Investice do AI: Skryté náklady ve středních podnicích

Marktanalyse · 16. Oktober 2026 · Anthony Filipiak

Investice do AI stojí více, než ukazují licence. Prověřte data, integraci a provoz, než se váš pilotní projekt stane drahým nákladovým blokem.

Dne 14. října 2026 oznámila Europa Press s odkazem na Stanford AI Index, že globální soukromé financování AI dosáhlo v roce 2025 přibližně 344,7 miliardy USD – z toho asi 285,9 miliardy USD v USA a pouze kolem 20,9 miliardy USD v Evropě. Ve stejném souboru dat se objevují veřejné evropské programy jako InvestAI s 20 miliardami eur a větší veřejně-soukromé projekty AI až do výše 200 miliard eur. To zní jako dohánění. No, skoro. Pro generální ředitele středních podniků v regionu DACH teď není důležitý titulek o investicích do AI, ale otázka, jaká část těchto miliard skutečně dorazí do jejich vlastního závodu, do jejich vlastního prodeje, do jejich vlastní marže – a jaká část zůstane jako náklady na infrastrukturu u Microsoftu, AWS, Google, Nvidia, SAP nebo Siemens.

Moje překvapivá prognóza: V příštích dvou až třech letech mnoho středně velkých výrobních podniků utratí více peněz za čištění dat, integraci, správu a provoz modelů než za samotný software AI. Ne o málo více. Výrazně více. Kdo v roce 2026 stále staví obchodní případ AI, který končí u licenční ceny a nákladů na API, ten si pilotní projekt přikrášlí a rollout zničí.

Nepíšu to jako analytik z prosklené kanceláře. Píšu to z rozhovorů s generálními řediteli, obchodními manažery a IT manažery u výrobců, dodavatelů a technických služeb, kteří si právě uvědomují, že AI neztroskotá na demu, ale v pondělí ráno poté. Na kusovníku SAP. Na MES, který byl spravován jinak, než se myslelo. Na podnikové radě. Na starých číslech artiklů, které voní jako archiv po dešti – a v některých závodech tam přesně tak stále stojí.

Investice do AI ve stavu quo – mnoho peněz, špatná interpretace

Viditelný trh exploduje. Podle Menlo Ventures vzrostly podnikové výdaje na generativní AI z 11,5 miliardy USD v roce 2024 na 37 miliard USD v roce 2025. Z toho přibližně 19 miliard USD připadlo na aplikace AI a asi 18 miliard USD na infrastrukturu; API základních modelů tvořily s 12,5 miliardy USD největší blok v rámci infrastruktury. Toto číslo je důležité, protože ukazuje, kam proudí první marže – k poskytovatelům modelů a platformám, nikoli automaticky do produktivních procesů u Brose, Schaeffler, Trumpf, Phoenix Contact nebo u výrobce nástrojů s 850 zaměstnanci ve východním Vestfálsku.

Evropa investuje. Ale jinak. V oblasti pozdního růstového kapitálu je propast brutální: Pro rok 2025 se v Evropě uvádí přibližně 12 miliard USD financování AI v pozdní fázi, oproti 141 miliardám USD v USA. To není jen problém VC pro zakladatele v Paříži, Mnichově nebo Stockholmu. Rozhoduje to také o tom, zda evropští poskytovatelé mohou financovat vlastní základní modely, průmyslové cloudové infrastruktury a vertikální platformy – nebo zda společnosti v regionu DACH budou muset budovat svou vrstvu AI na americké infrastruktuře a později se potýkat s nárůstem cen, otázkami rezidence dat a změnami rozhraní.

Ve středních podnicích se k tomu přidává něco, co v mnoha tržních grafech chybí. Účet nezačíná na 29 eurech za uživatele a měsíc. Začíná otázkou, zda data ze SAP, MES, SCADA, PLM, CRM, řízení kvality, Excelových tabulek a lokálních Access databází vůbec k sobě pasují. Thomas, finanční ředitel dodavatele strojírenství z Augsburgu, mi v březnu 2026 řekl: „Demo od dodavatele bylo čisté. Naše data ne.“ To je věta, kterou slyším častěji než jakoukoli vizi o autonomních továrnách.

