Schopnost nebyla nikdy problémem. Provozní model ano.

Madelaine Yue to vyjádřila velmi přesně: “AI neopravuje rozbité systémy. Prostě je provádí rychleji.” Tato věta mě zůstala v paměti, protože popisuje něco, co enterprise AI konverzace obcházela po dva roky, aniž by se jí podařilo přesně určit. Schopnost není problémem v roce 2026. Schopnost je všude. Co podniky stále postrádají, je provozní model, který přemění schopnost, kterou již vlastní, na výsledky, které mohou jejich zákazníci cítit.

Já jsem začal tento provozní model nazývat Applied Intelligence, protože zahrnuje mezeru mezi tím, mít AI a používat ji. Rozdíl je důležitý, protože druhá možnost je jediná, která se násobí.

Strop schopnosti byl dosažen

Pokud vedete AI nebo digitální strategii v podniku jakéhokoli velikosti, pravděpodobně jste koupili více AI, než jste organizovali. Kopilot pro prodej, sumarizér pro podporu, triážní agent pro operace, analytický motor pro marketing, někdy všechny od různých dodavatelů. Inventář schopností vypadá působivě v prezentaci. Operátor uvnitř pracovního postupu stále chodí po šicích mezi těmito systémy a stejně tak i zákazník.

Když MIT NANDA v roce 2025 zjistil, že 95 procent pilotních programů generativní AI nevytváří žádné měřitelné P&L dopady, titulky předběhly diagnózu. Pilotní programy nezklamaly, protože modely byly slabé. Nezklamaly, protože nic nepřipojilo výstup modelu k obchodnímu procesu, který byl již odpovědný za výsledek. Kapacita integrace — lidé, odpovědnost, data, provozní disciplína, která přemění pět komponent na jeden zážitek — byla téměř nikdy položky, která byla financována.

VimalRaj Sampathkumar učinil podobný bod v dubnu: podniky zastavují, když se AI behanduje jako série samostatných nákupů, spíše než jako schopnost, která musí akumulovat. Financování akumulace je neokázalá polovina práce a je to polovina toho, co je Applied Intelligence vlastně o.

Strategie k provedení je místo, kde většina AI umírá

Většina módů selhání podnikového AI byla obviněna z něčeho. Čistota dat. Řízení. Řízení změn. Talent. Každý z nich je reálný a žádný z nich není primární mód selhání, který vidím týden co týden. Je to předání mezi týmem, který napsal strategii, a týmem, který musí dodat systém.

V tradičním poradenském modelu je toto předání dodávkou. Cílový provozní model, matice výběru dodavatele. Poradenská firma předá artifact systémovému integrátorovi nebo internímu inženýrskému týmu a poradenská firma odejde. Do doby, kdy začíná inženýrská práce, polovina předpokladů v artifactu je zastaralá a jediní lidé, kteří mají úsudek o tom, zda je ctít nebo revidovat, již nejsou v místnosti.

Předání je také místem, kde většina pozorovatelů napříč průmyslem lokalizuje mezeru. V štafetovém běhu je závod vyhrán a prohrán na předání štafety, ne na rovném úseku. V podnikovém AI platí stejný tvar: nejpomalejší část závodu je okamžik, kdy se kontext, úsudek nebo odpovědnost mají pohybovat přes hranici a nikdo nevlastní, zda se to skutečně stane.

Applied Intelligence, jak jej definuji, má tři komponenty provozního modelu, každý zaměřený na jinou mezeru:

• Strategie a inženýrství pod jednou střechou. Doporučení jsou postavena lidmi, kteří s nimi budou žít, a inženýrský úsudek formuje strategii, než je publikována, ne poté.
• Dvojité zapojení s vedením a operátory. Exekutivní sponzoring a operátor-level přijetí běží jako souběžné pracovní toky, ne jako sekvencované. Přijetí není poslední míli; je to paralelní míle.
• Devadesátidenní měřitelné výhry, ne osmnáctiměsíční transformace. Každý cyklus vybere jednu důslednou mezeru, opraví ji jako jeden odpovědný systém, měří, co se pohybuje na úrovni zákazníka, a pak vybere další.

Žádná z těchto věcí není novinkou jako aspirace. Co je novinkou, je běh jako jeden provozní model, ne jako tři rozhodnutí o nákupu.

Jak vypadá disciplína ve výrobě

Nejjasnější důkaz, že komponenty samy o sobě fungují, nemá nic společného s velikostí modelu. Snižuje se na to, zda někdo vlastnil mezeru.

V finančních službách strávily velké instituce deset let opakovaným dotazem na nové zákazníky na informace, které instituce již shromáždily během aplikace, protože workflow KYC a workflow onboardingu byly optimalizovány různými týmy proti různým metrikám. Instituce, které тихо opravily tuto mezeru, obvykle ve dvanácti až čtrnácti týdnech zaměřené práce, spíše než v programu transformace, který trval několik let, viděly pokles opuštění aplikace a kompresi času na financování účtu. AI se nezměnila. Mezeru změnila.

V hotelu se stejná lekce objevila téměř před deseti lety. Hosté přestali tolerovat check-in, který nevěděl, že si rezervovali pokoj, a operátoři, kteří uzavřeli tuto smyčku, to udělali tak, že učinili jeden tým odpovědným za zážitek napříč systémem rezervace, systémem správy nemovitostí a loajalitním programem. Provozní model byl zásahem. Rozhodnutí o platformě byla downstream.

Zdravotnictví je nejveřejnější aktuální případ, protože důsledky jsou okamžité. V NYU Langone, nasazený BERT model triážní pacientské zprávy, studovaný napříč 396 466 zprávami a publikovaný v JAMIA Open v srpnu 2024, snížil čas čtení klinika na high-acuity zprávách o 44 až 67 procent. To je at-scale, peer-reviewed výsledek uvnitř jednoho integrovaného pracovního postupu. Komponent je reálný. Instituce, které budou násobit tento výsledek, jsou ty, které budují kapacitu orchestrace kolem něj, nečekají na další demo dodavatele.

Praxe, ne projekt

Nejzdravější podnikové AI programy, které vidím, jsou spuštěny více jako klinická praxe než jako transformační program. Devadesátidenní cykly učení, jedna mezeru najednou, s jedním odpovědným vlastníkem pro zážitek napříč kanály, které se ho dotýkají. Data jsou instrumentována tak, aby následovala zákazníka, ne kanál, a metriky žijí na mezeře, ne na dashboardu pro žádný jednotlivý systém.

To je to, co Deloitte’s State of Generative AI in the Enterprise 2026 nazývá “nepřístupnou hranou” — provozní mezerou mezi organizacemi, které rozšířily přístup k AI zhruba o 50 procent ročně, a zhruba čtvrtinou, která přesunula více než 40 procent svých experimentů do výroby. Rozšíření přístupu se stalo téměř zdarma. Disciplína výroby nebyla.

Tato disciplína je prací. Je také, nakonec, kde bude další desetiletí hodnoty podnikového AI seřadit.

Kapacita, kterou budujete nyní, je hodnota, kterou budete násobit později

Yue má pravdu, že AI provádí rozbité systémy rychleji. Korespondenci, kterou bych nabídl, je, že AI také násobí disciplinované systémy rychleji, a volba mezi těmito dvěma výsledky je provozní-modelovou volbou, ne volbou nástrojů. Schopnost je již na policích. Podniky, které budují Applied Intelligence jako praxi nyní — strategicko-inženýrskou integraci, dvojí zapojení, malé čestné cykly — jsou ty, jejichž investice do AI vydělají jejich další rozpočet a jejichž zákazníci přestanou cítit každou mezeru.