Proč většina firemních AI pilotů nedojde do produkce a čím se liší ty, které ano

Co ta čísla doopravdy říkají

O neúspěšných AI pilotech koluje několik čísel, která se v prezentacích často míchají dohromady. Každé přitom měří něco jiného – a právě na tom záleží, pokud jimi chcete argumentovat před vedením.

Nejcitovanější je zpráva The GenAI Divide: State of AI in Business 2025 z iniciativy MIT NANDA. Podle ní 60 % organizací vyhodnocovalo specializované podnikové AI nástroje, 20 % došlo k pilotu a jen 5 % do produkce. Úspěch zpráva definuje jako nasazení za hranici pilotu s měřitelnými KPI, přičemž dopad na návratnost se měřil šest měsíců po pilotu.

Průzkum S&P Global Market Intelligence z března 2025 ukázal stejný jev z jiné strany: podíl firem, které zahodily většinu svých AI iniciativ, meziročně vzrostl ze 17 % na 42 %. BCG v září 2025 označila 60 % firem za opozdilce s minimálním přínosem a jen 5 % za připravené na budoucnost.

Proč číslu 95 % nevěřit doslova

Zpráva MIT NANDA sklidila oprávněnou kritiku a je fér ji znát dřív, než číslo použijete v podkladech pro představenstvo.

• Malý a nereprezentativní vzorek. Sami autoři v části o metodice uvádějí, že čísla jsou „směrově přesná“, vycházejí z jednotlivých rozhovorů, nikoli z oficiálního firemního reportingu, a že organizace ochotné mluvit o potížích se mohou systematicky lišit od ostatních.
• Krátké okno. Šest měsíců je na vyhodnocení změny podnikového procesu málo. Zpráva sama připouští, že tím může míru úspěchu podhodnocovat.
• Nejasný původ hlavního čísla. Analytický web Futuriom cituje profesora Kevina Werbacha z Whartonu, podle kterého se v dokumentu nedá dohledat, z čeho údaj 95 % vlastně vychází.
• Zájem autorů. NANDA je iniciativa prosazující vlastní architekturu pro propojené agenty. Závěr zprávy k ní přirozeně směřuje.

Druhá věc: „nulový dopad na výsledovku za půl roku“ není totéž co „technicky nefunkční“. Mnoho pilotů funguje, jen je nikdo nedotáhl do procesu, kde by se úspora nebo tržba dala spočítat.

Stav v roce 2026: posun je vidět, ale nerovnoměrný

Novější data ukazují, že se situace hýbe. Podle zprávy McKinsey The State of AI in 2026 (sběr dat od 4. května do 8. června 2026) škáluje AI agenty 40 % respondentů z velkých organizací, zatímco u menších zůstal podíl na 22 %. Ve fázi experimentů a pilotů stále zůstává 30 % velkých organizací s obratem nad miliardu dolarů.

Skupinu, která AI přisuzuje dopad na EBIT ve výši 5 % a více a zároveň mluví o významné hodnotě, tvoří jen 6 % respondentů. Podstatné je, čím se liší: téměř tři čtvrtiny z nich uvádějí, že kvůli AI zásadně přepracovaly pracovní postupy, a dvakrát častěji říkají, že vrcholové vedení dává závazek k AI zřetelně najevo.

U agentů je na místě opatrnost. Gartner v červnu 2025 předpověděl, že přes 40 % agentních projektů bude do konce roku 2027 zrušeno – kvůli rostoucím nákladům, nejasné obchodní hodnotě a nedostatečnému řízení rizik. Zároveň upozornil na „agent washing“: z tisíců dodavatelů, kteří se k agentní AI hlásí, jich podle jeho odhadu skutečně agentní řešení nabízí zhruba 130.

Český kontext: rychlá adopce, slabší efekt

Česko v adopci nezaostává. Podle průzkumu SAP mezi 200 vedoucími pracovníky, zveřejněného v září 2026 na konferenci SAP NOW v Ostravě, nasadilo AI do svých softwarových nástrojů 83 % firem oproti loňským 41 %. Klíčovou součástí dlouhodobé strategie je ale AI jen pro 28 % podniků; dalších 54 % ji ve strategii má, zatím však především experimentuje.

Stejný průzkum jmenuje i brzdy: nedostatek kvalifikovaných lidí, nejasná pravidla a legislativa a nedostatečné nebo nejednotné zdroje dat, které mezi největšími překážkami uvádí 31 % firem.

K tomu se přidává typicky česká potíž, kterou v červnu 2026 popsal CzechCrunch. Jan Šmerhovský z Google Cloud tam uvádí, že adopce AI v Česku dosahuje 48 % proti unijnímu průměru kolem 37 %, ale firmy mají sklon budovat si vše uvnitř, i když jde o oblasti mimo jejich hlavní byznys.

