Náklady na AI: Co skutečně platí střední podniky

KI & Automatisierung · 24. Juni 2026 · Anthony Filipiak

Náklady na AI často explodují po pilotním projektu. Zkontrolujte cloud, data, integraci a správu, než se vaše okno ROI uzavře.

Náklady na AI jsou výdaje na software, implementaci a provoz systémů AI. Tak nějak to stojí v každém rozpočtovém balíčku, který vidím od generálních ředitelů z oblasti strojírenství, automobilového průmyslu a elektrotechniky. Není to tak docela pravda. V praxi jsou náklady na AI především náklady na všechno, co už předtím bylo rozbité, roztříštěné, nejasné nebo politicky nepohodlné – kvalita dat, rozhraní, odpovědnosti, cloudové smlouvy, zaměstnanecká rada, bezpečnost, změna. Moje prognóza pro rok 2026 překvapuje mnoho finančních ředitelů: Rozpočet nezruinuje pilotní projekt AI, ale pokus o jeho zavedení do SAP, MES, PLM, CRM a reálných prodejních procesů. Kdo porovnává pouze licenční ceny, kalkuluje staveniště podle ceny kliky u dveří.

Nepíšu to jako analytik s čistým grafem z Londýna. Píšu to jako Anthony Filipiak, CEO a spoluzakladatel Amplifa, z rozhovorů s generálními řediteli, CSO, investory a obchodními manažery v německy mluvících středních podnicích. V březnu 2025 mi Andrea, vedoucí prodeje u skrytého šampiona v Bielefeldu, řekla: „Případ AI jsme vyhráli, než jsme začali – na PowerPointu. Pak jsme ho prohráli v databázi.“ Ten zvuk taky znám: žádný start rakety, ale unavené klikání přes 17 exportů z Excelu ze tří továren.

Náklady na AI ve statusu quo: Titulek je příliš levný

Velký příběh trhu se rychle vypráví. McKinsey, BCG, PwC a další společnosti vidí globální trh s AI do roku 2030 v rozsahu 600 až 900 miliard USD ročně, v závislosti na tom, zda se počítá pouze software a služby, nebo se šířeji zahrnuje infrastruktura, cloud a platformy GenAI. McKinsey v roce 2023 popsala pouze pro generativní AI dodatečný ekonomický potenciál ve výši 2,6 až 4,4 bilionu USD ročně. IDC v roce 2024 předpověděla celosvětové výdaje na systémy související s AI ve výši více než 630 miliard USD do roku 2028. Zní to velkolepě. Je to velkolepé. Ale toto číslo zatím nic neříká generálnímu řediteli v Paderbornu, Villingen-Schwenningenu nebo Linci, když jeho cloudový účet po zavedení Copilotu skočí z 18 000 na 52 000 eur měsíčně.

Titulky mluví o produktivitě. Nákup vidí předplatné. IT vidí tokeny, úložiště, síť, logování, identitu, zálohování a nové role administrátorů. Prodej vidí nástroj, který údajně předkvalifikuje nabídky, ale bez čistého ICP nejprve rychleji roztřídí stejné špatné účty. No, skoro. Někdy je dokonce roztřídí hůře, jen přesvědčivěji formulované. Podle Eurostatu v roce 2024 používalo alespoň jednu technologii AI asi 13,5 procenta podniků v EU; v Německu byla tato kvóta u větších podniků výrazně vyšší, ale u malých a středních podniků viditelně nižší. Problémem není nedostatek zvědavosti. Problémem je, že mnoho středních podniků kupuje AI jako doplněk a pak si uvědomí, že si koupili provozní architekturu.

Hyperscaleři investují miliardy, a to není charitativní program. Microsoft, Google, AWS, Meta a Oracle staví datová centra, kupují GPU NVIDIA, zajišťují energetické smlouvy a sdružují funkce AI do stávajících platforem. Microsoft veřejně signalizoval investice v řádu desítek miliard do OpenAI a vlastních cloudových kapacit; Meta oznámila pro rok 2024 plány CAPEX ve výši přes 35 miliard USD, silně poháněné infrastrukturou AI. Tyto částky se později neobjeví jako poznámka pod čarou ve vzduchu. Promítnou se do cen, balíčků, modelů spotřeby, minimálních odběrů a uzamčení. Střední podniky neplatí jen za umělou inteligenci. Platí i za účty za elektřinu nové platformové ekonomiky.

