Agentic AI: Strategie pro střední podniky

KI-Strategie · 22. Juni 2026 · Anthony Filipiak

Agentic AI ve středních podnicích: Jak začít s reálnými případy použití, správou a návratností investic. Přečtěte si, kde agenti v roce 2026 skutečně projeví svůj účinek.

„Pokud je agent jen chatbot, nezaplatím za něj ani euro.“ Tuto větu mi řekl Thomas, jednatel dodavatele automatizace z Augsburgu, v březnu 2025. Zní to drsně. Ale je to přesné. Protože to popisuje jádro trhu lépe než většina lesklých prezentací o Agentic AI: Střední podniky nekupují umělou inteligenci, kupují méně prostojů, méně manuálních předávek, více příjmů ze služeb a organizaci, která funguje i tehdy, když tři zkušení úředníci odejdou do důchodu.

Tento hloubkový ponor píšu z mé perspektivy jako CEO a spoluzakladatel Amplifa. Každý týden mluvíme s jednateli, CTO, obchodními řediteli a digitálními manažery v DACH společnostech s 50 až 500 zaměstnanci. Ne s inovačními turisty. S lidmi, kteří mají na stole SAP doklady, zpoždění nabídek, servisní tikety, podnikové rady a marže. Agentic AI už pro tyto společnosti není sci-fi téma. No, skoro. Produktivní případy existují, ale jsou selektivní, užší a výrazně méně magické, než by si LinkedIn přál.

Proč se Agentic AI nyní dostává do středních podniků

Německé střední podniky si dlouho hrály s AI jako s novým akumulátorovým šroubovákem z hobbymarketu. Jen tak vyzkoušet. Postavit demo. Ukázat poradnímu sboru. Pak zpět do skříně. Od začátku roku 2025 se to mění. Ne proto, že by modely najednou uměly všechno, ale proto, že působí tři tlaky současně: Rostou náklady na služby a backoffice, chybí kvalifikovaní pracovníci v operativních rolích a zákazníci očekávají odpovědi v hodinách namísto dnů. U výrobce strojů jako DMG Mori může nevyřešený servisní případ vyvolat následné náklady po celém světě. U dodavatele se 180 zaměstnanci z Východního Vestfálska stačí zaseknutý proces náhradních dílů, aby se velký zákazník znervózněl.

Agentic AI v podnikovém kontextu neznamená volně se pohybujícího AI zaměstnance, který ráno otevře svou schránku a večer samostatně přestaví firmu. Kdo to prodává, prodává divadlo. Míněny jsou vícestupňové AI agenti, kteří čerpají informace z ERP, CRM, DMS, e-mailu, senzoriky nebo datového skladu, na jejich základě připravují rozhodnutí nebo provádějí akci a dodržují definovaná eskalační pravidla. Agent tedy nečte jen tiket. Kontroluje typ stroje, sériové číslo, historii údržby, dostupnost náhradních dílů, SLA, dovednosti technika a poté navrhne další krok. Někdy ho přímo vytvoří. Někdy čeká na schválení. Přesně tam začíná rozdíl mezi chatbotem a digitálním pracovníkem.

Čas se také stal regulačně ostrým. Od 2. února 2025 platí v rámci EU AI Act povinnost AI kompetence pro poskytovatele a provozovatele AI systémů. Článek 4 zní suše, ale trefuje se do jádra: Společnosti musí být schopny prokázat, že lidé, kteří AI používají nebo dohlížejí, jsou k tomu kvalifikovaní. Modular Ops ve svých AI workshopech pro střední podniky upozorňuje, že za porušení určitých povinností jsou možné pokuty až do výše 7,5 milionu eur nebo 1,5 procenta celosvětového ročního obratu. To není okrajové téma pro právníky. To je téma pro představenstvo. A ano, i pro firmu s 120 zaměstnanci s Microsoft 365, abas ERP a obchodním ředitelem, který říká „Copilot“, ale ve skutečnosti myslí „automatizaci“.

