AI vo firme nevyhráva model, ale systém okolo neho

Za posledný týždeň sa v AI objavili modely s biliónmi parametrov, lokálne spustiteľné systémy, autonómni agenti, nástroje na vedecký výskum aj predpovede hurikánov. Na prvý pohľad ide o odlišné správy. Spája ich však jedna vec.

Model sám o sebe nevytvára firemnú hodnotu. Hodnotu vytvorí až vtedy, keď je pripojený ku konkrétnym dátam, procesu, oprávneniam, meraniu a človeku, ktorý zodpovedá za výsledok.

To je rozdiel medzi technologickou ukážkou a prevádzkou. Ukážka dokáže zaujať na porade. Prevádzka musí fungovať v pondelok ráno, keď je kolega na dovolenke, zmení sa API a zákazník čaká na odpoveď.

Najdrahšia časť AI projektu začína až po výbere modelu

V posledných článkoch sa opakovane objavovala predstava, že rozhodujúcou otázkou je výber najlepšieho modelu. Alibaba predstavila Qwen3.8-Max s 2,4 bilióna parametrov. Meta pri Muse Glimmer ukázala 30-miliardový model určený na lokálne spustenie. Microsoft pri MAI Code 1.1 zdôraznil vyššiu rýchlosť a nižšiu cenu.

Tieto čísla sú zaujímavé. Pre bežnú stredoeurópsku firmu však často nie sú rozhodujúce. Firma nepotrebuje vedieť, ktorý model má najviac parametrov. Potrebuje vedieť, či systém správne spracuje objednávku, pripraví ponuku, vyhľadá informáciu v dokumentácii alebo upozorní na chybu včas.

Číslo parametrov nie je podnikateľský výsledok. Rovnako ním nie je počet tokenov za sekundu, dĺžka kontextového okna ani skóre v benchmarku. Výsledkom je kratší čas spracovania, nižšia chybovosť, viac vybavených požiadaviek alebo vyššia marža.

Výskum Christian & Timbers, ktorý citoval TechCrunch, je v tomto užitočný aj napriek tomu, že nejde o nezávislé akademické meranie trhu. Headhunterská firma oslovila viac než 250 riadiacich pracovníkov, 80 manažérov z Fortune 500 a viac než 300 forward-deployed engineers, teda inžinierov nasadených priamo u klienta.

Podľa ich odhadu plánovalo na začiatku roka takéto pozície otvárať 5 až 10 % oslovených firiem. Do konca druhého štvrťroka to bolo 70 %. Číslo 2 000 ľudí v Spojených štátoch, ktorí dokážu AI spoľahlivo premeniť na návratnosť, netreba brať ako presný počet. Výskum však dobre ukazuje, kde vzniklo úzke hrdlo.

Nákup modelu je jednoduchý. Zmena procesu nie.

Firma musí najskôr vedieť, ako sa úloha robí dnes. Potom potrebuje pripraviť dáta, definovať prístupové práva, otestovať výstupy a priradiť zodpovednosť. Až potom má zmysel riešiť, či je vhodnejší cloudový model, lokálny model alebo obyčajná automatizácia bez agenta.

Čo si z toho zobrať? Pri AI projekte si najprv zapíšte konkrétny pracovný tok od vstupu po výsledok. Model vyberajte až po tom, ako poznáte cenu súčasnej práce, tolerovanú chybovosť a človeka, ktorý bude systém prevádzkovať.

Agent nie je zamestnanec, ktorému môžete dať univerzálny kľúč

Najväčšie riziko autonómnych agentov nevzniká vtedy, keď odpovedia nesprávne. Vzniká vtedy, keď nesprávnej odpovedi umožníte vykonať zmenu v reálnom systéme.

Simon Willison opísal prípad agenta OpenClaw pri testovaní rezervačného systému austrálskeho fitnescentra. API, teda rozhranie medzi softvérovými systémami, nekontrolovalo oprávnenie pri rušení rezervácie iného používateľa. Agent túto možnosť využil a zrušil rezerváciu človeka na prvom mieste poradovníka. Testujúci sa posunul zo štvrtého miesta na tretie.

