Transformace AI: Od pilotního projektu k rozšiřování
KI-Strategie · 14. September 2026 · Anthony Filipiak
Transformace AI často selže po pilotním projektu. Přečtěte si, jak středně velké podniky hodnotí, testují a škálují případy užití – s jasnými KPI od 1. týdne.
Transformace AI je zavedení umělé inteligence do podniku. Tak to stojí přibližně v každém druhém strategickém dokumentu. Není to tak úplně pravda. V praxi je transformace AI schopnost přeměnit pěkný pilotní projekt v proces, který běží v pondělí v 8 hodin ráno, když má obchodní ředitel špatnou náladu, SAP zlobí a nikdo nemá chuť na další nástroj.
Přesně tam středně velké podniky selhávají. Ne na GPT. Ne na vektorových databázích. Ale na cestě mezi demem a běžným provozem, mezi nadšením a měsíční uzávěrkou, mezi větou „to by mohlo být zajímavé“ a otázkou „kdo za to bude od příštího týdne zodpovědný?“
Píšu to jako Anthony Filipiak, CEO a spoluzakladatel Amplifa, z rozhovorů s generálními řediteli, CTO a obchodními řediteli ve středně velkých podnicích v regionu DACH. 50 až 500 zaměstnanců. Strojírenství ve Východním Vestfálsku, automatizační technika v Bádensku-Württembersku, techničtí prodejci mezi Norimberkem a Ulmem. Firmy, které nechtějí filozofovat o AI. Chtějí vědět, zda pilotní projekt za osm týdnů něco přinese – a zda by ho pak měly škálovat nebo pohřbít.
Proč se transformace AI nyní ve středně velkých podnicích mění
Do roku 2023 byla AI pro mnoho středně velkých podniků tématem představenstva bez rozhodnutí představenstva. Vyzkoušeli ChatGPT, udělali pár interních workshopů, možná hackathon s pizzou, Post-ity a místností, která voněla po fixách. Poté často zbyla jen Miro tabule. Nic víc.
Od roku 2024 se tón změnil. Akt o umělé inteligenci EU vstoupil v platnost 1. srpna 2024, povinnosti přicházejí postupně a od 2. února 2025 je na pořadu dne AI gramotnost. To zní jako potrava pro právníky. Ale není to jen to. Nutí to vedení firem, aby AI již nepovažovalo za experimentální pole jednotlivých oddělení, ale za řízenou schopnost s pravidly, odpovědností a měřením.
Současně roste vnější tlak. Trumpf, Festo, Phoenix Contact a Schaeffler již nemluví jen o automatizaci ve výrobě, ale o AI v servisu, prodeji, inženýringu a kvalitě. Pokud dodavatel v roce 2026 stále ručně posílá každý technický dotaz přes tři schránky, zatímco konkurent propojuje AI předkvalifikaci, logiku nabídek a vyhledávání znalostí, pak to už není zaostávání v digitalizaci. To je riziko pro pipeline.
Podle několika aktuálních příruček a případových studií pro středně velké podniky se úspěšná transformace AI řídí poměrně stabilním vzorem: hodnocení případů užití, PoC, pilotní projekt, zavedení, škálování. První pilotní projekt obvykle trvá 8 až 12 týdnů, širší škálování 3 až 12 měsíců. Zní to slušně. Ve skutečnosti však jen část zahájených pilotních projektů uspěje v přechodu do běžného provozu – často 20 až 40 procent, v závislosti na úrovni zralosti a odvětví; benchmark z farmaceutického průmyslu dokonce uvádí pouze 3 z 23 pilotních projektů, tedy asi 13 procent.
A teď ta nepříjemná otázka: Pokud sedm z deseti pilotních projektů AI není škálováno, proč firmy stále oslavují zahájení pilotního projektu? Raději bych oslavil rozhodnutí o zrušení. To šetří peníze.
Transformace AI nezačíná technologií, ale hodnocením
Ve středně velkých podnicích stále vidím stejný reflex. Nejprve se hledá nástroj. Pak případ užití. Špatné pořadí. Kdo takto začne, skončí u řešení, které technicky funguje, ale ekonomicky nikomu nepatří.
