Amplifa – Prodejní platforma s AI pro průmyslové B2B

AI v Mittelstandu: Globální závod se láme

Marktanalyse · 13. November 2026 · Anthony Filipiak

O AI v Mittelstandu se rozhoduje ve výrobě, servisu a obchodu. Přečtěte si, jaké dopady mají kroky USA, Číny a Evropy na region DACH.

Evropa neprohrává závod v AI proto, že by nám chyběly chytré hlavy, ale proto, že s kapitálem zacházíme jako s muzejním exponátem. To je má odvážná teze k AI v Mittelstandu – a ano, bolí to. Spojené státy podle dostupných dat Stanford AI Indexu napumpují v roce 2025 do trhu zhruba 285,9 miliardy USD soukromých investic do AI, Evropa zhruba 20,9 miliardy a Čína 12,4 miliardy USD. Kdo se ještě dnes domnívá, že evropské strojírenství to může kompenzovat třemi inovačními workshopy, intranetovým chatbotem a žádostí o dotaci, plete si píli s rychlostí.

Myslím to vážně, protože při rozhovorech s jednateli, obchodními řediteli a vedoucími výroby v německojazyčném Mittelstandu vidím stále stejný posun. Otázkou už není, zda OpenAI, Anthropic, Google, Microsoft, Meta nebo Nvidia postaví nejlepší základní model. Otázkou je, zda výrobce balicích strojů ve Schwäbisch Hallu, automotive dodavatel v Bambergu nebo strojírenská firma z Lince dokáže AI nasadit do nabídkového řízení, kvality, servisu, engineeringu a obchodu s náhradními díly rychleji než jejich konkurent ze Su-čou nebo Ohia.

Vlastně skoro. Nejde jen o rychlost. Jde o operativní preciznost. Kdo k AI přistupuje jako k IT projektu, dočká se ukázkových dem. Kdo k AI přistupuje jako k novému operačnímu systému pro marži, spolehlivost dodávek a přístup k zákazníkům, získá náskok.

AI v Mittelstandu: Prognóza, kterou mnozí nechtějí slyšet

Moje prognóza: do konce roku 2028 se v evropském průmyslovém Mittelstandu už nebude rozlišovat mezi uživateli a neuživateli AI, ale mezi firmami, jejichž procesní data jsou pro AI připravena, a firmami, které musí svá data teprve pracně dolovat z ERP, MES, PLM, CRM, historických databází, stínových tabulek v Excelu a e-mailových schránek. Zní to technicky. Ale není. Je to čistá bilanční logika.

Jeden generální ředitel ze Stuttgartu mi v březnu 2025 po workshopu se svým obchodním týmem řekl: „Anthony, o digitalizaci mluvíme už léta. Ale upřímně řečeno, teprve od chvíle, kdy nám AI neustále ukazuje naše mezery, jsme pochopili, jak drahý je nepořádek.“ Vyrábí komponenty pro jednoúčelové stroje, má 380 zaměstnanců a několik závodů v Německu a Česku. Žádný koncern. Žádná laboratoř. Typický zástupce Mittelstandu s kvalitními produkty a pipeline, která až příliš visí na jednotlivých obchodnících.

Překvapivá prognóza proto nezní: AI zítra nahradí konstruktéra. To není pravda. Lepší prognóza zní: AI nahradí výmluvu, že nikdo nevěděl, kde leží know-how, proč vzniká zmetkovitost, který zákazník je připraven nakoupit nebo který servisní případ ukazuje na sériovou vadu. To je podstatně nepříjemnější než fantazie o robotech.

Status quo: Kapitál, infrastruktura a tvrdá realita

Rozdělení kapitálu je neúprosné. Podle dostupných dat za rok 2025 připadlo na americké firmy zhruba 285,88 miliardy USD soukromých investic do AI, na Evropu přibližně 20,92 miliardy USD a na Čínu kolem 12,41 miliardy USD. Objem v USA je tak přibližně 14krát vyšší než v Evropě a 23krát vyšší než v Číně. Zdrojem je analýza vycházející ze Stanford AI Indexu; při investičních rozhodnutích bych vždy ověřoval původní zprávy, protože soukromé financování, státní dotace a infrastrukturní capex se často hází do jednoho pytle (obzvláště v líbivých prezentacích pro investory).

V USA tyto peníze netečou rovnoměrně do hezkých AI startupů s pitch deckem a mikinami s kapucí. Tečou do jednotlivých vrstev tvorby hodnoty: Nvidia u akcelerátorů, Microsoft s Azure a OpenAI, Amazon Web Services, Google Cloud, Meta, Anthropic, xAI, nová datová centra, energetické kontrakty, návrhy čipů, datové pipeline. Kdo někdy viděl v Ashburnu ve Virginii nebo v clusterech datových center kolem Phoenixu měřítko těchto infrastruktur, pochopí jejich dimenzi i bez prezentačních slidů. To není software. To je průmyslová politika s burzovním oceněním.

