Máte problém, nebo jen trpíte FOMO, že vám uniká AI vlak?

Dnes už pravděpodobně neexistuje mnoho firem, které by se nezabývaly nějakou „AI iniciativou“. Vedení se ptá na inovace, konkurence si na LinkedInu dělá PR z každého ChatGPT wrapperu a týmy dostávají zadání: „Najděte něco, kde využijeme umělou inteligenci.“

Vzniká tak absurdní situace: hledáme problém pro předem vybrané řešení. Výsledkem jsou často drahé projekty, které v praxi nikdo nepoužívá.

V GoodRequest jsme fanoušci technologií, které dávají smysl a přinášejí reálnou přidanou hodnotu, ne těch, které skončí v šuplíku. AI je dnes nástroj s obrovským potenciálem, ale nejlepších výsledků nedosahují firmy, které nasadí „nějakou AI“ co nejrychleji, ale ty, které vědí, kde má AI největší dopad a jak ji zasadit do zbytku systému tak, aby celé řešení fungovalo v produkci.

Proč se všichni honí za AI

AI je dnes na agendách vrcholového managementu prioritou číslo jedna a málokdo si dovolí tento trend ignorovat. Podle údajů společnosti McKinsey zavádění AI ve firmách neustále roste:

Mezi „zavedením AI“ a „získáním z ní skutečné hodnoty“ je však obrovský rozdíl. Právě v tomto bodě mnoho firem naráží. Projekt, který vznikne jen proto, aby se naplnila kvóta „inovací“, málokdy přežije první rok v ostrém provozu.

Co odlišuje AI projekty, které se dostanou do produkce

Z projektů, které jsme dodali, a z toho, co vidíme u klientů ještě před Pathfinderem, je zcela jasné, co dělá rozdíl mezi PoC, který skončí v šuplíku, a řešením, které se škáluje. Nejde o model ani o framework. Jde o tři vrstvy, které musí být na místě dříve, než se začne stavět.

• Mapa procesu, do kterého AI vstupuje: Víme přesně, kde v toku se rozhodnutí činí, kdo ho dnes činí, podle čeho a jak se měří správnost. Bez toho je každé rozhodnutí AI černou skříňkou.
• Datová základna, na které se dá učit a vyhodnocovat: Konzistentní schéma, propojené zdroje, dostupná historická data. Kvalitu modelu nezachrání žádné ladění, pokud vstupy nemají integritu.
• Metrika, podle které můžeme říct „tohle je lepší“: Konverze, doba zpracování, přesnost klasifikace, míra falešných pozitiv. Cokoli měřitelného a obhajitelného před byznysem.

Pokud některá z těchto vrstev chybí, řešíme ji jako první. Ne proto, že bychom AI odkládali, ale proto, že bez ní nevíte, zda model skutečně funguje.

Pravidla vs. Pravděpodobnost: Co ve skutečnosti potřebujete?

AI a automatizace jsou dva pojmy, které si podnikatelé často pletou, přitom fungují na zcela odlišných principech.

• Automatizace (pravidla): Funguje na principu „Pokud nastane X, proveď Y“. Je předvídatelná, opakovatelná a okamžitě ověřitelná.
• AI (pravděpodobnost): Učí se rozpoznávat vzorce. Rozhoduje tam, kde pravidla nestačí. Vyžaduje trénink, čas a průběžnou kontrolu.

Příklad z praxe: V bance nebo platební instituci chcete, aby každá schválená transakce spustila řetězec kroků: autorizaci, zaúčtování na účty, vygenerování potvrzení, zápis do hlavní knihy, oznámení klientovi. Zde použijete event-driven workflow: deterministický, audit-friendly, v souladu s regulací (PSD2, AML). Pokud však chcete na základě týchž transakcí v reálném čase vyhodnotit, zda se jedná o podvod, nebo předpovědět, který klient pravděpodobně zmešká splátku, a podle toho upravit limity, stupňovanou autentizaci či komunikaci, to už je doména AI.

Kdy AI záměrně nepoužíváme

Nejtěžším rozhodnutím v projektu AI není „kde ji nasadit?“, ale „kde ji záměrně nepoužít?“ V digitálních produktech existují celé vrstvy, kde by AI přinesla nejistotu, narušila audit trail nebo by představovala zbytečné výpočetní náklady bez měřitelného přínosu.

Kde má navrch deterministická logika:

• Transakční jádro produktu: Zpracování platby, vystavení objednávky, generování daňového dokladu. Zde potřebujete 100% opakovatelnost a audit trail. Pravděpodobnostní rozhodování je v rozporu s tím, co od vás očekává regulátor (PSD2, GDPR) a finanční ředitel.
• Integrace mezi systémy (CRM ↔ ERP ↔ datový sklad): Synchronizace dat, transformace, validace, politiky opakování pokusů. Klasický případ pro event-driven pipeline. AI zde nemá co předpovídat: buď data dorazí v pořádku, nebo je třeba opravit mapování.
• Onboarding s podmíněnou logikou: KYC ve finančních službách, registrace s ověřením DIČ, vícestupňové nastavení v B2B SaaS. Větvení je konečné, pravidla jsou regulována a výsledek musí být obhajitelný před auditem.

