Článek
České firmy často selhávají v zavádění umělé inteligence nikoliv kvůli samotným technologiím, ale kvůli roztříštěným datům a chybějící cloudové infrastruktuře. AI je dnes téma číslo jedna — na konferencích, v médiích, v boardroomech. Každý chce AI adoptovat — ale jakmile se zeptáte na konkrétní výsledky, narazíte na trapné ticho nebo vágní odpovědi o „pilotních projektech.“ Proč?
Problém není v dostupnosti AI nástrojů. GPT-4, Gemini, Copilot — to vše jsou technologie, které si může předplatit kdokoli za desítky eur měsíčně. Problém leží o vrstvu níže: v datové infrastruktuře, která za nimi stojí — nebo spíše nestojí.
V posledních dvou letech pracuji na implementacích cloudové infrastruktury pro středoevropské firmy — a opakuje se stále stejný vzorec: technologie je připravená. Firma ještě ne.
Co ve skutečnosti brzdí AI v české firmě
Zeptejte se ředitele na jeho datové prostředí a většina odpoví přibližně takto: „Máme CRM tady, účetnictví tamhle, interní komunikace probíhá přes tři různé kanály a projektové výkazy leží v Excelu na SharePointu.“ To není výjimka. To je průměr.
Česká firma typicky prošla desíti lety pragmatického přístupu k IT — kupovalo se to, co vyřešilo konkrétní problém v danou chvíli, bez ohledu na to, jak se to integruje se zbytkem. Výsledek: mozaika systémů, které spolu nekomunikují — a která AI aktivně braní v přístupu k firemnímu kontextu.
AI modely — ať už jde o Gemini, Claude nebo GPT-4 — potřebují přistupovat k firemním datům, aby dodávaly relevantní výstupy. Pokud jsou tato data rozptýlena po čtyřech různých systémech bez vzájemné integrace, AI dostane k dispozici pouze zlomek kontextu. Výsledek? Obecné odpovědi, které mohl vygenerovat kdokoli — bez přidané hodnoty specifické pro vaše podnikání.
Přestože 65 % organizací dnes pravidelně využívá generativní AI v alespoň jedné firemní oblasti, výzkum McKinsey & Company z roku 2024 ukazuje, že jen zlomek z nich dosáhl výsledků v měřítku celé firmy. Adopce nástrojů nastala — skutečná integrace teprve ne.
Tři scénáře, kde se to láme v praxi
Pojďme to ukázat na konkrétních příkladech ze tří různých sektorů — protože problém není odvětvový, je strukturální.
E-commerce. Retailová firma zavede AI systém doporučení produktů. Jenže katalog produktů je v jednom systému, historická data o nákupech zákazníků v druhém a aktuální skladové zásoby jen v ERP. AI vidí pouze produkty — a doporučuje zboží, které dávno není na skladě. Zákazník odejde zklamaný, konverzní poměr klesne, projekt se označí jako „neúspěšný AI experiment“. Přitom oprava byla technicky triviální: propojit tři systémy přes API. Ale nikdo tu otázku před spuštěním AI nepoloží.
Výroba. Závod chce zavést prediktivní údržbu strojů. Senzorová data ze strojů existují, ale jsou uložena lokálně a nejsou propojena s historií oprav ani s daty od dodavatelů náhradních dílů. Prediktivní modely pro průmyslovou údržbu potřebují historická data o poruchách za minimálně 18 až 24 měsíců. Bez propojených datových zdrojů tento kontext jednoduše neexistuje — a AI neumí předpovídat poruchy, které nemá čím porovnat.
Profesionální služby. Poradenská firma nasadí AI asistenta pro přípravu reportů a shrnutí schůzek. E-mail je v Outlooku, zápisky ze schůzek v Notion, sdílené dokumenty na třech různých úložištích a zákaznická korespondence ještě jinde. Asistent, který nezná kontext předchozích e-mailů a schůzek, nemůže připravit relevantní report — může jen parafrázovat to, co mu ručně zkopírují. A přesně tak ho většina firem nakonec používá: jako drahý nástroj na přeformátování textu.
Ve všech třech případech je AI sama o sobě funkční. Selhává prostředí kolem ní — ne technologie.
Proč sjednocení musí předcházet inteligenci
Je lákavé přeskočit přímo k AI vrstvě — vybrat nástroj, spustit pilota, čekat na výsledky. Jenže architektura funguje jako pyramida: bez pevných základů se každá nadstavba časem sesype.
Sjednocené cloudové prostředí není totéž jako „vše v cloudu.“ Jde o to, aby data, nástroje a přístupová práva sdílely společnou logiku — a AI mohla pracovat s celkovým firemním kontextem, ne jen s fragmenty, ke kterým se náhodou dostane.
Konkrétní příklad: firma, kde e-mail běží v Gmailu, dokumenty jsou v Google Drive a schůzky v Google Meet, může nasadit Gemini tak, že AI nativně pracuje se všemi třemi vrstvami najednou. Firma, kde jsou stejné funkce rozděleny mezi tři systémy od tří různých dodavatelů, musí nejdříve vybudovat integrační vrstvu — a to je projekt v projektu.