Dobré hodnocení případů užití je brutální. Neptá se: „Kde bychom mohli použít AI?“ Tato otázka produkuje 40 nápadů a žádné příjmy. Lepší otázka zní: „Který proces dnes prokazatelně spotřebovává čas, peníze nebo pravděpodobnost uzavření obchodu – a má dostatek dat, aby AI nemusela hádat?“
Andrea, vedoucí prodeje u Hidden Champion v Bielefeldu, mi v březnu 2025 řekla větu, která mi utkvěla v paměti: „Nemáme strach z AI. Máme strach z dalšího projektu, který skončí v CRM a pak se o něj nikdo nestará.“ To je ten bod. Středně velké podniky nejsou nepřátelské vůči technologiím. Mají jen dobrou paměť na neúspěšné iniciativy.
Hodnotící mřížka proto musí mít čtyři tvrdé dimenze: obchodní dopad, technickou proveditelnost, dostupnost dat a riziko. Téměř vždy doplňuji Time-to-Value. Ne proto, že bych byl netrpělivý. No, skoro. Ale proto, že středně velké podniky nemají 18 měsíců na to, aby zjistily, zda AI asistent pro přípravu nabídek nějak přispívá k marži.
Pro AI-Readiness uvádějí prozkoumané příručky obvykle 1 až 3 týdny pro zaměřenou oblast a 4 až 6 týdnů, pokud je zapojeno více funkčních oblastí. Moje zkušenost tomu odpovídá. Pokud po šesti týdnech stále není k dispozici prioritizovaný případ užití s datovou základnou, KPI a logikou rozhodování, obvykle není analýza příliš složitá. Pak se nikdo nechce rozhodnout.
| Fáze | Typické období | Nejdůležitější výsledek | Nejčastější chyba | Benchmark pro středně velké podniky |
|---|---|---|---|---|
| 1. AI-Readiness & Hodnocení případů užití | 1–3 týdny zaměřeně, 4–6 týdnů napříč odděleními | Prioritizovaný seznam případů užití s hodnocením | Příliš mnoho nápadů, žádná kritéria pro zrušení | Top 1 případ užití musí být měřitelný za 6–12 týdnů |
| 2. PoC / Prototyp | 2–4 týdny | Funkční prototyp s reálnými daty | Demo data místo procesní reality | 30 000–80 000 € při mírné integraci |
| 3. Pilotní provoz v reálném provozu | 4–8 týdnů | Zpráva o KPI, zpětná vazba od uživatelů, analýza rizik | Pilot bez tvrdého pravidla Go/No-Go | Možná úspora času 20–40 % v dobře vymezeném pracovním postupu |
| 4. Zavedení / Uvedení do produkce | 4–12 týdnů po pilotním projektu | Běžný proces s vlastnictvím | Žádné monitorování, žádná procesní odpovědnost | Jedno oddělení místo celého podniku |
| 5. Škálování & Udržitelnost | 3–12 měsíců | Další případy užití, správa, provoz | Nekontrolovaný růst a stínová AI | 20–40 % pilotních projektů dosáhne produktivního škálování |
| 6. Zralost správy | průběžně od 3. měsíce | Zásady, role, auditní stopy, soulad s EU AI Act | Kontrola souladu až po škálování | AI gramotnost relevantní od února 2025 |
5 fází transformace AI – bez divadla
Fáze 1: Připravenost a hodnocení případů užití
Připravenost zní jako poradenský žargon. Mám tím na mysli něco jednoduchého: Víme, kde leží data, kdo vlastní proces, jaké KPI se počítá a kolik bolesti skutečně existuje? Když generální ředitel řekne, že proces nabídky trvá příliš dlouho, nechci slyšet názor. Chci vidět 30 nabídek. Časové razítko. Kola korektur. Marže. Důvody ztracených obchodů.