Co ukazují analytická čísla – a co zamlčují

Analytické zprávy jsou užitečné. Čtu je. Používám je i při jednáních se zákazníky, protože investoři a poradní orgány potřebují čísla. Ale často trh rozdělují na špatném místě. Viditelné jsou kola financování, cloudové tržby, softwarové licence a spotřeba API. Méně viditelné jsou interní pracovní hodiny procesních inženýrů, migrace dat z 14 let výrobní historie, schvalování podnikovou radou, nové modely rolí v SAP, auditní dokumentace pro EU AI Act, bezpečnostní testy proti prompt injection a tichá práce inženýra kvality, který přeznačuje 18 000 obrázků, protože kamera byla v roce 2021 špatně zarovnána.

To je skutečný nákladový blok. Není sexy. Žádný veletržní stánek na Hannover Messe jím nebude velkolepě popsán. Na Hannover Messe v dubnu 2026 jsem ve dvou halách slyšel téměř stejný pitch: průmysloví kopiloti, bezpečné datové prostory, AI pro údržbu, AI pro prodej, AI pro inženýrství. Co jsem slyšel méně často: Kdo udržuje Ground Truth po změně produktu? Kdo platí paralelní provoz? Kdo zodpovídá za model, když technicky běží, ale odborně se pomalu zhoršuje?

Trend 1 – Investice do AI se přesouvají z modelů do provozních nákladů

První trend je nepohodlný: Model se stává menší položkou. Ne vždy v první nabídce, ale ve skutečném tříletém rozpočtu. Výrobce dnes může za několik tisíc eur měsíčně přistupovat k jazykovým modelům, prohledávat dokumenty, klasifikovat e-maily nebo vyhodnocovat technické manuály. Jakmile se však systém přiblíží výrobě, začíná posun nákladů. Pak jde o kvalitu dat, rozhraní, práva, logování, monitorování, vysokou dostupnost a akceptaci. Zní to jako IT drobnosti. Ale není. Je to rozdíl mezi demem pro představenstvo a systémem, který se nerozpadne během noční směny v závodě 2.

Ve výrobě se data zřídka nacházejí tam, kde je předpokládají konzultační prezentace. SAP zná zakázky, materiál, termíny dodání. MES zná stavy strojů. SCADA zná signály. Řídicí systémy PLC dodávají takty, chybové kódy, teploty. Řízení kvality zná zkušební plány a reklamace. Údržba zná poruchy, ale často jako volný text. Prodej a servis znají kontext zákazníka, ale ten je v polích CRM, PDF nabídkách, e-mailové korespondenci a někdy v hlavě Bernda, který se o klíčové zákazníky stará už 19 let. Kdo z toho chce udělat spolehlivou AI, neplatí jen tokeny. Platí za překladatelskou práci mezi systémy, týmy a realitami.

Jsem zde záměrně ostrý: Kdo považuje rollout AI za nákup softwaru, pálí rozpočet. Společnosti, které vyhrávají, považují AI za provozní model. Ne za nástroj. Model pro prediktivní údržbu musí zaznamenávat signály strojů, klasifikovat stavy, generovat údržbové zakázky, rezervovat náhradní díly, ovlivňovat plánování personálu a vyhodnocovat falešné poplachy. Pokud funguje jen první krok, máte pěknou grafiku. Ne strategii údržby.

Nemáme málo AI. Máme málo čistých předání mezi daty, procesy a odpovědností.

— Andrea, vedoucí obchodních operací u dodavatele strojírenství, Bielefeld

Andrea mi tuto větu řekla v květnu 2026 po workshopu o prioritizaci účtů a datech nabídek. Její tým chtěl využít AI k identifikaci lepších cílových zákazníků. Licence byla schválena. Datová situace nikoli. V CRM bylo 38 procent oborových polí prázdných nebo chybných, nabídky ze dvou produktových řad byly k dispozici pouze jako PDF a u 11 velkých zákazníků nebylo jasné, zda vývoj tržeb pochází z růstu cen, růstu objemu nebo z obchodu s náhradními díly. To není výjimečný případ. To je každodenní realita.

