AI v MSP: Build, Buy nebo Integrate

KI-Strategie · 14. Oktober 2026 · Anthony Filipiak

AI v MSP: Nerozhodujte se paušálně mezi Build vs. Buy. Přečtěte si, které případy použití byste měli koupit, integrovat nebo vyvinout, včetně TCO a 7 kroků.

Většina středně velkých podniků by v roce 2026 neměla vyvíjet vlastní AI. Ano, myslím to vážně – a vím, že někteří CTO si teď v duchu zkříží ruce. AI v MSP je příliš často vnímána jako projekt hrdosti, nikoli jako investiční rozhodnutí. To je drahé. A někdy dokonce nebezpečné, protože šest měsíců vlastního vývoje může rychle vypadat jako strategie, ačkoli řešíte jen problém, který Microsoft, OpenAI, SAP nebo dobrý poskytovatel API už dávno vyřešili lépe.

Moje prognóza na další dva až tři roky: Vítězové v evropských středně velkých podnicích nebudou ty společnosti, které nejvíce vyvíjejí samy. Budou to společnosti, které se nejtěžším způsobem rozhodnou, co nebudou vyvíjet samy. Přístup „Buy-or-Integrate-first“ se stane základním postojem – vlastní vývoj zůstane výjimkou pro procesy, které skutečně brání marži, schopnost dodávek nebo zákaznickou zkušenost.

To zní defenzivně. Ale není. Je to kapitálová disciplína. Generální ředitel z Ulmu mi v lednu 2026 po rozpočtovém kole řekl: „Nechce se mi utratit 180 000 eur, aby chatbot prohledával PDF.“ Má pravdu. Pokud je případ použití generický, koupím generickou inteligenci. Pokud případ použití dělá mou společnost jedinečnou, pak mluvím o vlastních datech, vlastní logice a někdy i vlastních modelech. No, skoro. Většinou mluvím nejprve o integraci.

AI v MSP: Současný stav 2026

Kde jsme dnes? Ne u science fiction. Spíše u Excelu, ERP a rostoucího počtu týmů, které již používají ChatGPT, Microsoft Copilot, Salesforce Einstein, SAP Joule nebo specializované agenty, ale zřídka je čistě začlenily do procesu. U generálních ředitelů s 50 až 500 zaměstnanci vidím čtyři tábory: čekající, sběratele nástrojů, sběratele pilotních projektů a ty, kteří vedou případy použití jako portfolio. Poslední skupina je malá. Ta zvítězí.

Čísla z trhu udávají směr. Pro vymezené pilotní projekty AI se v německých přehledech trhu často uvádí 18 000 až 35 000 eur; produktivní, hluboce integrovaná řešení mohou stát 120 000 eur a více, podle přehledu nákladů od Melexsoft z roku 2025. Space-O Technologies uvádí pro individuální AI software často 50 000 až přes 500 000 eur v závislosti na stupni integrace, datové situaci a provozu. Jednoduchý pilotní projekt workflow může naopak začít výrazně níže: AIWorx uvádí 2 500 eur jednorázově plus 250 eur měsíčně, plus náklady na model a interní náklady. Tato šíře není cenový chaos. Je to signál.

Signál zní: Kdo klade otázku Build-or-Buy paušálně, nepochopil nákladovou strukturu. Shrnutí schůzky není totéž co vizuální kontrola kvality na zákaznicky specifické součástce od Trumpf, DMG Mori nebo výrobce nástrojů v Remscheidu. Interní vyhledávání znalostí není totéž co plánování výroby podporované AI s omezeními z MES, ERP, směnového modelu, dodacích termínů, dostupnosti strojů a zkušenostních znalostí z vedení výroby. Jedno je pořízení softwaru. Druhé je operační architektura.

V březnu 2025 jsem si v několika rozhovorech s vedoucími prodeje a digitálními manažery uvědomil, jak moc je slovo „vlastní vývoj“ emocionálně nabité. Vlastní vývoj zní jako kontrola. Jako IP. Jako „nenecháme se záviset“. Není to tak docela pravda. Špatně provozovaný vlastní vývoj vás činí stejně závislými – jen na dvou interních vývojářích, neúplné dokumentaci a promptu, kterého se už nikdo nechce dotknout, protože nějak funguje. To nevoní inovací. To voní serverovnou ve 22 hodin, když se zasekne cronjob.

