Článek
Představte si šéfa zákaznické podpory, který dostane nabídku snů. Umělá inteligence vyřídí tisíc požadavků za pár dolarů a nebude chtít dovolenou ani nemocenskou. Na papíře to vypadá jako nejlepší obchod v dějináchkancelářské práce. Stačí vypnout několik počítačů, rozloučit se se zaměstnanci a nechat vše na programu.
Jenže zákazníkovi je jedno, kolik stálo vyřešení jeho požadavku. Zajímá ho, zda dostal správnou odpověď a vyřešil svou reklamaci. A také kdo ponese odpovědnost, až systém omylem pošle peníze na cizí účet. Právě v tomto bodě přestává být příslib levné automatizace jednoduchý.
Schopnosti nejlepších modelů přitom nelze odbýt jako marketing. Dokážou programovat, analyzovat dokumenty a řešit vícekrokové úkoly. Otázka už nezní jen „umí to?“, ale „kolik stojí jejich spolehlivý každodenní provoz?“.
Model za pár centů, nebo za desítky dolarů?
Žebříček Artificial Analysis ukazuje výrazné rozdíly v cenách i schopnostech velkých jazykových modelů. Například u modelu Claude Fable 5.2 (max) vychází jeden benchmarkový úkol na 26,54 dolaru. Mnohé jednodušší systémy stojí jen zlomek této částky.
Pozor však na jednu věc. Cena za testovací úlohu se automaticky nerovná nákladům na reálný pracovní úkol ve firmě.
Abychom se neutopili v reklamních slibech, zkusme jednoduchý výpočet. Předpokládejme, že jedna úloha spotřebuje 20 tisíc vstupních a pět tisíc výstupních tokenů. Token si lze představit jako malý kousek textu, který model zpracovává nebo vytváří.
Podle ceníku rozhraní OpenAI by se základní sazbou a kratším kontextem vyšlo tisíc takových úloh následovně:
- s modelem GPT-6 Astra na 450 dolarů,
- s modelem GPT-6.1 Sol na 90 dolarů,
- s modelem GPT-6 Luna na pouhých 4,50 dolaru.
Počítáme jedno volání na úlohu, bez opakování, ukládání kontextu či dalších nástrojů. Jde o ilustraci.
Rozdíl je propastný. Levný model však může chybovat u poloviny těžkých dotazů. Ve výsledku tak nebývá výhodnější než drahý systém, který práci zvládne napoprvé správně. Stejně tak ale nedává smysl posílat nejdražšímu modelu každý požadavek na změnu hesla.
Firmy proto logicky kombinují různé modely podle obtížnosti zadání.
Největší položkou na účtu nemusí být umělá inteligence
Vraťme se k našim tisíci úkolům. Dejme tomu, že každý výsledek musí člověk čtvrt hodiny kontrolovat. Při hypotetických nákladech 30 dolarů na hodinu lidské práce to znamená dalších 7 500 dolarů. Výpočetní výkon za 90 dolarů náhle představuje sotva viditelnou položku.
Patnáctiminutovou revizi samozřejmě nepotřebuje každý výstup. U automatického třídění zpráv stačí namátková kontrola. Při vyřizování pojistek, právních dokumentů nebo citlivých finančních operací je ale situace jiná. Případná chyba tu může stát více než všechny ušetřené hodinydohromady.
Funguje to podobně jako u auta. Cena benzinu napoví, kolik zaplatíte za jednu jízdu, ale neukáže celkové náklady na spolehlivý provoz. K němu musíte připočítat servis, pojištění a občas i odtah.
U umělé inteligence platíte vedle samotného modelu také za napojení na firemní systémy, dohled, opravy a bezpečnost. Že nejde o pouhou teorii, připomněla agentura Reuters 10. listopadu 2026.
Podle odhadu poradenské společnosti McKinsey by výdaje bank za tokeny autonomnějších AI agentů mohly dosáhnout částky odpovídající až pětině personálních nákladů.
Nejde o současný průměr bank ani o důkaz ztrátovosti AI. Je to však varování. Systémy, které samy plánují další kroky a volají jiné modely, totiž spotřebují mnohem více prostředků, než naznačuje cena jedné odpovědi.
Znamená rychlejší práce méně pracovních míst?
Opusťme představu, že technologie musí buď všechny nahradit, nebo být k ničemu.
Studie publikovaná v časopise The Quarterly Journal of Economics sledovala 5 172 pracovníků zákaznické podpory. Po zavedení AI asistenta vyřešili v průměru o 15 % více případů za hodinu. Nejvýrazněji si přitom polepšili méně zkušení zaměstnanci.