U technického prodejce poblíž Stuttgartu – 180 zaměstnanců, mnoho produktů Kärcher a Festo v sortimentu – jsme v dubnu 2025 v první analýze našli 17 možných případů užití AI. Zní to dobře. Bylo to špatné. Po hodnocení zůstaly dva: automatický průzkum cílových zákazníků v prodeji a vyhledávání znalostí pro technické produktové otázky. Všechno ostatní bylo buď příliš nejasné, příliš chudé na data, nebo politicky příliš horké.
Nejdůležitější otázka hodnocení není, zda AI může pomoci. AI může téměř všude nějak pomoci. Otázka zní, zda má proces dostatek opakování, aby se zlepšení vyplatilo. Výrobce speciálních strojů s pěti vysoce individuálními projekty ročně potřebuje jiné případy užití AI než prodejce náhradních dílů se 4 000 dotazy měsíčně. Kdo to ignoruje, staví krásné prototypy pro špatné procesy.
Fáze 2: PoC s reálnými daty, ne s demo materiálem
Proof of Concept musí být malý. Ne malý v ambicích. Malý v rozsahu. PoC nemá ukázat, že AI je obecně možná. To víme. Má ukázat, zda konkrétní pracovní postup s reálnými daty, reálnými chybami a reálnými uživateli v zásadě funguje.
Prozkoumané benchmarky uvádějí 2 až 4 týdny pro PoC s jasně vymezeným pracovním postupem. To sedí. U AI plus RPA se často uvádí minimálně 500 tréninkových datových sad, než se seriózně měří kvalita. U projektů řízení znalostí mluvíme o konektorech k SharePointu, CRM, ERP nebo e-mailu, chunkingu, embeddingech a vektorové databázi. To zní technicky. Také to tak je. Ale obchodní test zůstává stejný: Je odpověď rychlejší, správnější nebo efektivnější pro prodej?
Jsem alergický na PoC, které běží pouze na vyčištěných příkladech. V reálném provozu se soubory jmenují „finalneuv3 opravdu final.pdf“. Informace o produktech jsou v PDF, starých e-mailech, polích ERP a v hlavě Ralfa z interního prodeje, který už 19 let ví, který zákazník vždy chce speciální lakování. Pokud systém funguje pouze s perfektními daty, není to PoC. Je to kulisa.
Fáze 3: Pilotní provoz v reálném provozu
Pilotní projekt je okamžik, kdy se AI setkává s kancelářskou rutinou. Klepání klávesnice, pět otevřených záložek, zprávy Teams, zákazník, který píše „naléhavě“ a ve skutečnosti myslí „včera“. Zde se ukáže, zda uživatelé systém používají dobrovolně, nebo jen proto, že vedle nich stojí digitální ředitel.
Pilotní projekt by měl trvat 4 až 8 týdnů. Kratší je často jen show. Delší se stává nebezpečným, protože z pilotního projektu se stane přechodný stav, který nikdo neukončí. Říkám tomu zombie projekt: Žije, stojí peníze, nic nerozhoduje. V mnoha firmách takto běží 10 až 20 procent AI iniciativ. Není dost mrtvý na vypnutí, není dost dobrý na škálování.
KPI musí být stanovena před zahájením pilotního projektu. Úspora času na operaci. Míra chyb. Doba průchodu. Akceptace. Páka na obrat. Porušení souladu. V prodeji téměř vždy doplňuji míru schůzek, kvalitu odpovědí a podíl relevantních cílových zákazníků. Systém AI, který napíše 300 personalizovaných studených e-mailů a 290 z nich pošle na špatné kontakty, není efektivita. Je to hluk s přístupem k API.
Fáze 4: Zavedení a uvedení do produkce
Zavedení je nudné. Přesně proto je důležité. Monitorování, logování, koncepty práv, školení, procesní dokumentace, kanál podpory, údržba dat, pravidla eskalace. Žádná scéna. Žádný potlesk. Jen provoz.
Mnoho generálních ředitelů tuto fázi podceňuje, protože pilotní projekt již funguje. To je mylná představa. Pilotní projekt často funguje, protože ho nesou tři motivovaní lidé. Uvedení do produkce znamená, že i kolegyně z interního prodeje, která nemá chuť na „kouzla AI“, s ním může pracovat ve středu v 16:40, aniž by volala IT.
