Škálování AI by nemělo pokaždé znamenat budování datových základů od začátku

Plánovací období pro rok 2027 se v podnicích rychle blíží a investice do AI jsou opět jedním z hlavních témat rozhovorů nejvyššího vedení. Nedávný průzkum společnosti Akeneo mezi vedoucími pracovníky odpovědnými za IT ukázal, že 93 % respondentů zaznamenalo díky AI zvýšení produktivity, přesto 43 % uvedlo, že AI jejich pracovní pozice přinesla také nové povinnosti.

Tato zjištění poukazují na značné množství přípravných prací, které jsou nutné k uskutečnění projektů AI. Významnou část této práce představuje zejména příprava dat. Mezi vedoucími pracovníky v oblasti IT, které společnost Akeneo oslovila, uvedlo 36 %, že jejich organizace věnují přípravě dat více než polovinu celkového úsilí vynaloženého na projekt AI. Dalších 53 % uvedlo, že příprava dat tvoří 26 až 50 % úsilí vynaloženého na jejich projekt AI. Tato příprava je sice nezbytná, příležitost však spočívá v tom, aby bylo možné práci odvedenou při jednom nasazení AI znovu využít při podpoře dalšího.

AI může odstranit část práce v jedné oblasti podniku, současně však vytvářet nové úkoly pro IT týmy, které připravují data a obnovují kontext pro každé nové nasazení. Příležitostí je nyní větší část této práce využít opakovaně, aby každé nasazení navazovalo na předchozí místo toho, aby začínalo od nuly.

Člověk jako ústřední prvek AI

Lidé zůstávají ústředním prvkem všech pilotních projektů i nasazení AI. IT týmy se podílejí na celém životním cyklu nových technologií: od porozumění obchodním potřebám a vyhodnocování řešení přes implementaci, školení a tvorbu procesů až po průběžné zabezpečení. Postupem času se může stát, že týmy nezdokumentují výjimky a nepsaná pravidla, na která narazí, včetně případů, kdy je stejný pojem v různých systémech definován odlišně. Tento kontext se často stává součástí institucionálních znalostí jednotlivých členů týmu, místo aby šlo o informace, k nimž má spolehlivý přístup celá organizace.

Tato práce může pokračovat, dokud není k dispozici člověk, který zná odpověď. Když zaměstnanci změní pozici, opustí organizaci nebo zrovna nejsou k dispozici, když nastane problém, kontext se vytratí. Zachycení těchto znalostí ve strukturované podobě, k níž lze přistupovat digitálně, umožňuje jejich využití i bez přítomnosti konkrétního člověka. Jednotlivým týmům to také umožňuje ponechat si odpovědnost za vlastní odborné znalosti a zároveň zajistit, aby k nim bylo možné přistupovat a využívat je napříč organizací, místo aby se při každém novém nasazení znovu objevovaly.

Kvalitní data nemusí být vždy připravena pro AI

Je lákavé popsat celý tento problém jako další otázku kvality dat, výzkum společnosti Akeneo však naznačuje, že situace je složitější. 92 % vedoucích pracovníků v oblasti IT hodnotí produktová a provozní data využívaná jejich systémy AI jako dobrá nebo vynikající. Přestože naprostá většina věnuje přípravě dat více než čtvrtinu celkového úsilí vynaloženého na projekt AI.

Kvalitní data ještě nezaručují, že jsou připravena pro AI, zejména proto, že to, co se považuje za „kvalitní“, může záviset na tom, kdo nebo co je využívá. Modely a agenti potřebují víc než jen přesné informace. Potřebují vědět, odkud data pocházejí, jak souvisejí s dalšími informacemi, který zdroj má přednost a za jakých podmínek je lze použít. Tato pravidla lze snadno přehlédnout, protože v zavedených postupech zkušených týmů bývají často implicitně obsažena.

Nedávný výzkum společnosti McKinsey týkající se připravenosti dat pro AI přináší podobné zjištění ohledně kontextu. Ne všechny informace budou pro modely nebo agenty užitečné. Pokud však užitečné jsou, musí být možné předávat i jejich kontext. Jakmile se informace přesunou mimo svůj původní zdroj, musí zůstat zřejmý jejich původ i vztahy k okolním datům, aby se neztratil jejich význam.

Právě zde začíná být architektura, na níž je AI postavena, stejně důležitá jako samotný model. Na rozdíl od tradičního softwaru dokážou velké jazykové modely (LLM) často pracovat s roztříštěnými daty a nespojenými systémy, i když jsou informace v různých zdrojích strukturovány nebo označeny odlišně. Mohou rozpoznat vztahy, které dříve nebyly výslovně definovány. Větší problém představuje úplná absence dat. Aby modely a agenti mohli pracovat napříč systémy, musí potřebné informace a kontext vůbec existovat a být přístupné.