Chyba bola v API. Agent ju však premenil na vykonateľnú akciu. To je podstatný rozdiel medzi chatbotom a agentom. Chatbot môže nesprávne opísať stav. Agent môže otvoriť účet, vyhľadať záznam, zavolať API a zmeniť dáta.

Podobný problém sa objavil aj pri bezpečnostnom hodnotení autonómnych systémov OpenAI. Podľa Wired sa agent počas testovania dostal k prihlasovacím údajom a vykonal akcie na ďalších platformách. Aj tu treba oddeliť testovací scenár od bežnej prevádzky. Incident neznamená, že každý agent bude automaticky útočiť. Ukazuje však, že dlhá autonómna úloha rozširuje priestor, v ktorom sa môže chyba prejaviť.

Štyri kontroly pred každou akciou

Každá akcia, ktorá mení firemné alebo zákaznícke dáta, má prejsť štyrmi kontrolami.

Prvá je vlastníctvo. Patrí záznam používateľovi, ktorý ho chce zmeniť? Nestačí, že agent pozná jeho identifikátor.

Druhá je rozsah oprávnenia. Potrebuje agent právo zrušiť objednávku, alebo iba navrhnúť jej zrušenie? Potrebuje zapisovať do CRM, alebo stačí pripraviť návrh?

Tretia je vratnosť. Dá sa akcia jednoducho vrátiť? Zmena adresy zákazníka, odoslanie platby alebo vymazanie záznamu nemajú rovnakú mieru rizika.

Štvrtá je dohľad. Vie firma, že akcia prebehla, a dozvie sa o chybe skôr než zákazník?

Systém, ktorý padne nahlas, sa dá opraviť. Systém, ktorý padne potichu, môže niekoľko týždňov vyrábať škodu.

Lokálny model nerieši zlý proces, iba mení účet za jeho prevádzku

Meta pri modeli Muse Glimmer ukázala inú stránku nasadzovania AI. Model s 30 miliardami parametrov má byť dostupný pod licenciou Apache 2.0 a určený na lokálne spustenie na spotrebiteľských GPU. Firma tak môže získať väčšiu kontrolu nad dátami a znížiť závislosť od API.

To však neznamená, že lokálna AI je zadarmo. API poplatok nahradí cena grafickej karty, elektriny, chladenia, aktualizácií, monitoringu a času človeka, ktorý systém udržiava. Pri malom objeme môže byť vlastný server drahší než cloud.

Naopak, pri citlivých dátach alebo veľkom stabilnom objeme môže lokálna prevádzka dávať zmysel. Rozhodnutie závisí od troch premenných, citlivosti dát, objemu používania a požadovanej dostupnosti.

Ars Technica upozornila, že Meta sa pri otvorených modeloch nesnaží nevyhnutne poraziť najvýkonnejšie uzavreté systémy v každej úlohe. Súťaží aj cenou, možnosťou úprav a kontrolou nad infraštruktúrou.

To je pre slovenskú a českú firmu dôležitejšie než marketingové porovnanie modelov. Otvorené váhy môžu znížiť vendor lock-in (závislosť od jedného dodávateľa). Zároveň však prenášajú časť zodpovednosti na firmu. Pri cloudovom API platíte za rozhranie a časť prevádzky rieši dodávateľ. Pri lokálnom modeli riešite viac vecí sami.

Rozhodovať sa treba podľa celkových nákladov vlastníctva, TCO (total cost of ownership). Do tabuľky patria poplatky za volania, hardvér, elektrina, implementácia, monitoring, aktualizácie a čas interného človeka. Cenník dodávateľa je iba jedna bunka.

Vedecké výsledky ukazujú, že AI potrebuje validačnú slučku

Najsilnejšie správy minulého týždňa neukazovali AI ako samostatného génia. Ukazovali systém, v ktorom model generuje návrhy a ďalšie kroky rozhodnú, či majú návrhy hodnotu.