Skryté náklady – kde se láme obchodní případ AI

Když mluvím s generálními řediteli o investicích do AI, na začátku se téměř vždy objeví stejná otázka: Kolik stojí nástroj? Špatná otázka. Lepší otázka zní: Kolik stojí stav, ve kterém nástroj může ekonomicky fungovat? Není to úplně přesné – obě otázky jsou nutné. Ale druhá rozhoduje o ROI.

Příprava dat je první velký kus. Středně velký závod s 500 až 2 000 zaměstnanci může za čistě naplánovaný datový a integrační projekt rychle utratit několik set tisíc eur, než se první případ použití škáluje. Ne proto, že by dodavatelé byli chamtiví. Ale proto, že chybí historická data, časové značky se posouvají, čísla artiklů nejsou jednotná, senzory driftují, směnové poznámky byly doplňovány ručně a změny procesů nebyly nikdy řádně zdokumentovány. V jednom závodě voněla serverovna ještě teplým prachem, když nám IT ředitel vysvětloval, proč nejstarší výrobní databáze běží pouze na virtuálním Windows serveru, na který nikdo nechce sahat. Přesně tam začínají náklady na AI.

Integrace je druhý velký kus. Vývoj API, middleware, propojení s ERP, propojení s MES, databáze Historian, edge computing, modely rolí, monitorování, logování, zálohy, správa verzí pro modely a data. To není poznámka pod čarou. U projektu vizuální kontroly kvality může software stát 100 000 eur, zatímco kamery, osvětlení, průmyslová síť, označování, integrace QMS, školení, údržba modelu, schválení QS a eskalace procesů posunou celkovou částku do jiné ligy. Kdo vidí jen cenu softwaru, dívá se na špičku nákladového bloku.

Pak přichází MLOps. Mnoho obchodních případů kalkuluje vývoj, ale ne provoz. Modely musí být monitorovány. Musí být detekován drift dat a konceptů. Nové verze modelů potřebují testy. Falešné poplachy musí být analyzovány. Využití cloudu nebo GPU kolísá. Dokumentace musí být auditovatelná. Podpora potřebuje odpovědnost. Model může technicky běžet dál, i když se změnily suroviny, dodavatelé, parametry strojů nebo varianty produktů. Pak nelže. Jen už není tak dobrý, jak si všichni myslí.

Čtvrtý velký kus je organizační. AI zřídka okamžitě nahradí celý proces. Většinou vzniká paralelní provoz. Zaměstnanci kontrolují návrhy. Inženýři kvality kontrolují chybné klasifikace. Údržbáři validují prognózy údržby. Nákupčí procházejí automaticky generované návrhy objednávek. Právníci kontrolují generovaný obsah. Tato kontrolní vrstva není známkou zaostalosti. Ve výrobě může špatný návrh znamenat zmetky, odstávku nebo riziko odpovědnosti. Proto se na začátku často nesnižuje potřeba personálu. Posouvá se.

A pak compliance. EU AI Act nutí společnosti přesněji objasnit, zda systém pouze doporučuje nebo ovlivňuje rozhodnutí – například v oblasti kvality, bezpečnosti, personálu nebo řízení výroby. K tomu se přidává ochrana přístupu, rezidence dat, prověřování dodavatelů, logování promptů, logování modelů, nouzové procesy a ochrana proti úniku dat. Interní znalostní systém, který zpracovává konstrukční data, receptury, zákaznické ceny nebo servisní zprávy, není milý chatbot. Je to nový cíl pro útoky.

Trend 2 – Evropa bude silná v aplikacích, závislá na infrastruktuře

Druhý trend: Evropa nevyhraje tím, že si každý střední podnik postaví vlastní Foundation Model. Upřímně? Nevím, proč se tato fantazie stále objevuje v některých strategických kolech. Pro většinu výrobních podniků v regionu DACH je to ekonomický nesmysl. Síla spočívá v aplikacích na proprietárních datech: výrobní parametry, vzory kvality, servisní historie, konstrukční varianty, historie nabídek, technické specifikace, stavy strojů a chování zákazníků.

