AI v MSP: Čína, USA, Evropa 2026

Marktanalyse · 22. Juli 2026 · Anthony Filipiak

AI v MSP se stává testem lokality: Přečtěte si, kde se nachází USA, Čína a Evropa – a co musí výrobci skutečně udělat pro svůj pipeline a výrobu.

AI v MSP je nasazení umělé inteligence v malých a středních podnicích. Tak zní definice. Je však příliš čistá. V praxi je AI v MSP v roce 2026 spíše zátěžovým testem: Kdo dokáže propojit data z ERP, CRM a řízení strojů, kdo dokáže vysvětlit náklady na inferenci, kdo se odváží skutečně přestavět proces – a kdo jen namaluje strategický dokument s obrázkem robota na první straně. Moje prognóza je jednoduchá a nepohodlná: V příštích 24 měsících nezvítězí společnost, která si koupí nejlepší model, ale společnost, která AI nejrychleji převede do nákladů, průběžné doby a pipeline.

Tříkolejný závod v AI mezi Čínou, USA a Evropou proto není geopolitickým tématem pro fejetony. Přistává na stolech generálních ředitelů v Bielefeldu, obchodních ředitelů v Norimberku a výrobních šéfů v Tuttlingenu. USA vedou v oblasti frontier modelů, kapitálu a platforem. Čína dohání kvalitu modelů a průmyslovou implementaci s brutální rychlostí. Evropa stojí mezi nimi – ne slepá, ne bez šance, ale příliš často s ruční brzdou rizikového kapitálu a výmluvou na regulaci. To není tak docela pravda. Regulace není hlavním problémem. Hlavním problémem je, že mnoho evropských společností stále považuje AI za IT projekt, ačkoli je to už dávno otázka marže, dodací schopnosti a tržního podílu.

AI v MSP: Současný stav závodu v AI

Kde se nacházíme dnes? USA nadále dominují na špici. OpenAI, Anthropic, Google, Meta a Microsoft vlastní nejen modely, ale také distribuční kanály, cloudové kapacity, vývojářské ekosystémy a schopnost investovat miliardy do tréninku a inference, aniž by každý čtvrtletní hovor vyvolal paniku. Podle CB Insights bylo v roce 2024 celosvětově investováno do AI startupů přibližně 100 miliard USD, velká část z toho v USA; PitchBook oznámil pro generativní AI jen v roce 2024 obchody v řádu desítek miliard. To je znát. Kdo dnes v německém strojírenském podniku zahájí projekt Copilot, téměř automaticky skončí u Microsoftu, Azure OpenAI nebo jedné z velkých amerických platforem. Ne proto, že by nákupní oddělení bylo zamilované. Ale proto, že systémy už jsou v IT prostředí.

Čína hraje jinou hru. Tam nejde jen o chatboty, ale o industrializaci. Podle zpráv ze Šanghaje plánuje Čína investice ve výši 2 bilionů jüanů do datových center během pěti let – zhruba 250 miliard eur, v závislosti na směnném kurzu. Agentura Reuters 17. července 2026 oznámila, že Peking chce s mezinárodní koalicí AI zaútočit na vedoucí pozici USA. Moonshot umisťuje Kimi K3 s 2,8 biliony parametrů jako open-weight model a tvrdí, že se blíží benchmarkům OpenAI a Anthropic. Zda je každý benchmark čistě srovnatelný? Upřímně? Nevím. Ale směr je jasný: Čína nechce jen držet krok. Čína chce AI učinit tak levnou a široce dostupnou, aby západní prémiové ceny byly pod tlakem.

Evropa má silný průmysl, dobrou automatizaci, firmy jako Siemens, Bosch, Festo, Phoenix Contact, Wittenstein a Trumpf. Ale Evropa má příliš málo kapitálu, příliš málo touhy po škálování a příliš mnoho projektů, které končí po proof of concept, protože nikdo neposkytl rozpočet odpovědné osobě za proces. Philippe Aghion podle DW v roce 2026 v podstatě řekl, že Evropa potřebuje více rizikového kapitálu, dlouhodobé financování výzkumu a lepší podmínky pro výzkum, pokud chce dohnat AI. To je pravda. Ale generálnímu řediteli dodavatele obráběcích strojů ve Schwäbisch Hall to moc nepomůže, když mu ve čtvrtém čtvrtletí stoupne zmetkovitost a jeho prodejní oddělení nadále prioritizuje leady podle pocitu.