Období obvykle trvá 4 až 12 týdnů po skončení pilotního projektu. U firem s čistým CRM, jasnými datovými správci a pragmatickým IT to jde rychleji. U rozvinutých ERP systémů, starých DMS systémů a procesu ochrany dat, který voní po šanonech, to trvá déle. To není špatné. Špatné je jen předstírat, že zavedení je kliknutí.
Fáze 5: Škálování a udržitelnost
Škálování nezačíná, když CEO řekne: „Teď to uděláme všude.“ Škálování začíná, když druhý případ užití bolí méně než první. Opakovaně použitelné datové pipeline. Prompt šablony. Role. Správa. Formáty školení. Rozhodovací orgány, které nediskutují každý případ užití znovu, jako by nikdo nikdy neviděl AI.
Zdroje uvádějí 3 až 12 měsíců do širšího škálování. Považuji tento rozsah za realistický, ale nepohodlný. Tři měsíce zvládnou firmy, pokud mají jasný proces, vysokou pozornost managementu a málo integračních dluhů. Dvanáct měsíců je normální, pokud se zapojí více lokalit, ochrana dat, zaměstnanecká rada a starší systémy. Nebo se nezapojí.
První pilotní projekt AI je zřídka problém. Druhý rozhoduje, zda se firma poučila – nebo měla jen štěstí.
— Anthony Filipiak, CEO & Co-Founder bei Amplifa
Co konkrétně vidíme v Amplifa
Co konkrétně vidíme v Amplifa: V posledních 12 měsících měly středně velké B2B firmy v našich projektech zřídka problém s nápady. Medián byl 14 diskutovaných případů užití AI na prvním workshopu. Nakonec se škálovaly většinou jeden nebo dva. Vzor je jasný: Přežijí případy užití s přímým vztahem k příjmům, čistým přístupem k datům a silným vlastníkem z odborného oddělení. Případy užití bez vlastníka umírají, i když technika funguje.
Druhý vzor: Projekty AI blízké prodeji často interně rychleji překonávají čistě back-office projekty, ne proto, že by prodej byl kouzelnější, ale proto, že efekt je viditelnější. Když Markus, obchodní ředitel dodavatele strojírenských dílů z Augsburgu, po 9 měsících vidí třikrát tolik kvalifikovaných prvních schůzek v týmu – bez nových prodejců –, pak se nikdo neptá, zda je AI „strategicky relevantní“. Pak se finanční ředitel ptá na náklady na schůzku.
Ale i tam platí: Bez přesnosti ICP se AI stane spamovacím strojem. Vidím firmy, které koupí 20 000 kontaktů, pustí na ně jazykový model a diví se, že trh reaguje podrážděně. Kdo v roce 2026 stále věří, že AI v prodeji znamená více zpráv více lidem, nepochopil téma. Dobrá AI snižuje cílové skupiny. Dělá méně, ale přesněji.
Amplifa ICP Playbook Strukturovaný úvod k čisté definici cílových zákazníků, než AI automatizuje oslovení, průzkum nebo generování leadů.
Data, náklady a tvrdé kvóty v transformaci AI
Náklady se ve středně velkých podnicích často diskutují špatně. První reflex zní: „Kolik stojí nástroj?“ Lepší otázka zní: „Kolik dnes stojí proces?“ Pokud tým měsíčně stráví 300 hodin ručním průzkumem, přípravou nabídek nebo klasifikací tiketů, pak implementace za 40 000 eur není drahá ani levná. Je to sázka proti současné ztrátě času.
Pro středně velké podniky v regionu DACH vidím zhruba tři nákladové bloky. Zaprvé analýza potenciálu a připravenost: 10 000 až 30 000 eur, pokud je zapojena externí expertiza. Zadruhé PoC nebo první pilotní projekt: 30 000 až 80 000 eur při mírné integraci, 80 000 až 150 000 eur při složitosti ERP, CRM, RPA nebo vlastního modelu. Zatřetí běžný provoz: často 1 000 až 5 000 eur měsíčně za SaaS, cloud a údržbu u jednotlivých případů užití.
