AI v prodeji: Nano Banana 2 nestačí

KI & Automatisierung · 2. November 2026 · Ohiku Mose Guy

AI v prodeji vyžaduje nekompromisní testování modelů: Přečtěte si, jak Nano Banana 2, generování obrázků pomocí AI a obchodní workflow v roce 2026 změní středně velké podniky.

Miliarda obrázků za 30 dní — toto číslo je aktuálně uváděno v souvislosti s rodinou Nano Banana od společnosti Google (Economic Times, listopad 2026). Pro AI v prodeji to není jen líbivá metrika pro sociální sítě. Je to zátěžový test poptávky, schvalovacích procesů, řízení značky i otázky, zda obchodní týmy budou v budoucnu generovat vizuály se stejnou samozřejmostí jako varianty e-mailů. Jenže: jedna miliarda vygenerovaných obrázků není žádný benchmark. Ani pro kvalitu. Ani pro latenci. Ani pro tržby.

A přesně tady to začíná být pro obchodní ředitele ve středně velkých podnicích nebezpečné. Kdo rozhoduje o výběru modelu na základě statistik využití, pravděpodobně kupuje rychlost a dostane chaos. Tedy, téměř. Rychlost je dobrá věc, pokud je zasazena do workflow, které ověřuje fakta, zná produktová data, čistě čte CRM pole a nakonec do grafiky nabídky nenakreslí náhodný stroj se špatnou připojovací přírubou.

Moje prognóza: Do konce roku 2027 vygenerují B2B obchodní týmy interně více AI obrázků, než kolik jich marketingová oddělení zvládnou oficiálně schválit. Úzké hrdlo se nepřesouvá z člověka na stroj. Přesouvá se z produkce na governance.

Píši to jako Senior Engineer ve společnosti Amplifa, nikoli jako nezúčastněný pozorovatel. V našich projektech se strojírenskými firmami, technickými velkoobchody, výrobci komponent a poskytovateli SaaS vidím už měsíce tentýž vzorec: Model je málokdy celým systémem. Systém tvoří CRM, kvalita dat, RAG, správa oprávnění, verzování promptů, schvalování a měření. Model je pouze tou nejhlasitější součástí.

AI v prodeji 2026: Kde se doopravdy nacházíme

Status quo je nepříjemný. Ve veřejně dostupných zdrojích momentálně neexistuje žádná spolehlivá oficiální publikace k „Nano Banana 2“ obsahující model card, ceny API, profil latence, kontextové okno nebo standardizované benchmarky. Žádná ověřená hodnota p95. Žádná cena za schválený asset. Žádné limity API. Žádná model card, ze které bych jako inženýr mohl odvodit, zda mohu tento nástroj nasadit do produkční prodejní automatizace pro Webasto, Festo nebo dodavatele z regionu Ostwestfalen.

Přesto o tom mnozí mluví tak, jako by technická debata byla dávno uzavřena. To není úplně pravda. Rozhodnuto je pouze o tom, že generování obrázků se využívá masivně. Zmíněná zpráva uvádí přibližně jednu miliardu obrázků za 30 dní u Nano Banana a údajný řád šesti miliard obrázků za 30 dní u xAI/Grok. To jsou signály o míře využití. Nikoliv měření kvality. Není to důkaz, že produktový obrázek Phoenix Contact bude mít po třech úpravách stále stejnou geometrii svorek.

To je moment, kdy v diskusích o prodeji často přestávám být diplomatický. Nekřičím. Jen mluvím na rovinu. Když mi jednatel v březnu 2026 řekne, že chce „prostě koupit ten nejlepší obrazový model“, zeptám se ho: Pro jaký úkol? Banner na LinkedIn pro veletrh v Hannoveru? Grafiku náhradního dílu pro after-sales? Personalizovaný vizuál pro nákupčí v Schaeffleru? Přílohu k nabídce pro frézku DMG Mori? Tyto úkoly vypadají podobně. Technicky jde o zcela odlišné disciplíny.