Překvapivá prognóza pro roky 2026 až 2028

Moje prognóza překvapuje mnoho strategických týmů: MSP neselžou kvůli nedostatečné kvalitě modelů. Modely jsou dostatečně dobré. Ne vždy brilantní, někdy otravné, občas sebevědomě špatné – ale dostatečně dobré pro přípravu nabídek, klasifikaci náhradních dílů, dokumentaci kvality, průzkum zákazníků, prognózy údržby a prioritizaci prodeje. MSP selžou kvůli integračním nákladům, přístupu k datům a nejasné odpovědnosti za procesy. Tedy kvůli věcem, které nikdy nezáří na pódiu AI konference. Zvuk k tomu není potlesk, ale tiché klikání souboru Excel na síťovém disku, kterého se od roku 2017 nikdo nechce dotknout.

Každý týden mluvím s generálními řediteli a obchodními řediteli v regionu DACH. Věta, kterou od března 2025 slyším nápadně často, nezní: „Které LLM je nejlepší?“ Věta zní: „Kde začneme, aniž bychom vydali naše data a aniž by nás roztrhal podnikový výbor?“ CSO z Norimberku, Markus, mi nedávno řekl: „Pokud dostanu další nástroj, který mi slibuje více dat, ale nepřináší schůzky, zruším pilotní projekt po šesti týdnech.“ Tvrdé. Ale spravedlivé. AI musí v MSP opustit svět prezentací. Musí hýbat penězi v nabídkách, výrobě, servisu a prodeji.

Trend 1: USA prodávají špičkový výkon – a závislost

USA zůstávají v roce 2026 udavatelem tempa v oblasti frontier modelů. To znamená: nejlepší celkový výkon, nejrychlejší produktové cykly, nejsilnější vazba na platformu. OpenAI, Anthropic a Google nastavují referenční bod, kterým se řídí nákupčí, CIO a investoři. V mnoha DACH společnostech je Microsoft Copilot prvním kontaktem s generativní AI, protože Microsoft 365 už stejně běží. Praktické. No, skoro. Protože kdo prodává Copilot jako AI strategii, zaměňuje uživatelské rozhraní s provozním modelem.

Pro středně velké výrobce má dominance USA dvě strany. Na jedné straně získávají velmi dobré modely, silnou bezpečnostní dokumentaci a logiku nákupu, kterou nákupní oddělení rozumí. Na druhé straně roste závislost na několika platformách. Ceny se mohou měnit. Datové toky musí být kontrolovány. A kdo se snaží každý případ použití řešit přímo přes nejdražší třídu modelů, buduje si nákladovou strukturu, která u 20 uživatelů vypadá pěkně a u 600 zaměstnanců najednou zavání rozhovorem s finančním ředitelem. U výrobce plastových komponent z Bádenska-Württemberska činil v květnu 2026 první odhad pro interní asistenční systém přes 38 000 eur měsíčně na náklady na inferenci a licence. Po směrování modelů a úpravě procesů to bylo pod 11 000 eur. Stejný účel. Jiná architektura.

To je bod, který mnozí přehlížejí. Frontier modely nejsou automaticky špatné modely. Ale zřídka jsou nejekonomičtější odpovědí na všechny otázky. Servisní technik při odstraňování závad na zařízení nepotřebuje vždy model s nejlepší filozofickou argumentací. Potřebuje přístup k historii údržby, kusovníku, chybovým kódům a odpověď, která funguje v závodě, i když Wi-Fi v hale 4 voní po oleji a skenery pípají. USA dodávají špičku. Střední podniky často potřebují robustní střed.

Evropa musí brát vážně své silné stránky: průmysl, výzkum a vnitřní trh. Ale bez více rizikového kapitálu a dlouhodobého financování se síla nezmění v rychlost.

— Philippe Aghion, nositel Nobelovy ceny a ekonom, v podstatě podle zpráv DW 2026

Považuji náskok USA za reálný, ale přeceňovaný v jeho dopadu na středně velké výrobce. Zní to rozporuplně. Není. Pokud je model o tři procentní body lepší v obtížných kódovacích benchmarcích, automaticky to neřeší problém prodeje náhradních dílů, který musí spravovat 18 000 čísel položek s nejednotnými názvy, zastaralými PDF katalogy a čtyřmi jazyky. V rozhovorech s obchodními řediteli dodavatelů automatizace zřídka slyším: „Potřebujeme více inteligence v modelu.“ Slyším: „Potřebujeme konečně čisté předání mezi marketingem, interním prodejem a externím prodejem.“ AI to může vyřešit. Ale jen pokud se někdo dotkne špíny v procesu.