Pro druhé čtvrtletí 2026 uváděly analýzy založené na datech IDC výdaje USA na infrastrukturu pro AI ve výši 92,8 miliardy USD, což představovalo 76,4 % celosvětových výdajů. Čína dosáhla 13,0 miliardy USD neboli 10,7 %. Západní Evropa 6,4 miliardy USD. To není mírné zaostávání. To je úplně jiná strojovna.

Zároveň nesmíme evropský Mittelstand podceňovat. Trumpf, Festo, Schaeffler, Phoenix Contact, Wittenstein, Kärcher, Webasto, Brose, DMG Mori, Bosch Rexroth, Siemens, ABB, Schneider Electric, SAP, Celonis, Mistral AI, Aleph Alpha, DeepL, Helsing, Agile Robots: Evropa má průmyslovou hloubku, specializovaná data a inženýrské know-how. Zápach chladicí kapaliny ve výrobní hale ve východním Vestfálsku není romantický detail, ale datový příslib. Právě tam vznikají procesní data, která žádný kalifornský základní model automaticky nezná.

Trend 1: AI infrastruktura se stává geopolitickým úzkým hrdlem

První trend je banální, a právě proto nebezpečný: výpočetní výkon se stává novým dodavatelským řetězcem. Před několika lety se mě ředitelé ptali, které CRM mají zavést. Dnes se ptají, zda bude jejich architektura AI za tři roky ještě zaplatitelná, pokud vzrostou náklady na inferenci, změní se ceny API nebo citlivé technické dokumenty nebudou smět do amerického cloudu. Dobrá otázka. A upřímně? Mnoho dodavatelů na ni odpovídá příliš vyhýbavě.

Prognózy IDC vyčíslují celosvětové výdaje na AI infrastrukturu v roce 2026 na 521 miliard USD po očekávaném růstu o přibližně 63 procent. Do roku 2029 má trh překročit 1 bilion USD a dosáhnout přibližně 1,17 bilionu USD. To jsou čísla, která v dozorčí radě středně velkého podniku rychle působí abstraktně. Na faktuře se však projeví velmi konkrétně: náklady na tokeny, alokace GPU, latence, přenosy dat, ceny elektřiny, údržba modelů, bezpečnostní audity.

U jednoho strojírenského podniku z Bádenska-Württemberska jsme v roce 2025 při kalkulaci návratnosti servisního kopilota neviděli jako nejdražší položku samotný model, nýbrž opakovanou inferenci a přípravu dat pro manuály, historické tickety, kusovníky náhradních dílů a vícejazyčnou dokumentaci. Model byl jen viditelnou špičkou ledovce. Náklady ležely v základech. To vedení firem slyší neradno, protože to nezní jako zářná budoucnost, ale jako správa dat.

Co konkrétně vidíme v Amplifa: za posledních 12 měsíců byly u našich implementací v B2B obchodu a průmyslovém prostředí náklady na čištění dat, párování identit a systémovou integraci v 7 z 10 projektů vyšší než samotné náklady na modely v prvním roce provozu. Zvláště drahé to začíná být ve chvíli, kdy firma označuje zákazníka, závod, stroj, kontaktní osobu a obchodní příležitost v pěti systémech pokaždé jinak. Pak se nikdo nebaví o umělé inteligenci. Pak se řeší duplicity. Není to sexy. Ale je to rozhodující.

Rok / ObdobíUSAEvropa / Západní EvropaČínaVýznam pro DACH Mittelstand
2025 soukromé investice do AI285,9 mld. USD podle dostupných dat Stanford AI Indexu20,9 mld. USD12,4 mld. USDEvropa má průmyslová data, ale podstatně méně kapitálu na základní modely a platformy
Q2 2026 AI infrastruktura92,8 mld. USD, 76,4 % globálních výdajů podle analýzy IDC6,4 mld. USD západní Evropa13,0 mld. USD, 10,7 %Závislost na cloudech z USA, kapacitách Nvidia a dostupnosti datových center roste
2026 prognóza globální AI infrastrukturyUSA dominují cloudovým a GPU kapacitámEvropa roste, zůstává však fragmentovanáČína buduje vlastní cesty v hardwaru i clouduArchitektonická rozhodnutí se stávají strategickými, nejen technickými
2029 prognóza AI infrastrukturyHyperscaleři si zajišťují dominantní tržní podílyEvropské niky a suverénní nabídky získávají na významuStátem koordinované škálování zůstává silnéMix modelů se stává nutností: cloud, lokální, edge, specializované modely

„Nekupujeme AI, kupujeme dostupnost. Když model v pondělí neodpovídá nebo náklady na dotaz vystřelí do stropu, žádný benchmark už mě nezajímá.“

— Markus, COO dodavatele automatizace, Norimberk

Markus má pravdu. Na trhu se příliš diskutuje o žebříčcích modelů a příliš málo o provozuschopnosti. Model pro kontrolu kvality, který při taktech výroby srovnatelných s Webasto nebo ve výrobě ložisek typu Schaeffler běží stabilně jen v demo režimu, není řešením. Je to jen veletržní stánek s připojením k elektřině.