OpenAI, Google, Adobe, Black Forest Labs s modelem Flux, Midjourney i xAI nabízejí různé kompromisy. Některé vynikají v estetice. Jiné v možnostech editace. Jiné v řízení přes API. Jiné v enterprise governance. U textových a multimodálních modelů známe alespoň pevné veličiny, jako jsou ceny tokenů a kontextová okna — například GPT-4o s veřejně komunikovanými cenami API kolem 5 USD za milion vstupních tokenů a 15 USD za milion výstupních tokenů, GPT-4o mini s 0,15 a 0,60 USD za milion tokenů, nebo třídy Claude 3.5 Sonnet s 200k kontextovými okny a typickými cenami kolem 3 a 15 USD za milion tokenů (stav dle veřejné dokumentace API z let 2024/2025). U mnoha obrazových modelů jsou informace podstatně skoupější. A to velmi rychle.

Pro obchod to není akademický spor. SDR tým, který obohacuje 20 000 účtů za kvartál, si dokáže náklady na tokeny naplánovat. Tým, který pro každý účet vygeneruje tři vizuály, dva zahodí, jeden pošle na právní oddělení a pak zjistí, že stroj vypadá špatně, nemá stanovenou cenu za obrázek. Má cenu za schválený asset. A to je číslo, které zajímá vedení firmy.

Trend 1: Obrazová AI se mění z kreativního nástroje na generátor prodejních assetů

Dříve byla obrazová AI v B2B prodeji pouhou hračkou. Futuristický robot, nablýskaný veletržní stánek, symbolický obrázek pro „Průmysl 4.0“ (většinou modrý, většinou nudný). V roce 2026 se situace obrací. Nyní jde o vizuály specifické pro konkrétního zákazníka: cílový provoz klienta, průmyslové odvětví, náhradní díl, montážní prostředí, úspory energie, proces před a po. Nikoli jako umění. Ale jako podnět k obchodnímu rozhovoru.

Andrea, Head of Sales u jednoho ze skrytých šampionů v Bielefeldu, mi v červnu 2026 řekla: „Naše nejlepší e-maily už nevypadají jako e-maily. Vypadají jako precizně připravený rozhovor.“ Přesně o tom mluvím. Její tým už neposílá generická PDF výrobcům potravin ani automobilovým dodavatelům. Pro každé cílové odvětví vytváří krátký vizuální briefing z dat v CRM, referenčních projektů a produktových listů. Obrazová AI z nich sestaví varianty. Následně je zkontroluje člověk. Je to pracné. Škáluje to však lépe než manuální tvorba v PowerPointu.

Zápach toneru na chodbách obchodního oddělení je pryč, nutnost schvalování zůstává. A dnes zní otázky jinak: už ne „Je ten layout pěkný?“, ale „Je ta bezpečnostní klec správně?“, „Může se logo objevit v tomto provedení?“, „Je takové vedení hadic technicky realizovatelné?“ Ve společnostech Kärcher nebo Trumpf by nikdo nesprávné zobrazení produktu neomluvil jako kreativní úlet. Ve středně velkých firmách by se s tím nemělo začínat rovněž.

„U nás to nefunguje tak, že by obrázek stačilo mít jen působivý. Musí odpovídat technické realitě. Jinak mi produktový manažer do dvou minut volá.“

— Markus, CSO dodavatele automatizace v Norimberku, rozhovor z dubna 2026

Markus má pravdu. A přesně pojmenovává rozdíl mezi spotřebitelskou AI a B2B prodejem. Na spotřebitelském trhu často stačí vzbudit pozornost. V technickém prodeji to nestačí. Pokud je pneumatický terminál Festo špatně popsaný, škoda není jen kosmetická. Příjemce okamžitě pozná: Vůbec neznáte náš problém. A důvěra je pryč.

Co konkrétně vidíme v Amplifa: Při implementacích v technických B2B týmech málokdy přesáhne úspěšnost prvního pokusu u AI generovaných vizuálů 35 až 45 procent, pokud se použije pouze krátký prompt. Jakmile předřadíme RAG briefingy z produktových listů, poznámek v CRM, oborových taxonomií a schvalovací logiky, interní akceptace v pilotních projektech typicky vzroste na 62 až 78 procent. Nikoli proto, že by obrazový model byl najednou „inteligentnější“. Ale proto, že vstupní data jsou méně hloupá. Zní to tvrdě, ale je to nejdůležitější technická pravda v tomto oboru.