Trend 1: AI v MSP se stává rozhodnutím o portfoliu

První trend je banální a přesto podceňovaný: Build versus Buy umírá jako základní otázka. Je nahrazen rozhodnutím o portfoliu pro každý případ použití. Koupit. Koupit a konfigurovat. Integrovat přes API. Rozšířit vlastními daty. Kompletně vyvinout a provozovat sami. To je pět různých investičních logik, nikoli náboženských táborů.

Na strategických workshopech se téměř vždy ptám na totéž: Dosáhl by konkurent se stejným standardním softwarem prakticky stejného užitku? Pokud je odpověď ano, pak je vlastní vývoj většinou marnivost. Pokud je odpověď částečně, pak mluvíme o integraci, Retrieval-Augmented Generation, rolích a právech, kvalitě dat a řízení procesů. Pokud je odpověď ne, stává se to zajímavým. Pak jde o proprietární data, procesní logiku, latenci, auditovatelnost nebo zákaznickou zkušenost, která by neměla být kopírovatelná.

Příklad. Klasifikace servisních tiketů u výrobce strojů? Koupit nebo integrovat. Automatické vytváření nabídek náhradních dílů s historickými maržemi, zákaznicky specifickými slevovými logikami, dodací schopností ze SAP a technickými výkresy z DMS? Integrate first. AI, která podporuje tepelné návrhy u variant produktů podobných Webasto a využívá interní zkušenosti? Zde může mít vlastní vývoj smysl. Ne jako vlastní základní model. Ale jako vlastní logická vrstva, vlastní sada pro hodnocení, vlastní systémová integrace.

Tento vývoj není jen technický. Mění rozpočtové rozhovory. Dříve digitální projekt často začínal otázkou: Jakou platformu použijeme? Dnes musí začít s: Kde vzniká hodnota, kdo je zodpovědný za proces, jak měříme úspěch a co se stane, když se model mýlí? Finanční ředitel z Kolína nad Rýnem, Thomas, mi v prosinci 2025 řekl: „Rád podepíšu pilotní projekt AI. Ale nepodepíšu studijní dovolenou pro organizaci.“ Tvrdé. Ale spravedlivé.

Střední podniky nemají problém s AI. Mají problém s prioritizací. Vidíme příliš mnoho případů použití s podobnou technologií, ale zcela odlišnou ekonomickou váhou.

— Andrea, Head of Digital Sales u Hidden Champion v Bielefeldu

Andrea to řekla na workshopu poté, co její tým shromáždil 27 AI nápadů. 27. Od automatického průzkumu leadů přes návrhy e-mailů s nabídkami až po prognózy náhradních dílů. Místnost byla nadšená, dokud jsme nápady neseřadili podle marže, přístupu k datům, objemu procesů a rizika. Poté jich zbylo šest. Dva Buy. Tři Integrate. Jeden možný vlastní vývoj. Přesně tak to musí fungovat. Ne romanticky. Efektivně.

Trend 2: Buy-or-Integrate-first se stane standardem

Druhý trend je nejdůležitější pro generální ředitele: Koupit není kapitulace. Integrovat je často nejinteligentnější forma samostatnosti. Kdo propojí standardní AI přes API s ERP, CRM, DMS, PIM nebo zákaznickým portálem, nestaví méně strategicky. Jen nestaví na špatném místě. Základní modely jsou drahé, rychle se měnící a operačně náročné. Konkurenční výhoda pro mnoho středně velkých podniků nespočívá v jádru modelu, ale v přístupu k datům, řízení procesů, logice schvalování a přijetí uživateli.

Vezměme si prodej. Generický úkol „Shrnout schůzku“ by se měl koupit. Úkol „Vytvořit prioritizovaný seznam účtů pro obchodní zástupce z historie CRM, signálů z webových stránek, událostí v oboru, stávajících kontaktů a vzorů nabídek“ by se měl integrovat. Úkol „Vypočítat technickou proveditelnost speciálního produktu se 14 firemně specifickými omezeními“ může vyžadovat vlastní komponenty. Tři případy použití. Tři architektonická rozhodnutí. Jeden rozpočtový fond by byl nesmysl.