Agentic AI není projekt nástroje, ale procesní politika

Většina projektů Agentic AI neztroskotá na modelu. Ztroskotají na moci. Kdo smí rozhodnout, co je standardní případ? Kdo nese odpovědnost, když agent navrhne špatné číslo náhradního dílu? Kdo ztratí přehled, když proces najednou neprobíhá přes pět přeposlaných e-mailů? Andrea, vedoucí prodeje u Hidden Champion v Bielefeldu, mi před třemi týdny řekla: „Naše CRM není špatné, ale neodráží, jak skutečně prodáváme.“ Přesně tato věta platí i pro agenty. Pokud je skutečný proces špinavý, agent se nečistí. Jen špínu rychleji zviditelní.

Proto si moc nemyslím o otázce: Jakou platformu Agentic AI bychom měli koupit? Lepší otázka zní: Který proces si zaslouží autonomii? U Trumpfu je servisní proces postaven jinak než u zpracovatele plastů s 85 zaměstnanci ve Frankách. U Phoenix Contact jsou datová architektura, správa a struktura produktů jiné světy než u výrobce komponent, jehož znalosti o náhradních dílech jsou v PDF složkách, hlavách a starých tiketech. Přesto oba chtějí stejný efekt. Méně tření. Více rychlosti. Kontrolovatelná rizika.

Z našich implementací víme: Nejsilnějším prediktorem úspěchu není výběr modelu, ale existence skutečného vlastníka procesu s rozpočtovými pravomocemi. V 18 projektech a předprojektech, které jsme za posledních 12 měsíců doprovázeli u B2B středních podniků, nejrychlejší pokroky nepřišly z největších databází, ale z nejjasnějších odpovědností. Pokud vedení servisu, IT a management společně v prvním týdnu stanoví, jaká rozhodnutí smí agent činit a jaká ne, dramaticky se zkrátí doba cyklu. V prodejním a servisním nastavení s 220 zaměstnanci jsme zkrátili dobu do kvalifikovaného kontaktu se stávajícími zákazníky z průměrných 6,8 dne na 1,9 dne, aniž bychom najali nového prodejce. Agent nebyl geniální. Proces byl konečně jednoznačný.

Co agent skutečně musí dělat

Produktivní agent má popis práce. Ne promptovou báseň. Chci vidět vstup, výstup, oprávnění, eskalační cestu, auditní záznam, KPI a kritérium vypnutí. Pokud například agent technické podpory pracuje u výrobce balicích strojů, musí být jasné, jaké datové zdroje smí číst: servisní tikety, kusovníky, manuály, IoT chybové kódy, zákaznické smlouvy. Pak potřebuje seznam povolených akcí: vytvořit návrh diagnózy, identifikovat náhradní díl, prioritizovat tiket, navrhnout termín servisu. Ne: samostatně udělovat slevy nebo posílat bezpečnostně kritické pokyny k opravě bez schválení. Zní to banálně. Není to tak úplně pravda. Tato jasnost v mnoha firmách chybí, protože procesy se historicky vyvíjely a nikdo se jich nerad dotýká.

Datová situace k Agentic AI: raná produktivita, málo tvrdých benchmarků

Kdo dnes hledá spolehlivé benchmarky pro Agentic AI v evropských středních podnicích, nenajde čistou tabulku OECD s 2 000 firmami a sedmiletou historií. Upřímně? Nevím, jestli takovou tabulku vůbec v příštích dvou letech dostaneme. Co máme, jsou případové studie, zprávy dodavatelů, poradenská data a konzistentní vzorce z projektů v DACH. To nestačí pro akademickou jistotu. Ale stačí to pro podnikatelská rozhodnutí, pokud čísla čtete jako koridory a ne jako přírodní zákon.