Trend 2: Nano Banana 2 odhaluje především problém s měřením

Hype kolem Nano Banana 2 je zajímavý, protože nás nutí pracovat precizně. Podle aktuálně dohledatelných informací neexistují k této konkrétní verzi žádná ověřená technická data: žádný oficiální název modelu, žádné doložené datum vydání, žádná cena za milion vstupních či výstupních tokenů, žádná cena za vygenerovaný obrázek, žádná latence p50 či p95, žádné kontextové okno, žádné doložené batch limity. To není puntičkářství. To je produkční hygiena.

Vím, jak lákavě taková jména znějí. Nano Banana zní jako hotový produkt. Jako verze. Jako něco, co lze zapsat do roadmapy. Ale pro obchodního ředitele ve firmách Brose, Wittenstein nebo u strojírenského výrobce se 400 zaměstnanci v Reutlingenu není název podstatný. Potřebuje odpovědi: Kolik stojí finálně schválený vizuál? Jak často model halucinuje geometrii? Jak stabilní zůstane referenční produkt po pěti úpravách? Jaká je latence při zátěži, když 40 SDR v pondělí ráno současně generuje follow-upy?

Aktuální odkaz na arénu úprav obrázků (Image Editing Arena) od Artificial Analysis napříč 17 specializovanými kategoriemi je užitečný, ale bez spolehlivých individuálních hodnot pro Nano Banana 2, Gemini, OpenAI, Midjourney nebo Flux to není nákupní podklad. Marketingová zpráva uvádějící snížení latence z 8,64 na 6,94 sekundy — tedy o 19,7 procenta — je rovněž zajímavá, nelze ji však jednoznačně přiřadit k Nano Banana 2. A číslo WPP-Validify o 84 procentech nárůstu prodejů a o 87 procent vyšší konverzi u konkrétních retailových aplikací? Působivé. Ale bez metodiky, vzorku a přiřazení k modelu to není benchmark pro technický B2B prodej.

Mnoho obchodních týmů měří na nesprávném místě. Stopují čas, za jak dlouho se objeví obrázek. To je hezké. V produkci však rozhoduje čas do odeslání použitelného follow-upu. To zahrnuje vytvoření promptu, načtení dat, generování, kontrolu, korekci, schválení, odeslání a záznam do CRM. Pokud samotné generování obrázku trvá 7 sekund, ale produktový manažer potřebuje 18 minut na kontrolu, není latence modelu vaším úzkým hrdlem. Upřímně? V mnoha projektech jím skutečně není.

V září 2026 jsem mluvil s Lenou, RevOps Lead u dodavatele pro strojírenství ve Stuttgartu. Řekla mi: „Nezastavili jsme generování obrázků, zastavili jsme následnou diskusi na Slacku.“ Ta trvala v mediánu 14 minut. Přesně takto je potřeba měřit. Bez iluzí. Bez nekritického nadšení pro modely. Ale podél procesu, který má přímý vliv na tržby.

AI v prodeji potřebuje benchmarky, nikoli uctívání modelů

Férové srovnání konkurence se snadno popíše, ale hůře provádí. Vezmete stejné prompty, stejné referenční obrázky, stejná rozlišení, stejné editační úlohy, stejný počet opakování, stejnou zátěž, stejnou schvalovací logiku. A pak měříte. Nikoliv v demo videu. V API. Na reálných podkladech. S kategorizací chyb.

Pro B2B pilot bych použil minimálně osm kritérií: faktickou přesnost, editovatelnost, konzistenci značky, věrnost referenčnímu obrazu, mediánovou a p95 latenci, náklady na schválený asset, governance a integraci do workflow. Kdo hodnotí pouze podle toho, že „to vypadá dobře“, může rovnou házet kostkou. Vizuál z Midjourney může vypadat velkolepě, a přesto být pro use case společnosti Kärcher nepoužitelný, pokud jsou detaily produktu vymyšlené. Adobe Firefly může být v enterprise prostředí atraktivnější díky procesům správy práv a značky. Flux může vynikat u určitých typů obrazové kvality. OpenAI může dávat smysl v multimodálním orchestračním stacku. Google může těžit z integrace Gemini. Bez reálného testování je to však jen hospodská debata s API klíčem v kapse.