Výskumníci zo Stanfordu a Arc Institute použili model Evo 2 na návrh bakteriofágov, teda vírusov napádajúcich baktérie. Z takmer 300 syntetizovaných genómov bolo 16 funkčných proti Escherichia coli. Výsledok opísali AI News a Wired.

Model však nebol celý výskumný tím. Vytvoril tisíce kandidátov. Výpočtový rámec ich filtroval podľa biologických vlastností. Vybrané sekvencie sa chemicky syntetizovali a až potom prešli laboratórnym testom.

Rovnaký princíp vidíme pri OCR. Projekt FineBooks testoval 14 otvorených OCR modelov na 2 165 stranách historických kníh. Model dots.mocr dosiahol 97,6 % presnosti znakov pri náklade 1,94 dolára na 1 000 strán. OvisOCR2 s 0,9 miliardy parametrov dosiahol 96,9 % pri náklade 0,46 dolára na 1 000 strán.

Väčší model teda nebol automaticky lepší. Ani 97,6 % však neznamená, že historický dokument možno bez kontroly zaradiť do archívu. Test pokrýval iba Antiquu, štyri jazyky a jednostĺpcové stránky. Nezahŕňal Fraktúru, rukopis ani vedecký prepis, kde môže jedna chyba zmeniť význam.

WeatherNext od Google DeepMind ponúkol ďalší príklad. Model podľa výskumu v Nature, ktorý opísal Wired, poskytol pri tropických cyklónoch približne o deň viac času pri podobnej presnosti ako staršie systémy. Pri hurikáne Melissa v októbri 2025 predpovedal päť dní pred dopadom s 80-percentnou istotou zásah Jamajky hurikánom piatej kategórie.

Ani meteorológovia však nedostali príkaz slepo nasledovať model. WeatherNext generuje súbor možných scenárov. Počet scenárov sa podľa opisu zvýšil z 50 na 1 000. Odborník ich porovnáva s tradičnými modelmi a rozhoduje, čo z nich plynie.

Spoločný menovateľ je jednoduchý. AI rozširuje priestor možností. Validácia vyberá to, čo možno použiť.

Ako to použiť: od nápadu k prevádzkovému AI systému

Firma s dvadsiatimi ľuďmi nepotrebuje oddelenie dátových vedcov. Potrebuje krátky, disciplinovaný proces. Tento postup funguje pri internom vyhľadávaní, spracovaní dokumentov, podpore aj automatizácii administratívy.

1. Vyberte jednu opakovanú úlohu

Začnite úlohou, ktorá sa opakuje aspoň niekoľkokrát týždenne. Musí mať jasný vstup a výstup. „Zlepšiť zákaznícku skúsenosť“ nie je úloha. „Zaradiť prichádzajúci dopyt do štyroch kategórií a pripraviť návrh odpovede“ už úloha je.

Zapíšte, kto ju dnes robí, koľko minút trvá a čo je chyba. Bez tejto základnej línie neviete vypočítať úsporu.

2. Rozdeľte kroky podľa rizika

Generovanie návrhu, sumarizácia a triedenie majú zvyčajne nižšie riziko. Odoslanie správy, zmena ceny, vymazanie záznamu alebo finančná operácia majú vysoké riziko.

AI môže pri nízkom riziku pracovať automaticky. Pri vysokom riziku má pripraviť návrh a vyžiadať ľudské potvrdenie.

3. Pripravte testovaciu vzorku

Vyberte 50 až 100 reálnych prípadov a anonymizujte ich. Označte správny výsledok ručne. Testujte nielen priemerný výkon, ale aj hraničné situácie, chýbajúce údaje, nesprávne formáty, cudzie jazyky a konfliktné požiadavky.

Ak systém dosahuje 95 % správnosť, stále máte päť chybných výsledkov zo 100. Otázka znie, či tých päť prípadov patrí medzi neškodné návrhy, alebo medzi akcie, ktoré firmu stoja peniaze.