V oblasti servisu strojírenství je obraz nejjasnější. Mnichovská platforma lytra explicitně umisťuje AI agenty pro servisní procesy ve strojírenství a výrobě zařízení. Typické nastavení: 200 až 5 000 zaměstnanců, vysoký podíl exportu, komplexní stroje, poprodejní servis pod tlakem. Podle veřejně popsaných případových vzorů tam agenti spolupracují na technické podpoře, obchodě s náhradními díly a plánování nasazení. Jeden agent rozpozná nebo klasifikuje poruchy, druhý identifikuje náhradní díly a spouští ERP procesy, třetí plánuje techniky podle lokality, dostupnosti a dovedností. To není okouzlující. Je to cenné.

Typické koridory účinku se podle tržních zpráv a projektových údajů v DACH regionu pohybují mezi 20 až 40 procenty rychlejšího řešení problémů v technickém servisu, pokud je diagnostika na první úrovni částečně automatizována. U standardních tiketů se často uvádí stupeň automatizace 30 až 60 procent. V backoffice procesech poradenské společnosti jako Modular Ops hovoří o 25 až 50 procentech méně času na zpracování jednoho úkonu a 30 až 60 procentech méně chyb při sběru dat, pokud jsou PDF, e-mailové a ERP trasy čistě propojeny. Taková čísla mám rád jen tehdy, když jsou vedle nich uvedeny podmínky. Špatná kmenová data, žádný koncept práv, žádný vlastník oddělení? Pak můžete ta procenta hodit do koše.

U datových platforem je vývoj pragmatičtější. Datasolut popisuje Microsoft Fabric s Copilotem jako přirozenou volbu pro mnoho středních podniků orientovaných na Microsoft, protože inženýrské úsilí a vstupní bariéra jsou nižší. Databricks s Mosaic AI a Agent Bricks se hodí spíše pro společnosti, které chápou AI jako klíčovou kompetenci a chtějí orchestraci vlastních agentů. To je strategická rozcestí. Kdo má 140 zaměstnanců, dva IT administrátory a přetížené vedení controllingu, by neměl předstírat, že je OpenAI s vysokozdvižnými vozíky. Kdo ale má 480 zaměstnanců, datový tým a digitální produktový slib, může stavět silněji.

Německým středním podnikům zbývá už jen pět let. AI ve strojírenství už není téma budoucnosti, ale rozhoduje o tom, kdo zůstane konkurenceschopný.

— Etienne Fieg, spoluzakladatel lytra

Tuto větu bych formuloval ještě tvrději. Kdo ve strojírenství do roku 2027 nebude mít produktivního AI agenta v servisu, backoffice nebo podpoře prodeje, nezmizí hned. Ale bude se učit pomaleji než konkurence. A pomalejší učení je na trzích s cenovým tlakem, nedostatkem kvalifikovaných pracovníků a globálním slibem služeb téměř totéž jako zmenšování. Schaeffler, Festo, Kärcher, Webasto nebo Brose mají jiné zdroje než typický střední podnik. Přesto stanovují standardy pro reakční doby, digitální rozhraní a kvalitu dat, podle kterých zákazníci časem měří i menší dodavatele.

Druhý pohled: Proč mnoho projektů Agentic AI uvadá

Opačný názor často slyším od CTO. „Nejdřív nemáme pod kontrolou svá data,“ řekl mi Jens, CTO dodavatele elektroniky z Norimberku. Má pravdu. Ale tato věta se někdy stává výmluvou, proč roky nepřijmout žádné rozhodnutí. Kvalita dat se nezlepší ve vzduchoprázdnu. Zlepší se, když konkrétní proces stojí peníze a agent při prvním testu brutálně ukáže, která pole chybí, které kmenové položky jsou duplicitní a které poznámky v CRM se skládají pouze z „viz e-mail“.

