Dalibor Mráz, Firemní adopce AI Co reálně znamená nasadit AI do firmy?

24 | Technika & trh | 7-8/2026

AI V PRAXI

AI v praxi

že2dotazy z10jsou špatně aten, kdoseptá, musí

dávat velký pozor a informace neustále ověřovat,

což bere dost energie. Proto parametry nejlepších

systémů vermách jsou měřitelnost, auditovatelnost

ahlavně předvídatelnost. Natoužpotřebujete velmi

spolehlivý vývojářský tým, který postupuje systema-

ticky. LLM vesvé podstatě je hodně nepředvídatelný

systém, proto ho chcete nasadit ve rmě správně

ajennamísta, kdeje opravdu nezbytný.











Je tozase jedna malá část remní AI efektivity. Když

se bavím s různými majiteli rem, tak to, že jim

nějaká automatizace ušetří 50 hodin měsíčně, jim

spodnikáním moc nepomůže. Většina chce pracovat

na zvýšení výkonnosti s cílem například zvednout

obrat společnosti. Navíc zatím neexistuje žádná kra-

bička, kterou zapojíte dormy ata vám roztřídí sama

faktury, navrhne, codělat lépe azvedne výkonnost

o300%.

Efektivní nasazení AI ve rmě musí primárně

na něčem stát. Jako první se většinou instaluje

základní AI ready datová platforma. Ta se skládá

z několika částí, jako jsou databáze, prostředí

proexperimenty adalší. Následně sedenují různé

příležitosti, ke kterým se čistí potřebná data a ta

sepřipojují přeskonektory tak, aby knim mohl mít

nějaký agent přístup. Následně se na rozrůstající

se databáze začínají pouštět jednoduché systémy,

které nemají příliš veliké kompetence, ale fungují

velmi spolehlivě aefektivně. Tým rmy sepostupně

učí pracovat srůznými nástroji, aby si mohli zkoušet

stavět vuzavřeném prostředí vlastní nástroje, které

se napojují na interní databáze. Postupným proce-

sem se know-how, informace a další důležitá data

ukládají podleurčitých pravidel arma snimi může

začít pracovat úplně najiné úrovni efektivity.

Je to ale postupný proces, který není dobré uspě-

chat. Většinou bývají zezačátku problémem inere-

alistická očekávání, ale čím více rma do podstaty

technologie vstupuje, začíná velmi dobře chápat její

omezení apotenciál.







Určitě. Je rozdíl, jestli pro někoho vyvíjíme něco

velmi specického a na míru, anebo se postu-

puje podlenějakých již našich zaběhlých scénářů,

kde akcelerujeme AI adopci ve rmě, následně

nasazujeme AI ready datovou platformu a pomá-

háme převádět remní AI prototypy do produkce.

Pro střední a velké rmy se stáváme ve výsledku

externím správcem celé AI infrastruktury, který

sestará oSWiHW anese zaprovoz odpovědnost.

Na míru jsme vyvíjeli výzkumný AI model, který

hledá nové formulace léčiv. Bylo to pro farmaceu-

tickou rmu OxygenBiotech anástroj jim pomáhá

v laboratoři. Tam to zvedá efektivitu a rychlost

výzkumu odesítky procent.

Pak jsou jiné typy nasazení AI, atonapříklad vglo-

bálním realitním portálu. Tam pomocí AI zvedáme

uživatelskou zkušenost. Všechny texty ifotky inze-

rátů převádíme natagy, sekterými systém pracuje.

Tam sehodně řešila optimalizace nákladů, protože

objemy jsou na stránce, kde je milion inzerátů,

opravdu velké. Tam se nám povedlo dostat cenu

zpracování způvodních 100% na8%. Dále systém

vyhledávání podle přirozeného jazyka, kdyzadáte

textem, co hledáte, a systém rozebere sdělení

a vyltruje. Pracujeme tam taky s datovými pro-

dukty, které mají zacíl různé predikce azvyšovat

uživatelský zážitek.

Dobře se počítá i zvýšení výkonnosti například

u tvorby nabídek. Pokud máte rmu, která stojí

natvorbě nabídek aje továš bottleneck, tak zved-

nutím ze70na250zvedáte statisticky ipravděpo-

dobnost, že pozitivně dopadne více zakázek. Jsou

ipříklady AI adopce, kdypřesným vedením zvyšu-

jeme efektivitu interního týmu rmy, který si staví

pomocí nástrojů AI své vlastní nástroje, které my

potom sdevelopery přestestovací prostředí překlo-

píme do produkce a začne je používat celá rma.

Cest je mnoho azáleží, která konkrétní cesta je ta,

která pomůže vám.











Vesvětě AI je velké pnutí mezivývojářskou realitou

a hypem ve stylu „sky is the limit“. Na LinkedInu

sepohybují tzv. HypeBuildeři aBullshiteři. Ti jedni

říkají, žetoumí více, než toskutečně umí, ati druzí si

vymýšlí věci, které tozatím neumí. Kautonomii mají

všakdnešní systémy stále dost daleko.

To, že řeknete například svému Claudovi „udělej

mi web anahoď ho“, tak todojisté míry sám udělá.

Zvládne si ovás něco najít, následně nahodí nějaký

průměrný design, web naprogramuje, potom ho isám

pověsí naVercel anastaví DNS. Podletéto optiky jsou

systémy již zčásti autonomní. Tam, kdetoalenarazí,

je kvalita výstupu. Tento jednoduše nahozený web

bude obsahovat spoustu různých chyb ajeho úroveň

bude pravděpodobně podprůměrná. Kdoladění bude

třeba spousta hodin, ne-li dní práce aiterací.

Stejně toje sčímkoliv jiným. Tam, kdetopráci ušetří

naprvní dojem, tojenvelmi nenápadně práci odsune

natoho, kdotocelé musí zkontrolovat. Dobře vypa-

dající výstup neznamená správný afunkční. Pokud

sepodíváte navýstupy zjazykových modelů přisvé

denní práci kriticky, většina výstupu je naprvní dob-

rou nepoužitelná. Tuto nepředvídatelnost a nekon-

zistenci LLM systémů ve rmách chceme pustit

jentam, kdenemůže uškodit.