Trend 2: Konkurence se přesouvá od modelů k procesní integraci

Druhý trend představuje pro střední podniky skutečnou příležitost. Evropa nemusí vybudovat další OpenAI, aby v průmyslovém závodě v AI zvítězila. Bylo by to samozřejmě hezké. Marže strojírenské firmy ale nevzniká tím, že natrénuje základní model, nýbrž tím, že konstruktér rychleji získá znalosti o variantách, servisní případ je přesně klasifikován, obchod včas rozpozná, který stávající zákazník potřebuje rozšíření, a oddělení kvality nezjišťuje příčiny zmetků až po třech týdnech.

Německo dosahovalo v roce 2025 v míře využití AI ve firmách s alespoň deseti zaměstnanci přibližně 26 procent, průměr EU činil necelých 20 procent. Ve zpracovatelském průmyslu ukazují dostupná data využití kolem 16,1 procenta. Tento rozdíl je zásadní. Chatbot na nákupním oddělení se statisticky počítá jako využití AI, ale nezmění výrobní linku v Reutlingenu, servisní proces v Kärcheru ani inženýrský backlog ve Festo.

Při rozhovorech s jednateli rozlišuji čtyři stupně zralosti. Zaprvé experimentování: chatboti, vyhledávání v dokumentech, generování textu. Zadruhé operacionalizace: kontrola kvality, servisní asistence, správa znalostí. Zatřetí integrace: ERP, MES, PLM, CRM a strojní data jsou hladce napojeny. Začtvrté autonomie: AI optimalizuje parametry, údržbu, toky materiálu nebo prioritizaci s jasnými schvalovacími mechanismy. Mnoho firem se nachází mezi jedničkou a dvojkou. Zisk však začíná až od trojky.

Andrea, Head of Sales u skrytého šampiona (Hidden Champion) v Bielefeldu, mi v červnu 2025 řekla: „Náš problém není v tom, že bychom měli málo leadů. Náš problém je, že příliš pozdě zjišťujeme, kterým stávajícím zákazníkům se právě otevírá projektové okno.“ Přesně v tom je AI v Mittelstandu konkrétní. Žádné sci-fi. Jen lepší rozpoznávání vzorců v historii CRM, datech z výběrových řízení, instalované bázi, servisních případech, signálech z webu a zápisech z jednání.

Nejpřekvapivější statistika: Pokud USA v roce 2025 přilákají přibližně 285,9 miliardy USD soukromých investic do AI a Evropa zhruba 20,9 miliardy USD, pak evropskou pákou není kapitálová parita. Evropskou pákou je propojení proprietárních průmyslových a zákaznických dat se stávajícími procesy. Kdo nedokáže svá data integrovat, prohraje i s přístupem k tomu nejlepšímu modelu.

Dopad na obchod se podceňuje. Kdo v roce 2026 sází pouze na čistě inbound strategii, nebude mít za pět let žádnou pipeline. Myslím to přesně tak tvrdě, jak to zní. V mnoha průmyslových nikách se trhy zmenšily, zmezinárodněly a jsou netrpělivější; nákupní procesy jsou zároveň bohatší na data, protože technické specifikace, požadavky na udržitelnost, rizika dodavatelských řetězců a dostupnost náhradních dílů se prověřují dříve. Pokud obchod zareaguje až ve chvíli, kdy zákazník vyplní formulář, konkurence už je často zapsána v zadávací dokumentaci.

V Amplifa v obchodních vzorcích opakovaně vidíme: firmy s přesně definovaným Ideal Customer Profile rozpoznávají pohyby na trhu dříve. Žádná magie. Propojují firemní data, spouštěcí události (trigger events), technologické indikátory, pracovní inzeráty, výběrová řízení, interakce v CRM a stávající zákaznické klastry. Markusův tým u výrobce technologických celků v Bavorsku sjednal za 9 měsíců třikrát více kvalifikovaných úvodních schůzek, aniž by přijal jediného nového obchodníka. Rozdílem nebyl vyšší objem odeslaných e-mailů. Rozdílem byl jasnější ICP a lepší prioritizace.

Amplifa ICP Playbook Praktický rámec pro datově podložené zpřesnění Ideal Customer Profile v B2B obchodu a spolehlivou prioritizaci tržních segmentů.

Trend 3: Čína tlačí AI do hardwaru, robotiky a automatizace

Čína je v evropské debatě často špatně chápána. Příliš mnoho lidí sleduje jen chatboty a základní modely. Význam Číny pro střední podniky v regionu DACH přitom leží mnohem více v hardwaru, výrobě, robotice, elektronice, bateriích, počítačovém vidění a nákladově efektivní automatizaci. Baidu, Alibaba, Tencent, Huawei, ByteDance, SenseTime a iFlytek jsou přitom jen viditelná jména. Pod nimi leží průmyslový systém, který propojuje státní cíle, výrobní kapacity a tlak na škálování zcela jinak než Evropa.

Americké exportní kontroly špičkových čipů Čínu na jedné straně brzdí. Zároveň ji však nutí jít vlastní cestou: vyvíjet vlastní akcelerátory, efektivnější modely, optimalizovanou inferenci, edge aplikace, vertikální specializovaná řešení. Pro evropské výrobce je to nebezpečné, protože omezené zdroje často plodí lepší produktovou disciplínu. Kdo nemůže nakupovat neomezený výkon GPU, naučí se stavět modely menší, robustnější a blíže samotnému procesu.