Přesto existují skutečné nástrahy. První se jmenuje Tech-first. Společnosti začínají s LangChain, AutoGen, Copilot Studio nebo nějakým Agent Builderem, aniž by předtím vytvořily mapu procesů. Pak vznikne demo, které získá potlesk od představenstva a v každodenním životě nikomu nepomůže. Druhý se jmenuje Over-Automation. Jednatel chce přímo end-to-end autonomii, protože pak prezentace vypadá lépe. Špatně. V kritických procesech patří člověk nejprve do schvalovací smyčky. Poté lze schválit standardní případy. Postupně. Ne ze strachu, ale proto, že důvěra je výrobní faktor.

Třetí úskalí je správa jako dodatek. Zvláště v DACH středních podnicích je to smrtelně pomalé. Podniková rada, ochrana dat a IT bezpečnost jsou pozvány až tehdy, když je MVP téměř hotové. Pak přijde otázka: Jaké osobní údaje agent vlastně zpracovává? Jaké logy se ukládají? Je monitorován výkon? Jsou data v EU? Kdo může agenta zastavit? Najednou zasedací místnost voní po studené pizze a panice. Viděl jsem to několikrát. Nejen u Amplifa, ale napříč rozhovory s digitálními manažery v Mnichově, Stuttgartu, Hannoveru a Linci.

Agentic AI Governance: Střední podniky potřebují mantinely, ne byrokracii

Mnoho jednatelů slyší slovo správa a hned vidí složky, výbory a hodinové sazby poradců. Pochopitelné. Ale špatná správa je drahá, dobrá správa je brzda s ABS. Umožňuje rychlost, protože je jasné, kdy se zastaví. Každý program Agentic AI ve středních podnicích bych začal se čtyřmi artefakty správy: registrem případů použití, klasifikací rizik podle EU AI Act, popisem práce agenta a maticí schvalování. Zní to jako papírování. Ve skutečnosti je to operační systém.

U EU AI Act nejde jen o vysoce rizikové systémy v HR, úvěrech nebo bezpečnostně kritické kvalitě. I nízkorizikoví agenti potřebují kompetence, dokumentaci a kontrolu, pokud zasahují do podnikových procesů. Agent zákaznického servisu u Kärcheru, který navrhuje odpovědi, je něco jiného než HR agent, který předtřídí žádosti. Kvalitní agent u dodavatele automobilového průmyslu poblíž Wolfsburgu má jiná rizika než prodejní agent, který analyzuje firemní webové stránky. Kdo tyto rozdíly čistě neoddělí, přereguluje neškodné případy a podcení nebezpečné.

Moje rada je ostrá: Žádní agenti v HR výběru, rozhodování o platech nebo bezpečnostně kritické kvalitě jako první projekt. Tečka. První agent patří tam, kde se snoubí vysoká manuální námaha, jasná data a omezené škody. Třídění servisu. Záznamy v backoffice. Prodejní průzkum. Vyhledávání znalostí se zdroji. Tam se organizace učí, aniž by se hned vrhla do nejpřísnějších regulací. Kdo začne s nejtěžším procesem, zaměňuje odvahu s ješitností.

Platforma nebo vlastní vývoj: Špatná otázka hrdosti

Mám alergii na technické otázky hrdosti. „Postavíme si to sami?“ se ve středních podnicích často ptá, než je jasné, co se má vůbec postavit. Platformy jako Microsoft Fabric, Databricks, SAP BTP nebo specializovaní dodavatelé jako lytra neřeší stejný problém. Fabric s Copilotem je pro organizace blízké Microsoftu často rychlejší vstup, zvláště pokud data již leží v Power BI, SharePointu a Azure. Databricks s Mosaic AI a Agent Bricks je silnější, pokud jsou datové inženýrství, ML-Ops a vlastní logika agentů strategicky relevantní. SAP BTP je přirozené, pokud klíčové procesy hluboce sedí v ekosystému SAP. lytra je zajímavá, pokud servis strojírenství není jen proces, ale obchodní model.

