Firmy neprohrávají s AI kvůli modelům. Prohrávají kvůli kontextu

Ještě nedávno vypadala debata o umělé inteligenci ve firmách poměrně jednoduše. Řešilo se hlavně to, který model je nejlepší, kdo má lepší odpovědi a jestli dává větší smysl ChatGPT, Copilot nebo jiný nástroj.

Byla to logická fáze. Trh byl fascinovaný tím, co modely dokážou samy o sobě. Jenže ve firemním prostředí se dnes stále častěji ukazuje, že to nestačí.

Skutečný problém totiž často není v tom, že by model byl slabý. Problém je v tom, že nezná firmu, ve které má pracovat.

Model může velmi dobře psát, shrnovat, navrhovat nebo hledat souvislosti. Jenže pokud nezná vaše interní pravidla, rozhodovací logiku, datové zdroje a výjimky, bude se ve firmě pohybovat jen napůl naslepo.

A právě tady se podle mě rozhodne další fáze AI ve firmách. Ne u samotného modelu, ale u kontextu.

Tenhle posun dnes naznačují i velcí hráči. OpenAI u Frontier pracuje s tématy sdíleného kontextu, oprávnění a napojení agentů do reálného firemního prostředí. Microsoft ve Fabric IQ řeší sémantiku dat a jejich propojení napříč firmou. A Model Context Protocol se dál prosazuje jako cesta, jak AI připojovat ke konkrétním nástrojům a datovým zdrojům.

Z praktického pohledu je ten problém vlastně dost obyčejný. Firma má CRM, účetní systém, dokumenty, interní wiki, e-maily, tabulky, schvalovací procesy a k tomu ještě hromadu nepsaných pravidel.

Část znalostí je uložená v datech. Část v dokumentaci. A velká část jen v hlavách lidí.

Když pak do takového prostředí nasadíte AI, velmi rychle zjistíte, že odpovědi mohou znít sebejistě, ale přesto nemusí být správné. Model neví, který ceník je aktuální. Neví, které oddělení má poslední slovo. Neví, že určitý klient má výjimku. Neví ani to, že stejné pole ve dvou systémech znamená ve skutečnosti něco trochu jiného.

Tohle je přesně ten moment, kdy se láme chleba.

Mnoho firem si dnes myslí, že hlavní rozhodnutí zní: jaký nástroj koupit. Ve skutečnosti je ale důležitější jiná otázka: co musí AI vědět, aby byla opravdu použitelná.

Rozdíl mezi efektním demem a reálným přínosem bývá právě v tomhle.

Když AI nezná provozní realitu firmy, nezačne šetřit čas. Naopak začne vyrábět další vrstvu nejistoty, oprav a kontrol.

Představa bývá lákavá. Firma nasadí AI asistenta, který bude odpovídat rychleji než člověk a sníží tlak na support.

Na papíře to vypadá dobře. Jenže pokud ten asistent nezná aktuální pravidla reklamací, interní priority, obchodní výjimky nebo hranice toho, co smí slíbit, velmi rychle se z něj stane spíš riziko než pomoc.

Bude působit chytře. Provozně ale může být nebezpečný.

V obchodu může AI pomáhat s návrhy odpovědí, prioritizací leadů nebo přípravou nabídek. To je reálně užitečné. Jenže bez přístupu k aktuálním cenám, maržím, schvalovacím pravidlům a historii klienta začne navrhovat věci, které vypadají dobře jen na povrchu.

V reportingu je to podobné. Mnoho firem dnes chce, aby se manažer jen zeptal a AI mu vrátila správnou odpověď. Jenže kdo někdy dělal reporting ve větší firmě, ví, že data sama o sobě nestačí.

Musíte přesně vědět, která metrika je oficiální, jaká je logika výpočtu a co je závazné KPI. Bez toho může AI vrátit technicky odvozené číslo, které bude byznysově špatně.

Právě proto se dnes začíná ukazovat, že další bitva v AI nebude hlavně o tom, kdo má o pár procent lepší model.

Pro většinu firem totiž přestane být rozhodující rozdíl mezi velmi dobrým a ještě o něco lepším modelem. Rozhodující bude, jestli je AI napojená na správná data, chápe význam pojmů uvnitř firmy, zná své hranice a pracuje podle reálných pravidel.

Jinými slovy: model si dnes koupí skoro každý. Firemní kontext si ale musí každá firma vybudovat sama.

Tohle je mimochodem jeden z nejzajímavějších praktických dopadů AI. Ona nevytváří jen nové možnosti. Často také velmi rychle odhalí, jak slabě má firma popsané vlastní procesy.

Najednou se ukáže, že data jsou rozbitá po systémech, dokumentace je neúplná, pravidla existují jen ústně a odpovědnosti nejsou jasně definované.

To může znít nepříjemně, ale ve skutečnosti je to užitečné. Pokud to firma vezme poctivě, může díky AI zjistit, kde má největší slabiny, a postupně je opravit.

Tady je ale potřeba držet se při zemi. Kolem agentů a autonomnější AI je dnes obrovský hype. A právě tady hrozí, že se z dobrého směru stane jen dražší experiment bez návratnosti.

Nestačí přejmenovat chatbota na agenta a čekat revoluci. Pokud chybí kontext, pravidla, odpovědnosti a měřitelný přínos, bude výsledek slabý bez ohledu na to, jak moderně celý projekt zní.

Z praktického pohledu tedy firmy dnes nepotřebují hlavně „víc AI“. Potřebují lépe připravené prostředí pro AI.

Za mě dává větší smysl začít jinak.

Nejdřív si vybrat jeden konkrétní proces, kde může AI přinést jasnou hodnotu. Potom si poctivě sepsat, z jakých zdrojů má čerpat a které z nich jsou opravdu autoritativní. Následně nastavit hranice, oprávnění a kontrolní mechanismy. A teprve potom řešit konkrétní platformu nebo model.

Tohle je méně efektní než nekonečné porovnávání nástrojů. Ale z provozního hlediska je to mnohem rozumnější.

V příštích měsících a letech podle mě nezíská největší výhodu ten, kdo nasadí nejvíc AI nástrojů. Výhodu získá ten, kdo dokáže spojit data, procesy, pravidla a odpovědnosti do podoby, se kterou může AI bezpečně a užitečně pracovat.

Kdo tohle podcení, bude mít ve firmě jen další chytrý systém, který mluví plynule, ale nerozumí tomu, co vlastně dělá.

A to je přesně rozdíl mezi AI, která dobře vypadá na prezentaci, a AI, která firmě opravdu pomáhá.