Pro strojírenské firmy v regionu DACH to znamená: konkurence nepřichází jen přes cenu stroje, ale přes křivku učení stroje. Pokud čínský konkurent integruje vizuální kontrolu, monitoring stavu, asistenci při seřizování a predikci servisu přímo z výroby a levněji, stává se z AI produktová vlastnost. Žádný doplněk. Žádný prémiový balíček, který obchodník váhavě zmíní v poslední třetině nabídky.

Jeden vedoucí výroby z oblasti Ulmu, říkejme mu Thomas, to v dubnu 2025 suše shrnul: „Naši zákazníci se už neptají, zda linka poskytuje data. Ptají se, co s nimi mohou každé pondělí ráno udělat.“ Ta věta mi utkvěla v paměti. Jako byste přímo slyšeli tu halu: stlačený vzduch, kov narážející na kov, krátké pokyny, tiskárna štítků na konci linky. Právě tam se rozhoduje, zda je AI užitečná.

Analytik / ZdrojČasový horizontPrognózaCo z toho vyvozuji pro Mittelstand
Infrastrukturní prognóza dle IDC2026521 mld. USD globální výdaje na AI infrastrukturu, cca 63% růstNáklady na výpočetní výkon, cloudové smlouvy a architektura se stávají rozhodnutím představenstva
Infrastrukturní prognóza dle IDC2029Cca 1,17 bilionu USD globální trh s AI infrastrukturouKdo dnes staví jen piloty, bude v roce 2029 draze dokupovat kapacitu
Dostupná data Stanford AI Indexu2025USA 285,9 mld. USD soukromých investic do AI, Evropa 20,9 mld., Čína 12,4 mld.Evropa musí využít aplikační blízkost a průmyslové know-how, nikoli kopírovat kapitálový závod
Analýza Tracxn o evropském financování AIprvních devět měsíců 202627,6 mld. USD, 3,2krát více než ve stejném období předchozího roku; top 10 kol představovalo 19,0 mld. USD resp. 69 %Evropský kapitál roste, soustředí se však silně na několik málo scale-upů
Dostupná data o podnicích v EU2025Německo cca 26 % využití AI v podnicích od 10 zaměstnanců; zpracovatelský průmysl cca 16,1 %Adopce probíhá, často však chybí produktivní hloubka

Tyto prognózy analytiků nejsou věštby z orákula. Je třeba je rozebrat: Co je soukromé financování? Co je infrastruktura? Co je státní program? Která data pocházejí z roku 2025 a která z publikací s časovými razítky z roku 2026? Pro investiční rozhodnutí v dozorčí radě infografika nestačí. Směr je nicméně jednoznačný. Kapitál, výpočetní výkon a průmyslová integrace se od sebe dramaticky vzdalují.

Co konkrétně znamená AI v Mittelstandu pro jednatele?

Nejdůležitějším dopadem není to, že každý střední podnik potřebuje tým 30 datových vědců. Nejdůležitějším dopadem je prioritizace. Generální ředitel musí rozhodnout, které 3 až 5 procesů je třeba v příštích 24 měsících zlepšit natolik zásadně, aby změnily hospodářský výsledek, růst nebo rizikový profil. Vše ostatní je jen inovační folklór.

Nejprve bych se zaměřil na procesy, v nichž se ztrácí mnoho znalostí nebo vznikají prostoje: technická dokumentace, kalkulace nabídek, servisní asistence a náhradní díly, vizuální kontrola kvality, klasifikace příčin poruch, plánování výroby, optimalizace časů seřízení, kvalifikace leadů, potenciál stávajících zákazníků. Tam lze měřit výchozí hodnoty. Doba vyhledávání v minutách. Míra zmetkovitosti. Doba první reakce v servisu. Úspěšnost v obchodu. Průběžná doba zpracování nabídky. Podíl čistých záznamů v CRM. Zápach procesní práce není okouzlující. Ale platí účty.

Příklad z rozhovoru s Lisou, finanční ředitelkou rodinného podniku v Heilbronnu: „Když mi někdo prodává AI, ptám se na návratnost investic. Když pak začne mluvit o kreativitě, schůzka končí.“ Tvrdé? Ano. Správné? Podle mých zkušeností jednoznačně. U průmyslových firem musí projekt AI buď snížit náklady, zvýšit pravděpodobnost tržeb, snížit riziko, nebo zrychlit úzké hrdlo. Jinak jde o drahé školení.

Kontrola kvality: Logický výchozí bod

Computer Vision bývá nejčistším vstupním bodem, protože přínos je okamžitě vidět. Povrchové vady, stavy montáže, svary, kompletnost konstrukčních celků, chybné díly, nesprávné pozice, procesní odchylky u vysoce variabilních produktů. Kamera nevidí všechno. Vidí však konstantně – pokud máte pod kontrolou světlo, pozici, označování dat (labeling) a produktové varianty. Právě zde selhává mnoho pilotů: ne na modelu, ale na odlescích na kovu, střídajících se šaržích, vzácných typech vad a absenci kohokoli, kdo by po nasazení sledoval odchylky modelu.