Trend 2: Čína tlačí AI do průmyslu – a do nákladové křivky

Čína není jen druhé místo v závodě modelů. Čína je nebezpečnější soupeř pro evropské výrobce, protože země spojuje AI s hloubkou výroby, silou dodavatelských řetězců a státem řízenou infrastrukturou. Podle DW odborníci vidí, že mezera mezi čínskými a americkými modely v určitých benchmarcích se výrazně zmenšila nebo uzavřela. Zároveň se z Číny hlásí, že nejnovější americké systémy jsou stále asi o šest až devět měsíců napřed. To zní jako zaostávání. Pro průmyslovou soutěž je to však téměř parita, pokud jsou provozní náklady výrazně nižší a modely pracují dostatečně blízko k aplikaci.

Moonshot s Kimi K3, Alibaba s Qwen, DeepSeek s levnými inferenčními modely, Baidu s Ernie – seznam roste. Důležitý není každý název modelu. Důležitá je cenová dynamika. Pokud čínští dodavatelé zpřístupní výkonné modely open-weight nebo za agresivní ceny, diskuse v evropských podnicích se posune. Pak se finanční ředitel už neptá, zda je AI v zásadě příliš drahá. Ptá se, proč interní vyhledávání znalostí stojí za dotaz tolik jako náhradní díl v nákupu. A pak začíná skutečná debata: Jaká data smí kam, jaké modely běží lokálně, jaké odpovědi musí být auditovatelné?

Čína exportuje AI nejen jako technologii. Čína exportuje nákladovou logiku. To je pro DACH nebezpečné. Ne proto, že by každý německý strojírenský podnik zítra zavěsil čínské LLM do svého plánování výroby. To se z důvodů dodržování předpisů často nestane. Ale proto, že čínští konkurenti mohou s pomocí AI řízené kontroly kvality, plánování, řízení dodavatelů a zpracování nabídek snížit své procesní náklady. Kdo v Evropě pak ještě řekne: „Naši zákazníci platí za kvalitu,“ by se měl podívat na své ztráty nabídek za posledních dvanáct měsíců. Kvalita zůstává. Ale cena a dodací lhůta sedí u stolu.

Vidím zde tvrdý posun. Dříve zněla otázka: Můžeme AI nasadit? Dnes zní: Můžeme AI nasadit levněji než konkurent ze Šen-čenu, Detroitu nebo Eindhovenu? Rozdíl není akademický. Výrobce speciálních strojů z Bavorska mi v červnu 2026 řekl, že asijský konkurent nyní dodává nabídky s kalkulací variant do 48 hodin. Dříve to bylo pět až sedm dní. Zda za tím stojí perfektní AI systém? Pravděpodobně ne. Pravděpodobně směs standardizace dat, modulů nabídek a automatizace. Přesně proto je to ohrožující.

Proč jsou nižší náklady na AI stejně důležité pro prodej jako pro výrobu

Mnoho generálních ředitelů stále příliš odděluje výrobu a prodej. AI v blízkosti výroby získává respekt, protože zní jako stroj. AI v prodeji získává nedůvěru, protože zní jako spam. Pochopitelné. Trh je plný nástrojů, které tvrdí, že automaticky získají zákazníky, a nakonec rozešlou 3 000 špatných e-mailů s nesprávným kontaktem. Ale pokles cen modelů mění i prodej. Pokud se průzkum zákazníků, bodování účtů, detekce spouštěčů a příprava nabídek zlevní, může středně velké prodejní oddělení najednou obsluhovat trhy, které dříve byly příliš malé. Ne s více lidmi. S lepší prioritizací.

Co konkrétně vidíme u Amplifa: Za posledních 12 měsíců jsme u zákazníků z DACH z oblasti strojírenství, výroby komponent a technických služeb zaznamenali, že 60 až 75 % použitelných prodejních signálů není v CRM. Nacházejí se v inzerátech, na stránkách prodejců, v portálech náhradních dílů, seznamech vystavovatelů na veletrzích, databázích certifikátů a změnách produktů na webových stránkách zákazníků. U průmyslového zákazníka ze Severního Porýní-Vestfálska bylo 312 ze 487 relevantních cílových účtů v CRM označeno jako „neaktivní“, ačkoli 91 z nich vypsalo nové výrobní nebo inženýrské pozice během 120 dnů. To není problém s daty v užším smyslu. To je problém s pipeline s datovou maskou.

Přesně zde se globální závod v AI setkává se středním podnikem. Když se modely zlevní, ne vše se automaticky zlepší. Ale najednou se vyplatí analyzovat signály, které dříve nikdo nemohl ručně zpracovat. Obchodní ředitel nemůže každý pondělí kontrolovat 800 cílových zákazníků na nové závody, nové stroje, nové tendry a nové kontakty. Systém AI to dokáže. Za předpokladu, že je ICP jasné, datové zdroje jsou čistě prioritizovány a prodejní oddělení akceptuje, že intuice není škálovatelný operační systém.

