Za hranice pilotního projektu AI: Jak proměnit zákaznická data v personalizovaný obchod, který lze škálovat

Nadšení podniků pro AI předběhlo jejich výsledky. Index AI Stanfordu pro rok 2026 uvádí, že v roce 2025 využívalo AI 88 % organizací, avšak míra zavádění agentů AI zůstala téměř ve všech podnikových funkcích jednociferná. Propast mezi experimentováním a skutečnou hodnotou je stále široká a v zákaznické zkušenosti je velmi viditelná i hmatatelná. Při hledání příčin této propasti je třeba zvážit dva klíčové body.

První se týká organizační vyspělosti v oblasti AI. Většina společností se stále nachází ve fázi „individuální produktivity“ a pracuje na budování škálovatelných základů řízení, připravenosti dat a portfolia ověřených případů užití. K „autonomní“ fázi, v níž mohou agenti AI fungovat v rámci jasně vymezených mantinelů a lidé se soustředí na dohled a řešení výjimek, mají ještě daleko. Dosažení této úrovně vyspělosti v oblasti AI je nezbytným předpokladem pro snahu zavést „provozní model založený na AI“. K tomu se vrátíme později.

Druhým bodem je provozní propast mezi daty a obchodním rozhodováním řízeným AI. Většina organizací už investovala do dat a systémů. Shromáždily zákaznická data, zavedly automatizaci marketingu, přešly do cloudu a spustily pilotní projekty generativní AI. Zákazníci se přesto stále setkávají s nerelevantními doporučeními, nespojenými kanály a interakcemi se zákaznickou podporou, které neberou v potaz, co o nich firma už ví.

Jen zřídka jde o problém samotného modelu. AI spíše odhaluje, co už nefungovalo: roztříštěná data, nejasné vlastnictví, nespojené pracovní postupy, technický dluh a obchodní cíle, které nikdy nebyly převedeny do měřitelných případů užití. Cesta vpřed nezačíná rozsáhlejší iniciativou v oblasti AI. Začíná několika dobře zvolenými rozhodnutími týkajícími se zákazníků, jasným provozním modelem a architekturou, která dokáže proměnit poznatky v konkrétní kroky.

Pro vedoucí pracovníky, kteří chtějí přejít od izolovaných pilotních projektů k opakovatelnému systému, je několik priorit důležitějších než ostatní.

Začněte rozhodnutím, ne schopností.

První otázka nezní: „Kde můžeme nasadit generativní AI?“ Zní: „Které rozhodnutí týkající se zákaznické zkušenosti potřebujeme zlepšit?“ Letecká společnost chce cestujícím během narušení provozu nabídnout lepší možnosti. Maloobchodní prodejce chce zákazníkovi pomoci vybrat správný produkt, aniž by zvýšil počet vrácených objednávek. Banka chce, aby pracovník zákaznické podpory dokázal vyřešit složitý dotaz, aniž by musel hledat informace napříč systémy. Každý z těchto příkladů vymezuje rozhodnutí, člověka a výsledek, což následně ukazuje, jaká data jsou potřeba a jak měřit úspěch. Takový začátek také vedoucím pracovníkům usnadňuje říct ne. Pokud nápad na aplikaci nebo požadavek na agenta nelze propojit se skutečným rozhodnutím a měřitelným výsledkem, nezaslouží si prioritu.

„Využijte AI ke zlepšení zákaznické zkušenosti“ je příliš obecné. Výsledkem jsou ukázky, nikoli provozní schopnosti.

Když dnes prodejce spotřební elektroniky přidá „nákupního asistenta s AI“, jde o obecného chatbota, jehož úspěšnost se posuzuje podle počtu uživatelů. Pokud to nově formulujeme jako rozhodnutí, které má zákazníkovi pomoci vybrat správný notebook, zaměříme se na vyšší konverzní poměr a méně vrácených objednávek. Z asistenta se tak stane nástroj, který využívá aktuální technické parametry, aby lépe porozuměl potřebám zákazníka; úspěch se měří prodejem, počtem vrácených objednávek a spokojeností. Stejný nápad, skutečný výsledek.

Vnímejte sjednocená data jako schopnost, ne jako databázový projekt.