U procesů zpracování plechu typu Trumpf, ložiskových komponent à la Schaeffler nebo montážních celků jako v Brose je datová realita neúprosná. Snímky zmetků jsou nerovnoměrně rozdělené. Chybové stavy jsou vzácné. Operátoři mají zkušenosti, ale nemají čas na pečlivý labeling. Pokud dodavatel slibuje, že toto vyřeší generickým modelem během dvou týdnů do ostrého provozu, byl bych velmi nervózní.

Prediktivní údržba: Bez kontextu jen planý poplach

Prediktivní údržba zní už léta skvěle. Vibrace, teplota, odběr proudu, časy cyklů, tlakové křivky, motohodiny. Všechno správně. Bez kontextových dat však strojové učení produkuje spoustu falešných poplachů. Výměna nástroje, šarže materiálu, zásah operátora, historie údržby, okolní teplota, model směn, výrobní plán — bez těchto informací model často neví, zda je odchylka problémem, nebo běžným provozem.

V roce 2025 jsem zažil několik vedoucích údržby, kteří už v prediktivní údržbu odmítali věřit, protože předchozí pilotní projekty dělaly příliš mnoho hluku. Příliš mnoho alarmů. Příliš málo vysvětlení. Jeden vedoucí z Augsburgu mi řekl: „Když AI desetkrát spustí poplach a osmkrát o nic nejde, tým ji vnitřně vypne.“ Přesně tak. Důvěra je výrobní faktor.

Inženýrští kopiloti: Nedostatek odborníků naráží na chaos v dokumentaci

Obrovská páka v Mittelstandu leží v engineeringu a servisu. Ne proto, že by AI vytvořila lepší inženýry. Ale proto, že dokáže zpřístupnit zkušenostní znalosti: staré projektové zprávy, popisy k CAD modelům, příručky, databáze závad, historie náhradních dílů, reklamace, schvalovací protokoly, vazby na normy, fragmenty e-mailů. U zakázkového výrobce může jediná špatně dohledaná historická informace znamenat ztrátu celých dnů.

Nedostatek kvalifikovaných pracovníků to ještě zhoršuje. Když zkušení zaměstnanci odcházejí do důchodu, mizí s nimi nejen pracovní síla, ale i kontext. Proč byla tato zákaznická varianta v roce 2018 kalkulována jinak? Který dodavatel tehdy dělal problémy? Který výkres nebyl nikdy oficiálně aktualizován, ačkoliv o tom všichni vědí? Tedy, všichni to věděli. Dokud tu ještě všichni byli.

FAQ: Má Mittelstand stavět vlastní AI modely?

Většinou ne. Rozhodně ne jako první projekt. Vlastní generativní základní model je pro většinu středních výrobních podniků ekonomický nesmysl. Smysluplnější je mix modelů: velké cloudové modely pro obecné jazykové a analytické úlohy, lokální nebo evropské modely pro důvěrné technické dokumenty, menší open-weight modely pro opakující se úlohy, edge inference pro citlivá výrobní data, specializované modely počítačového vidění pro kontrolu kvality a klasická statistika tam, kde plně postačuje. Není nutné opravovat hodinkový strojek bagrem.

FAQ: Kde začíná AI v obchodu pro strojírenské firmy?

Rozhodně ne u automatizovaného hromadného rozesílání e-mailů. To je nejrychlejší způsob, jak si spálit trh. AI v obchodu začíná u čisté segmentace, zpřesnění ICP, nákupních signálů, prioritizace účtů, analýzy stávajících zákazníků a lepšího načasování. Pokud firma jako DMG Mori, Festo nebo Phoenix Contact obsluhuje podobné cílové trhy jako specializovaný střední podnik, pak nerozhoduje pouze kvalita produktu, ale také to, kdo osloví správné buying center dříve.

FAQ: Co je největším rizikem u AI projektů?

Největším rizikem nejsou halucinace. Halucinace jsou viditelné, testovatelné a omezitelné schvalovacími procesy. Větším rizikem je iluze integrace. AI asistent v pilotní fázi vypadá skvěle, protože deset vybraných dokumentů funguje bezchybně. Pak ale nastoupí realita: duplicitní čísla položek, zastaralé výkresy, chybějící oprávnění, protichůdná pole v CRM, neverzované servisní protokoly, data roztroušená v SharePointu, SAPu, na lokálních discích a v hlavách lidí. V tu chvíli se demo v ostrém provozu hroutí.