Amplifa ICP Playbook Praktický průvodce pro datově podložené zpřesnění cílových zákazníků, spouštěčů a tržních segmentů v B2B prodeji – zejména pro průmyslové trhy.

Trend 3: Evropa nezvítězí velikostí modelu – ale implementací

Evropa v krátkodobém horizontu nezvítězí v závodě o největší základní modely. To není kapitulace. To je realita. Kdo v roce 2026 věří, že jeden evropský šampion může s několika dotačními programy konkurovat kapitálové hloubce USA a infrastrukturní politice Číny, ten pravděpodobně nikdy neviděl účet za GPU. Mistral AI je důležitý. Aleph Alpha je důležitý. SAP, Siemens a Bosch jsou důležité. Ale nejsilnější karta Evropy nespočívá ve stavbě největšího modelu. Nejsilnější karta Evropy spočívá v zabudování AI do regulovaných průmyslových procesů, za které zákazníci skutečně platí.

To zní méně okouzlující. Je to však ekonomicky relevantnější. Středně velký výrobce nepotřebuje národní AI operu. Potřebuje systém, který spojuje data o zmetkovitosti z kontroly kvality, poznámky o údržbě ze servisu, data o nabídkách z CRM a dodací lhůty z ERP – aniž by IT bezpečnost dostala záchvat paniky. Evropa má zde výhody: znalosti strojírenství, kompetence v automatizaci, silné normy, dlouhodobé vztahy se zákazníky. Firmy jako Festo, Trumpf, Schaeffler, Kärcher a Phoenix Contact se po desetiletí učily, jak dostat složité průmyslové produkty do skutečných procesů. To není málo. Jen to není věta pro pitch deck v Silicon Valley.

EU AI Act je často popisován jako brzda. Někdy to tak je. Mám malou trpělivost pro regulaci, která malé týmy zasypává dokumentačními povinnostmi, zatímco Big Tech zaměstnává celá právní oddělení. Ale předvídatelnost se může stát argumentem pro nákup. Švýcarský dodavatel medtech mi v dubnu 2026 řekl: „Raději koupíme systém, který se zavádí pomaleji, ale projde auditem.“ To je evropský sweet spot. Ne nejdivočejší demo. Ale systém AI, který přežije v auditu, v podnikové dohodě a v každodenním provozu.

Otázka implementace je ošklivě konkrétní. Kde jsou data? Kdo vlastní proces? Jaká odpověď smí být automaticky odeslána? Jaké doporučení potřebuje schválení? Jaká metrika rozhoduje po 90 dnech o dalším provozu? V projektu s velkoobchodníkem s technickým zbožím z jižního Německa nebylo úzkým hrdlem model, ale definice „kvalifikovaného účtu“. Marketing počítal stahování. Prodej počítal známé rozhodovatele. Vedení počítalo obrat za šest měsíců. Tři pravdy. Žádný systém z toho nemůže udělat dobrou prioritizaci, pokud nikdo neupřesní definici cíle.

AI-in-the-plant namísto AI divadla

Věřím, že Evropa by měla brát pojem AI-in-the-plant vážněji. Ne jako módní slovo. Ale jako protiklad k fetiši modelů. Mám na mysli AI, která pracuje v blízkosti výroby: kontrola kvality s daty z kamer, prediktivní údržba s historií senzorů, optimalizace OEE, spotřeba energie, intralogistika, plánování směn, dispozice náhradních dílů. Podle průzkumů VDMA z roku 2025 zůstala investiční nálada ve strojírenství napjatá; zároveň společnosti hledají páky produktivity, protože mzdy, energie a náklady na financování tlačí. Přesně v tomto sevření se AI stává zajímavou. Ne proto, že je moderní. Ale proto, že snižuje náklady z procesů, kterých se léta nikdo zásadně nedotkl.

Stejná logika platí pro trh. Kdo prodává technické produkty, už neprodává jen prostřednictvím rutinních návštěv obchodních zástupců a kontaktů na veletrzích. Nákupní procesy se stávají digitálnějšími, ochota ke změně roste, techničtí rozhodovatelé se dříve anonymně informují. Pokud evropský střední podnik neustále neaktualizuje své ideální zákaznické profily, prochází rokem 2026 s mapou z roku 2021. Andrea, vedoucí prodeje u skrytého šampiona v Bielefeldu, mi v květnu řekla: „Naši nejlepší zákazníci vypadají v CRM hůře než naši nejhorší potenciální zákazníci.“ To je hořké. A velmi rozšířené.