Otázka nákladů je nepříjemnější, než jak vypadá v ceníku. Vezměme fiktivní, ale typický model z pilotního projektu: 10 000 cílových účtů, dva oborové vizuály na účet, tři generování na finální asset, 40 procent manuálních úprav, 15 procent zamítnutí kvůli technickým chybám. I když je jednotlivé volání API levné, cena za schválený asset rychle roste. K tomu připočtěte čas na kontrolu. Při interní hodinové sazbě 75 eur stačí několik minut revize, aby se cena modelu stala prakticky zanedbatelnou.

„Nechceme umělecké dílo. Chceme, aby nákupčí po pěti sekundách pochopil, proč ho oslovujeme.“

— Sven, jednatel technického velkoobchodu v Hamburku, rozhovor ze srpna 2026

Trend 3: RAG, Voice a obrazové modely splývají v obchodním workflow

Třetí trend je ten nejdůležitější. Obrazová AI nezvítězí izolovaně. Zvítězí tehdy, když bude řízena RAG systémy, hlasovými hovory, CRM daty a automatizací nabídek. Obrazový model neví, která produktová řada Webasto je relevantní, jaký stroj má zákazník v provozu, jaká norma platí na cílovém trhu ani jaké námitky padly v posledním hovoru. To vše mu musí dodat workflow.

Realistický proces vypadá následovně: SDR provádí research účtu. Systém načte data z obchodního rejstříku, texty z webu, pracovní inzeráty, historii v CRM, segmenty z ERP a referenční projekty. RAG vrstva vyhledá odpovídající produktové listy, případové studie a technická omezení. Z toho vznikne briefing. Teprve potom obdrží obrazový model prompt. Po vygenerování validátory prověří pravidla značky, zakázaná tvrzení, povinné technické parametry a práva k assetu. Následně se vizuál dostane do follow-upu nebo one-pageru.

Zní to jako příliš složitá architektura pro jeden obrázek. A také je. Právě tato architektura však rozhoduje o tom, zda bude AI v prodeji spolehlivě fungovat. Viděl jsem příliš mnoho ukázek, kde byl prezentován impozantní vizuál a nikdo se nezeptal, odkud pocházejí fakta. Odpověď často zněla: z promptu. To není datová strategie. To je naděje zabalená v líbivém rozhraní.

Voice calling činí celý proces ještě zajímavějším. Během hovoru dokáže převod řeči na text identifikovat námitky, oborová specifika a nákupní kritéria. CRM získá strukturovaná pole. RAG systém vyhledá odpovídající reference. Obrazový model vygeneruje follow-up vizuál nebo procesní grafiku. Obchodník výstup zkontroluje, upraví a odešle. Skutečné zlepšení nespočívá v samotném obrázku. Spočívá v orchestraci audia, dat, vyhledávání, generování a schválení.

Při pilotním projektu v říjnu 2026 s dodavatelem B2B softwaru z Mnichova jsme viděli přesně tento efekt: Míru odpovědí nezvýšila samotná personalizovaná grafika. Rozdíl přinesla kombinace precizního shrnutí hovoru, oborově specifické reference, odpovídajícího vizuálu a odeslání do 22 minut po skončení jednání. Dříve follow-upy ležely v poště k odeslání často až do druhého dne. V kanceláři sice ještě klapaly staré klávesnice, ale skutečným problémem byly třecí plochy v procesu.

Amplifa ICP Playbook Praktický playbook pro strukturování profilů ideálních zákazníků (ICP), cílových segmentů a signálů účtů tak, aby AI workflow v prodeji nestavěla na pouhém pocitu.

Co to znamená pro obchodní ředitele ve středně velkých podnicích?

Za prvé: Kdo v roce 2026 stále sází výhradně na inbound strategii, nebude mít za pět let žádnou pipeline. To je můj názor a vím, že některé lidi dráždí. Inbound zůstává důležitý. Techničtí B2B nákupčí však vyhledávají informace tišeji, později a často bez vyplnění formuláře. Pokud obchod zareaguje až ve chvíli, kdy lead zvedne ruku, bývá rozhodovací proces uvnitř firmy často již uzavřen.

Generativní obrazové modely nemění outbound tím, že by e-maily dělaly barevnější. Mění outbound tím, že dokážou lépe zviditelnit relevanci. Nákupčí v Schaeffleru nepotřebuje generickou zprávu o efektivitě. Potřebuje získat dojem, že odesílatel rozumí jeho výrobní lince, jeho limitům a jeho prioritám. Dobrý vizuál to zvládne během sekund. Špatný vizuál vše okamžitě zničí.