Vlastní vývoj se vyplatí, pokud proces vytváří diferenciaci. Ne pokud se jím jen vytáhne faktura z PDF. Na to existuje dostatek nástrojů. Pokud ale agent spojuje produktové znalosti, cenovou logiku, servisní historii a hodnotu zákazníka do prodejního nebo servisního návrhu, může mít vlastní vývoj nebo alespoň silná individualizace smysl. Rozdíl je v IP. U Wittensteinu nebo podobného znalostně intenzivního dodavatele spočívá hodnota nejen v produktu, ale v rozhodnutí, které řešení se hodí k jakému zákaznickému problému. Tam se nechce všechno házet do generické krabice.

Pro společnosti s 50 až 500 zaměstnanci vidím většinou hybrid. Standardní platforma pro přístup k datům, zabezpečení a autentizaci. Individuální logika agentů pro procesy, které ovlivňují tržby nebo loajalitu zákazníků. Žádný CTO by neměl zaměstnávat svůj omezený tým replikací generických chatovacích rozhraní. Ale žádný jednatel by neměl kompletně delegovat základní logiku svého servisního nebo prodejního modelu na dodavatele. To není rozpor. To je dospělé.

Jak odvětví různě využívají Agentic AI

Ve strojírenství je servis přirozeným vstupem. Důvod je jednoduchý: znalosti jsou roztříštěné, chybové obrazy se opakují, náhradní díly mají marže, prostoje stojí peníze. Servisní agent zde může přímo ovlivnit dobu do vyřešení, míru opravy na první pokus a tržby z poprodejního servisu. U výrobce zařízení z Bádenska-Württemberska, jehož jméno by nemělo být zmíněno, voněla zkušební místnost během workshopu po hydraulickém oleji a teplé rozvaděčové skříni. Nejzajímavější moment nebyla demonstrace. Byla to věta servisního technika: „Pokud mi agent ukáže poslední tři podobné případy, ušetřím si dva telefonáty.“ Přesně to je produktivita.

V maloobchodě a v technických velkoobchodních strukturách je backoffice silnější. Objednávky přicházejí e-mailem, PDF, EDI, zbytky faxů (ano, stále) a portály. Agenti extrahují položky, kontrolují zákaznická čísla, rozpoznávají odchylky, zakládají procesy. To je méně sexy než autonomní prodejní agent. Ale pokud 14 lidí denně přepisuje objednávky, ROI je zřejmá. Společnost jako Würth má samozřejmě úplně jiné úspory z rozsahu, ale vzorce platí i pro 90členného specializovaného prodejce v Kasselu.

V B2B prodeji je Agentic AI choulostivější, protože špatná automatizace okamžitě zavání spamem. Kdo v roce 2026 stále věří, že agent může jednoduše rozeslat 10 000 studených e-mailů a to je strategie, zapomněl na své chápání trhu v roce 2018. Smysluplná role leží předtím a mezitím: kontrola ICP-Fit, rozpoznání spouštěčů, vyhledávání kontaktních osob, aktualizace CRM, příprava follow-upů, překlad poznámek z rozhovorů do dalších kroků. Markus, obchodní ředitel výrobce komponent z Heilbronnu, mi v dubnu 2025 řekl: „Náš problém není, že známe málo firem. Náš problém je, že nevíme, které jsou právě připraveny k nákupu.“ Přesně tam mohou agenti pomoci.

Praktický příklad: Servisní agent se skutečnými čísly

Vezměme si typického strojírenského středního podniku s 260 zaměstnanci, obratem 42 milionů eur, 18 servisními techniky, 7 lidmi v technickém interním servisu a zákazníky v DACH, Beneluxu a Itálii. Nejde o vymyšlenou návštěvu továrny, ale o zhuštěný vzor z několika rozhovorů a projektových výpočtů, jak jsme je viděli v letech 2024 a 2025. Ročně přijde 18 000 servisních požadavků. Z toho 55 procent tvoří opakující se chybové obrazy, dotazy na náhradní díly nebo provozní témata. Průměrná doba zpracování v interním servisu je 18 minut na tiket, u komplexních případů výrazně vyšší. Prostor pro zlepšení není teoretický. Sedí každé ráno v e-mailové schránce.