Je dobré mít na paměti, že jde o pohled dodavatele, který hotová řešení prodává. S daty ze zprávy MIT NANDA se ale shoduje: externí partnerství tam došla k nasazení zhruba v 67 % případů, interně stavěné nástroje asi ve 33 %. Autoři sami dodávají, že rozdíl může odrážet spíš schopnosti organizací než samotný přístup.

Pět důvodů, proč pilot zůstane pilotem

1. Pilot nemá vlastníka v byznysu ani metriku

Projekt vznikl v inovačním týmu nebo v IT, protože „něco s AI“ chtělo vedení. Chybí člověk, kterému výsledek změní čísla, a chybí výchozí hodnota, proti které by se dal přínos změřit. Zpráva MIT NANDA uvádí, že úspěšné organizace braly náměty od liniových manažerů, ne z centrální laboratoře, a nástroje hodnotily podle provozních výsledků, ne podle benchmarků modelů.

2. AI se přilepí na starý proces

Chatbot vedle nezměněného workflow přidá krok navíc. Data McKinsey ukazují, že rozdíl dělá přestavba procesu, ne samotný nástroj.

3. Demo běží na exportu, produkce potřebuje živá data

Pilot nad ručně vyčištěným CSV vypadá skvěle. V produkci je potřeba přístup k systémům přes API, oprávnění na úrovni dokumentů a aktuální data. Pokud klíčové systémy žádné použitelné rozhraní nemají, pilot skončí na integraci – ne na modelu.

4. Nikdo nepočítal s provozem

Kdo řeší, že model po aktualizaci odpovídá jinak? Kdo sleduje náklady na tokeny, latenci a chybovost? Kdo má pohotovost? Bez odpovědí bezpečnost a provoz nasazení oprávněně zablokují.

5. Staví se to, co se dá koupit

Vlastní RAG platforma, vlastní orchestrace agentů, vlastní evaluační framework – a po roce tým udržuje infrastrukturu místo řešení obchodního problému. Podle zprávy MIT NANDA navíc hlavní bariérou není kvalita modelů, ale to, že většina systémů si nepamatuje zpětnou vazbu a nepřizpůsobuje se kontextu. To se interně řeší draho.

Build vs. buy: rozhodovací kritéria

Jednoduché „kupujte“ ani „stavějte“ neplatí. Užitečnější je rozdělit řešení na vrstvy a rozhodovat pro každou zvlášť.

Protiargument je legitimní: nákup znamená závislost na dodavateli, data u třetí strany a v době „agent washingu“ i riziko, že kupujete přejmenovaný chatbot. Proto si i u kupovaného řešení držte ve vlastních rukou data, integrační vrstvu, evaluační sadu a možnost vyměnit model.

Infrastrukturní pohled: co musí být připraveno před pilotem

Pilot, který má šanci dojít do produkce, se od začátku staví na stejných základech jako jakákoli jiná služba. Pokud tyto základy chybí, AI projekt je jen odhalí – podrobněji to rozebírá článek o chaosu v infrastruktuře před nasazením AI.

Evaluace v pipeline nemusí být složitá. Stačí, aby změna promptu nešla sloučit bez toho, že projde sadou testovacích případů:

# ukázka kroku v CI – názvy skriptů a prahy jsou ilustrační
ai-eval:
  stage: test
  script:
    - python eval/run.py --dataset eval/cases.jsonl --out report.json
    - python eval/gate.py --report report.json --min-accuracy 0.85 --max-cost-per-case 0.02
  rules:
    - changes: ["prompts/**", "config/model.yaml", "src/**"]

Stejný princip jako u běžného softwaru: co se nasazuje ručně a neměří, to se v produkci neudrží. Navazující postupy popisují články o automatizaci nasazování a o monitoringu a logování.

Co udělat v pondělí

Nastavte také předem kritéria ukončení. Zrušený pilot není selhání, pokud přinesl odpověď za rozumnou cenu. Selháním je pilot, který běží rok, nikdo ho nepoužívá a nikdo nemá odvahu ho vypnout.

Klíčové poznatky

• Číslo 95 % je orientační. Stojí na 52 rozhovorech a šestiměsíčním měření; samotní autoři uvádějí omezení.
• Směr potvrzují i větší průzkumy. Podle McKinsey 2026 patří mezi firmy s významným dopadem AI na zisk 6 % respondentů.
• Rozdíl dělá přestavba procesu. Téměř tři čtvrtiny nejúspěšnějších zásadně změnily pracovní postupy.
• Česko zavádí AI rychle, ale hlavně experimentuje. AI v nástrojích má 83 % firem, klíčovou součástí strategie je pro 28 %.
• Kupujte obecné, stavějte integraci. Data, oprávnění a napojení na vlastní systémy za vás nikdo neudělá.
• Pilot stavte jako budoucí službu. Identita, pipeline, evaluace, logování a vlastník provozu od prvního dne.