Co dnes chybí v mnoha obchodních případech

V obchodních případech, které vidím, jsou téměř vždy čistě uvedeny tři řádky: licence, implementace, očekávané úspory. Pak následuje šipka nahoru. Co chybí? Čištění dat, náklady na testování, model rolí, provozní model, bezpečnostní audit, právní audit, školení, náklady na chyby v prvních měsících, koordinace se zaměstnaneckou radou, auditní stopy, monitorování modelů, riziko změny dodavatele. U výrobce z Bádenska-Württemberska s přibližně 1 200 zaměstnanci, jehož jméno nesmím uvést, schválený pilotní projekt AI v prodeji činil 180 000 eur. Skutečné náklady na produktivní nasazení v devíti zemích po 14 měsících činily téměř 690 000 eur, pokud se interní FTE počítaly s plnými náklady 95 000 eur. To není výjimka. To je normální případ s poctivým účetnictvím.

Trend 1: Náklady na AI se přesouvají ze softwaru na infrastrukturu

První trend je brutálně jednoduchý: Viditelná licence je menší než neviditelný provoz. Velké jazykové modely nestojí peníze, protože okno chatu vypadá hezky. Stojí peníze, protože každý prompt spotřebovává výpočetní výkon, protože každé volání API prochází identitou, logováním a dodržováním předpisů, protože data se musí nejen číst, ale také verzovat, kontrolovat, ukládat a v případě pochybností znovu mazat. Náklady na inference ve výši 0,002 až 0,03 USD za 1 000 tokenů se zdají směšné, dokud testuje pět lidí. U 800 uživatelů, 20 pracovních postupů, dlouhých technických dokumentů, návrhů nabídek, obchodních průzkumů a automatických shrnutí se z toho stane nákladový blok. Tiše. Měsíčně. Opex.

U případů použití ve výrobě je efekt ještě tvrdší. Počítačové vidění při kontrole kvality pohlcuje objem dat. Prediktivní údržba potřebuje historická data ze senzorů, nové datové pipeline a často i hardware na okraji sítě v továrnách, kde je rozvaděč starší než nejmladší datový inženýr. Středně velký dodavatel automobilového průmyslu z okolí Stuttgartu v roce 2024 kalkuloval pilotní projekt Vision s 240 000 eury. Komponenta kamery a modelu nebyla problém. Drahé byly světelné podmínky, označování dat, klasifikace zmetků, segmentace sítě a otázka, kdo nese odpovědnost ve 02:17 v noci, když systém chybně uvolní šarži. Brose, Schaeffler, Bosch a Continental mohou na takové otázky nasadit celé týmy. Dodavatel s 350 zaměstnanci to nemůže udělat jen tak mimochodem.

Proto si moc nemyslím o AI roadmapech, které začínají „sbíráním use caseů“ a teprve poté se zabývají infrastrukturou. To je jako plánovat novou výrobní linku a podívat se na podlahu haly až později. Ano, potřebujete konkrétní use casey. Ale kdo chce v roce 2026 škálovat AI ve středních podnicích, musí včas myslet na cloud, datovou architekturu, práva, monitoring a kontrolu nákladů. Jinak pilot vyhraje demo – a prohraje v provozu.

„U nás to nefunguje, když se až po pilotním projektu dozvím, že potřebujeme tři rozhraní, dvě nové role a model cloudových nákladů, kterému nikdo v controllingu nerozumí.“

— Markus, CSO strojírenské firmy v Norimberku, rozhovor v dubnu 2025

Markus má pravdu. A popisuje slepé místo mnoha dodavatelů. V demech vidíte výsledek: kvalifikovaný účet, shrnutý seznam požadavků, prioritizovaná příležitost. Co nevidíte: koncepty oprávnění, duplicity, staré logiky polí v CRM, názvy produktů, které se v různých zemích píší jinak, a obchodní regiony, které se historicky vyvíjely jako kabely za rozvaděčem. Kdo chce porozumět nákladům na AI, musí jít pod povrch. Ne do humbuku.

Trend 2: Správa dat se stává z vedlejšího projektu hnacím motorem rozpočtu

Druhý trend je méně sexy, a proto nebezpečnější: Správa dat se stává jedním z největších nákladových bloků. Salesforce ve svých příručkách k nástrojům pro správu dat a podnikovým datovým skladům popisuje, že AI dokáže automaticky klasifikovat data, rozpoznávat chyby a označovat rizika souladu. To je užitečné. Ale než nástroj data čistě klasifikuje, musí společnost vědět, jaká data vlastní, kdo za ně odpovídá, jaký mají význam a zda je lze použít. Zní to banálně. Ale není. Viděl jsem systémy CRM, kde „odvětví“ bylo volné textové pole a „strojařství“ se objevilo v jedenácti variantách, včetně „Stroj.průmysl“, „Strojařství DACH“ a „OEM možná“.