Co znamená AI v MSP konkrétně pro výrobce?

Pro generální ředitele v DACH znamená závod v AI čtyři věci. Zaprvé: Nákladová křivka klesá, ale integrace zůstává drahá. Zadruhé: Kvalita modelu se stává zbožím, procesní znalosti nikoli. Zatřetí: Suverenita dat se stává kritériem nákupu, zejména u informací blízkých výrobě. Začtvrté: Kdo spouští pouze jednotlivé pilotní projekty, prohrává proti společnostem, které AI zavádějí jako provozní model. To zní přísně. Má to znít přísně. Kdo v roce 2026 stále sází na čistě inbound strategii, nebude mít za pět let žádný pipeline. Kdo vidí AI pouze jako asistenta pro e-maily, nebude mít za tři roky žádnou produktivní výhodu.

Kapitálové trhy tento rozdíl uvidí. Investoři se už ptají jinak. Před dvěma lety zněla otázka: „Používáte AI?“ Dnes spíše zní: „Kde se AI projevuje v hrubé marži, v pracovním kapitálu nebo v produktivitě prodeje?“ Na schůzce poradního sboru středně velkého dodavatele automatizace v Mnichově v únoru 2026 nešlo o nový dashboard. Šlo o otázku, proč kolísá objem zakázek, ačkoli trh s určitými komponenty zůstává stabilní. Odpověď nebyla jen v prodeji. Spočívá v chybějící segmentaci, pomalé logice nabídek a příliš pozdním rozpoznání investičních signálů u stávajících zákazníků.

Suverenita je zde špatně chápána. Mnozí si myslí: Suverénní je jen ten, kdo si vše sám postaví a provozuje lokálně. To je romantické. A drahé. Suverénní je ten, kdo může měnit. Kdo čistě odděluje datové modely. Kdo nezabetonuje každou procesní logiku do proprietárního nástroje. Kdo ví, jaká data smí do amerického modelu, jaká patří jen do evropského cloudu a jaká vůbec nesmí opustit závod. Finanční ředitel ze Stuttgartu to suše formuloval: „Nechci AI náboženství. Chci exit plán.“ Lépe to snad ani říct nelze.

FAQ: Jaká strategie AI se hodí pro DACH MSP?

Krátká odpověď: dvoustupňová strategie. Nejprve případy použití blízké výrobě nebo prodeji s jasnými ukazateli ROI, poté architektura nezávislá na dodavateli, která umožňuje suverenitu dat, auditovatelnost a znovupoužitelnost. Ne naopak. Vidím příliš mnoho společností, které šest měsíců kreslí architekturu a nezlepší ani jeden proces. Vidím i opak: deset nástrojů, žádné mantinely, později chaos. Střední cesta není nudná. Je disciplinovaná.

Dobrý výchozí bod má vždy tvrdou metriku. Míra zmetkovitosti. Minuty prostojů. Doba zpracování nabídky. Míra schůzek v cílovém segmentu. Obrat náhradních dílů na instalovaný stroj. Spotřeba energie na velikost šarže. Jakmile je metrika stanovena, lze pracovat zpět: Jaká data systém potřebuje, jaké rozhodnutí podporuje, která osoba zůstává odpovědná? Pokud tyto otázky nejsou zodpovězeny, projekt není projektem AI. Je to přání softwaru.

Tržní logika: Náklady porážejí prestiž

Zde vědomě odporuji oblíbené větě z korporátních prezentací: „Sázíme na Best-of-Breed.“ V kontextu AI to často znamená jen to, že každé oddělení si koupí svůj oblíbený nástroj a nikdo nespočítá provozní náklady. Pro střední podnik je Best-of-Breed smysluplný pouze tehdy, pokud architektura zůstane zaměnitelná. Jinak vzniká dluh nástrojů. A dluh nástrojů je jako technický dluh, jen s více prodejními ukázkami a horšími smlouvami.

Čína nastavuje cenovou kotvu. USA nastavují výkonnostní a platformové kotvy. Evropa musí nastavit důvěru a implementaci. Tyto role jsou nerovnoměrně rozděleny, ale nejsou deterministické. Výrobce přesných komponent ve Švýcarsku nemusí trénovat s OpenAI, aby zůstal konkurenceschopný. Musí však vědět, proč nabídka pro A-zákazníka trvá tři dny, proč se servisní znalosti hromadí v PDF a proč jeho prodejní oddělení oslovuje cílové zákazníky až tehdy, když konkurence už je v technické specifikaci. To je operační jádro.