Za druhé: Středně velké podniky musí přestat nakupovat AI jako běžné předplatné softwarového nástroje. Pro automatizaci prodeje pouhý přístup k obrazovému modelu nestačí. Potřebujete přístup k datům, uživatelské role, šablony promptů, logování, přístup human-in-the-loop, verzování assetů, pravidla pro opt-out, záložní modely a koncepci měření. Ano, zní to nezáživně. Právě proto to funguje.

Za třetí: Marketing a obchod musí sjednotit definici toho, co je asset. V mnoha firmách leží jeden obrázek kdesi v Teams, produktová fotografie v DAM, stav schválení v Excelu a poslední prezentace pro zákazníka na ploše Thomase z oddělení klíčových zákazníků. Takhle se škálovatelná AI nestaví. Takhle se vytváří zbytečné hledání.

V červenci 2026 jsem mluvil s Ninou, manažerkou marketingových operací u výrobce elektroniky v Blombergu, o Phoenix Contact jako o vzoru pro čistou technickou komunikaci. Její věta mi utkvěla v paměti: „Naší značkou není logo. Naší značkou je to, že nám technik věří.“ Přesně to musí být měřítkem pro vizuály tvořené pomocí AI.

Jak správně měřit přínos AI v prodeji při využití obrazových modelů?

Krátká odpověď: ne pomocí screenshotů z demo verzí. Delší odpověď: prostřednictvím řízeného pilotního projektu, který mapuje reálné prodejní úkoly. Nikdy bych nezačínal s deseti prompty připravenými dodavatelem. Začal bych se stovkou reálných úkolů přímo z vašeho obchodu, s vašimi daty, vašimi produkty, vašimi schvalovacími postupy a vašimi problematickými výjimkami.

Těchto 100 úkolů by mělo být namícháno pestře: deset follow-upů pro stávající zákazníky, dvacet outbound vizuálů pro cílová odvětví, deset navázání kontaktů po veletrhu, pět grafik do nabídek, dvacet assetů pro social selling, deset technických variant s referenčním obrázkem, deset úprav stávajících produktových fotografií, pět vícejazyčných variant a deset záměrně náročných případů. Například lesklé kovové díly, průhledné kryty, stísněné strojní prostory, loga, ruce, kabely, bezpečnostní tabulky. Právě na nich modely selhávají.

Následně měřte latenci p50 a p95. Nejen v pátek večer, kdy nikdo nic negeneruje. Ale pod plnou zátěží. Měřte náklady na jedno volání API a náklady na jeden akceptovaný asset. Měřte chybovost ve faktech, čas manuálních úprav, důvody zamítnutí, dobu schvalování, míru odpovědí, poměr sjednaných schůzek a v ideálním případě přímý vliv na vytvořené obchodní příležitosti (opportunities). Pokud měříte pouze kliknutí, optimalizujete možná jen zvědavost. Obchod však potřebuje nákupní zájem.

1. Definujte 100 reálných úkolů pro obchod a enablement z posledních tří měsíců. Žádné laboratorní prompty. Vyberte případy, které vašemu týmu reálně berou čas.
2. Sestavte hodnoticí mřížku s kategoriemi chyb: nesprávný tvar produktu, porušení značky, nejasné sdělení, technický nesmysl, příliš dlouhá latence, nutnost dodatečných úprav, právní riziko.
3. Otestujte minimálně tři varianty modelů nebo workflow za stejných podmínek. Pokud Nano Banana 2 neposkytuje oficiální data, přistupujte k němu jako k nepotvrzené možnosti, nikoli jako ke standardu.
4. Měřte p50 a p95 pro celý proces: načtení dat, promptování, generování, kontrolu, korekci, schválení a odeslání. Nejpomalejším místem většinou nebývá samotný model.
5. Spočítejte náklady na schválený asset. Do stejného výpočtu patří náklady na API, čas strávený kontrolou, dodatečné úpravy, zahozená generování i licence nástrojů.
6. Propojte pilotní projekt se skutečnými obchodními metrikami: mírou odpovědí, počtem sjednaných schůzek, konverzí do obchodních příležitostí, kvalitou zpětné vazby a časem do odeslání follow-upu.
7. Rozhodujte se až po vyhodnocení pilotního projektu, nikoli na základě předváděcího dema. Model, který vygeneruje pět pěkných obrázků, ještě netvoří funkční prodejní systém.