Podnikový datový sklad nebo Data Lakehouse ve středním podniku nestojí jen licenci na platformu. Typické rozpočty na zavedení se v závislosti na výchozí situaci pohybují mezi 0,5 a 3 miliony eur. K tomu se přidávají roční provozní náklady v šestimístné výši. Nástroje pro správu dat s funkcemi AI se pro mnoho středních podniků pohybují zhruba mezi 50 000 a 300 000 eury ročně, plus interní role: Data Owner, Data Steward, Governance Lead, někdy i ML-Ops profil. Kdo to neplánuje, později to nazve „neočekávanou složitostí“, což byla ve skutečnosti předvídatelná práce.

Z našich implementací víme: V B2B prodejních projektech s průmyslovými zákazníky se v prvních 8 až 12 týdnech v průměru 62 až 74 procent operativní práce nevěnuje logice AI, ale přístupu k datům, mapování polí, logice duplicit, zpřesňování ICP a schvalovacím procesům. Nejčastější brzdou není špatný model. Je to otázka, zda „Kärcher Händler“, „Alfred Kärcher SE & Co. KG“ a „Kaercher Export“ jsou stejný ekonomický účet, zda se myslí pobočka Winnenden nebo dceřiná společnost a zda prodej vůbec smí tuto strukturu takto prodávat. Tato práce není v žádné lesklé zprávě. Ale rozhoduje o tom, zda AI v prodeji přináší schůzky, nebo jen datový salát s lepší gramatikou.

Správa dat zní jako kontrola. Ve skutečnosti je to ochrana růstu. Bez jasné odpovědnosti za data společnost škáluje špatné předpoklady. Obchodní ředitel z Augsburgu, Stefan, mi v červnu 2025 po workshopu řekl: „Mysleli jsme si, že máme problém s leady. Měli jsme problém s definicí.“ Přesně tak. Pokud marketing, prodej, servis a produktový management používají různé pojmy pro stejný typ zákazníka, AI nemůže magicky vytvořit jasnost. Může industrializovat nejasnost.

Proč AI Act nezpůsobuje náklady jen právně

EU AI Act je ve středních podnicích často odkládán jako právní záležitost. Chyba. Mění provozní model. Klasifikace rizik, dokumentace, transparentnost, monitorování, lidský dohled – to nejsou jen paragrafy, ale pracovní balíčky. Mnoho evropských společností nyní kalkuluje dodatečné náklady na dodržování předpisů ve výši 5 až 15 procent rozpočtu projektu AI, v závislosti na rizikové třídě, typu dat a odvětví. U programu za 700 000 eur to nejsou drobné. A pokud se AI dostane do kontroly kvality, úvěrových rozhodnutí, HR nebo procesů souvisejících s bezpečností, stane se z „nástroje“ systém s povinností prokázat shodu.

V DACH k tomu přibývá ještě něco: spolurozhodování. Kdo zavádí AI na výrobní lince, kdo vyhodnocuje výkonnostní data, kdo vytváří automatická doporučení pro úředníky, rychle narazí na zaměstnaneckou radu, pověřence pro ochranu osobních údajů a pracovní právo. Neříkám, že je to špatné. Není to tak docela pravda – někdy je to těžké. Ale je to realita. Továrna v jižním Německu nevoní po pitchdecku, ale po chladicí kapalině, paletovém dřevu a starých kompetencích. Kdo tam chce zavést systém AI, musí vysvětlit, co dělá, co nedělá, jaká data se ukládají a kdo rozhoduje v případě konfliktu.

Amplifa ICP Playbook Praktický rámec pro čistou definici cílových zákazníků, signálů a prodejních priorit před automatizací AI.

Trend 3: Integrace požírá příběh ROI

Třetí trend je nejdražší: integrace. Ne jako módní slovo, ale jako účet. AI má být v SAP, Microsoft Dynamics, Salesforce, HubSpot, Siemens Teamcenter, Dassault, MES, PLM, PIM, DMS, CPQ a někdy i v vlastnoručně vyrobeném nástroji Access z roku 2009. Vývoj rozhraní pro ERP, MES nebo PLM stojí u větších projektů rychle 150 000 až 500 000 eur. K tomu se přidává testování, práva, role, zabezpečení, migrace dat, monitorování a údržba. V analytických zprávách se pak píše „zvýšení produktivity díky integraci AI“. V praxi je v kalendáři: koordinace pondělí 9:00, datový model středa, eskalace pátek.

Jsem zde nekompromisní: Kdo v roce 2026 stále věří, že AI může ve středních podnicích přinést podstatné ROI bez čisté systémové integrace, zaměňuje demo s provozem. Samozřejmě existují izolované zisky produktivity. Zaměstnanec si nechá formulovat e-mail. Servisní tým shrnuje tikety. Prodejce rychleji vyhledává. Pěkné. Ale velký pákový efekt vzniká až tehdy, když AI zasáhne do procesu: prioritizace účtu, rozpoznání příležitosti k rozhovoru, příprava nabídky, zápis dat zpět, spuštění další akce, měření úspěchu. K tomu nestačí okno chatu. K tomu je potřeba architektura.