Nejlepší strategie AI proto nezačíná seznamem modelů. Začíná u úzkých hrdel. Kde společnost ztrácí peníze, čas nebo tržní informace? V mnoha výrobních podnicích jsou to čtyři oblasti: kvalita, údržba, plánování a prodej. Vím, že to jsou široké oblasti. Ale mají společného jmenovatele: Produkují data, která se dnes často nevyužívají pro rozhodování. Senzor měří. CRM ukládá. ERP účtuje. Ale nikdo nespojuje signály dostatečně rychle.

Amplifa Produkt Amplifa pomáhá B2B týmům identifikovat cílové zákazníky, vyhodnocovat tržní signály a měřitelně škálovat prodejní procesy pomocí AI.

Příprava: 7 kroků pro generální ředitele a strategické týmy

Kdybych mohl dát generálnímu řediteli středního podniku jen jednu věc, byla by to tato: Nečekejte na perfektní evropskou odpověď v závodě modelů. Možná přijde. Možná ne. Váš vlastní trh nečeká. Strategie AI musí být viditelná za 90 dní a mít provozní model za 12 měsíců. Jinak se stane inovačním rituálem.

1. Definujte tři tvrdé obchodní metriky, než si vyberete nástroj. Příklady: Zkrátit dobu zpracování nabídky z pěti dnů na dva, snížit zmetkovitost o 1,5 procentního bodu, zvýšit míru schůzek v segmentu ICP o 30 %. Bez metrik vždy vyhraje nejhlasitější demo.
2. Oddělte třídy dat podle rizika. Produktová data, zákaznická data, strojová data a veřejně dostupné tržní signály nepatří do stejného koše. Určete, co smí do amerických cloudů, evropských cloudů, lokálních modelů nebo vůbec nesmí opustit firmu.
3. Vybudujte směrování modelů namísto modelové náboženství. Používejte silné frontier modely tam, kde záleží na složitosti, a levnější modely tam, kde stačí klasifikace, extrakce nebo vyhledávání. To šetří peníze a snižuje závislost na platformě.
4. Začněte s případy použití, které mají vlastníka procesu. Pokud nikdo nepřebírá odpovědnost za výsledky v oblasti kvality, servisu, prodeje nebo plánování, AI se stane IT úložištěm. Vlastník procesu musí mít rozpočet, čas a rozhodovací právo.
5. Měřte po 30, 60 a 90 dnech. Nejen využití. Výsledek. Kolik nabídek bylo vytvořeno rychleji? Kolik případů údržby bylo správně předprioritizováno? Kolik cílových účtů bylo nově aktivováno? Využití bez účinku je zaměstnanost.
6. Vytvořte vrstvu dat a integrace nezávislou na dodavateli. To zní technicky, ale je to otázka moci. Kdo udržuje procesní logiku a přístup k datům čistý, může měnit modely, znovu vyjednávat ceny a prokazovat shodu.
7. Školte vedoucí pracovníky, nejen uživatele. Mistr ve výrobě, vedoucí prodeje, vedoucí servisu a finanční ředitel musí rozumět tomu, co AI dokáže, co nedokáže a jaká rozhodnutí zůstávají na lidech. Jinak vznikne buď strach, nebo hravost.

Tyto kroky nejsou spektakulární. Přesně proto fungují. Středně velká společnost nepotřebuje AI operu se 40 slajdy a pěti pracovními proudy, když první datové zdroje nejsou vyjasněny. Potřebuje čisté pořadí. Co přináší peníze? Co snižuje riziko? Co vytváří data, která jsou později znovu použitelná? V projektu strojírenství z oblasti Ulmu nebyl rozhodujícím krokem model, ale rozhodnutí vynutit všechny důvody nabídek pro ztracené obchody do čtyř povinných polí. Po třech měsících tým dokázal rozpoznat, které segmenty byly ztraceny kvůli dodací lhůtě a které kvůli specifikaci. Teprve pak měla AI řízená prioritizace smysl.

Proč čistě pilotní programy v roce 2026 už nestačí

Pilotní projekty byly v roce 2023 smysluplné. V roce 2024 byly nezbytné. V roce 2026 se stanou výmluvou, pokud nepřejdou do škálování. Vidím příliš mnoho společností, které s „Testujeme AI“ ve skutečnosti říkají: „Ještě nechceme učinit procesní rozhodnutí.“ Problém: Konkurence netestuje jen. Standardizuje. Vyjednává infrastrukturu. Buduje datové pipeline. Školí vedení. Spojuje prodejní signály s výrobní kapacitou. Pak pilotní projekt ve vlastní firmě najednou vypadá jako hobby místnost.