Produkt Amplifa Amplifa propojuje research účtů, orchestraci AI, signály z CRM a obchodní workflow, aby prodejní týmy dokázaly proměnit data v reálné obchodní kroky.

FAQ: Je Nano Banana 2 již připraven pro B2B prodej?

Podle aktuálně veřejně dostupných důkazů: nelze to doložit. To neznamená, že je technologie špatná. Znamená to, že pro seriózní investiční rozhodnutí chybí data. Bez oficiální model card, cen API, hodnot latence, velikosti kontextového okna, limitů a benchmarků nemohu jako inženýr doporučit nasazení do ostrého provozu. Mohu doporučit pilotní projekt. Nic víc.

FAQ: Jakou roli hrají ceny tokenů u obrazové AI?

U čistě obrazových modelů nejsou ceny tokenů často viditelnou hlavní položkou, protože poskytovatelé účtují poplatky za obrázek, kredit nebo rozlišení. Přesto tokeny zůstávají zásadní, jakmile se workflow stane multimodálním: shrnutí CRM, RAG briefing, tvorba promptu, kontrola kvality, překlad i text follow-upu často běží přes textové nebo multimodální modely. Prodejní workflow tak může mít levný výstup u obrázků, ale drahý kontext. Nebo naopak.

FAQ: Nahradí obrazová AI oddělení Sales Enablement?

Nikoli. Pouze posouvá těžiště práce. Sales Enablement bude produkovat méně variant ručně, ale bude více kontrolovat pravidla, šablony, prodejní argumenty (claims), oborovou logiku a knihovny assetů. To není degradace pozice. Pokud tým pracuje technicky precizně, jde o posílení jeho role. Kdo vnímá enablement pouze jako továrnu na PowerPoint, toho AI smete. Kdo jej chápe jako systém pro správu prodejního know-how, stane se nepostradatelným.

Zásadní architektonická otázka: Kde leží pravda?

Každé prodejní workflow s využitím AI potřebuje jediný zdroj pravdy. Nikoli pět. Produktová data leží v PIM. Historie zákazníka v CRM. Schválené obrázky v DAM. Cenová logika v ERP. Reference v Notion, SharePointu nebo v hlavách tří klíčových obchodníků. Obrazový model si z toho nesmí nic vymýšlet. Smí pouze vizualizovat to, co mu workflow čistě předá.

Zní to banálně, ale právě tady týmy selhávají. Nejprve pořídí model a teprve potom hledají data. To je špatné pořadí. Vždy bych nejprve zmapoval datové toky: Odkud pocházejí informace o odvětví? Kdo spravuje produktové varianty? Jaká tvrzení jsou povolená? Která zákaznická loga se smí použít? Jaké technické detaily se mohou objevit v outbound komunikaci? Kterým obrázkům vypršela práva? Kdo schvaluje?

V Amplifa proto taková workflow nestavíme jako sbírku promptů. Stavíme je jako pipeline. Signál z účtu spustí research. Research vytvoří strukturovaný briefing. Briefing načte povolené znalostní moduly. Model navrhne textové i obrazové varianty. Validátory provedou kontrolu. Člověk rozhodne. CRM získá zpět aktualizovaný stav. Nudné? Možná. Připravené pro produkční provoz? Rozhodně.

Proč je p95 latence důležitější než rychlost v předváděcím demu

Mediánová latence je číslo, kterým se dodavatelé rádi chlubí. Hodnota p95 je číslo, které obchodní týmy skutečně pocítí. Když 95 procent požadavků proběhne pod osm sekund, je to zcela jiná situace než medián čtyři sekundy s výkyvy dosahujícími 45 sekund. V běžném provozu vznikají tyto výkyvy přesně ve chvíli, kdy tým nejvíce pracuje: v pondělí ráno, před veletrhem, po webinářové kampani nebo na konci měsíce.

Obchodní workflow je na čekání extrémně citlivé. Ne proto, že by lidé nevydrželi čekat deset sekund. Ale proto, že čekání vede k přepínání kontextu. SDR se podívá na Slack, odpoví na jiný e-mail, ztratí kontext účtu a zapomene provést kontrolu. Drobné prodlevy se proměňují v procesní ztráty. To neuslyšíte na dashboardu. Uvidíte to na rozpracovaných, nedokončených návrzích.