V Amplifa často mluvíme se společnostmi, které již mají Microsoft 365, HubSpot, Salesforce, SAP Business One, Microsoft Dynamics nebo DMS jako ELO. Reflexem je pak: Potřebujeme novou AI platformu. Někdy ano. Často ne. Často nejprve chybí tenká, čistá integrační vrstva: role a práva, datové zdroje, šablony promptů, logování, monitorování, evaluační data a cesta zpět do procesu. Zní to suše. Také to tak je. Ale přesně tam se rozhoduje, zda AI funguje v každodenním životě, nebo jen září v demo videu.

Z našich implementací víme: U středně velkých B2B týmů s 50 až 500 zaměstnanci se první měřitelné efekty zřídka objevují díky vlastnímu modelu, ale díky třem vzorcům. Za prvé: AI přistupuje ke čtyřem až sedmi definovaným datovým zdrojům, nikoli k „všemu“. Za druhé: Každá odpověď končí konkrétní akcí v systému – poznámka v CRM, návrh tiketu, návrh nabídky, kontrolní pokyn. Za třetí: Kvalita se stabilně zvyšuje až od zhruba 80 až 120 skutečných hodnotících případů na případ použití, protože pak se projeví špatné hrany: zastaralé ceníky, duplicitní firmy v CRM, PDF bez metadat, různé názvy pro stejnou produktovou řadu. To vám žádný licenční kalkulátor neřekne.

Přístup „Buy-or-Integrate-first“ se hodí i k regulaci. EU AI Act byl schválen v roce 2024, klíčové povinnosti se zavádějí postupně. Pro středně velké podniky to neznamená paniku, ale dokumentaci: účel, datové zdroje, rizika, lidská kontrola, protokolování. Standardní dodavatelé přebírají část této zátěže. Ale jakmile integruji model do kritického procesu, odpovědnost zůstává ve společnosti. Kdo věří, že smlouva SaaS nahradí správu, měl by si jít jednou na večeři s pověřencem pro ochranu osobních údajů z Bádenska-Württemberska. Poté iluze zmizí.

Mám rád malé pilotní projekty, pokud jsou upřímné. Pilotní projekt za 2 500 eur, který ušetří devět hodin týdně, může být dobrým začátkem. AIWorx v jednom příkladu počítá devět hodin krát 45 eur krát 46 pracovních týdnů – 18 630 eur teoretického hrubého užitku ročně. Ale prosím, buďte čistí: Úspora času má hodnotu pouze tehdy, pokud z ní vznikne kapacita, méně přesčasů, zabránění náboru nebo vyšší propustnost. Pokud zaměstnanci vyplní ušetřenou hodinu interními koordinacemi, nikdo nevydělal peníze. To je nepříjemné. No, skoro. Je to nutné.

Nejčastější chybou v režimu Buy je Vendor Lock-in bez plánu exitu. Lze data exportovat? Jsou prompty, embeddingy a konfigurace přenositelné? Lze změnit poskytovatele modelu? Zpracovávají se data v EU? Co se stane při změnách cen? Tyto otázky jsem v tendrech viděl příliš zřídka. Místo toho vidím mnoho krásných snímků s „AI Ready“. Snímek nezpracovává zákaznický dotaz.

Trend 3: Vlastní vývoj se přesouvá do klíčových procesů

Třetí trend: Vlastní vývoj nezmizí. Stane se vážnějším. Méně chatbotů, více výroby. Méně „trénujeme vlastní LLM“, více procesní inteligence na místech, kde standardní software neví, jak vaše podnikání skutečně funguje. U Festo, Schaeffler, Phoenix Contact, Wittenstein nebo Brose existují procesy, data a produkty, které se jednoduše nevejdou do generické šablony. Středně velký podnik se 180 zaměstnanci má stejnou logiku v menším měřítku: parametry strojů, historické reklamace, výkresy, znalosti kalkulací, chování dodavatelů, speciální případy z 20 let.