Příklad z prodeje: Tým Markuse, výrobce technických komponent z Franků s obratem kolem 85 milionů eur, za 9 měsíců sjednal třikrát více kvalifikovaných prvních schůzek – bez jediného nového prodejce. Ne proto, že by jazykový model psal obzvláště okouzlující e-maily. Pákový efekt spočíval v součinnosti ICP, signálů účtů, hygieny CRM, logiky oslovování a jasných kritérií vyloučení. Automatizovali jsme méně, než bylo původně plánováno, a více jsme řezali. Pryč s irelevantními odvětvími. Pryč s účty bez spouštěčů. Pryč s osobami, které sice byly v CRM, ale nikdy neměly vliv na specifikace. AI zrychlila. Strategie rozhodla.

Zálohování, obnova a odolnost: Zapomenutý blok

Jeden nákladový blok se obzvláště rád zapomíná: odolnost. Systémy AI generují logy, verze, prompty, výstupy, stavy modelů, tréninková data, hodnotící data. Pokud systém dává doporučení pro nabídky, rozhodnutí o kvalitě nebo servisní případy, někdo se později bude chtít dozvědět proč. Ne někdy. Při auditu. Při reklamaci. Možná u soudu. Salesforce u podnikových zálohovacích řešení odkazuje na agenty AI, kteří mohou snížit náklady na služby a zajistit integritu dat. Pěkné. Ale rozšířená řešení zálohování a obnovy s funkcemi AI pro středně velké prostředí rychle stojí 50 000 až 200 000 eur ročně, plus úložiště, síť a návrh procesů.

U výrobců s několika závody se z toho stává provozní otázka: Jaká data zůstanou v závodě? Jaká půjdou do cloudu? Jaká musí zůstat v Evropě kvůli zákaznickým smlouvám? Co se stane, když se zastaví linka, protože systém kontroly s podporou AI není dostupný? U firem jako Festo nebo Phoenix Contact existují struktury pro systematické zodpovězení takových otázek. U výrobce nástrojů s 220 zaměstnanci to často závisí na IT oddělení, které zároveň řeší firewall, aktualizace ERP, telefonní ústřednu a nyní i správu AI. To není technologický deficit. To je organizační realita.

Jak vysoké jsou skutečně skryté náklady na AI?

Krátká odpověď: Pro středně velké výrobní podniky se 100 až 5 000 zaměstnanci se vážné programy AI po dobu 3 až 5 let často pohybují v celkových nákladech 1 až 5 milionů eur. Ne na jednoho chatbota. Pro program s několika use casey, datovou platformou, integrací, správou, provozem a změnou. Malý pilotní projekt může stát 50 000 eur. Čistě produktivně provedený use case se systémovou integrací často stojí 250 000 až 900 000 eur. Portfolio prodeje, servisu, kvality a dodavatelského řetězce se rychle dostane nad tuto hranici. Upřímně? Nevím to pro každou společnost. Ale vím, že první číslo je téměř vždy příliš nízké.

Druhá odpověď je nepohodlnější: ROI se neprodlužuje jen náklady, ale i časem. Pokud pilot trvá tři měsíce a integrace dvanáct měsíců, pak se návratnost neobjeví ve čtvrtletí, bez ohledu na to, jak hezké bylo demo. V prodeji a generování leadů to může jít rychleji, protože zdroje dat jsou často snadněji dostupné než data strojů a kvality. Ale i tam platí: Bez ICP, bez signálního modelu, bez zpětného toku CRM a bez přijetí prodejem zůstává AI divadlem aktivit. Mnoho společností oslavuje více generovaných leadů. Představenstvo se o šest měsíců později ptá na obrat. Pak je ticho.

U případů použití ve výrobě je hodnota často vyšší, ale cesta delší. Prediktivní údržba může snížit prostoje. Počítačové vidění může snížit zmetkovitost. Optimalizace dodavatelského řetězce může snížit vázaný kapitál. Jenže každý z těchto případů potřebuje historii dat, porozumění procesům, jasné odpovědnosti a strategii tolerance chyb. Špatný lead stojí čas. Chybně uvolněný díl stojí peníze, důvěru zákazníků a v nejhorším případě bezpečnost. Proto správa a testování nejsou byrokracie. Jsou pojištěním proti drahé hlouposti.