Příprava: 7 kroků pro AI v Mittelstandu

  1. Nevybírejte use case, který jen dobře zní. Zvolte proces s měřitelnou výchozí hodnotou: průběžná doba nabídky, míra zmetkovitosti, úspěšnost servisu při prvním výjezdu, minuty prostojů, konverzní poměr lead-to-opportunity nebo doba vyhledávání v engineeringu.
  2. Určete vlastníka dat pro každý klíčový objekt. Zákazník, stroj, položka, závod, kontaktní osoba, obchodní příležitost, servisní případ i dokument potřebují své odpovědné osoby. Jinak nikdo neručí za pravdivost.
  3. Ujasněte si datové třídy ještě před pilotem. Výkresy zákazníků, procesní parametry, snímky zmetků a konstrukční podklady nesmí skončit v jakémkoli cloudu. Ochrana osobních údajů, ochrana duševního vlastnictví, řízení přístupů, logování a koncepty mazání dat patří na úplný začátek.
  4. Vybudujte architekturu modelů s alternativními možnostmi. Proprietární cloudové modely, evropské modely, lokální open-weight modely, edge inference a klasické metody by měly být vzájemně kombinovatelné. Monokultura je pohodlná jen do chvíle, než poskytovatel změní ceny nebo podmínky.
  5. Definujte kontrolní body návratnosti (ROI gates). Každý pilot potřebuje výchozí hodnotu, cílovou hodnotu, integrační náklady, průběžné náklady na modely, náklady na lidskou kontrolu, dobu návratnosti a kritéria pro ukončení. Bez těchto milníků se pilot stane nekonečným staveništěm.
  6. Vytvářejte role, nejen nástroje. Architekt OT/IT, vlastník procesu, pověřenec pro ochranu údajů, manažer MLOps či automatizace a garant z odborného oddělení musí táhnout za jeden provaz. Nástroj bez provozního týmu je pouhá dekorace.
  7. Začněte tam, kde AI rozhodnutí připravuje, nikoli kde je nekontrolovaně činí. Zejména ve výrobě, kvalitě a strojírenství potřebujete verzování, zpětnou dohledatelnost a lidské schválení. Autonomie přijde později.

Tyto kroky nejsou převratně oslnivé. Jsou však funkční. Když se podívám na úspěšné projekty, málokdy měly ten nejhlasitější AI stack, ale téměř vždy jasné odpovědnosti, kvalitní datové objekty a sponzora s dostatečnou pravomocí posadit odborná oddělení k jednomu stolu. V prostředí s mnoha variantami produktů, jako má Phoenix Contact, je přesně toto rozdíl mezi věčným pilotem a skutečným provozem.

Produkt Amplifa Amplifa pomáhá B2B týmům identifikovat relevantní cílové zákazníky, prioritizovat signály a převádět obchodní workflow do praxe pomocí AI.

Odkaz na obchodní řešení umisťuji do článku o globálním závodě v AI zcela záměrně. Proč? Protože mnoho středních podniků stále zamyká AI pouze do výroby a IT. Trh ale nebude čekat, až bude datová architektura dokonalá. Obchod, servis a produktový management představují vnější senzory firmy. Pokud tyto senzory zůstanou slepé, optimalizuje továrna procesy pro zcela nesprávnou poptávku.

Amplifa ICP Playbook pro průmyslové podniky Využijte playbook k přesnější definici cílových segmentů, spouštěcích událostí (trigger events) a struktur buying center v průmyslovém B2B obchodu.

Tři konkurenční modely: USA, Čína, Evropa

USA hrají kapitálovou hru. Kontrolují velkou část cloudové a modelové vrstvy, s Nvidií drží kritické úzké hrdlo u akcelerátorů a v Microsoftu, Amazonu, Googlu a Metě mají platformy, na kterých běží řada evropských aplikací. Výhodou je tempo. Nevýhodou závislost. Pokud středně velká firma naváže celou svou AI architekturu na jediného amerického poskytovatele, nekupuje si jen výkon, ale také jeho cenovou politiku, smluvní podmínky a geopolitickou nejistotu.

Čína hraje průmyslovou hru. Státní programy, výrobní základna, hardware, robotika, elektronika, baterie, logistika. Soukromé investice jsou podle dostupných čísel výrazně nižší než v USA, ale hloubka nasazení v určitých odvětvích může být enormní. Pro evropské strojírenství je to nebezpečnější než další chatbot. Konkurent, který zabuduje AI do každého stroje jako standardní funkci, zásadně mění očekávání zákazníků.

Evropa až příliš často hraje hru na regulace a pilotní projekty. Zní to tvrdě. Vidím to však v dozorčích radách: o ochraně dat se diskutuje zcela oprávněně, ale někdy tak dlouho, až se nakonec úplně zapomene na přínos pro zákazníka. Přitom má Evropa skutečné silné stránky: strojírenství, automotive, speciální chemii, automatizaci, engineering, výrobní data, expertizu v ochraně soukromí a hluboké procesní porozumění. SAP, Siemens, Bosch, Schneider Electric, ABB, Dassault Systèmes, Celonis, Mistral AI, Aleph Alpha, DeepL, Helsing a Agile Robots dokazují, že základy zde jsou. Jenže samotná podstata bez škálování žádný náskok nezajistí.

Agile Robots představuje dobrý signál. Zmíněné investiční kolo ve výši 500 milionů USD při valuaci 8,5 miliardy USD s investory jako SoftBank a Nvidia ukazuje, že kapitál může proudit i do evropské průmyslové AI. Zůstává však vysoce koncentrovaný. Podle agentury Tracxn bylo za prvních devět měsíců roku 2026 v Evropě ohlášeno financování AI ve výši 27,6 miliardy USD, což je 3,2krát více než ve stejném období předchozího roku; deset největších kol přitom tvořilo 19,0 miliard USD, tedy 69 procent. To značí dynamiku – a současně riziko koncentrace.