Střední podnik má však výhodu oproti korporacím. Může se rozhodovat rychleji, pokud vedení skutečně chce. U rodinné firmy s 420 zaměstnanci z Hesenska trvalo rozhodnutí o procesu bodování účtů s podporou AI tři týdny. Žádný řídící výbor po dobu šesti měsíců. Žádných 17 rozhovorů se zúčastněnými stranami. Generální ředitel, vedoucí prodeje a IT ředitel se zaměřili na dvě metriky: nové schůzky v definovaném cílovém segmentu a podíl relevantních účtů s aktuálním spouštěčem. Po devíti měsících tým zarezervoval třikrát více schůzek v prioritizovaných segmentech – bez nového prodejce. To není kouzlo. To je zaměření.

Samozřejmě existují rizika. Halucinace. Ochrana dat. Únik IP. Otázky podnikové rady. Vendor lock-in. Chybná automatizace. Ale rizika se nezmenšují, když je ignorujeme. Zmenšují se, když je klasifikujeme, omezíme a vybavíme provozním modelem. Více se bojím nekontrolovaných stínových nástrojů v odděleních než čistě zavedeného systému AI s auditními záznamy. Tajný chatbot v prohlížeči není důkazem inovace. Je to únik správy.

Investice: Kam směřují peníze v závodě AI

Kapitál nerozhoduje o všem, ale rozhoduje o mnohém. USA mají nejsilnější kombinaci rizikového kapitálu, hyperscalerů a hustoty výzkumu. Čína směřuje státní a soukromé investice do infrastruktury, modelů a průmyslových aplikací. Zmíněné 2 biliony jüanů na datová centra jsou více než jen číslo. Ukazují, že inferenční kapacita se sama stává průmyslovou politikou. Kdo kontroluje výpočetní výkon, kontroluje nákladové křivky. Kdo kontroluje nákladové křivky, ovlivňuje adopci. To pro výrobce v DACH není abstraktní. Určuje to, zda AI asistent stojí měsíčně 5 000 eur nebo 50 000.

Evropa investuje, ale fragmentovaněji. Existují dotační programy, národní iniciativy, výzkumné klastry, debaty podobné Gaia-X a silné instituty. Fraunhofer, DFKI, ETH Curych, TU Mnichov – substance je tam. Co chybí, je často most k škálovatelným produktům a odvážnému nákupu. Generální ředitel strojírenské firmy mi v Augsburgu řekl: „Rádi podporujeme studie, ale nakupujeme příliš pozdě.“ To je pravda. Evropský průmysl je vynikající v analýze rizik. Někdy analyzuje tak dlouho, dokud konkurent nezíská zákazníka.

Pro investory se proto stává zajímavou otázkou, které střední podniky převádějí AI do provozních metrik. Ne ty nejhlasitější. Ty měřitelné. Společnost, která snižuje náklady na nabídky, činí údržbu předvídatelnější a směřuje prodejní kapacitu na nejlepší účty, bude za tři roky vypadat jinak než společnost se stejným strojem, ale bez datové logiky. Rozdíl v ocenění nebude okamžitě zřejmý. Projeví se ve stabilitě marží, pracovním kapitálu a odolnosti vůči kolísání poptávky.

Jakou roli hraje prodej v průmyslovém závodu AI?

Více, než si mnoho výrobních podniků chce připustit. Výroba ráda myslí nejprve na stroj, zmetkovitost a údržbu. Pochopitelné. Ale závod v AI mění i zpracování trhu. Pokud konkurenti rychleji rozpoznají, kteří zákazníci investují, které závody se rozšiřují, kteří dodavatelé selhávají nebo jaké regulační požadavky vytvářejí novou poptávku, pak se prodej stává problémem dat. Nejen problémem vztahů. Vztahy zůstávají důležité. Ale vztah bez načasování je drahá návštěva.

Vidím v DACH MSP slepé místo: Mnoho společností dobře zná své stávající zákazníky, ale špatně své nejlepší budoucí zákazníky. Mají historické seznamy obratu, ale žádnou živou mapu trhu. Vědí, kdo nakoupil před pěti lety, ale nevědí, kdo před třemi týdny oznámil novou výrobní linku. Navštěvují Hannover Messe, ale systematicky nevyhodnocují pohyby vystavovatelů a partnerů. Šustění prospektů na veletržním stánku zní jako prodej. Skutečná hudba se mezitím hraje v datových zdrojích, které se aktualizují v pondělí v 6 hodin ráno.