Co to znamená pro evropské střední podniky

Pro evropské střední podniky se otázka posouvá z „Budeme dělat AI?“ na „Jakou AI si můžeme dovolit v provozu?“. To zní defenzivně, ale je to strategické. Velké korporace jako Siemens, Bosch, Schaeffler, Trumpf, DMG Mori nebo Webasto mohou budovat platformové týmy, financovat interní AI laboratoře a vyrovnávat chyby napříč portfolii. Klasický skrytý šampion s obratem 250 milionů eur to nemůže dělat v takové šíři. Musí se rozhodovat ostřeji. Méně hřiště. Více kapitálové disciplíny.

Vidím tři dopady. Za prvé: Rozpočty na AI se přesouvají z inovačních oddělení do liniových. Prodej, servis, operace a inženýring musí převzít vlastní odpovědnost za výsledky. Za druhé: Finanční ředitelé budou požadovat AI FinOps – tedy kontrolu nákladů na tokeny, cloud, uživatelské licence, úložiště, náklady na integraci a externí partnery. Za třetí: Nákup se bude muset naučit, že nejlevnější licenční cena je zřídka nejlevnější provoz. Při rozhovoru v Mnichově v květnu 2025 Julia, finanční ředitelka výrobce elektroniky, řekla: „Už nepodepíšu žádné smlouvy o AI, dokud mi někdo na jednu stranu nenapíše náklady na odchod.“ Dobrá věta. Měla by viset na každé stěně v zasedací místnosti.

Pro investory to bude také relevantní. Kdo investuje do středních průmyslových podniků, často se dívá na EBITDA, pracovní kapitál, objem zakázek a stupeň automatizace. V budoucnu bude AI TCO součástí due diligence. Ne jako snímek o budoucí udržitelnosti, ale jako tvrdá kontrola: Jaké závislosti na platformě existují? Jakou kvalitu dat má společnost? Existují interní role? Jsou náklady na AI Opex čistě měřeny? Zvýšila se produktivita prodeje díky automatizaci, nebo je jen hlučnější? V roce 2026 bych nehodnotil žádnou průmyslovou společnost, aniž bych si položil tyto otázky.

DACH je opatrnější – a to může být výhoda

Společnosti v DACH jsou často považovány za pomalé v oblasti AI. To je částečně pravda. Rozhodovací procesy jsou delší, ochrana dat se bere vážně, zaměstnanecké rady se zapojují a generální ředitel ve východním Vestfálsku se raději dvakrát zeptá, než vloží zákaznická data do cizího modelu. To dodavatele štve. Někdy i mě. Ale může to být výhoda, pokud to vede k lepší disciplíně TCO. USA jsou rychlejší v zavádění. Evropa se musí zlepšit v provozu. To není cena útěchy, to je strategie.

Chybou by bylo zaměňovat opatrnost se stagnací. Kdo v roce 2026 stále sází na čistě inbound strategii v B2B prodeji, nebude mít za pět let žádnou pipeline. Kdo ale slepě aplikuje automatizaci AI na špatná data, staví stroj, který rychleji zpracovává špatné účty. Obojí je drahé. Umění spočívá v pořadí: porozumět trhu, zpřesnit ICP, vybudovat datový model, integrovat procesy, pak škálovat. Ne naopak.

Amplifa Produkt Amplifa spojuje ICP, signály účtů a procesy prodeje s podporou AI pro plánovatelnou B2B pipeline ve středních podnicích.

Příprava: 7 kroků, než se náklady na AI vymknou kontrole

Nemám rád kontrolní seznamy, pokud nahrazují myšlení. Tento má myšlení vynutit. Kdo jako generální ředitel, investor nebo strategický manažer v výrobní společnosti plánuje program AI v roce 2026, měl by těchto sedm bodů vyjasnit před schválením rozpočtu. Ne dodatečně. Předem.