Jde o výrazný posun. Patnáctiprocentní růst produktivity ale neznamená okamžité propuštění patnácti procent lidí. Firma může díky ušetřenému času:
- rychleji odpovídat zákazníkům,
- zvládnout větší objem zakázek bez dalšího náboru,
- přesunout zkušenější kolegy k náročnějším problémům.
Někdy se však produktivita nezvýší vůbec.
Výzkumná organizace METR v roce 2025 testovala zkušené vývojáře na 246 reálných programátorských úkolech. S tehdejšími AI nástroji jim práce trvala v průměru o 19 % déle. Čas strávený vedením a kontrolou systému totiž převážil nad úsporou při samotném psaní kódu.
Starší experiment však nelze brát jako konečný rozsudek. Sama organizace METR v únoru 2026 upozornila, že novější nástroje pravděpodobně vývojáře zrychlují. Další měření ale kvůli způsobu výběru účastníků neumožnilo tento přínos spolehlivě vyčíslit.
Vždy tedy rozhoduje konkrétní nástroj, typ práce a podmínky.
Mladým může AI zavírat dveře i bez propouštění
Důsledky přesto začínají pociťovat lidé, kteří na pracovní trh teprve vstupují.
Podle analýzy Stanford Digital Economy Lab ze srpna 2026 zatím americká data neukazují plošné vytlačování zaměstnanců umělou inteligencí.
V profesích silně vystavených AI se však u lidí ve věku 22 až 25 let vyvíjela zaměstnanost výrazně hůře než v jiných oborech. Oproti srovnávacímu vývoji dosáhl tento rozdíl v červnu 2026 přibližně 19 %.
To neznamená, že AI připravila o práci 19 % mladých. Výzkumníci mluví o statistickém rozdílu a upozorňují na limity při určování přímých příčin.
Výsledky přesto ukazují na skrytý problém. Firma vůbec nemusí propouštět, stačí, když omezí nábor absolventů.
Junioři často začínají na úkolech, které lze snadno popsat a zkontrolovat. Zkušenější pracovník pak řeší výjimky, vyjednává se zákazníkem nebo rozhoduje, kdy doporučení systému odmítnout.
Pokud však první krok převezme umělá inteligence, kde se budoucí specialisté naučí ten druhý?
Zajímavý pohled nabízí samotný Anthropic ve své interní analýze z října 2026.
Firma uvádí, že v srpnu připadalo na každou odpracovanou hodinu zaměstnance šest hodin běhu interaktivních AI agentů. Nejde však o ekvivalent šesti hodin lidské práce, měří se pouze doba provozu systémů.
Podstatnější je ale jiné zjištění. Zaměstnanci mají problém všechny vygenerované výstupy vůbec přečíst. Stále důležitější schopností se tak stává rozhodování, čemu věnovat pozornost.
Kdo tedy zaplatí budoucnost bez zaměstnanců?
U opakovaných, dobře popsaných úkonů s levnou kontrolou vychází AI jednoznačně výhodněji. V práci plné výjimek, osobní odpovědnosti a drahých chyb ale bude ještě dlouho fungovat spíše jako pomocník.
Především se nevyplácí srovnávat cenu jednoho zadání s měsíční mzdou člověka. Zaměstnanec totiž během dne vyřeší i situace, na které se nikdo předem nepřipravil.
Existuje tu i další rozdíl. Částka za používání modelu neodráží skutečné náklady na jeho vývoj a provoz. Z levného rozhraní nelze poznat, zda na něm tvůrce AI vydělává. Stejně tak drahý model automaticky neznamená, že zákazníkům nepřinese úsporu.
Možná se proto nemusíme ptát, kdy umělá inteligence definitivně ovládne všechny kanceláře.
Užitečnější je jiná otázka: Kolik stojí jeden správně dokončený úkol, včetně oprav a převzetí odpovědnosti? Teprve odpověď na ni rozhodne, zda bude levnější člověk, stroj, nebo jejich vzájemná spolupráce.
P.S.
Díky, že jste dočetli až sem! Na umělé inteligenci mě nejvíc baví právě rozdíl mezi tím, co dokáže v působivé ukázce, a tím, co skutečně zvládne v běžném provozu. Někdy stačí pár centů, jindy potřebujete dalšího člověka, který po ní všechno zkontroluje. A najednou ta slibovaná úspora vypadá úplně jinak. Rád se podobným tématům věnuji, protože ukazují, jak snadno se necháme přesvědčit technologií, aniž bychom se ptali na její skutečný přínos. Jestli vás článek zaujal a chcete číst další texty, ve kterých odděluji sliby od ověřitelných výsledků, budu rád za vaši podporu. I malý příspěvek mi pomůže připravovat další podobné rozbory.