Dopady na byznys: Kde skutečně vzniká marže

Pro jednatele není podstatné, zda je model v benchmarku o dva body lepší. Podstatné je, zda se zakázka zkalkuluje rychleji, zda vznikne méně zmetků, zda má servisní technik správný náhradní díl už při první návštěvě, zda se včas osloví klíčový zákazník nebo zda se nový produkt podaří rychleji uvést do sériové výroby. Marže vzniká na těchto přechodech. Ne na konferencích o umělé inteligenci.

Vezměme si automatizaci nabídek. Mnoho strojírenských podniků ztrácí týdny mezi poptávkou, technickým vyjasněním, prověřením variant, daty od dodavatelů a samotnou kalkulací. AI může prohledat staré nabídky, kusovníky, technické poznámky, historii zákazníka a dodací lhůty, navrhnout řešení, označit rizika a strukturovat doplňující dotazy. Neměla by cenu stanovovat slepě. Může ale zabránit tomu, aby obchodník v Kolíně nad Rýnem tři dny hledal podobnou referenci, která leží v projektové složce kolegy v Rosenheimu.

Podívejme se na servis. Výrobce investičních celků s instalovanou bází sedí na obrovském datovém pokladu: typ stroje, sériové číslo, motohodiny, chybové kódy, náhradní díly, zprávy z výjezdů, odvětví zákazníka, podmínky v provozu. V praxi jsou tyto informace roztříštěné. Když je AI propojí, dostaví se hmatatelné výsledky: vyšší First-Time-Fix-Rate, méně eskalací, včasnější upozornění na sériové vady, přesnější předzásobení náhradními díly. Žádná kouzla. Jen čistá klasifikace případů zasazená do kontextu.

A konečně obchod. Řízení pipeline v průmyslovém B2B je často jen pocit zabalený do formuláře v CRM. Zkušený obchodní ředitel zná své lidi, své zákazníky i své trhy. To je v pořádku. Jakmile se však trh fragmentuje, nákupní týmy (buying centers) rozrůstají a nákupní procesy digitalizují, pouhá paměť nestačí. AI dokáže odhalit vzorce v datech o vyhraných a prohraných zakázkách, návštěvách webu, technologických stacích, inzerátech práce, tendrech, historii servisu a signálech o firmách. Ne dokonale. Ale lépe než pondělní forecast, v němž každý obchod ze zdvořilosti zůstává na 70 procentech.

Proč čistě inbound strategie v průmyslovém obchodu selhávají

Tvrdím jednoznačně: čistý inbound bude v průmyslovém B2B pro mnoho středních podniků příliš slabý. Ne proto, že by obsah byl mrtvý. Obsah je užitečný. Komplexní investiční celky se však nenakupují jako předplatné SaaS. Zákazník řeší technická rizika, interní schvalování, otázky dodavatelského řetězce, uspořádání haly, normy, servisní očekávání a rozpočtové cykly. Ve chvíli, kdy začne veřejně vyhledávat, už proběhla spousta přípravných prací.

Jeden obchodní ředitel z Norimberka mi v září 2025 řekl: „U nás to takhle nefunguje, Anthony. Naši nejlepší zákazníci nehledají řešení na Googlu, mluví se třemi známými dodavateli.“ Přesně o to jde. Obchod pak musí vědět, kdy se u cílového zákazníka plánuje nový závod, kdy se rozšiřuje inženýrský tým, kdy končí životnost konkurenčního produktu, kdy vzniká regulatorní tlak nebo kdy servisní problém ukazuje na potřebu nových investic. AI v obchodu zde neslouží ke generování textů. Slouží jako radarový systém trhu.

USA bývají v automatizaci Go-to-Market procesů často agresivnější. Čína je agresivní v ceně a rychlosti. Evropa nemůže odpovídat pohodlnou reaktivitou. Obchodní ředitel, který dnes nebuduje datově podloženou prioritizaci účtů, nutí svůj tým procházet nové trhy se starými mapami.

Rizika: Závislost na platformách, ochrana IP a náklady

Závislost na platformách je reálná. Kdo vsadí výhradně na americký cloudový model, stává se závislým na limitech API, cenových modelech, dostupnosti, změnách smluvních podmínek a politickém rámci. To neznamená: nepoužívejte americké modely. To by bylo stejně naivní. Znamená to: stavte architekturu tak, aby modely byly vyměnitelné a klasifikace dat rozhodovala o tom, který model dostane jaký úkol.

Duševní vlastnictví není ve strojírenství podružné téma. Zákaznické výkresy, procesní parametry, receptury, snímky zmetků, toleranční řetězce, kalkulace nabídek, servisní zprávy: to vše jsou strategická aktiva. Před každým pilotem musí být vyřešeno zpracování dat, řízení přístupů, logování, pravidla mazání a uživatelská práva. Už jsem viděl projekty, v nichž byl pilot AI spuštěn dříve, než byla zodpovězena otázka, kdo vůbec smí trénovací data schválit. To není odvaha. To je hazard.