1. Kalkulujte 5leté TCO namísto pilotního rozpočtu: Zahrňte licence, spotřebu cloudu, náklady na API, úložiště, zálohování, externí partnery, interní FTE, školení, správu, bezpečnost a náklady na odchod. Pilotní rozpočet 150 000 eur není investiční logika, pokud nasazení váže 900 000 eur.
2. Proveďte inventuru dat s odpovědnými osobami: Určete, které datové zdroje jsou relevantní, komu patří, jakou mají kvalitu a která pole jsou kritická pro podnikání. V prodeji to například znamená: struktura účtu, odvětví, třída obratu, spouštěče, kontaktní osoby, nákupní centrum, kritéria vyloučení.
3. Vyhodnoťte use casey podle stupně integrace: Izolovaný asistent se kalkuluje jinak než systém, který zapisuje do SAP, Salesforce, Teamcenter nebo MES. Vyhodnoťte každý use case podle přístupu k datům, blízkosti procesu, rizika, počtu uživatelů a provozních nákladů.
4. Nastavte FinOps pro AI: Definujte limity nákladů, monitorování, zprávy o spotřebě a odpovědnosti za tokeny, cloud, úložiště a licence platformy. Bez FinOps se AI Opex stane mlžnou stěnou v měsíční uzávěrce.
5. Nepřesouvejte správu na právní oddělení: Klasifikace rizik, dokumentace, auditní stopy, monitorování modelů a lidský dohled potřebují provozní model. Právní oddělení kontroluje. Podnik provozuje.
6. Monetizujte náklady na změnu: Zahrňte školení, poklesy produktivity, reorganizaci procesů a nové role. Pokud se prodejní proces změní pomocí AI, ovlivní to cílové systémy, odměňování, řízení a prognózování.
7. Vyjasněte si odchod a uzamčení před podpisem smlouvy: Zkontrolujte, jak lze exportovat data, které modely jsou zaměnitelné, které integrace se stanou proprietárními a kolik stojí změna dodavatele. Nejdražší smlouva je často ta, ze které se už nelze dostat.

Jednoduchý model TCO pro generální ředitele

Když pracuji s generálními řediteli, rád používám hrubý vzorec. Není vědecky dokonalý. Ale zabraňuje sebeklamu. Celkové náklady za pět let = externí projektové náklady + softwarové licence + cloud a výpočetní výkon + datová platforma + integrace + interní FTE + správa a dodržování předpisů + bezpečnost a odolnost + změna + rizikový polštář. Rizikový polštář by neměl být 5 procent. U komplexních integrací považuji 20 až 30 procent za realističtější. Kdo se teď lekne, pochopil pointu.

Náklady na AI v prodeji: Proč je Amplifa tak přísná

Jelikož v Amplifa pracujeme v prodeji, vidím tam náklady na AI obzvláště ostře. Mnoho společností kupuje AI pro prodej, protože chtějí více pipeline. Pochopitelné. Ale pipeline nevzniká z generování textu. Pipeline vzniká z správných cílových zákazníků, jasných signálů, načasování, příležitostí k rozhovoru, čistého předání a důsledného sledování. AI může podporovat každý z těchto kroků. Může také každý z těchto kroků nafouknout. Tým SDR, který dříve zpracoval 500 průměrných účtů, může s AI zpracovat 5 000 průměrných účtů. Kalendář se zaplní. Obrat ne nutně.

Co konkrétně vidíme v Amplifa: U průmyslových podniků s produkty vyžadujícími vysvětlení se míra sjednaných schůzek zřídka zvyšuje pouze díky větší personalizaci. Nejsilnější efekt pochází z lepšího výběru účtů. V projektech 2024 a 2025 se rozdíl mezi široce automatizovaným oslovováním a oslovováním zaměřeným na ICP a založeným na signálech často pohyboval v faktoru 2,4 až 3,7 v kvalifikovaných schůzkách na 1 000 cílových účtů. Náklady na schůzku neklesly, protože AI levněji psala texty, ale protože bylo kontaktováno méně špatných účtů. To je nepříjemné zjištění pro dodavatele nástrojů. Pro generální ředitele je to zlato.

Příklad: Výrobce automatizačních komponent, ne Festo, ale v podobném tržním segmentu, chtěl v lednu 2025 zdvojnásobit svou outbound aktivitu s AI. Původním cílem bylo 12 000 kontaktů za čtvrtletí. Zkrátili jsme na 3 800 relevantních účtů, na základě odvětví, indikátorů strojního parku, struktury poboček, signálů náboru, certifikací a spouštěčů z investičních zpráv. Výsledek po dvou čtvrtletích: méně e-mailů, více rozhovorů, lepší přijetí v prodeji. CSO, Daniel z Ulmu, poté řekl: „Chtěl jsem automatizaci. Nejprve jsem dostal disciplínu.“ Přesně tak to má být.

Amplifa pro B2B Pipeline Strategie, data a implementace s podporou AI pro střední B2B prodejní týmy se složitými cílovými trhy.

Proč investiční částky dávají falešnou jistotu

Investiční částky působí. 80 miliard USD rizikového kapitálu v nejlepším roce. Desítky miliard u hyperscalerů. Kola Series A a Series B mezi 20 a 200 miliony USD pro startupy s AI. Korporátní venture paže společností Siemens, Bosch, BMW nebo Schneider Electric, které financují startupy z oblasti Průmyslu 4.0 a AI. To zní jako tržní validace. Také to tak je. Ale nic to neříká o tom, zda středně velký výrobce má pod kontrolou svou vlastní nákladovou strukturu.