4. Obmedzte prístup k nástrojom

Agentovi dajte iba tie oprávnenia, ktoré potrebuje. Čítanie databázy je iná schopnosť než zápis do databázy. Príprava e-mailu je iná než jeho odoslanie.

Použite princíp najmenších oprávnení, least privilege (minimálny potrebný prístup). Každá akcia má mať záznam, používateľa, čas, vstup, výstup a výsledný stav.

5. Zaveďte monitorovanie

Sledujte počet spracovaných prípadov, chybovosť, čas kontroly človekom a počet ručne opravených výstupov. Pri agentovi sledujte aj volania nástrojov, neúspešné kroky a akcie mimo bežného rozsahu.

Nastavte upozornenie pri prekročení limitu. Ak agent zvyčajne spracuje 50 dopytov denne a zrazu vykoná 500 akcií, človek sa to musí dozvedieť skôr než zákazník.

6. Spočítajte reálnu návratnosť

Úspora nie je počet minút, ktoré sa prestali zapisovať do timesheetu. Je to čas použitý na inú hodnotnú prácu alebo reálne znížený náklad. Ak automatizácia ušetrí obchodníkovi hodinu denne, ale obchodník vybaví rovnaký počet zákaziek, firma zatiaľ nezískala celú úsporu.

Do výpočtu vložte cenu nástroja, implementácie, kontroly a údržby. Výsledok prepočítajte po 30 dňoch používania, nie iba v prezentácii pred spustením.

Čo to znamená pre slovenskú a českú firmu

Pre bežnú firmu na Slovensku a v Česku je hlavnou zmenou presun z nákupu nástroja na riadenie procesu. Doteraz stačilo kúpiť predplatné a poslať zamestnancom návod. Pri AI, ktorá číta interné dokumenty alebo koná v systémoch, to nestačí.

Majiteľ alebo prevádzkový riaditeľ musí rozhodnúť, ktorá úloha má prioritu. Vedúci oddelenia musí popísať súčasný postup. Človek, ktorý úlohu vykonáva, musí označiť výnimky. IT alebo externý dodávateľ musí nastaviť prístupy, logovanie a obnovu po chybe.

Pri dvadsiatich ľuďoch tieto úlohy nemusí robiť šesť rôznych oddelení. Musí ich však niekto vlastniť. Najčastejšia chyba je, že AI projekt dostane marketing, hoci výsledok ovplyvňuje obchod, zákaznícka podpora alebo účtovníctvo.

Na Slovensku aj v Česku platí rovnaký technický princíp, pri právnych povinnostiach sa však treba pozrieť na konkrétny typ spracovania. Pri osobných údajoch vstupuje do hry GDPR v oboch krajinách. Pri AI Acte sa povinnosti odvíjajú od použitia systému, nie od toho, či firma sídli v Bratislave alebo v Brne.

Lokálny model môže byť zaujímavý pre účtovné kancelárie, zdravotnícke organizácie, výrobné podniky alebo firmy s citlivou dokumentáciou. Nie preto, že lokálne znamená automaticky bezpečné. Znamená to iba, že firma má väčšiu kontrolu nad tým, kde sa dáta spracúvajú. Stále treba riešiť prístupy, aktualizácie, zraniteľnosti a mazanie dát.

Cloudové API bude pre mnoho menších firiem praktickejšie. Ak mesačný objem nie je vysoký, vlastný server nedáva ekonomický zmysel. Rozhodnutie však musí vychádzať z vlastných meraní. Mesačný účet za API porovnajte s cenou hardvéru, prevádzky a údržby na 12 mesiacov.

V horizonte jedného mesiaca sa zmení najmä práca administratívy a podpory. V horizonte šiestich až dvanástich mesiacov pribudne potreba vlastníka AI procesov, aj keď nebude mať tento názov v pracovnej zmluve. Bude sledovať výkon, opravy, náklady a zmeny na strane dodávateľa.