V těchto vrstvách AI nepřinese žádnou přidanou hodnotu, naopak řešení zhorší. Právě proto je třeba vědět, kde musí být základ pevný, aby na něm mohla AI bezpečně stavět.

Kde AI přináší výsledky, kterých automatizace nedosáhne

AI dává smysl tam, kde jsou pravidla buď neudržitelně složitá, nebo by musela pokrývat variabilitu, kterou lze zachytit pouze učením z dat.

Zde AI přináší ROI, které automatizace nedokáže zajistit:

• Extrakce z nestrukturovaných dokumentů: Faktury, smlouvy, formuláře pro uplatnění nároků, lékařské zprávy. Šablony se mění, jazyky se mísí, OCR + pravidla by vyžadovaly stovky výjimek a i tak by nepostihly realitu.
• Rozhodování v reálném čase s kontextem: Detekce podvodů v platebních tocích, dynamické cenotvorba podle poptávky a konkurence, prioritizace leadů podle behaviorálních signálů. Vstupů je příliš mnoho a mění se příliš rychle na to, aby stačila statická pravidla.
• Klasifikace, kterou jazyk a kontext ztěžují: Moderování diskusí, kategorizace ticketů podle záměru, vyhodnocování sentimentu v komunikaci se zákazníky. Tam, kde stejná věta v jiném kontextu znamená opak.
• Konverzační rozhraní s pamětí: Ne generický chatbot, ale asistent, který pracuje s konkrétní dokumentací klienta, jeho daty a historií interakcí a umí se odvolat na zdroj.

Jak to vypadá, když to funguje

V nejúspěšnějších projektech nestojí AI a deterministická logika proti sobě. Jedná se o vrstvy s odlišnými rolemi. Architektura je promyšlená, nikoli kompromisní. V praxi to znamená čtyři vrstvy, které společně tvoří produkt:

• Deterministické jádro: Obchodně kritická logika, která musí být 100% opakovatelná a auditovatelná. Zde nehledáme místo pro AI.
• AI vrstva: Nachází se přesně tam, kde vytváří největší hodnotu: extrakce, klasifikace, predikce, kontextové rozhodování. Ne všude, pouze tam, kde má převahu nad pravidly.
• Human-in-the-loop: Hraniční případy, vysoce riziková rozhodnutí a průběžné učení modelu. Lidé nejsou zálohou pro špatnou AI, jsou součástí návrhu.
• Observability a guardrails: Vidíme, co model dělá, kdy se mýlí, a umíme ho zastavit nebo přepnout na fallback dříve, než selhání pocítí uživatel.

Jak jsme to postavili pro Elv.ai

Pro startup Elv.ai jsme řešili problém, na který pouhá pravidla nikdy nestačí: moderování online diskusí ve slovenštině, češtině a polštině, kde význam komentáře určuje sarkasmus, dialekt a kontext předchozí diskuse.

Pravidlový filtr (černá listina slov, regulární výrazy) by zde selhal v obou směrech: buď by propouštěl toxický obsah zabalený do eufemismů, nebo by mazal legitimní kritiku. Samotná AI by zase nebyla dostatečně důvěryhodná při rozhodnutích, která ovlivňují svobodu projevu klientů v mediálním prostoru.

Řešení, které jsme vytvořili, kombinuje obě vrstvy záměrně, nikoli z nouze: model AI třídí většinu komentářů a zbavuje lidské moderátory (tzv. „elfy“) nejtoxičtějšího obsahu. Lidé zase řeší hraniční případy, učí AI tam, kde si není jistá, a provádějí kontrolu kvality. Infrastruktura je navržena tak, aby zvládla špičky bez explozivního nárůstu nákladů.

Výsledkem je škálovatelná moderace, která obstála před mediálními domy a veřejnými institucemi ve třech zemích a kterou by ani čistá AI, ani čistá automatizace nedokázaly zajistit samostatně. Přečtěte si celou případovou studii Elv.ai.

Jak k tomu přistupujeme: AI Pathfinder

Nenavrhujeme řešení s využitím AI jen proto, že je to moderní. Naším cílem je dodat produkt, který přinese jasnou návratnost investic. Právě proto jsme v GoodRequest vytvořili AI Pathfinder, strukturovaný program, pomocí kterého společně zjistíme, zda a kde má AI ve vašem podnikání reálný smysl.
 

Procházíme čtyřmi kroky:

Cílem není nasadit AI za každou cenu, ani se AI vyhýbat. Cílem je vytvořit řešení, které v produkčním prostředí skutečně funguje, má měřitelnou návratnost a které obstojí při auditu, před regulátorem i v dalších fázích růstu. Nejčastěji se jedná o AI jako nadstavbu na promyšleném základu, někdy o hlavní architektonickou vrstvu, jindy o součást většího stacku.

Plánujete projekt AI nebo už máte konkrétní případ použití na stole? V rámci konzultace AI Pathfinder společně zmapujeme, kde má AI ve vašem produktu nejvýraznější dopad a jak ji zasadit tak, aby projekt přešel z PoC do produkce.