Konkurenční prostředí je jasně strukturované. Hyperscalery jako Microsoft, Amazon Web Services a Google prodávají cloudové, modelové a datové platformy. Poskytovatelé modelů jako OpenAI, Anthropic, Google, Meta a evropští poskytovatelé soutěží v oblasti Foundation Models a API. Průmyslové platformy jako Siemens, SAP, Dassault Systèmes, PTC, Schneider Electric a Bosch integrují AI do inženýrství, ERP, automatizace a údržby. Specializovaní poskytovatelé se zabývají kontrolou kvality, prediktivní údržbou, plánováním výroby, automatizací dokumentů nebo průmyslovými kopiloty. Systémoví integrátoři jako Accenture, Capgemini, Deloitte, T-Systems a regionální specialisté přebírají náročnou práci integrace.

Pro zákazníky z toho vyplývá nová závislost. Pokud 12,5 miliardy USD podnikových výdajů na infrastrukturu připadá pouze na API základních modelů, není to jen tržní indikátor. Je to varovný signál. Ceny API se mění. Spotřeba tokenů roste. Modely jsou ukončovány. Proprietární rozhraní se přesouvají. Požadavky na ochranu dat se zpřísňují. Vedoucí nákupu ze Stuttgartu mi v červnu 2026 po rozhovoru o kvalifikaci nabídek podporované AI řekl: „Nechci za tři roky zjistit, že naše obchodní znalosti jsou uvězněny v cenovém modelu.“ Přesně o to jde.

Z našich implementací víme: U průmyslových zákazníků v regionu DACH se první úzké hrdlo téměř nikdy netýká jazykového modelu. Za posledních 12 měsíců jsme u Amplifa v projektech se strojírenskými firmami, technickými službami a B2B dodavateli viděli, že 30 až 45 procent relevantních CRM a tržních dat muselo být před produktivním použitím vyčištěno, doplněno nebo nově namapováno. Zvláště často: špatné přiřazení odvětví, duplicitní sídla firem, zastaralé kontaktní osoby, neudržované role v nákupních centrech a data nabídek, která byla k dispozici pouze jako PDF ve složkové struktuře. To stojí čas. Ale bez tohoto kroku produkuje AI v prodeji pěkné seznamy – a špatné priority.

Tento bod je větší než prodej. Platí pro výrobu, servis, nákup a inženýrství. Kdo vlastní proprietární data, ještě nemá výhodu. Výhoda vzniká teprve tehdy, když jsou tato data čistá, přístupná, kontextualizovaná a právně použitelná. Společnosti v regionu DACH zde mají skutečnou šanci, protože jejich procesní kompetence je hluboká. Wittenstein rozumí mechatronickým systémům. Festo rozumí automatizaci. Trumpf rozumí laserům a zpracování plechů. Kärcher rozumí flotilám zařízení a servisu. Ale znalosti ve firmě nejsou automaticky znalostmi vhodnými pro AI.

Amplifa ICP Playbook Praktický průvodce pro čistou strukturalizaci cílových zákazníků, datových mezer a prioritizace v B2B prodeji – než AI škáluje špatné účty.

Trend 3 – Hřbitov pilotních projektů se stává problémem bilance

Třetí trend je nejdražší, protože je zřídka viditelný na jedné nákladové položce: neškálované pilotní projekty. Pilotní projekt pro vizuální kontrolu kvality zde. Chatbot pro technickou dokumentaci tam. Nápad na prediktivní údržbu v závodě 1. Obchodní asistent v exportním týmu. Kopilot pro nákup. Každý pilotní projekt sám o sobě vypadá přijatelně. 50 000 eur. 120 000 eur. Interní tým, dva externí konzultanti, cloudový rozpočet, proof of concept. Po 18 měsících se poradní sbor ptá, co běží produktivně – a v místnosti zavládne ticho.

Škoda nevzniká jen utracenými penězi. Vzniká ztracenou pozorností managementu, zklamanými odděleními a cynickou organizací. „To už jsme měli, nic to nepřineslo,“ řekl mi Daniel, vedoucí výroby u zpracovatele plastů poblíž Norimberku, v únoru 2026. Věta nepocházela z technofobie. Pocházela z únavy. Tři pilotní projekty, žádný rollout, žádná jasná odpovědnost, žádné základní ukazatele. Vůně teplého plastu v hale byla reálnější než jakákoli roadmapa AI v zasedací místnosti.