První agent dostane úzkou roli: přečíst tiket, identifikovat zákazníka a stroj, vyvolat historii, zobrazit podobné případy, navrhnout náhradní díl, vygenerovat návrh odpovědi se zdroji, v případě nejistoty eskalovat. Žádné autonomní schválení ceny. Žádné bezpečnostně kritické pokyny k opravě bez člověka. Po 12 týdnech MVP je historicky vyhodnoceno 6 000 tiketů, 1 200 tiketů je zpracováno v testovacím provozu a 300 je doprovázeno živě s Human-in-the-Loop. Agent dosahuje u standardních případů správné klasifikace 82 procent, návrhy jsou v 68 procentech případů převzaty interním servisem nebo mírně upraveny. Není to dokonalé. Ale použitelné.

Výpočet pak vypadá takto: Pokud je ročně ovlivněno 9 900 standardních tiketů a doba zpracování se v průměru sníží z 18 na 10 minut, ušetří se 79 200 minut. To je 1 320 hodin. Při interních plných nákladech 62 eur za hodinu to představuje potenciál efektivity přibližně 81 840 eur ročně. K tomu se přidávají příjmy ze služeb. Pokud agent v případech náhradních dílů umožní v pouhých 8 procentech relevantních tiketů vhodný doplňkový článek nebo rychlejší proces nabídky a z toho vznikne 120 000 eur dodatečného krycího příspěvku ročně, pak případ najednou není jen o snižování nákladů. Pak se poprodejní servis stává měřitelnou pákou pro tržby. Přesně proto považuji čistě produktivní výpočty za příliš malé.

Pilot v tomto příkladu stojí 160 000 eur včetně připojení dat, návrhu pracovního postupu, nákladů na model, testů, školení a správy. Provozní náklady činí 36 000 eur ročně. V konzervativním případě se projekt amortizuje za 13 až 18 měsíců. V lepším případě za méně než 12 měsíců. Rozdíl zřídka spočívá v ceně modelu. Spočívá v přístupu k datům, využití oddělení a otázce, zda servis skutečně smí prodávat, nebo jen hasí požáry.

Amplifa ICP Playbook Využijte ICP Playbook k tomu, abyste nejprve zaměřili případy použití Agentic AI v prodeji a servisu na správné segmenty zákazníků.

FAQ: Co musí jednatelé vědět o Agentic AI

Je Agentic AI pro 50 až 500 zaměstnanců vůbec realistická?

Ano, ale ne jako korporátní program v miniaturním formátu. Společnost s 80 zaměstnanci nepotřebuje AI transformační věž. Potřebuje proces s vysokou bolestí, odborného vlastníka, rozhodnutí o platformě a MVP, které něco změří za 8 až 12 týdnů. U 50 až 500 zaměstnanců je výhoda často ještě větší, protože rozhodnutí padají rychleji. Nevýhoda: Každá špatná stavba okamžitě pohltí kapacitu.

Které případy použití Agentic AI přinášejí nejprve ROI?

Podle mých zkušeností nejprve třídění servisu, zadávání objednávek, prodejní průzkum, vyhledávání znalostí a standardní reporting. Ne proto, že by tyto případy byly nejlepší. Ale proto, že jsou měřitelné. Čas na úkon, chybovost, doba průchodu, doba odezvy, míra nabídek, průchod tiketů. Když se CFO ze Stuttgartu po čtyřech týdnech zeptá, zda agent funguje, nepotřebujete vizi, ale základní linii.

Kolik autonomie smí mít agent na začátku?

Málo. Nejprve asistivní, pak částečně autonomní, pak v jasně vymezených standardních případech autonomní. Vím, zní to opatrně. Není to tak. Je to rychlejší, protože důvěra se nemusí dodatečně opravovat. Agent, který odešle tři špatné e-maily zákazníkům, může poškodit celý program. Agent, jehož návrhy lidé kontrolují a hodnotí, se učí s organizací.