„Jednotný 360stupňový pohled na zákazníka“ se často popisuje jako snaha soustředit data na jedno místo. V praxi jde o dohodu v rámci organizace ohledně identity, souhlasu, vlastnictví, kvality a významu klíčových událostí. Patří návštěva webu známému zákazníkovi, domácnosti, nebo anonymnímu zařízení? Který systém je autoritativním zdrojem informací o souhlasu? Jak rychle se musí informace o interakci se zákaznickou podporou objevit v jiném kanálu? Bez odpovědí na tyto otázky vytvoří centralizace dat pouze zdání integrace, nikoli její spolehlivost. Lepším řešením je společná datová smlouva pro každý prioritní případ užití, která stanoví potřebná pole a události, jejich autoritativní zdroje, přijatelnou prodlevu, povolené způsoby použití a tým odpovědný za kvalitu. Cílem nejsou všechna data. Cílem jsou ta správná data, jimž lze důvěřovat ve chvíli, kdy se rozhoduje.

Prodejce automobilů chce zákazníka, který se vrátil do internetového obchodu, přivítat přesně tím modelem, který si právě konfiguroval. Dnes to nefunguje, protože konfigurátor, CRM prodejce a finanční systém uchovávají každý jinou verzi zákaznických údajů a neshodnou se, zda nabídka leasingu stará tři týdny stále platí. Když cestu zákazníka nově pojmeme jako jeden celek s jasnými pravidly pro data, vyjasní se, kdo za co odpovídá: konfigurátor je hlavním zdrojem údajů o konfiguraci vozu, data o financování obsahují jasně stanovený souhlas a dobu jeho platnosti a informace o skladových zásobách se aktualizují během několika minut, takže zákazník nikdy neuvidí vůz, který prodejce právě prodal. Je to mnohem jednodušší než „sjednotit všechna zákaznická data“ a uvítací zpráva skutečně funguje.

Navrhujte personalizaci jako průběžný systém rozhodování.

Mnoho programů stále funguje jako systémy pro řízení kampaní. Týmy definují segment, připraví obsah a rozešlou ho podle plánu. Generativní AI vytváří více variant, ale samotný model nemění. Zkušenost zohledňující kontext funguje jinak. Sleduje aktuální situaci zákazníka, určuje dostupné možnosti, vybírá jednu z nich s ohledem na obchodní a interní pravidla, doručuje ji správným kanálem a poté se učí z reakce. Cílem přitom není přizpůsobit každou interakci jednotlivci. Někdy je správným krokem standardní zpráva, předání komunikace člověku nebo žádná akce. Účinnost personalizace se neměří počtem vytvořených variant. Měří se tím, zda organizace pro zákazníka učinila relevantnější rozhodnutí a zda přitom respektovala jeho očekávání. Důvěra musí být součástí zákaznické zkušenosti, ne něčím, co se k ní dodatečně připojí při kontrole souladu s předpisy.

Banka si všimne, že zákazník opakovaně kontroluje hypoteční sazby. Dnes ho systém pro řízení kampaní při nejbližším plánovaném rozesílání zařadí do e-mailové série pro „kupující nemovitosti poprvé“. Pokud se na situaci podíváme jako na průběžné rozhodování, systém vyhodnotí aktuální okamžik: porovnává někdo sazby uprostřed procesu koupě, nebo ho to jen zajímá s několikaměsíčním předstihem? Pokud si systém není jistý, zvolí zdrženlivý postup a zobrazí užitečný dotaz „Chcete zjistit, na co byste dosáhli?“ místo předčasné výzvy „Získejte předběžné schválení ještě dnes“, která by nesprávně odhadla, v jaké fázi se zákazník nachází. Pokud zákazník zareaguje, systém se učí a přizpůsobuje. Pokud ne, další kroky odloží. Někdy je nejrelevantnější rozhodnutí tím nejméně nápadným a právě tato zdrženlivost pomáhá zachovat důvěru.

Než zrychlíte, vyřešte omezení obsahu a architektury.

Generativní AI dokáže vytvářet texty a vizuály mimořádně rychle, ale pokud se použije v nefunkčním procesu správy obsahu, pouze přesune úzké místo od tvorby ke kontrole a řízení. Content Marketing Institute zjistil, že AI používá 75 % marketérů ve velkých podnicích, ale pouze 15 % ji má začleněnou do každodenních pracovních postupů. Strukturovaný, opakovaně použitelný obsah – tedy schválená fakta a prvky, které lze skládat napříč kanály – umožňuje AI přizpůsobovat výstupy, aniž by si vymýšlela základní fakta. Stejný přístup platí i pro technologický stack. Místo toho, abyste pod heslem „kompozitní architektury“ přepracovávali všechno, zmapujte několik málo cest zákazníka spojených s prioritními případy použití, zjistěte, kde starší systémy způsobují prodlevy nebo brání přístupu k datům, a tato omezení postupně odstraňujte modernizací. Pokrok se neměří počtem zavedených technologií. Jde o schopnost bezpečně a rychle měnit cestu zákazníka, aniž by bylo nutné pokaždé znovu provádět stejnou integrační práci.