Investoři financují růst, ne vaše čištění dat. Hyperscaleři financují infrastrukturu, která se později musí prodat. Poskytovatelé SaaS sdružují AI do balíčků, protože to usnadňuje expanzi. Analytici píší o velikostech trhů, protože trhy se modelují snáze než vnitřní tření. Nikdo nakonec nesedí ve vašem řídícím výboru, když CIO řekne, že systém PLM nelze čistě připojit, prodej nevyužívá doporučení a ochrana dat stále vyžaduje analýzu rizik. Tyto náklady nejsou skryté, protože by byly neviditelné. Jsou skryté, protože je nikdo rád nepíše na první snímek.

Mechanika dodavatele: Sdružování, spotřeba a uzamčení

Tržní mechanika je jasná. Microsoft sdružuje AI do M365, Dynamics a Azure. Salesforce integruje Einstein a Data Cloud. ServiceNow, Oracle, SAP, Google a AWS integrují funkce AI do platforem. To je pohodlné. Snižuje to vstupní bariéry. Zvyšuje to však také uzamčení. Jakmile jsou pracovní postupy, datové modely, oprávnění a automatizace hluboce závislé na jedné platformě, stává se změna drahá. Ne nemožná. Ale dost drahá na to, aby se o ní v mnoha představenstvech nikdy vážně nediskutovalo.

K tomu se přidávají složité cenové modely: na bázi uživatelů, na bázi transakcí, na bázi tokenů, na bázi objemu, někdy kombinované. Nákup je vyškolen na licenční jednání, ne na variabilní spotřebu AI. Finanční ředitelé znají cloudové FinOps lépe než před pěti lety, ale AI FinOps je stále mladý. Pokud prodejní tým náhle škáluje automatické vyhledávání účtů, shrnutí rozhovorů, varianty e-mailů, aktualizace CRM a hodnocení signálů, spotřeba neroste lineárně s počtem uživatelů. Roste s návrhem procesu. To je jiná logika.

Regionální perspektiva: DACH, Evropa, globálně

DACH má specifickou strukturu nákladů na AI. Průmyslová hustota je vysoká, procesy jsou složité, datové krajiny historické, požadavky zákazníků přísné. Strojírenská firma v Bádensku-Württembersku má jiné integrační problémy než americká SaaS společnost. SAP je hluboce zakořeněn, systémy MES jsou individuálně přizpůsobeny, PLM je kritické, Excel stále žije (někdy velmi živě) a zákazníci jako BMW, Mercedes-Benz, Airbus nebo Siemens vyžadují důkazy, certifikace a spolehlivost. To něco stojí.

Evropa zpřísňuje otázku správy. AI Act přináší klasifikaci rizik a povinnosti transparentnosti. GDPR zůstává. K tomu se přidávají oborová pravidla. Ve Francii, severských zemích a Beneluxu vidím více podpůrných programů a částečně rychlejší základní digitální práci. V Německu vidím více skepse a za to často lepší procesní disciplínu, jakmile je projekt schválen. Globálně jsou USA a Asie agresivnější. Velké průmyslové a technologické společnosti investují 10 až 100 milionů USD ročně do programů AI. Čína, Korea a Japonsko pohánějí výrobní AI vysokou rychlostí. Ale rychlost bez správy není zdarma. Přesouvá náklady do rizika.

Pro střední podniky v DACH to znamená: Nemusí napodobovat hyperscalery. Musí selektivně vyhrávat. Výrobce obráběcích strojů nemusí spouštět 40 AI use-caseů. Možná potřebuje pět: podporu nabídek, identifikaci náhradních dílů, analýzu kvality, riziko dodavatelů, prodejní signály. Pokud je těchto pět čistě integrováno, porazí 40 pilotních projektů v inovačním newsletteru. Vím, že to zní neromanticky. Dobře tak.

Obchodní dopady: Kde AI skutečně vydělává peníze

Nejdůležitější obchodní otázka nezní: Jakou technologii AI používáme? Zní: Které úzké místo se ekonomicky zmenší? V prodeji to může být nedostatek kvalifikovaných rozhovorů. V servisu to může být doba zpracování technických dotazů. Ve výrobě to může být zmetkovitost nebo prostoje. V inženýringu to může být čas do vyhodnocení variant. Každá jiná diskuse je fetiš nástrojů.

Ve středních výrobních podnicích vidím čtyři pákové efekty, které mohou ospravedlnit náklady na AI. Za prvé: lepší pokrytí trhu se stejným prodejním týmem. Za druhé: kratší reakční doby na technické dotazy. Za třetí: méně chyb v opakujících se dokumentových a datových procesech. Za čtvrté: lepší rozhodování o zásobách, kvalitě a údržbě. To nejsou fantazie. Ale každý pákový efekt potřebuje měřicí body před startem. Pokud nikdo neví, kolik kvalifikovaných rozhovorů na 1 000 účtů dnes vzniká, nikdo později nemůže dokázat, že AI v prodeji fungovala.