Výzkum společnosti PwC z roku 2026 týkající se rozdílu mezi očekáváními a skutečnými výsledky při zavádění AI zjistil, že integrace zůstává hlavním důvodem, proč technologické investice nesplňují očekávání. Propojení rozsáhlé sítě nestrukturovaných dat zabere čas a často projekty zpomaluje ještě před dosažením plného nasazení.

Práce potřebná k vyřešení těchto problémů při jedné implementaci může usnadnit tu následující.

Opakovaně využitelná infrastruktura pro AI

U jednoho projektu AI může značná část přípravy probíhat na pozadí. IT týmy odstraňují nesrovnalosti, připravují informace, které aplikace potřebuje, a propojují ji s dalšími systémy, aby bylo možné projekt uvést do produkčního provozu.

Problém nastává, když tato práce řeší pouze bezprostřední potřebu. Příprava dat bude vždy součástí nasazení AI, značná část vynaloženého úsilí by se však měla uplatnit i v dalších projektech. Pokud tým zjistí, že stejné pole nebo pojem má ve dvou systémech různé významy, mělo by vyřešení této nejednoznačnosti vést k vytvoření definice, kterou budou moci využít i budoucí aplikace. Pokud tým určí, kterému zdroji důvěřovat, když si systémy odporují, mělo by toto rozhodnutí platit i pro budoucí nasazení.

Stejný princip platí i pro integrace. Místo vytváření nové cesty k produktům a informacím pro každý model nebo agenta by organizace měly zavést jednotné způsoby, jak mohou systémy AI vyhledávat důvěryhodné informace a využívat je.

První implementace může stále vyžadovat značné úsilí, protože týmy odhalují definice, vztahy a výjimky, které dříve vycházely ze zkušeností lidí. Toto úsilí může přinášet užitek i nadále, protože se institucionální znalosti stále více stávají součástí infrastruktury organizace. Z této práce mohou těžit i následující nasazení; rozsah přínosu závisí na tom, nakolik se jejich data a případy použití překrývají.

To je stále důležitější, protože AI přestává pouze vytvářet odpovědi a začíná provádět akce napříč podnikovými systémy. Iniciativa NIST pro standardy agentů umělé inteligence zdůrazňuje, že agenti musí být schopni bezpečně pracovat s interními daty i externími systémy. S tím, jak agenti přebírají více odpovědnosti a pracují s větším počtem systémů a modelů, musí organizace zajistit, aby pro každý případ použití byly nastaveny správný kontext a potřebné kontroly, aniž by bylo nutné pokaždé začínat úplně od začátku.

Řízení musí být součástí prostředí

Opakovaně využitelná infrastruktura vyžaduje také opakovaně využitelné řízení. Průzkum EY o rizicích a řízení AI ze září 2026 zjistil, že 91 % vedoucích pracovníků odpovědných za AI uvedlo, že jejich organizace pilotně ověřují nebo nasazují agentní AI. Přesto 49 % respondentů z organizací, které agenty využívají, uvedlo, že jejich stávající rámce řízení nebyly výslovně aktualizovány s ohledem na požadavky a rizika agentní AI.

Jakmile AI v rámci obchodního procesu přebírá větší odpovědnost, pravidla, jimiž se tento proces řídí, se musí stát součástí prostředí, ve kterém AI funguje. Agent může mít samostatný přístup k určitým informacím, zatímco v jiných fázích procesu může být před pokračováním nutná lidská kontrola nebo schválení. Tato rozhodnutí nemohou zůstávat pouze v dokumentu s pravidly nebo v představě někoho, jak má proces fungovat.

Rozhodování o řízení se musí přesunout za hranice interních kontrol a promítnout se do systémů, v nichž AI funguje. Pravidla, oprávnění a místa vyžadující schválení, jimiž se systém řídí, by měly být definovány přímo v rámci jeho nasazení. Pokud tyto kontroly nebudou součástí systému, budou týmy muset při každém nasazení nového případu použití AI znovu vykládat pravidla a oprávnění.

Příprava na další vlnu AI

Až podniky v roce 2027 začnou využívat své rostoucí rozpočty na AI, budou IT týmy odpovídat za stále širší škálu modelů, integrací a systémů. Větší zkouškou bude, zda organizace vybudují infrastrukturu schopnou podpořit to, co přijde dál.

Pokud týmy stále znovu řeší stejné definice, obnovují stejná propojení a převádějí stejná pravidla, může AI růst rychleji než infrastruktura potřebná k její podpoře.

To nabízí jiný pohled na připravenost na AI. Pokrok by se neměl měřit pouze počtem modelů nebo agentů, které se dostanou do produkčního provozu, ale také tím, zda každá implementace lépe připraví podnik na tu následující.

AI už zrychluje jednotlivé úkoly. Další zvýšení produktivity přinese snazší opakované využití práce, na níž jsou tyto systémy založeny. AI se stále více začleňuje do podnikových procesů, takže na stejných datových základech bude záviset stále více systémů. To, jak snadno budou organizace schopny využívat další generaci AI, určí právě to, zda tyto základy vybudují už nyní.