Vlastní vývoj se vyplatí především tehdy, když se sejde několik podmínek. AI je součástí klíčového produktu nebo centrální tvorby hodnoty. Existují jedinečná tréninková nebo procesní data. Standardní produkty nepokrývají celý proces. Výsledek ovlivňuje marži, kvalitu, schopnost dodávek nebo zákaznickou zkušenost. Existují požadavky na latenci, offline schopnost, suverenitu dat nebo auditovatelnost. A – na to se často zapomíná – existuje organizace, která dokáže zajistit provoz, monitorování, aktualizace a řešení chyb.

Příklad z rozhovorů s vedoucím výroby v jižním Německu: vizuální kontrola kvality pro součástku s měnícími se povrchy, odrazy a úzkými tolerancemi. Standardní vision systémy poskytují základ. Ale rozhodující data leží ve vrácených dílech, kontrolních plánech, mezních vzorcích a zkušenostních znalostech vedoucích směn. Zde může být vlastní systém ekonomicky výhodný, protože každý chybně vyřazený kus stojí peníze a každá proklouznutá chyba vede k reklamacím. To není „hraní si s AI“. To je kalkulace kusových nákladů s kamerami.

Další příklad: Finanční uzávěrka ve středně velké skupině společností. Dokumentovaný případ popisuje AI agenta, který před měsíční uzávěrkou kontroluje tisíce účetních položek na věrohodnost, rozpoznává chybějící opakující se účetní položky, porovnává nákladová střediska s historickými vzory a označuje nápadné částky. Doba kontroly se podle popisu případu snižuje z několika hodin na společnost na několik minut. Moje hodnocení: žádný vlastní základní model. Integrovat. Hodnota vzniká z finančních dat, pravidel, výjimek a lidského schválení.

Analytici a dodavatelé se neshodují ve všem. Ani nemusí. Směr je však jasný: GenAI se stává infrastrukturou, diferenciace vzniká na okrajích. V datech. V pracovních postupech. V hodnotících systémech. V oborové logice. Kdo v roce 2026 trénuje vlastní model, než vyčerpá Retrieval, orchestraci API, role a práva a čisté hodnocení, pravděpodobně pálí peníze. Ne vždy. Ale dost často na to, abych to nedoporučoval společnosti s 200 zaměstnanci jako první krok.

Amplifa ICP Playbook Praktický playbook pro strukturování cílových zákazníků, datových zdrojů a prodejní logiky – smysluplný, než se AI integruje do generování leadů nebo prioritizace účtů.

Co Build, Buy a Integrate ekonomicky znamenají

Obchodní dopad nespočívá v označení. Spočívá v vázání kapitálu, rychlosti, riziku a křivce učení. Buy poskytuje rychlé použití, ale omezenou přizpůsobitelnost. Integrate poskytuje flexibilitu s přijatelnou dobou do hodnoty (Time-to-Value). Build poskytuje kontrolu, ale také provozní zátěž. Hybrid kombinuje vše – a činí architekturu složitější. Kdo to čistě nerozdělí, porovnává licenční náklady s rozpočty na vývoj a později se diví dodatečným nákladům.

S klienty nepočítám jen počáteční náklady. Počítám tři roky. Zavedení, integrace, interní náklady, provoz, správa, další vývoj. Tento vzorec se zdá jednoduchý, ale mění rozhodnutí. Najednou už levný vlastní vývoj není levný, protože odborné oddělení čistí data 80 hodin, IT buduje rozhraní, ochrana dat kontroluje, závodní rada je zapojena a někdo musí měsíčně kontrolovat kvalitu, latenci a náklady. To není drobný tisk. To je skutečná cena.

Zvláště často se podceňují náklady na inferenci. Prototyp s 300 dotazy měsíčně je roztomilý. Produktivní asistent s 40 000 dotazy, dlouhými dokumenty, několika kroky retrievalu a kontrolami kvality je jiné zvíře. Pak se počítají tokeny, cachování, výběr modelu, délka odpovědi, omezení rychlosti a monitorování. Vůně spáleného rozpočtu není smyslná, ale velmi reálná. Všimnete si jí nejpozději, když přijde první cloudový účet.