Proč pilotní projekty končí na hřbitově? Většinou ze stejných důvodů: žádný vlastník procesu, žádná spolehlivá základní linie, nedostupná výrobní data, chybějící integrace, nejasná odpovědnost za chybná rozhodnutí, žádný rozpočet na provoz, příliš silná závislost na externích projektových týmech. A obzvláště německá klasika: Pilotní projekt je zajišťován tak dlouho, dokud nesmí nic změnit. Pak je bezpečný. A k ničemu.

FAQ – Proč pilotní projekty AI selhávají navzdory dobrým modelům?

Protože dobrý model nezachrání špatný proces. Systém AI může přinést ekonomický užitek pouze tehdy, jsou-li vyjasněny přístup k datům, odpovědnost za proces, akceptace uživatelem, provozní model a logika eskalace. U projektu snižování zmetkovitosti nestačí vysoká míra rozpoznání, pokud linka při falešném poplachu neví, kdo rozhoduje. U AI Sales nestačí bodování leadů, pokud prodej nemá čistá kritéria ICP a marketing stále počítá MQL podle stažení formulářů. U prediktivní údržby nestačí prognóza, pokud náhradní díly mají šest týdnů dodací lhůtu.

Zde odporuji oblíbené tezi: „Musíme prostě více experimentovat.“ Ne. Střední podniky experimentovaly dost. Chybí disciplína definovat podmínky škálování před experimentem. Jaká data jsou potřeba? Jaká rozhraní? Kdo systém provozuje? Co se stane při chybných rozhodnutích? Který ukazatel se musí zlepšit? Při jaké prahové hodnotě se zastaví? Tyto otázky jsou nudné. Přesně proto šetří peníze.

Co konkrétně znamenají skryté náklady na AI ve středních podnicích

Pro generální ředitele není klíčovou otázkou, zda AI funguje. Samozřejmě, že v mnoha oblastech funguje. Otázkou je, zda funguje v jejich vlastním ekonomickém systému. Výrobní podnik s 1 200 zaměstnanci, třemi závody, SAP ECC, starším MES, několika speciálními stroji, decentralizovanou kontrolou kvality a prodejem se 17 vyvinutými Excelovými procesy má jinou nákladovou křivku než SaaS společnost s čistým datovým skladem. Kdo tyto rozdíly ignoruje, importuje účty ze Silicon Valley do brownfield světa.

Ekonomická hranice je často vyšší, než naznačuje první pilotní projekt. Jednotlivý případ použití může začít v malém. Celozávodní rollout vyžaduje analýzu dat a procesů, integraci, cloudové nebo hardwarové zdroje, školení, bezpečnostní prověrku, vyjasnění compliance a několik měsíců stabilizace provozu. ROI by se proto nemělo měřit pouze úsporou personálu. Ve výrobě se počítá míra zmetkovitosti, First-Pass-Yield, neplánované odstávky, OEE, náklady na údržbu na zařízení, spotřeba energie na výrobní jednotku, průběžná doba, kvalita plánování, míra reklamací a doba do analýzy příčin.

V prodeji je to podobné. Kdo chápe AI pouze jako automatizaci e-mailů, bude v roce 2026 škálovat špatné hromadné oslovení. Kdo využívá AI jako datový a prioritizační systém, může řídit správu pipeline jinak. Markus, obchodní ředitel výrobce zařízení z Heilbronnu, mi v dubnu 2026 řekl: „Měli jsme dost leadů. Jen jsme nevěděli, které z nich byly skutečně připraveny k nákupu.“ Jeho tým poté neposílal více e-mailů. Zpřísnil ICP, udržoval trigger data, přehodnotil potenciál stávajících zákazníků a opravil staré oborové štítky. Výsledek po devíti měsících: výrazně méně irelevantních úvodních rozhovorů a téměř třikrát více kvalifikovaných schůzek v definovaném klíčovém segmentu – bez najímání nového SDR.

To je ten bod: AI automaticky nevytváří poptávku. Může soustředit pozornost, zviditelnit vzory, urychlit procesy a připravit rozhodnutí. Ale také zesiluje odpad. Špatná data se rychleji zhoršují. Špatní cíloví zákazníci jsou důsledněji špatně zpracováváni. Nejasný proces se nestane jasnějším jen proto, že se na něj dívá model.

