Váš AI agent je jen tak dobrý, jako je váš systém archivace

30. prosince 2025 dánská pošta doručila poslední dopis ve své 401leté historii. Během toho roku bylo z ulic odstraněno 1 500 zbývajících poštovních schránek. Mezitím v červenci 2026 německá federální vláda schválila GeDIG, zákon o zdravotnických datech a digitální inovaci, který postupně vyřadí fax z ordinací lékařů do podzimu 2029 a zavede povinné elektronické odesílání doporučení.

Jak je tedy možné, že jedna země dokáže takové změny realizovat, zatímco jiná stále v tomto století odstraňuje svou závislost na faxových strojích? Když zohledníme využití AI v podnicích v jednotlivých zemích, 42 % dánských firem použilo v roce 2025 alespoň jednu AI technologii, což je nejvyšší podíl v Evropě. Německo dosáhlo 26 %, nad průměrem EU, ale o šestnáct procentních bodů za Dánskem.

Pro mě tento kontrast podněcuje k přehodnocení našich přesvědčení o přijetí AI. Zejména přesvědčení, že výběr modelu je výchozím bodem adopce AI, přičemž se ignoruje stav systémů kolem modelu. Obě země mají přístup ke stejným modelům a poskytovatelům cloudu, ale rozdíl spočívá v tom, zda podnikové a veřejné procesy již vytvářejí spolehlivé digitální záznamy. Protože AI agent nepracuje přímo s realitou, ale s verzí reality dostupnou v systému, přirozeně to přináší určitá omezení.

The First Constraint: The Information Was Never Digitised

Agent nemůže získat dokument, který nikdy nevstoupil do systému. Forma informačního toku organizace určuje, co může agent vůbec vnímat jako úkol.

Na úrovni země Eurostat data ukazují, že adopce AI v podnicích koreluje s digitalizací administrativních procesů. Klíčovým mechanismem však je, že v zemích, kde občané již digitálně dostávají úřední dokumenty, je méně interakcí mimo systém, které firmy musí vyřešit, což snižuje množství interpretační práce potřebné předtím, než může být AI bezpečně použita v provozu.

Na úrovni podniku studie IZA z roku 2026 zkoumající 1 907 dánských firem zjistila, že nárůst digitalizace o jedno standardní odchylky je spojen s o 8 až 10 procentními body vyšší pravděpodobností adopce základních AI systémů. To naznačuje, že adopce AI závisí na tom, zda jsou interní operace podniku již uspořádány digitálně strukturovaným, strojově čitelným způsobem. Pokud jsou procesy roztříštěné, existuje málo stabilních informací, na nichž by AI systémy nebo agenti mohli operovat.

Toto může také pomoci vysvětlit, proč digitalizace řízená politikou automaticky nevede k připravenosti na AI. Povinné mandatory B2B e-invoicing vytvořila plně digitální kanál, ale celková adopce AI zůstává pod průměrem EU. Digitalizace jediného kroku neodstraňuje okolní analogový systém.

The Second Constraint: The Information Exists Only in Someone’s Head

Lidé řídí operace, což znamená, že většinou znají podrobnosti, které AI nezná. Finanční administrátor ví, že nájemce zaplatil v hotovosti, ale platba nebyla nikdy zadána do účetního systému. Výsledkem je, že bankovní záznamy a systém se neshodují. Administrátor rozumí důvodu, zatímco AI vidí jen nekonzistentní data. Správce nemovitosti si pamatuje, že pronajímatel požádal, aby ho po dobu dvou týdnů nekontaktovali. Tým zná obcházení pro konkrétní budovu nebo klienta, ale nikdo to nezdokumentoval.

ClarEval testoval úkoly s chybějícími cíli, chybějícími předpoklady a nejednoznačnou terminologií. Výkon modelu klesl z přibližně 89 % po upřesnění na zhruba 9 %, když nejasnost zůstala nevyřešena. Mezitím Ambig-SWE zjistil, že umožnění modelu klást otázky uživateli, který má chybějící informace, obnovilo až 74 % ztraceného výkonu. To naznačuje, že inženýři by měli budovat systém, který je schopný od samého začátku požadovat upřesnění.

The Third Constraint: The Information Exists but Cannot Be Passed

Některá data jsou v rámci společnosti dostupná, ale stále nemohou dosáhnout modelu kvůli pravidlům ochrany soukromí, bezpečnostním kontrolám, smlouvám nebo interní politice.

Studie založená na sedmi letech cloudových dat zjistila, že (Article 5(1)(b)) GDPR – základní zákon EU o ochraně soukromí – snížil ukládání dat o 26 % a zpracování o 15 % u evropských firem ve srovnání s obdobnými americkými firmami. Jinými slovy, regulace ochrany soukromí učinila firmy méně datově náročnými tím, že omezila množství informací, které mohou uchovávat a zpracovávat pro analytiku a AI. Generative AI adoption was almost equal bylo téměř stejné, 37 % evropských firem a 36 % amerických firem. Avšak rozdíl v hloubce adopce AI je obrovský, přičemž 81 % amerických firem používá AI alespoň ve dvou interních procesech, oproti 55 % v EU. Jedním z možných důvodů je, že informace, které již existují uvnitř organizací, jsou v Evropě často obtížnější znovu využít pro AI. Například konverzace zákaznické podpory často obsahují osobní data shromážděná k řešení problémů zákazníků. Podle principu omezení účelu GDPR (článek 5(1)(b)) tato data nelze jednoduše přesměrovat k trénování AI bez platného právního základu. Americké firmy obecně čelí méně obdobným federálním omezením při opětovném využívání takových dat.

How to Build the Correct System

Vyhledávání funguje pouze tehdy, když odpověď existuje v systému. Agent by měl požádat o informaci, když chybí, nikdy nehádat a převádět hovory či neformální rozhodnutí na strukturované záznamy. Firmy by také měly odstranit paralelní papírové pracovní postupy, protože pokud může úkol proběhnout mimo systém, část kontextu zůstane neviditelná.

Každá firma si musí uvědomit své vlastní mezery. Změřte, zda fakt potřebný k správnému jednání byl v systému nebo ne. Otestujte pracovní postupy s a bez vyloučených polí pro kontrolu soukromí. Nakonec, pro workflow, který lze dokončit na papíře, je to agent, který se staví jako poslední.

Agent může zlepšit lidský výstup, ale neodstraní to, co chybí.