stačí. A dnes je ten model v 90 % případů lokální.

Částky výše jsou čistě provoz infrastruktury — server, elektřina, konektivita. Moje práce (návrh, implementace, údržba, optimalizace) se řeší zvlášť podle rozsahu projektu. Žádné skryté poplatky za API, žádné překvapení na konci měsíce. Víte přesně, kolik platíte — a vaše data zůstávají u vás.

Klíčový rozdíl: Nejdražší AI projekty v Česku jsou ty, kde někdo postavil řešení na nejdražším cloudovém modelu, protože nevěděl, že se to dá udělat lokálně za zlomek. Se mnou tohle nehrozí — lokální model je vždycky první volba.

Máte na něco z toho zralé pole?

Pokud jste si výše poznali aspoň jednu situaci, pravděpodobnost, že u vás dává smysl něco z toho udělat, je vysoká. Zaškrtejte si:

Rychlý self-check
Dělá u vás někdo repetitivní práci s textem, dokumenty nebo daty? (přepisuje, kategorizuje, přeposílá)
Tráví lidé hodiny hledáním informací, o kterých všichni vědí, že "někde jsou"?
Máte vysoký objem zákaznických nebo interních dotazů, kde 70 % je opakování stejného?
Děláte outbound, akvizici nebo monitoring trhu způsobem, který je manuálně zdlouhavý a nedotahuje potenciál?
Nestíháte vydávat marketingový obsah v objemu, který by reálně dával smysl pro vaši viditelnost?
3+ zaškrtnuté: Máte silný potenciál. Dost možná posíláte měsíčně desítky tisíc na práci, která se dnes dá udělat za zlomek. Domluvme si 30minutový hovor — projdeme vaši situaci a řeknu vám rovnou, kde vidím příležitost.
1–2 zaškrtnuté: Máte se nad čím bavit. I jeden jasný use case může mít silnou návratnost. Stojí za to si sednout a projít konkrétní čísla — stačí 30 minut.
0 zaškrtnutých: Buď máte skvěle optimalizovanou firmu, nebo jste si vzpomněli na málo. Zkuste se znovu podívat na těch 12 bodů výše — často je problém v tom, že danou práci ani jako problém nevnímáte, protože "tak se to vždycky dělalo".

Co rozhoduje o úspěchu

Než se vrhnete na první AI projekt, chci být upřímný. Většina AI projektů neselhává kvůli technologii. Selhávají kvůli tomu, jak jsou zadané.

Bez metriky nepoznáte, jestli to funguje
"Lepší podpora" není metrika. "Snížení času první odpovědi z 4 hodin na 30 minut" je metrika. Když se předem nedohodneme na měřítku úspěchu, nikdy ho nedosáhneme — protože to nepoznáme.
Bez čistých dat dostanete čistý odpad
AI pracuje s tím, co dostane. Pokud má váš CRM 40 % záznamů s prázdným polem "obor", AI nebude umět zázračně zjistit, čím se zákazníci zabývají. První věc, co dělám, je audit dat — a často se tam zastavím, protože než cokoli stavět, je potřeba dát data do pořádku.
Bez procesu, do kterého to zapadá, je to hračka
AI, která extrahuje data z faktur, ale účetní stejně přepisují ručně, protože "tomu nevěříme", je drahá hračka. Většina práce na AI projektu je práce na procesu kolem něj — jak to do firmy zapadá, kdo s tím pracuje, kde končí AI a začíná člověk.

Závěr

AI integrace ve firmě není věc technologie. Je to věc procesu a rozhodnutí, kde má smysl pustit chytrou logiku tam, kde dnes řeší úkoly buď drahý člověk, nebo nikdo.

Většina firem má takových míst víc, než si myslí. Zároveň míň, než tvrdí prodejci AI nástrojů. Najít ta správná místa — kde to dává ekonomický smysl, kde to lze postavit s rozumným úsilím, kde si firma udrží kontrolu nad daty — je podstatná část práce. Stavba samotná je často to jednodušší.

Pojďme se bavit o vaší firmě

30 minut, žádné závazky. Projdeme vaši situaci a řeknu vám rovnou, jestli a kde u vás dává AI smysl — a kolik by to stálo.

Domluvit 30min hovor zdarma

V dalších článcích na blogu rozeberu jednotlivé body z tohoto přehledu do hloubky — s konkrétními technickými postupy, reálnými případovkami a kroky, které si můžete rovnou vyzkoušet. Pokud vás nějaký bod zajímá víc, ozvěte se mi na LinkedIn nebo emailem — směřování blogu rád upravím podle toho, co lidi reálně řeší.