Brownfield faktor – proč je DACH dražší, ale ne bez šance

Německo má silnou průmyslovou základnu a mnoho proprietárních dat, která jsou pro AI cenná. Zároveň jsou IT a OT krajiny fragmentované. Staré instance SAP, speciální software z roku 2000, stroje s proprietárními rozhraními, lokální databáze, výrobní linky, které nikdy nebyly postaveny pro data v reálném čase. U dodavatele v Bádensku-Württembersku stál v září 2025 vedle zařízení starý průmyslový počítač, jehož ventilátor zněl jako fén v nepřetržitém provozu. Na tomto počítači ležela část dat o kvalitě, která byla potřeba pro projekt AI. Nikdo ho nezakreslil do architektonického slajdu.

To nedělá DACH slabým. Dělá to cestu jinou. Výhoda spočívá v proprietárních strojních datech, komplexní výrobě, kompetenci v oblasti kvality, hloubce inženýrství, průmyslových zákaznických vztazích a automatizačních sítích. Nevýhody spočívají v menším přístupu k růstovému kapitálu, nedostatku kvalifikovaných pracovníků, pomalém pořizování, sladění ochrany dat, procesech podnikových rad, heterogenních brownfield systémech a chybějícím škálování nad rámec jednotlivých závodů. Kdo tuto realitu přijme, může činit dobrá rozhodnutí. Kdo ji přemaluje cloudovým demem, zaplatí později.

Pro většinu středních podniků je hybridní model ekonomičtější: citlivá data a kritické výrobní funkce zůstávají v kontrolovaných prostředích, standardizované jazykové nebo analytické funkce běží přes cloudová API, kde to má smysl. To je méně okouzlující než „vše do AI platformy“. Ale lépe to odpovídá odpovědnosti, dostupnosti, ochraně dat a kontrole nákladů. Zvláště u dodavatelských řetězců blízkých Webasto, Schaeffler, Phoenix Contact nebo Festo není důvěra tématem dekorace. Rozhoduje o schváleních.

Správný výpočet investic do AI – TCO místo srovnání licencí

Každý obchodní případ AI ve středním podniku bych počítal na tři až pět let. Ne na šest měsíců pilotního provozu. TCO musí zahrnovat licenci, spotřebu API, cloud, hardware, přípravu dat, integraci, školení, provoz, správu, zabezpečení, monitorování modelu, podporu, úpravu procesů a náklady na exit. Ano, to číslo zvětší. Přesně to je smysl.

Nízká cena API může být rychle kompenzována špičkami ve využití, migrací dat, monitorováním, novými požadavky na compliance a náklady na změnu dodavatele. Obzvláště zrádné jsou systémy, které se zpočátku zdají levné, ale neumožňují čistý export promptů, logů, dat pro jemné ladění nebo rozhraní. Pak se společnost ocitne v jednání, kde dodavatel mění ceník a vlastní přenositelnost existuje jen na papíře. Žádný finanční ředitel nemá rád tento okamžik. Někteří ho přesto zažijí.

TCO je důležité i proto, že veřejné investiční částky na trhu nesmí být zaměňovány s rozpočty středních podniků. Když EU oznámí 20 miliard eur pro InvestAI nebo se diskutují veřejně-soukromá partnerství až do výše 200 miliard eur, velká část proudí do datových center, polovodičů, výzkumu a velkých projektů. To pomáhá ekosystému. Ale automaticky to neplatí za čištění vašich kmenových dat artiklů, připojení MES v závodě 3 nebo kvalifikaci vašich údržbářů pro validaci modelů.

Příprava – 7 kroků před spuštěním dalšího pilotního projektu AI

Kdybych mohl generálnímu řediteli ve středním podniku dát jen jednu věc, byla by to tato: Nezačínejte s „Potřebujeme AI“. Začněte s drahým, měřitelným problémem. Zmetkovitost. Odstávka. Spotřeba energie. Odchylka v plánování. Ztráty nabídek v klíčovém segmentu. Reklamace. Pokud problém není měřitelný, pilotní projekt se později stane politickým.