Zde se AI v prodeji nestává příjemným doplňkem, ale logikou přežití. Kdo má 12 000 potenciálních cílových zákazníků v Evropě, nemůže s nimi zacházet stejně. Obchodní zástupci potřebují priority. Interní prodej potřebuje spouštěče. Marketing potřebuje segmenty. Vedení potřebuje pravdu o pipeline. Pokud AI tyto čtyři skupiny nespojí, produkuje jen aktivitu. Aktivita je v prodeji nejnebezpečnější metrika, protože se cítí dobře a přesto nic nedokazuje.

Amplifa pro AI řízené zpracování trhu Pro průmyslové a B2B týmy, které již nechtějí ručně provádět prioritizaci účtů, detekci spouštěčů a budování pipeline.

Rizika: Co generální ředitelé nesmí delegovat na IT

Riziko AI je záležitostí vedení. Ne proto, že generální ředitelé musí rozumět každé architektuře modelu. Nemusí. Ale musí definovat toleranci rizika. Smí systém automaticky oslovovat zákazníky? Smí vydávat technická doporučení? Smí spojovat interní maržové informace s externími signály? Smí servisní pracovník poslat AI odpověď zákazníkovi bez ověření? Tyto otázky jsou provozní. A jsou strategické. Pokud skončí jen v IT, rozhoduje nakonec ten, kdo má systém tiketů, o pozici na trhu.

Dobrý model správy není těžkopádný. Je jasný. Červená data, žlutá data, zelená data. Červená data neopouštějí firmu nebo jen v ověřených prostředích. Žlutá data smí do definovaných systémů se smlouvou a logováním. Zelená data jsou veřejná nebo nekritická a mohou být použita pro analýzu trhu, výzkum a segmentaci. Tato jednoduchost pomáhá. V projektu průmyslového zákazníka v listopadu 2025 tato klasifikace snížila dobu schvalování nových případů použití AI z průměrných osmi týdnů na necelé tři týdny. Ne proto, že by se na shodu zapomnělo. Ale proto, že se stala srozumitelnou.

Riziko dodavatele patří také na pořad jednání. Kdo se plně váže na amerického hyperscalera, kupuje rychlost a závislost. Kdo používá čínské modely, získává cenové výhody a geopolitické otázky. Kdo povoluje pouze evropské dodavatele, získává důvěru, ale možná platí výkonem nebo dostupností. Neexistuje čisté řešení. Existuje pouze vědomá architektura. Přesně proto považuji schopnost multi-modelů za důležitější než výběr oblíbeného modelu.

Osobní prognóza: 2026 až 2028

Moje osobní prognóza pro příští dva až tři roky je ostrá: Závod v AI se pro evropské střední podniky neprojeví jako závod modelů, ale jako nůžky produktivity. Na jedné straně stojí společnosti, které AI zakotví v kvalitě, servisu, plánování a prodeji. Na druhé straně stojí společnosti, které v roce 2026 stále „sbírají první zkušenosti“ a v roce 2028 vysvětlují, proč je marže pod tlakem. Nůžky se neotevřou hlasitě. Budou viditelné v dobách nabídek, mírách zmetkovitosti, přesnosti prognóz a rychlosti reakce.

USA budou nadále formovat špičku. Čína bude brutálně tlačit nákladovou křivku a průmyslovou rychlost dolů. Evropa zůstane relevantní pouze tehdy, pokud bude brát implementaci vážně. To znamená: méně modelové romantiky, více procesní odvahy. Méně AI laboratoře, více odpovědnosti v linii a prodeji. Méně dotační logiky, více nákupu funkčních systémů. Vím, že to zní netrpělivě. Také jsem. Trh nečeká, až se Evropa sama vysvětlí.

Pro výrobce v DACH vidím tři skupiny vítězů. Zaprvé společnosti, které měřitelně škálují AI blízkou výrobě a nezůstanou u dema. Zadruhé společnosti, které pragmaticky řeší suverenitu dat, namísto aby ji používaly jako záminku pro stagnaci. Zatřetí společnosti, které chápou prodej a tržní inteligenci jako součást strategie AI. Ne jako kosmetiku CRM. Jako systém včasného varování. Pokud konkurent dříve ví, který zákazník buduje kapacitu, už to není téma prodeje. Je to strategie.

Nevěřím, že Evropa prohrála. Ale také nevěřím, že Evropa automaticky vyhraje, protože má dobré inženýry a umí vysvětlit regulaci. Dobří inženýři nejsou štítem proti lepším nákladovým strukturám. Regulace není náhradou za implementaci. V závodě to nevoní po strategickém dokumentu. Voní to po chladicí kapalině, kartonu, kovu a někdy po zmeškaném rozhodnutí. Přesně tam se rozhoduje, zda se AI v MSP stane konkurenční výhodou – nebo jen dalším tématem pro výroční zasedání.