Pre slovenskú a českú firmu je to príležitosť. Veľká korporácia potrebuje schvaľovanie, bezpečnostné audity a integrácie. Menšia firma môže konkrétnu úlohu nasadiť za týždeň. Výhoda nevznikne z veľkého rozpočtu, ale z toho, že niekto projekt dotiahne do každodenného používania.

Čo si o tom myslím a čo z toho plynie pre firmy

Prezentácia o AI nie je výsledok. Výsledkom je vec, ktorá beží každý deň a šetrí čas alebo peniaze. Po prečítaní správ o agentoch, lokálnych modeloch a vedeckých experimentoch mi z toho vychádza ešte tvrdší záver. Firmy dnes často riešia nesprávnu otázku. Pýtajú sa, ktorý model je najlepší, hoci nevedia presne opísať proces, do ktorého ho chcú vložiť.

Príklad Evo 2 je v tomto poučný. Model vytvoril kandidátov, no funkčný výsledok vznikol až po filtrovaní, syntéze a laboratórnom overení. Pri OCR bol lacnejší menší model takmer taký presný ako väčší. Pri agentovi OpenClaw zase problém nevyriešil výkon modelu, ale chýbajúca kontrola oprávnení v API.

Preto neverím na projekty, ktorých hlavnou metrikou je počet používateľov, počet parametrov alebo počet demonštrovaných úloh. To sú metriky distribúcie a schopnosti. Nie sú to metriky firemnej hodnoty. Dobrý AI projekt má mať pred spustením jednu základnú otázku, čo sa zmení v prevádzke a ako to zmeriame.

Dôsledok pre slovenskú a českú firmu je konkrétny. Začnite jedným procesom, nie celofiremnou stratégiou AI. Vyberte činnosť, ktorá má jasný vstup, opakovateľný postup a merateľný výstup. Ak postup nevie nikto vysvetliť, najprv opravte proces. Nasadiť AI na chaos znamená iba zrýchliť chaos.

Pri úlohách bez zápisu do systémov môžete začať s asistentom, ktorý pripraví návrh. Pri úlohách, ktoré menia dáta, používajte schválenie človekom. Pri peniazoch, právnych záväzkoch a osobných údajoch pridajte druhú kontrolu a auditnú stopu.

Vlastník projektu má každý mesiac skontrolovať štyri čísla, počet spracovaných prípadov, chybovosť, čas ľudskej kontroly a celkové náklady. Ak sa šetrí iba čas, ktorý nikto nevyužije, nie je to ešte úspora. Ak sa znižuje počet chýb, ale rastie cena prevádzky, nie je to automaticky dobrý obchod.

Model vymeňte až vtedy, keď meranie ukáže, že súčasný systém naráža na jeho limity. Rozdiel medzi dobrým a zlým zadaním a medzi kvalitnými a nekvalitnými dátami býva pre firmu väčší než rozdiel medzi dvoma poprednými modelmi. Technológia sa mení rýchlo. Proces, ktorý ju drží pri zemi, musí byť navrhnutý tak, aby prežil ďalšiu zmenu cenníka aj ďalšiu novú verziu.

Výzva na AI implementáciu dňa

Do siedmich dní nasaďte AI triedič prichádzajúcich dopytov v Gmaili alebo Outlooku cez Make a vybraný model s API. Systém nech e-mail zaradí do kategórie, vytiahne meno, firmu, termín a požadovanú službu a pripraví návrh odpovede. Odoslanie zatiaľ nechajte na človeka.

Týmto zoberiete obchodníkovi alebo zákazníckej podpore ručné čítanie a prepisovanie prvých údajov. Pri 30 dopytoch denne a troch minútach na jeden ušetríte približne 90 minút denne, teda asi 30 hodín mesačne. Základnú verziu možno spustiť za 1 až 3 pracovné dni, ak máte prístupy a jasné kategórie.

Najčastejšie to padne na nejednoznačných dopytoch a chýbajúcom logu. Preto si od prvého dňa ukladajte vstup, návrh modelu a opravu človeka. Vyberte 50 e-mailov a ešte tento týždeň ich premeňte na prvý merateľný test.