Kolik stojí seriózní vstup do Agentic AI?

Pro strategii a prioritizaci případů použití by jednatelé měli počítat s 20 000 až 50 000 eury. MVP s jedním nebo dvěma agenty se obvykle pohybuje mezi 80 000 a 250 000 eury, pokud je zahrnuta skutečná systémová integrace. Kdo věří, že s prototypem za 9 000 eur z workshopu získá produktivní ERP autonomii, bude zklamán. Možná dostane demo. Ale žádnou spolehlivou provozuschopnost.

Potřebujeme nejprve kompletní datovou strategii?

Ne. Ale potřebujete dostatečnou datovou strategii pro zvolený proces. To je velký rozdíl. Pro servisního agenta musí být tikety, kmenová data strojů, manuály a náhradní díly přístupné, verzované a oprávněné. Pro prodejního agenta potřebujete čistá ICP kritéria, data účtů, zdroje spouštěčů a pravidla CRM. Kdo čeká na dokonalou datovou krajinu, čeká dlouho. Kdo začne bez datových pravidel, buduje chaos s krásným rozhraním.

Sedm kroků k Agentic AI strategii ve středních podnicích

1. Začněte inventurou případů použití v oblasti servisu, backoffice, prodeje, výroby a controllingu. Shromážděte 20 až 40 kandidátů, ale vyberte pouze jeden první proces. Workshop v květnu 2025 s B2B výrobcem z Ulmu opět ukázal stejný vzorec: Prvních deset nápadů bylo příliš širokých, nejlepší nápad spočíval v nudném předávání nabídek.
2. Vyhodnoťte každý případ použití podle dopadu, úsilí, přístupu k datům, rizika a vlastnictví procesu. Nezačal bych žádný případ použití, u kterého by vedoucí oddělení nepřevzal jmenovitou odpovědnost. Pokud nikdo nepodepíše své jméno, případ není politicky zralý.
3. Napište pro agenta popis práce. Vstupy, výstupy, povolené akce, zakázané akce, eskalační cesta, KPI, auditní záznam. Zacházejte s agentem jako s novou operativní rolí, ne jako s pluginem.
4. Včas vyjasněte platformu a správu dat. Microsoft Fabric, Databricks, SAP BTP, Copilot Studio, lytra nebo vlastní vývoj nejsou náboženské směry. Volba závisí na stávajícím IT, inženýrských schopnostech, požadavcích na data v EU a stupni diferenciace procesu.
5. Zapojte ochranu dat, podnikovou radu a IT bezpečnost v prvním týdnu. Ne jako brzdy. Ale jako designéry rizik. Zvláště u osobních údajů, výkonnostních vztahů nebo bezpečnostně kritických rozhodnutí nesmí dojít k žádným překvapením.
6. Před MVP změřte základní linii. Doba zpracování, chybovost, doba průchodu, doba odezvy, míra nabídek, tržby ze služeb. Bez základní linie nakonec vyhraje nejhlasitější názor v místnosti.
7. Škálování plánujte až po prokázání užitečnosti. Agent, kterého ignoruje 80 procent týmu, není kandidátem na škálování. Agent, jehož návrhy jsou převzaty v 65 až 75 procentech případů, si zaslouží rozpočet.

Produkt Amplifa Amplifa pomáhá B2B týmům produktivně zavádět prodejní a účetní pracovní postupy podporované AI namísto pouhého vytváření dem.