Náklady na výpočetní výkon se podceňují. Mnozí mluví o trénování, ale v průmyslových aplikacích polyká rozpočet především běžná inference. Servisní kopilot, který denně prohledává tisíce úryvků dokumentů, odpovídá ve více jazycích a ověřuje zdroje, stojí v provozu nemalé peníze. Retrieval-Augmented Generation (RAG), cachování, menší modely, dávkové zpracování a edge inference nejsou akademické optimalizace. Rozhodují o tom, zda ekonomický model obstojí.

Halucinace jsou nebezpečné, ale řešitelné, pokud berete vážně schvalovací procesy, povinnost citovat zdroje, confidence scores, verzování a lidskou přejímku. Asistent s AI nesmí v bezpečnostně kritických nebo kvalitativně relevantních rozhodnutích jednat samostatně. Tečka. V automatizačním prostředí blízkém Festo nebo u bezpečnostních komponent v automotive by cokoli jiného bylo hrubou nedbalostí.

Moje osobní prognóza pro roky 2027 až 2029

Zaprvé: Trh se začne nudit ukázkami AI. V roce 2027 už žádného ředitele neohromí bot, který shrne příručku. Otázka bude znít: Je bot napojen na ERP, PLM, CRM a servisní procesy? Smí vidět jen to, co smí vidět uživatel? Dokáže doložit zdroje a zlepšuje konkrétní KPI?

Zadruhé: Vertikální aplikace AI budou důležitější než obecná chatovací rozhraní. Kopilot pro identifikaci náhradních dílů ve strojírenství, model kvality pro specifické povrchy, nabídkový asistent pro jednoúčelové stroje, account radar pro průmyslové cílové zákazníky — tyto systémy vytvoří větší hodnotu než další generický asistent s firemním logem.

Zatřetí: Mittelstand ztratí trpělivost s výmluvami ohledně kvality dat. Dnes ještě často slýchám: „Naše data zkrátka historicky vyrostla.“ V roce 2028 bude tato věta znít jako: „Naše stroje zkrátka nemají údržbu.“ Říct se to dá. Ale přijatelné to není.

Začtvrté: Evropa zvítězí tam, kde se protnou specializovaná průmyslová data, procesní know-how a blízkost k zákazníkovi. Ne všude. Ne automaticky. Ale výrobce s 30letou historií servisu, čistou instalovanou bází, špičkovými inženýry a jasnou datovou architekturou má něco, co žádný americký základní model z internetu jednoduše neokopíruje. Otázkou zůstává, zda to dokáže včas uvést do praxe.

Zapáté: Obchod se stane systémem včasného varování pro strategii AI. Pokud obchod jen honí zakázky, firmě chybí vnímání trhu. Když obchod spolupracuje se servisem, produktovým managementem a daty, vznikají cenné signály: nové zákaznické segmenty, technické požadavky, tahy konkurence, cenový tlak, investiční okna. AI může tyto signály zesílit. Ale pouze tehdy, když je někdo bere vážně.

Nevěřím, že evropský Mittelstand je bez šance. To by bylo příliš pohodlné alibi. Věřím však, že časové okno je menší, než si mnohé dozorčí rady připouštějí. USA škálují kapitál a infrastrukturu. Čína škáluje průmyslové aplikace a hardware. Evropa musí začít okamžitě škálovat integraci. Ne někdy po další datové strategii. Hned teď – v kvalitě, servisu, engineeringu a obchodu.

Závod v AI se v Mittelstandu nakonec nerozhodne v tom nejkrásnějším strategickém dokumentu, ale v pondělí ráno: když konstruktér najde správnou variantu, servisní technik vyřeší závadu při první návštěvě, obchodní ředitel identifikuje tři zákazníky připravené k nákupu a výrobní linka vyprodukuje méně zmetků. Vše ostatní je jen šum.

Amplifa: Startseite · Produkt · AI SDR Agents · ICP Playbook · Über uns · Gespräch vereinbaren · Webinar

Ressourcen: Blog · Vertriebslexikon · Studien · Guides · Workflows · Tool-Vergleich · Email Finder · Intent Finder · Lookalike Finder · Tools

Branchen: Maschinenbau · Medizintechnik · Automobil · Chemie · Elektronik · Metallindustrie · Kunststofftechnik · Lebensmittel · Verpackung · Konsumgüter · Energie · Software

Success Stories: Übersicht · Wingcopter · Schnaithmann · Ottobock · Xandor · MK Kögel · Zeller+Gmelin · MagnetWorld · Persil Wäscheservice

Rechtliches: Impressum · Datenschutz · AGB

Branchenverbände & Quellen: VDMA · ZVEI · BME · Bitkom · BVMW · VCI · VDA · BVMed · Statista · Destatis

Bewertungen & Vergleich: G2 · Capterra · Gartner · OMR Reviews

Amplifa Profile: LinkedIn · X / Twitter · Anthony Filipiak (CEO) · Leon J. Hermann (COO)