Prodejce zadá AI, aby napsala popisy 40 000 položek. Dnes tím zahlcuje právní kontrolu, protože je třeba ověřit tvrzení a záruční podmínky u každé položky. Řešením ale není rychlejší model, nýbrž řízený zdroj: systém PIM, který uchovává schválené specifikace, tvrzení a znění záručních podmínek jako opakovaně použitelné prvky, z nichž AI skládá popisy. Může tak přizpůsobovat tón, aniž by si vymýšlela fakta.

Stejná logika platí i pro technologický stack. Místo změny celé platformy tým modernizuje pouze zastaralý skladový systém, který brání personalizaci informací o tom, co je „skladem ve vašem okolí“ v reálném čase, a stabilní systémy ponechává beze změny. Pokrok znamená rychle měnit cestu zákazníka, ne přidávat nástroje.

Zaveďte řízení do procesu realizace a měřte hodnotu jako portfolio.

Pokud se řízení chápe jako závěrečná kontrolní brána, přichází příliš pozdě – těžko vratná rozhodnutí už jsou učiněna. Rámce, jako je rámec NIST pro řízení rizik umělé inteligence, jsou nejužitečnější, když ovlivňují podobu případu použití od samého začátku a zahrnují ochranu soukromí, předpojatost, integritu značky, spolehlivost a sledovatelnost; kontrolní opatření se přitom přizpůsobují riziku dané interakce. Hodnota se naopak málokdy dá vyjádřit jediným velkým číslem. Je rozložena do zákaznických výsledků, jako jsou spokojenost, dokončení úkolu a udržení zákazníků; provozních výsledků, jako je délka cyklu, doba řešení a opakované využití; obchodních výsledků, jako jsou konverze, náklady na obsluhu zákazníků a celoživotní hodnota zákazníka; a výsledků v oblasti rizik, jako jsou chybovost, stížnosti a zásahy do automatizovaných rozhodnutí. Všechny tyto ukazatele je třeba měřit vůči výchozím hodnotám a po odečtení celkových nákladů na provoz ve velkém měřítku.

Letecká společnost nasadí AI agenta, aby řešil mimořádné situace. Odpověď na otázku „Má můj let zpoždění?“ je v současnosti nízkoriziková a plně automatizovaná. Přebookování cestujícího nebo vystavení cestovního kreditu nad stanovenou částku se předává člověku, protože chybné rozhodnutí by mělo značné náklady. Hodnota se posuzuje podle důležitých výsledků: rychlejšího řešení problémů při mimořádných událostech, přebookování, které chrání nejcennější členy věrnostního programu, a pečlivého sledování stížností. Pokud se situace zvládne dobře, může si letecká společnost cestujícího udržet, místo aby o něj přišla. Právě tak se získává skutečná celoživotní hodnota zákazníka.

Otázka vyspělosti.

Podniky, které vytvářejí trvalou hodnotu, nebudou ty, které provádějí nejvíce experimentů. Budou to ty, které mají opakovatelný způsob, jak propojovat potřeby zákazníků, důvěryhodná data, řízené využívání inteligentních systémů, opakovaně použitelný obsah a měřitelné výsledky – a zároveň dostatek upřímnosti, aby věděly, kde se na této cestě právě nacházejí. Většina organizací je na tom hůře, než by se podle jejich pilotních projektů mohlo zdát.

Organizace založená na AI je taková, v níž je AI zakomponována do všech vrstev jejího fungování a konkurenčního působení. Její provozní model není navržen tak, aby pouze rozšiřoval stávající procesy; od základu je postaven na AI a inteligentní systémy jsou jeho klíčovou obchodní schopností.

Pro vedoucí pracovníky tedy už není nejpřínosnější otázkou „Kde můžeme přidat AI?“, ale „Která rozhodnutí můžeme zlepšit a co musí platit, aby bylo možné toto zlepšení zodpovědně rozšířit?“