Co AI-ready infrastruktura konkrétně obnáší
AI-připravenost nestartuje instalací AI nástroje. Začíná třemi základními podmínkami:
Jednotné cloudové prostředí. Všechna firemní data — dokumenty, komunikace, projektové výkazy, zákaznická data — musí existovat v jednom ekosystému s jasně definovanými přístupovými právy. Nemusí to být dokonalé, ale musí to být propojené.
Standardizace spolupráce. Firmy, kde polovina zaměstnanců funguje v Google Workspace a druhá polovina v Microsoft 365, provozují dvě paralelní datová sila. AI nedokáže efektivně pracovat přes hranice ekosystémů — vidí jen tu část reality, ke které má přístup.
Jasná datová správa. Kdo má přístup k čemu, které datové sady jsou aktuální a kde je „single source of truth“ — to vše musí být definováno před nasazením AI. AI zrcadlí kvalitu dat, která dostane. Fragmentovaný vstup produkuje fragmentovaný výstup.
„V praxi vidíme, že firmy, které před nasazením AI prošly konsolidací do Google Workspace, dosáhly prvních měřitelných výsledků v řádu týdnů — ne měsíců,“ říká Anastasiia Puzerei, Marketing Lead pro cloudová řešení ve společnosti Cloudfresh. „Gemini je navržen tak, aby pracoval s daty uvnitř tohoto ekosystému nativně — bez potřeby složitých integrací nebo datových pipelines.“
Google Workspace je v tomto kontextu přirozenou základnou: Gmail, Calendar, Drive, Meet a Docs fungují jako jeden integrovaný systém, nikoli jako sada oddělených aplikací. Gemini se na tuto základnu napojuje přímo — a nástroje jako Google Agentspace mohou automatizovat procesy napříč celou organizací, protože mají přístup k jednotnému datovému prostoru.
Kde začít: prakticky a bez velké revoluce
Konsolidace infrastruktury zní monumentálně. Není. Dá se zvládnout postupně — a každý krok přináší okamžitý efekt nezávisle na tom, co přijde potom.
Krok 1: Audit datového prostředí. Zmapujte, kde vaše firemní data skutečně žijí. Kolik nástrojů používáte pro komunikaci, sdílení dokumentů, projektové řízení a zákaznická data? Z práce v oblasti konzultací Google Cloud pro firmy různých velikostí platí, že průměrný středně velký podnik provozuje desítky oddělených nástrojů — z nichž velká část není vzájemně propojena a generuje datové slepé uličky.
Krok 2: Sjednokte spolupráci jako první. E-mail, kalendář, dokumenty a videohovory do jednoho ekosystému — to je nejrychlejší první vrstva. AI okamžitě získá přístup k firemnímu kontextu: kdo s kým komunikuje, co bylo dojednáno na schůzce, jaký je stav projektu.
Krok 3: Propojte klíčové operační systémy. CRM, ERP, HR systémy — napojte je na cloudové prostředí postupně. Nemusí jít o úplnou migraci; postačí API integrace, která klíčová data zpřístupní AI nástrojům bez přepisování celé infrastruktury.
Krok 4: Nasadte AI na jeden konkrétní případ. Příprava zákaznických reportů, shrnutí e-mailových vláken, návrhy odpovědí v zákaznickém servisu — vyberte jeden use case a změřte výsledky. Zkušenost z omezeného pilotu ukáže, co funguje, a vytváří argumenty pro další investice.
Krok 5: Škálujte na základě výsledků, ne plánů. Místo víceletých strategických roadmap funguje lépe iterativní přístup: jeden propojený systém, jedna AI aplikace, měřitelný výsledek, další krok. Nejvíce toho udělají firmy, které začnou málo a rychle opakují — ne ty, které měsíce plánují. Každá firma má jinou startovní pozici — a to je naprosto v pořádku.
Závěr: připravenost není o technologii
Gemini Enterprise, Google Agentspace, AI agenti pro automatizaci procesů — tato technologie je dostupná a zrají rychle. Firmy, které dnes investují do datové infrastruktury, budou za rok v pozici, kde AI skutečně přináší měřitelné výsledky. Firmy, které čekají, až „AI dozraje,“ skončí s přesně opačným problémem: zralá technologie, nezralá infrastruktura.
Klíčová otázka tedy nezní, jestli AI nasadit. Zní: je vaše firma schopna AI dát to, co potřebuje — přístup k datům, jednotný kontext, jasná pravidla? Pokud ano, výsledky přijdou rychle. Pokud ne, žádný AI nástroj to neočekávaně nenapraví.
Příprava na AI není IT projekt. Je to strategické rozhodnutí o tom, jak firma nakládá se svými daty — a to rozhodnutí lze udělat dnes, bez přemrštěného rozpočtu a bez velké organizační revoluce.