Co konkrétně vidíme u Amplifa

Co konkrétně vidíme u Amplifa: Nejlepší projekty Agentic AI v prodeji nezačínají s oslovením, ale s tržní logikou. Za posledních 12 měsíců jsme u zákazníků ze strojírenství, technických služeb a B2B softwaru zaznamenali opakující se vzor: Pokud je ICP nejasné, AI generuje více aktivity a méně pravdy. Jakmile jsou kritéria ICP operacionalizována – odvětví, spouštěče, instalované technologie, signály růstu, regionální priorita, kritéria vyloučení – počet kontaktovaných účtů klesá někdy o 35 až 55 procent, zatímco míra schůzek roste. Zákazník z oblasti Stuttgartu po devíti měsících zarezervoval třikrát tolik kvalifikovaných prvních schůzek, aniž by najal dalšího SDR. Ne proto, že by e-maily byly najednou poetické. Ale proto, že agent přestal pronásledovat špatné firmy.

To je ponaučení pro Agentic AI celkově. Autonomie bez kritéria výběru je hluk. Servisní agent potřebuje kritéria pro standardní případ a výjimku. Backoffice agent potřebuje kritéria pro bezpečné extrakce a manuální kontrolu. Prodejní agent potřebuje kritéria pro vhodnost a načasování. Jinak se neautomatizuje práce, ale neurčitost. A neurčitost se škáluje brutálně špatně.

ROI závisí na adopci, ne na nákladech modelu

Mnoho výpočtů ROI pro Agentic AI se zaměřuje na náklady LLM. To je špatné místo. Náklady na model jsou relevantní, ale zřídka hlavní pákou. Drahé jsou integrace, objasnění procesů, změny, zajištění kvality a provoz. Ještě dražší je nevyužití. Agent, který technicky funguje, ale je obcházen úředníky, má negativní ROI. Pak platíte platformu, poradenství, interní kapacitu a ztrácíte důvěru. Raději mám úzkého agenta, který je denně využíván, než velkou architekturu, která se leskne v Confluence.

Adopce nevzniká jen školením. Vzniká, když agent citelně ubírá práci, aniž by člověka ztrapňoval. V jednom projektu řekla zaměstnankyně zákaznického servisu v Kolíně: „Nechci, aby mi AI psala odpověď. Chci, aby mi sehnala ty tři informace, které bych jinak musela hledat.“ Tato věta je zlatá. Mnoho lidí nechce automatický hlas navenek. Chtějí méně hledání, méně kopírování, méně změn systému. To by mělo formovat design.

Proto patří zaměstnanci do vývoje agentů. Ne v divadle změn s post-ity, ale konkrétně: Které případy otravují? Které výjimky jsou nebezpečné? Jaké formulace byste nikdy neposlali zákazníkům? Která pole ERP jsou spolehlivá a která lžou? Kdo tyto otázky neklade, staví pro organizační schémata namísto pro práci.

Moje prognóza pro roky 2026 a 2027

Nemyslím si, že v roce 2026 bude mít každá střední firma organizaci Agentic AI. Termín zní tak jako tak větší, než většina podniků potřebuje. Ale věřím, že dobré střední firmy budou do konce roku 2026 provozovat dva až pět produktivních agentů v jasných procesech. Servis, backoffice, podpora prodeje, reporting, vyhledávání znalostí. Ne jako laboratoř. V provozu. S logy, rolemi, KPI a člověkem, který za to ručí.

Poražení nebudou společnosti, které si koupí nejnovější model příliš pozdě. Poražení budou společnosti, které nebudou schopny učinit své procesy rozhodnutelnými. Protože Agentic AI nutí organizace k něčemu, čemu se dlouho mohly vyhýbat: explicitně říci, kdo smí co a kdy rozhodnout. To je nepohodlné. Dotýká se to hranic oddělení, starých zvyklostí, malých stínových procesů v Excelu. Ale přesně tam leží zisk.

Můj osobní názor je jednoduchý: Kdo zachází s Agentic AI jako s IT projektem, dostane drahé demo. Kdo s ní zachází jako s procesním a tržním projektem, může za 12 měsíců vidět měřitelné výhody. Ne všude. Ne bez tření. Ale dost na to, aby znervózněl konkurenty. A možná je to nejlepší raný indikátor: Když první servisní technik řekne, že už nechce agenta vrátit, strategie se poprvé dostala do každodenního života.