Kdy je standardní software u AI v MSP nadřazený

Standardní software vítězí, když je proces podobný napříč odvětvími. Zápisy z jednání. Překlady. Interní vyhledávání znalostí. Klasifikace servisních tiketů. Zpracování faktur a dokladů. Jednoduchá asistence prodeje. Návrhy e-mailů. Shrnutí dokumentů. Zde je užitek většinou úspora času, nikoli diferenciace. Pokud by Kärcher, prodejce z Münsteru a výrobce zařízení z Rakouska řešili stejný proces podobně, pak by nikdo neměl stavět vlastní systém jen proto, že slovo AI je v žádosti o projekt.

Výhoda standardního softwaru nespočívá jen v licenci. Dodavatel přebírá vývoj produktu, údržbu modelu, bezpečnostní aktualizace, podporu, škálování a částečně dokumentaci shody. Implementační partner jako AI Heroes uvádí u jasně vymezených projektů počáteční fáze asi šesti pracovních dnů a celkové realizace dvou až dvanácti týdnů. To je pro mnoho středně velkých týmů přesně to pravé, pokud odborné oddělení konečně potřebuje citelnou úlevu a ne výzkumný projekt.

Ale standardní software má své limity. Nezná vaši slevovou logiku. Nezná excelovou tabulku, kterou od roku 2017 udržuje kolegyně a která je vlastně skutečným konfigurátorem produktů. Nerozumí tichým pravidlům z výroby, pokud nejsou zdokumentována. Také neví, proč zákazník ze Švýcarska vždy potřebuje jiné balení, ačkoli to v ERP vypadá jako stejná položka. Přesně na těchto místech začíná integrace. Ne nutně vlastní vývoj.

Kdy je vlastní vývoj skutečně oprávněný

Vlastní vývoj je oprávněný, pokud se případ použití dotýká jedné z centrálních ekonomických os: kvality, propustnosti, schopnosti dodávek, marže, funkce produktu nebo přístupu k zákazníkům. Ne, když někdo řekne: „Naše procesy jsou speciální.“ To říkají všichni. Otázka zní: Jsou dostatečně speciální, aby standardní software nemohl poskytnout srovnatelný užitek? A je výhoda dostatečně velká, aby pokryla náklady na vývoj, provoz, správu a personální riziko?

Pravděpodobné případy Build vidím v průmyslových středně velkých podnicích především v šesti oblastech: vizuální kontrola kvality pro specifické součásti, prediktivní údržba s proprietárními strojními daty, plánování výroby s individuálními omezeními, automatické navrhování zákaznicky specifických produktů, technická asistence s interními normami a výkresy, funkce AI ve vlastním stroji nebo softwarovém produktu. To nejsou hřiště. Tam se chybná rozhodnutí projevují v zmetkovitosti, dodacích termínech, záruce nebo obratu.

CTO z Norimberku, Markus, mi na podzim 2025 řekl: „U nás to nefunguje, když data opustí dům.“ Nemyslel strach z PowerPointu. Jeho společnost zpracovává zákaznicky specifická konstrukční data s přísnými dohodami o mlčenlivosti. Pro něj nebyly offline schopnosti, on-premise provoz a auditní protokoly jen „nice-to-haves“. Přesně tam se rozhodnutí zvrátí. Možná ne kompletní vlastní vývoj. Ale určitě ne nekontrolované SaaS řešení s nejasnou cestou dat.

Přesto i v takových případech zřídka doporučuji vlastní základní model. Proč? Protože tvorba hodnoty většinou nespočívá v samotném jazykovém modelu. Spočívá v datovém pipeline, evaluačních případech, kontrole přístupu, kontrolních pravidlech, integraci do MES nebo ERP a v procesu člověk-ve-smyčce. Výkonný standardní model, čistě integrovaný, často porazí slabý vlastní model s velkým egem.

FAQ: Měl by středně velký podnik trénovat vlastní AI model?