U jednoho zákaznického projektu ve strojírenství jsme před automatizací nejprve změřili základ: 1 000 cílových účtů, 42 relevantních zpětných vazeb, 11 kvalifikovaných schůzek, 3 skutečné příležitosti. Po zpřesnění ICP a prioritizaci signálů s podporou AI to bylo u srovnatelného počtu účtů 27 kvalifikovaných schůzek a 8 příležitostí. Není to dokonalé. Ale měřitelné. Generální ředitel se nakonec méně zajímal o model než o otázku, zda se o šest měsíců později zvýšil příjem objednávek. Správně. AI není samoúčelná. Je to drahý nástroj, který buď řeší úzké místo, nebo jen moderně vypadá.

FAQ: Kdy se AI vyplatí navzdory vysokým nákladům?

AI se vyplatí, pokud ekonomicky relevantní proces má dostatek opakování, dostatečný přístup k datům a dostatečný objem rozhodování, aby automatizace nebo asistence měly znatelný dopad. Proces nabídek s 20 komplexními nabídkami ročně nemusí být dobrý první případ AI. Proces náhradních dílů s 18 000 dotazy ročně už spíše ano. Prodejní tým s nejasným ICP potřebuje nejprve strategii. Prodejní tým s jasným ICP, ale s nedostatečným pokrytím trhu, může získat skutečný pákový efekt díky generování leadů s podporou AI. Rozhoduje pořadí.

FAQ: Které náklady na AI se nejčastěji zapomínají?

Nejčastěji se zapomínají interní personální náklady, čištění dat, integrační testy, správa, školení a průběžné monitorování. Hned poté následuje zálohování, auditní stopy, zabezpečení a náklady na změnu dodavatele. V rozhovorech s finančními řediteli často slyším: „Máme externí náklady pod kontrolou.“ Tomu i věřím. Interní náklady jsou problémem, protože se projevují v kalendářích, schůzkách a zpožděních, nikoli v čisté faktuře.

FAQ: Měly by střední podniky trénovat vlastní modely?

Většinou ne. Ne na začátku. Trénovat vlastní základní modely je pro téměř všechny střední výrobce nesmysl. Příliš drahé, příliš náročné, příliš daleko od úzkého hrdla. Smysluplnější jsou stávající modely, přístupy k vyhledávání, čisté datové prostory, jasná práva a oborově specifické pracovní postupy. Jemné doladění může mít smysl později, pokud je k dispozici dostatečná kvalita dat, objem využití a správa. Kdo začne s vlastním modelem, aniž by vyjasnil své datové pojmy, staví pomník technické marnivosti.

Osobní prognóza: 2026 až 2028 se trh rozdělí

Moje prognóza pro následující dva až tři roky: Trh s AI v evropských středních podnicích se rozdělí do tří skupin. Skupina jedna bude pokračovat v pilotních projektech, využívat dotace, vytvářet interní prezentace a málo škálovat. Skupina dvě bude nakupovat velké platformové balíčky, pak trpět Opexem, integrací a přijetím. Skupina tři začne menšími projekty, bude tvrději prioritizovat, čistě kalkulovat TCO a s AI zacházet jako s operačním systémem pro konkrétní úzká místa. Tato třetí skupina nebude nejhlasitější. Bude mít lepší pipeline, stabilnější procesy a spolehlivější marže.

Také věřím, že náklady na AI dostanou v představenstvech vlastní jméno. Dnes mizí v IT, digitalizaci, efektivitě prodeje nebo operacích. Do roku 2028 bude mnoho středních podniků mít AI Opex reporting, podobně jako cloudové FinOps. Ne proto, že by controlling měl rád nové sloupce. Protože variabilní náklady na modely, licence platforem, údržba dat a správa by jinak narostly do šedého bloku. A šedé bloky jsou nepřítelem každé investiční disciplíny.

Střední podniky mají přitom výhodu, kterou mnozí podceňují: blízkost k problému. Generální ředitel výrobce v Heilbronnu zná svá úzká místa často přesněji než představenstvo koncernu se 14 transformačními týmy. Pokud se tato blízkost spojí s jasností dat a kapitálovou disciplínou, může AI přinést velmi mnoho. Ale ne jako magie. Jako práce. Jako nákladové středisko s nárokem na výnos. Jako systém, který se provozuje.

Před několika dny mi obchodní ředitel z Kolína poslal zprávu po interní revizi AI. Jen jedna věta: „Dnes jsme zrušili tři use casey a poprvé se cítíme rychlejší.“ To je možná nejzralejší strategie AI, kterou jsem tento týden viděl.