Proto mě u Nano Banana 2 nezajímá, zda někdo dokázal rychle vygenerovat jeden obrázek. Chci vidět hodnotu p95 při souběžné zátěži. Chci vidět chybovost podle kategorií promptů. Chci znát náklady na opakované pokusy (retries). Chci vědět, zda referenční obrázky zůstávají stabilní i po třetí úpravě. Bez těchto dat je jakékoli tvrzení o připravenosti k nasazení jen pocitem připojeným k Wi-Fi.

Governance: Ta nudná část, která zachraňuje obchody

C2PA, původ obsahu (provenance), uchovávání dat, využití dat pro trénování modelů, práva ke vstupním datům, lhůty pro výmaz, modely uživatelských rolí — to nejsou poznámky pod čarou. Pro středně velké podniky s OEM zákazníky jde o faktory přímo rozhodující o uzavření obchodu. Pokud dodavatel pracuje pro BMW, Bosch nebo Siemens, nemůže libovolně nahrávat produktové obrázky do nějaké externí služby a doufat, že to projde.

Nejsem právník. A upřímně, naštěstí. Jako inženýr však musím navrhovat systémy tak, aby právní oddělení mělo vůbec co kontrolovat. Logy, verze, použité zdroje, vygenerované assety, stav schválení, uživatelské role. Když se zákazník po třech měsících zeptá, proč mu byl zaslán určitý vizuál, odpověď nesmí znít: „Myslím, že to byl prompt číslo 17.“

Governance nezpomaluje. Špatná governance zpomaluje. Dobrá governance naopak škálování umožňuje, protože zajišťuje opakovatelnost rozhodnutí. To je rozdíl mezi deseti experimentálními obrázky a 10 000 personalizovanými follow-upy za kvartál.

Amplifa pro prodejní workflow s podporou AI Od ICP přes signály z účtů až po orchestrované oslovení: Amplifa pomáhá týmům využívat AI nikoli jako hračku, ale jako spolehlivý obchodní proces.

Moje osobní prognóza pro roky 2027 až 2029

V příštích dvou až třech letech se trh s modely stane nepřehlednějším, nikoli jednodušším. Přibude více verzí, více žebříčků v arénách, více specializovaných modelů, více balíčků v rámci CRM a marketingových suit. Některá jména zaniknou. Jiná se nečekaně objeví všude. Nano Banana 2 může získat relevanci, pokud Google dodá technická data a zajistí silnou integraci. Bez těchto dat zůstává pouhým signálem, nikoli pevným základem.

Nevěřím tomu, že by B2B prodeji dominoval jediný obrazový model. Na to jsou jednotlivé úkoly příliš rozmanité. Strojírenský výrobce vyžaduje jinou míru věrnosti detailu než SaaS společnost. Technický distributor potřebuje odlišnou logiku variant než výrobce zdravotnické techniky. After-sales tým má jiné toleranční meze než tým připravující veletrhy. Vítězi nebudou ti, kteří vytvoří nejhezčí obrázek. Vítězi budou ti, kteří postaví workflow schopná rozpoznat, kdy který model postačuje, kdy musí zasáhnout lidská kontrola a kdy je lepší nepoužít obrázek vůbec.

Moje nekompromisní shrnutí: Obrazová AI nezachrání váš outbound, pokud máte v CRM nepořádek. Nezvýší kapacitu sales enablementu, pokud nikdo nespravuje prodejní argumenty. Nezvedne konverzi, pokud je vizuál technicky chybný. Pokud však data, RAG, model, schvalování a načasování fungují v harmonii, dokáže obchodní tým během devíti měsíců vygenerovat podstatně více relevantních jednání, aniž by musel zdvojnásobit počet lidí. To nevidím v teoretických prezentacích. To vidím v reálných implementacích.

Možná se Nano Banana 2 nakonec ukáže jako silné řešení. Možná bude pro váš use case vhodnější jiný model. A možná nejlepším rozhodnutím pro první kvartál roku 2027 bude nekupovat žádný nový obrazový model, ale udělat si pořádek v produktových datech, schvalovacích procesech a signálech ICP. Zní to méně lákavě. Zavání to prací. A právě proto to bude s největší pravděpodobností fungovat.