Většinou ne. Vlastní trénink modelu by se měl zkoumat až tehdy, když standardní modely plus Retrieval-Augmented Generation, dobré prompty, jasná příprava dat, doménově specifické hodnocení a validace založená na pravidlech nestačí. Pokud společnost nedokáže shromáždit 100 spolehlivých testovacích případů pro daný případ použití, je vlastní trénink téměř vždy příliš brzy. Upřímně? Nevím to v každém jednotlivém případě. Ale vím, že mnoho týmů říká trénink, když ve skutečnosti myslí datovou strukturu.

Co to znamená pro generální ředitele, CTO a digitální manažery

Pro generální ředitele to znamená: Rozpočty na AI musí být řízeny jako investiční portfolia. Ne jako inovační hrací peníze. Každý případ použití dostane tezi, cílovou metriku, variantu architektury a pravidlo pro ukončení. Pokud po osmi týdnech nejsou k dispozici spolehlivá data o přesnosti, míře využití, latenci, nákladech a dopadu na proces, nebude se dále romantizovat. Pak se upraví nebo zastaví.

Pro CTO to znamená: Architektonická rozhodnutí musí zůstat reverzibilní. Schopnost měnit poskytovatele modelů. Schopnost exportovat data. Verzovat prompty. Psát logy. Čistě mapovat práva. Měřit náklady. Pokud dodavatel poskytuje pouze pěkné rozhraní, ale žádnou udržitelnou integrační a správní historii, pak nekupujete AI. Pak kupujete závislost s přihlašovací stránkou.

Pro digitální manažery to znamená: Odborné oddělení musí dodat. Popis procesu. Testovací případy. Přístup k datům. Kritéria přijatelnosti. Čas klíčových uživatelů. Viděl jsem příliš mnoho pilotních projektů, kde IT dostalo černého Petra, ačkoli prodej, servis nebo finance neměly definované jasné hodnoty úspěchu. „AI nám má ulehčit práci“ není cíl. „Snížit dobu zpracování technických zákaznických dotazů o 30 procent, s maximálně 5 procenty chyb eskalace“ je cíl.

Dobrým příkladem je prioritizace prodeje. Mnoho týmů chce více leadů. Není to tak docela pravda. Chtějí lepší prodejní čas. Pokud systém najde 500 firem, ale obchodní zástupci 480 ignorují, nic se nezískalo. Pokud integrovaný agent z historie CRM, signálů z webových stránek, oborových klastrů a stávajících referencí prioritizuje 40 účtů a deset z nich se stane skutečnými rozhovory, mluvíme o pipeline. Ne o objemu dat.

Amplifa Produkt Amplifa pomáhá B2B týmům identifikovat cílové zákazníky, využívat signály a operacionalizovat prodejní procesy s AI – bez zbytečného vlastního vývoje.

Sedm kroků přípravy pro vaši AI strategii

1. Vytvořte inventář případů použití: Shromažďujte nejen nápady, ale procesy s objemem, náklady, chybami, dobou průchodu a odpovědnou osobou za proces. Seznam 30 nápadů je bezcenný, pokud žádný z nich neřeší měřitelné úzké místo.
2. Vyhodnoťte stupeň diferenciace: Zeptejte se brutálně upřímně, zda by konkurent se stejným standardním softwarem dosáhl stejného užitku. Pokud ano: Buy. Pokud částečně: Integrate. Pokud ne: Zvažte Build, ale až po kontrole dat.
3. Zkontrolujte přístup k datům: Vyjasněte si, jaké datové zdroje jsou potřeba, komu patří, jak jsou aktuální, jaká platí práva a zda existují historické příklady. Bez datové zralosti se vlastní vývoj stane projektem v mlze.
4. Spočítejte tříleté TCO: Zahrňte zavedení, integraci, interní náklady, provoz, správu a další vývoj. Licenční ceny jsou jen částí. Čas odborného oddělení není zdarma.
5. Stanovte kritéria pilotního projektu před spuštěním: Definujte minimální hodnoty pro přesnost, latenci, míru využití, chybovost, náklady na operaci a návratnost. Demo bez kritéria pro ukončení je prodejní zábava.
6. Nastavte správu malou, ale skutečnou: Jmenujte Product Ownera, správce dat, kontaktní osobu pro IT bezpečnost, schvalovací proces, logování, eskalaci a pravidelnou kontrolu kvality. Ne po nasazení. Předtím.
7. Naplánujte architekturu s exitem: Požadujte možnosti exportu, změny modelu, dokumentaci, verzování a jasná smluvní pravidla pro zpracování dat a změny cen. Vendor Lock-in je snazší zabránit než opravit.