1. Definujte tvrdou základní linii. Před prvním modelem musí být jasné, jaká je dnes míra zmetkovitosti, OEE, doba odstávky, míra lead-to-opportunity, průběžná doba nabídky nebo míra reklamací. Bez základní linie je každý úspěch jen názor.
2. Mapujte datové zdroje s vlastníky. SAP, MES, SCADA, PLM, CRM, QMS, Excel, lokální databáze a dodavatelské systémy potřebují odborné vlastníky. Ne „IT“. Konkrétní jména. Konkrétní odpovědnost.
3. Před výběrem dodavatele prověřte schopnost brownfieldu. Ptejte se na skutečné integrace do ERP, MES, PLC, dat kvality a prodeje. Demo s ukázkovými daty málo vypovídá o závodě 2 v České republice nebo o prodeji náhradních dílů v Rakousku.
4. Naplánujte provoz před pilotním projektem. Kdo monitoruje drift? Kdo testuje nové verze modelů? Kdo reaguje na falešné poplachy? Kdo dokumentuje rozhodnutí pro audit a compliance? Pokud odpověď přijde až po spuštění, je příliš pozdě.
5. Cíleně stanovte lidskou kontrolu. Nízkoriziková rozhodnutí mohou být více automatizována. Kritická rozhodnutí týkající se výroby, kvality, bezpečnosti nebo personálu potřebují eskalace. Paušální princip čtyř očí vše zpomaluje; žádná kontrola to činí nebezpečným.
6. Smluvně zajistěte přenositelnost a pravidla pro exit. Modely, prompty, tréninková data, logy, rozhraní a vyhodnocení musí zůstat exportovatelná. Nejlevnější dodavatel je drahý, pokud později nemůžete změnit.
7. Plánujte škálování od závodu dva. Řešení, které funguje pouze na jednom zařízení s nadšeným projektovým manažerem, ještě není platforma. Prověřte varianty, jazyky, role, datové modely a podporu napříč lokalitami.

Produkt Amplifa Amplifa propojuje tržní, firemní a prodejní data, aby B2B týmy mohly lépe prioritizovat cílové zákazníky a činit rozhodnutí o pipeline na základě dat.

Co by investoři měli hodnotit jinak

Investoři se u projektů AI ve středních podnicích často dívají na dvě věci: automatizační potenciál a náklady na software. Já bych se více zaměřil na přístup k datům, integrační schopnosti a provozní disciplínu. Společnost s průměrným modelem, ale čistým datovým modelem a jasným vlastníkem procesu, může vytvořit větší hodnotu než společnost se silným modelem a chaosem v kmenových datech, rolích a odpovědnostech.

U otázek due diligence už nestačí „Používáte AI?“. Lepší otázka zní: Jaké produktivní případy použití AI běží déle než šest měsíců s měřitelným dopadem na KPI? Jak jsou dokumentovány chyby modelu? Jak často jsou kontrolovány datové zdroje? Jaká závislost existuje na jednotlivých poskytovatelích cloudu nebo modelů? Existuje rozpočet na provoz, nebo jen projektový rozpočet? Kdo dokáže na tyto otázky čistě odpovědět, je dál než mnoho společností s velkou roadmapou AI.

To platí zejména pro společnosti s více závody. Hodnota nevzniká v prvním úspěšném use case, ale ve schopnosti jej kontrolovaně přenést. Model prediktivní údržby na jedné lince je zajímavý. Opakovatelný datový a provozní standard pro deset linek je hodnota podniku. Systém AI Sales pro jeden region je hezký. Jednotný model ICP, signálů a prioritizace napříč DACH, Beneluxem a Francií mění řízení pipeline.

FAQ – Jaké investice do AI se vyplatí nejdříve?

Nejdříve se vyplatí případy použití s jasným dopadem na náklady, existujícími daty a omezeným rizikem. Ve výrobě jsou to často snižování zmetkovitosti, analýza příčin, optimalizace energie, prioritizace údržby nebo dokumentace kvality. V prodeji je to zpřesnění ICP, prioritizace účtů, detekce triggerů, analýza nabídek a hygiena pipeline. Byl bych opatrný u projektů, které se dotýkají mnoha systémů, mají vysokou odpovědnost a nemají čistou základní linii. Mohou být důležité. Ale zřídka jsou dobrými začátky.

