Lukáš Orčík, Vlastní server, nebo cloud?
18 | Technika & trh | 7-8/2026
AI V PRAXI
AI v praxi
Nejdřív jedno rozlišení: bavíme seoběžném provozu
modelu, tedyinferenci. Trénování čidoladění modelu
je nárazová, extrémně náročná disciplína – tam si
výkon skoro vždy pronajměte.
Uinference rozhodují tři ltry: data, vytížení apro-
vozní kritičnost. Cloud vyhrává, když rma teprve
ověřuje nápad, nezná budoucí spotřebu nebopotře-
buje rychlý start ve více zemích. Vlastní infra-
struktura je silnější tam, kde AI pracuje s daty,
která nesmějí opustit rmu, běží prakticky nepře-
tržitě a musí reagovat okamžitě – nebo fungovat
ipřivýpadku konektivity, třeba vevýrobní hale.
Vodítko podle typu rmy je druhotné. Interní asis-
tent naddokumentací může patřit dovnitř podniku,
veřejný chatbot téže rmy klidně poběží v cloudu.
Rozhoduje úloha, ne logo na dveřích: ptejte se,
kdevznikají data, jakčasto systém poběží acozna-
mená jeho výpadek.
Řeknu tonatvrdo, ikdyž tím naštvu půlku dodavatelů
hardwaru: čistě ekonomicky se vlastní infrastruk-
tura většině rem nevyplatí nikdy. Kdoproni nemá
důvod vdatech nebovrychlosti odezvy, ať zůstane
uAI jako placené služby (API).
Příklad: interního asistenta používá 80 lidí, každý
položí patnáct dotazů denně. Přes API to vychází
řádově na nižší tisíce korun měsíčně. Stroj začtvrt
milionu, k tomu správa, elektřina, zálohy – návrat-
nost vyjde na mnoho let, při tempu růstu nároků
modelů tedyprakticky nikdy.
Zlom přichází urem, kdeAI běží jako výrobní kapa-
cita: nepřetržité zpracování dokumentů, stovky sou-
běžných uživatelů. Velmi orientačně: drží-li seúčet
zainferenci několik měsíců nadsto tisíci korunami
měsíčně a zátěž je předvídatelná, vlastní železo
semůže vrátit doroka aždvou. Vždy aleporovnávejte
celkové náklady zadva ažtři roky – uvlastního pro-
vozu včetně lidí, servisu aenergie, ucloudu včetně
přenosu dat. Nejdřív pár měsíců měřte skutečné
využití – jinak je návratnost jenodhad.