Těchto sedm kroků zní jako práce. Také to tak je. Ale ušetří vám špatnou práci. Čtyř- až osmitýdenní pilotní projekt je realistický, pokud jsou vyjasněny případy použití, přístup k datům a odpovědnosti. Pokud ne, už první dva týdny trvají jen proto, že nikdo neví, kdo má přístup k jaké tabulce. Pak není pomalá AI. Pak je organizace nepřipravená.

Tvrdá rozpočtová logika: Pod 10 000 eur, 50 000 eur, 150 000 eur

Pro většinu středně velkých podniků v DACH používám jednoduchou rozpočtovou logiku. Do zhruba 10 000 eur: Standardní software nebo malý pilotní projekt workflow. Zhruba 10 000 až 50 000 eur: Integrace API, interní znalostní asistent nebo jednotlivý odborný proces. Zhruba 50 000 až 150 000 eur: Produktivní, systémově propojené řešení se správou a monitorováním. Přes 150 000 eur: Pouze při vysoké relevanci procesu, jasné škálovatelnosti a spolehlivé návratnosti investic. Vlastní modely nebo kompletní platformy? Pouze při strategické diferenciaci, proprietárních datech a existující provozní organizaci.

Tyto prahové hodnoty nejsou přírodní zákony. Dodavatel elektroniky blízký Phoenix-Contact s vysokým objemem výroby a jasnými náklady na kvalitu může dříve ospravedlnit vyšší částku než obchodní společnost s 70 zaměstnanci s generickým zpracováním dokumentů. Ale prahové hodnoty nutí k otázce: Co musí být pravda, aby se tento projekt vyplatil? Pokud nikdo nemůže na tuto otázku odpovědět, projekt by neměl začít.

Mám averzi k AI roadmapám, které se skládají z názvů nástrojů. Q1 Copilot, Q2 Chatbot, Q3 Agent, Q4 Automatizace. To není strategie. Strategie říká, jaké schopnosti společnost buduje: přístup k datům, hodnocení, integrace procesů, správa, řízení dodavatelů, vedení uživatelů. Nástroje přicházejí a odcházejí. Schopnosti zůstávají. Alespoň pokud se o ně někdo stará.

FAQ: Jak měřit úspěch pilotních projektů AI v MSP?

Rozlišuji tři úrovně. Technický pilot: Řešení funguje s reálnými daty. Měřítky jsou přesnost, latence a chybovost. Operační pilot: Zaměstnanci ho používají v procesu. Měřítky jsou míra využití, doba zpracování, eskalace a přijetí. Ekonomický úspěch: Užitek je prokazatelný. Měřítky jsou náklady na operaci, doba průchodu, dopad na tržby, náklady na chyby nebo zabránění novým náborům. Pilotní projekt může technicky fungovat a ekonomicky být přesto irelevantní.

Minimální hodnoty pomáhají. 90 procent správné klasifikace dokumentů. Méně než 5 procent neošetřených chybných rozhodnutí. Doba odezvy pod tři sekundy, pokud uživatelé čekají v procesu. Minimálně 30 procent úspory času, pokud je obchodní případ založen na produktivitě. Minimálně 60 procent aktivního využití po třech měsících. Amortizace do 12 až 24 měsíců. Ne každý případ použití potřebuje stejné hodnoty, ale každý potřebuje předem definované hodnoty.

Podceňovaná část: Řízení změn a provozní realita

Projekty AI zřídka selhávají na jediné technické překážce. Selhávají na tření. Úředník nedůvěřuje klasifikaci. Vedoucí prodeje nechce nová pole v CRM. IT nechce další stínové integrace. Ochrana dat vyžaduje kontrolu. Závodní rada se ptá na sledování výkonu. Odborné oddělení nemá čas na testovací případy. Každé z těchto tření je řešitelné. Žádné se nevyřeší samo.