Příklad: Asistent AI pro technickou dokumentaci může rychle přinést užitek, pokud jsou dokumenty centrálně dostupné, přístup je řádně regulován a odpovědi jsou podloženy zdroji. Systém, který automaticky mění výrobní parametry, je jiná riziková třída. Model bodování leadů na udržovaných datech účtů může ukázat účinek po týdnech. Autonomní obchodní agent, který generuje nabídky bez jasného schválení, dříve či později vyprodukuje ceny, dodací lhůty nebo závazky, které bude muset někdo vysvětlit. Většinou obchodní ředitel.

FAQ – Jak vysoké jsou realistické náklady na AI ve středních podnicích?

Upřímná odpověď: Velmi záleží na procesu a stavu dat. Omezený pilotní projekt může začít s pěticiferným až nízkým šesticiferným rozpočtem. Celozávodní rollout s integrací dat, zabezpečením, školením, provozem a compliance může rychle stát několik set tisíc eur; u více závodů nebo regulovaných produktů se částka výrazně zvyšuje. Kdo kalkuluje pouze licence, podceňuje úsilí. Kdo nejprve prověří stav dat, rozhraní, provozní model a riziko, může projekty zmenšit a přesto je postavit škálovatelně.

Nemám rád paušální procentuální pravidla, ale jeden vzor vidím často: Viditelná softwarová pozice je v první nabídce prominentní, později dominují interní čas, integrace a provoz. V prodejních projektech u Amplifa vidíme, že společnosti dosahují největšího pákového efektu ne větší automatizací v oslovení, ale lepší volbou účtů a čistými signály. V výrobních projektech spočívá pákový efekt často ne v samotné neuronové síti, ale v otázce, zda zařízení, QMS a údržba vidí stejný stav.

Amplifa pro prioritizaci pipeline a účtů Pro středně velké B2B týmy, které chtějí využívat AI ne jako hračku, ale jako datový systém pro lepší obchodní rozhodnutí.

Moje osobní prognóza do roku 2028

Do roku 2028 se trh uspořádá. Mnoho generických nástrojů AI bude zaměnitelných. Cenová síla zůstane u infrastruktury, přístupu k datům a hluboce integrovaných pracovních postupů. Evropské společnosti budou silnější v aplikacích, zejména tam, kde se počítá průmyslové know-how, proprietární data a regulační důvěra. U základních modelů a hyperscalerové infrastruktury bude Evropa nadále bojovat. Možná déle, než politici připouštějí v tiskových zprávách.

Pro střední podniky v regionu DACH vidím tři skupiny vítězů. Za prvé společnosti, které berou svou datovou základnu vážně a nezačnou ji čistit, až když projekt AI hoří. Za druhé dodavatele, kteří ovládají integraci brownfieldu a neprodávají jen krásná rozhraní. Za třetí vedení, která chápou AI jako provozní schopnost – s vlastníky, KPI, rozpočtem a pravidly pro exit. Tyto společnosti nebudou nejhlasitější. Budou mít prostě lepší zprávy o maržích.

Moje protiprognóza: Největší chyba AI v příštích letech nebude v tom, že se bude investovat málo. Bude v tom, že se bude investovat špatně – do pilotních projektů bez provozu, do nástrojů bez datového základu, do platforem bez přenositelnosti, do automatizace bez procesní jasnosti. Kdo v roce 2026 stále sází na čistě inbound strategii v prodeji, nebude mít za pět let žádnou pipeline. Kdo ve výrobě sleduje pouze přesnost modelu, ale ignoruje náklady na data a procesy, má možná silný algoritmus a přesto více odstávek než dříve.

Nevěřím v to, že střední podniky budou obětí vlny AI. Na to jsou procesy příliš hluboké, zákaznické vztahy příliš robustní, technická data příliš cenná. Ale také nevěřím v příběh, že stačí pár licencí a interní kopilot. Viditelné investice do AI jsou jen špičkou nákladového bloku. Pod nimi leží data, integrace, kontrola, provoz a odpovědnost. Přesně tam se rozhoduje, zda AI ve středních podnicích vytváří hodnotu – nebo jen produkuje nové rozpočtové řádky.

Možná je to ta nejstřízlivější prognóza: Vítězi nebudou ti, kteří v roce 2027 předvedou nejvíce projektů AI. Budou to ti, kteří budou muset nejméně vysvětlovat, proč se z jejich pilotních projektů nic nestalo.