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:
- Co AI integrace ve firmě reálně znamená — a co rozhodně ne
- 12 konkrétních situací, kde AI dnes ve firmách funguje
- Že AI nejsou jen úspory — dá se s ní firma reálně i růst
- Kde to celé běží a proč je to klíčová otázka pro vaše data
- Jak řeším modely a kolik to stojí
- Jak poznat, že u vás máte na něco z toho zralé pole
- Co rozhoduje, jestli AI projekt skončí úspěchem nebo penězi v koši
Co AI integrace ve firmě NENÍ
Než se dostaneme ke konkrétním věcem, je potřeba odmazat pár nepravd, se kterými se opakovaně setkávám.
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.
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.
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.
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.
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.
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.
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.
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.
"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.
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.
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.
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".
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.
Defenzivní
Ušetřit
AI odebírá nudnou práci, snižuje čas, šetří lidi. Návratnost se počítá v ušetřených hodinách.
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:
Lokální střední model (7B–14B parametrů)
Zvládá naprostou většinu firemních úkolů — odpovídání zákazníkům, zpracování dokumentů, kategorizace, generování obsahu. Běží na běžném serveru nebo výkonnějším PC s GPU. Částka pokrývá provoz hardware (server/cloud), ne mou práci — ta se řeší zvlášť.
Lokální velký model (30B–70B parametrů)
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.
Cloud API (Claude, GPT) — jen na specifické úkoly
Sáhnu po tom, jen když lokální model na konkrétní úkol nestačí. Většina firem to nepotřebuje vůbec. Pokud ano, jde typicky o zlomek celkového objemu.
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:
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.
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.