Proto mám rád pilotní projekty, které jsou dostatečně malé na to, aby se spustily, ale dostatečně reálné na to, aby bolely. Reálná data. Reálný proces. Reální uživatelé. Test s pěti perfektními PDF z marketingové složky je bezcenný. V každodenním životě přicházejí skenované dokumenty, překlepy, staré šablony, chybějící přílohy, duplicitní zákaznická čísla a kolegyně, která „jako vždy“ dělá něco jinak. Pokud si s tím řešení neporadí, je to demo materiál. Žádný provoz.

U servisního procesu výrobce strojů z Východního Vestfálska jsme v analýze zjistili, že úzkým místem nebyla klasifikace AI. Ta byla po několika iteracích dostatečně dobrá. Úzkým místem bylo, že pravidla eskalace se lišila podle produktové řady a nikdo je kompletně nedokumentoval. Dílna voněla olejem a teplým kovem, tabule byly plné, a nakonec nejdůležitější práce AI byla procesní diskuse se třemi vedoucími týmů. Tak vypadá realita.

AI Governance: začít v malém, ale ne naivně

Správa nemusí začít 90stránkovou příručkou. Ale musí začít. Každý produktivní případ použití potřebuje odborného Product Ownera, správce dat, IT a bezpečnostního manažera, zdokumentované metriky kvality, proces eskalace a zálohování, pravidelnou kontrolu nákladů a kvality. To je minimální standard. Kdo zavádí AI do zákaznické komunikace, finančních procesů nebo výrobních rozhodnutí, potřebuje sledovatelnost. Jinak se z automatizace stane problém s odpovědností.

EU AI Act tuto disciplínu posílí. Ne každý případ použití v MSP je vysoce rizikový. Ale otázky se stanou normálními: Jaká data byla použita? Kdo co smí vidět? Jak se výsledek schvaluje? Co se stane při chybách? Jak se dokumentují verze? Pokud dodavatel na to odpoví pouze „naše AI je bezpečná“, to mi nestačí. Auditní protokol je nudnější než demo video. Přesně proto je cenný.

Amplifa KI-Strategie Gespräch Pro středně velké podniky, které chtějí prioritizovat konkrétní případy použití podle Build, Buy a Integrate – se zaměřením na prodej, datové zdroje, správu a měřitelnou implementaci.

Moje osobní prognóza pro roky 2026 až 2028

Za prvé: Čistě inbound strategie budou v B2B středně velkých podnicích nadále ztrácet na účinnosti. Kdo v roce 2026 stále věří, že pár whitepaperů a veletržních kontaktů ponese pipeline na dalších pět let, bude mít problém. AI-podporovaná tržní a účetní inteligence se stane standardem. Ne jako spamovací stroj. Ale jako systém, který lépe propojuje cílové zákazníky, načasování, signály poptávky a příležitosti k rozhovoru.

Za druhé: Většina společností nebude litovat svých prvních chybných investic do AI, protože byly příliš drahé. Budou jich litovat, protože se nikdo nic nenaučil. Žádná čistá sada pro hodnocení. Žádná data o využití. Žádná dokumentace. Žádné srovnání mezi Buy, Integrate a Build. Pak zůstane jen difúzní pocit: AI u nás nefungovala. To je nejnebezpečnější vyprávění, protože je chybné a pohodlné.

Za třetí: Nejlepší AI strategie ve středně velkých podnicích bude vypadat nenápadně. Standardní software pro generické úkoly. API pro integraci procesů. Vlastní data jako úroveň diferenciace. Vlastní vývoj pouze tam, kde je ekonomicky obhajitelný. Vím, že to se prodává hůře než „budujeme vlastní AI“. Ale generální ředitelé neplatí za titulky. Platí za marži, propustnost, pipeline a méně slepého létání.

Když se za dva roky podívám na tuto zprávu o trendech, očekávám méně diskusí o názvech modelů a více o procesních metrikách. Méně hrdosti na vlastní vývoj. Více hrdosti na čistá kritéria rozhodování. Možná je to skutečná úroveň zralosti: nestavět to, co lze postavit. Ale jen to, co společnost skutečně posiluje.