Vnitřní náklady jsou téměř vždy podceněny. Pilotní projekt typicky vyžaduje 0,2 až 0,4 FTE z odborného oddělení a IT po dobu 2 až 3 měsíců. Ne na papíře. Skutečně. Schůzky, přístup k datům, testovací případy, zpětná vazba, školení. Pokud generální ředitel pro to nikoho neuvolní, zaplatí pilotní projekt dvakrát: jednou poskytovateli služeb a jednou za zpoždění.
Míra úspěšnosti zůstává slonem v místnosti. 20 až 40 procent pilotních projektů AI se v mnoha středně velkých prostředích dostane do produktivního škálování. Při špatné prioritizaci klesá míra pod 20 procent. Farmaceutický benchmark s 23 pilotními projekty a pouze 3 produktivními případy ukazuje tvrdou stránku: Aktivita není pokrok. Mnoho pilotních projektů je jen zaměstnání s lepším brandingem.
| Faktor nákladů/přínosů | Konzervativní scénář | Realistický scénář | Ambiciózní scénář | Komentář |
|---|---|---|---|---|
| Počáteční připravenost | 10 000 € | 20 000 € | 30 000 € | Workshopy, analýza procesů, kontrola dat, hodnocení případů užití |
| PoC / Pilot | 30 000 € | 60 000 € | 120 000 € | V závislosti na integraci do CRM, ERP, DMS nebo RPA |
| Interní náklady | 0,2 FTE po dobu 8 týdnů | 0,3 FTE po dobu 12 týdnů | 0,5 FTE po dobu 16 týdnů | Odborné oddělení plus IT, často není řádně rozpočtováno |
| Úspora času za měsíc | 80 hodin | 180 hodin | 350 hodin | Typické pro průzkum, kontrolu dokumentů, přípravu nabídek |
| Interní hodinová sazba | 40 €/h | 55 €/h | 70 €/h | Zohlednění plných nákladů, nejen mzdy |
| Roční hrubý přínos | 38 400 € | 118 800 € | 294 000 € | Úspora času × hodinová sazba × 12 |
| ROI v prvním roce při nákladech na pilotní projekt | negativní až mírně pozitivní | cca 50–100 % | přes 150 % | Pouze při skutečném využití, jinak Excelový folklór |
Proč se mnoho pilotních projektů AI nerozšiřuje
Zde odporuji oblíbenému vyprávění: Pilotní projekty AI zřídka selhávají, protože model je příliš hloupý. Selhávají, protože firma rozhoduje příliš měkce. Žádné KPI. Žádný vlastník. Žádný rozpočet na zavedení. Žádný proces, který by se po pilotním projektu skutečně změnil.
CTO z Norimberku – nazvěme ho Jens, 240 zaměstnanců, komponenty pro automatizaci – mi nedávno řekl: „U nás to nefunguje, když to odborné oddělení vidí jako IT projekt.“ Má pravdu. AI v prodeji není IT projekt. AI v kvalitě není IT projekt. AI v řízení znalostí také ne. IT staví mantinely a integraci. Odborné oddělení musí vlastnit bolest.
Druhým zabijákem je datová romantika. Mnoho firem mluví o datech jako o strategickém aktivu, ale nikdo neví, která produktová data jsou aktuální, kdo spravuje segmenty zákazníků nebo proč v CRM existuje 14 variant „Robert Bosch GmbH“. Při prvním exportu dat se ozve zvuk, který znám z projektů: krátké ticho. Poté věta jako „to musíme nejprve vyčistit“.
Třetím zabijákem je špatná logika změny. Školení na konci nestačí. Lidé nepřijmou nový systém, protože ho vysvětluje PowerPointová prezentace. Přijmou ho, když se objeví v jejich pracovním toku, znatelně jim ulehčí práci a jejich nadřízený zároveň nezmění staré KPI. Kdo zavede AI a ponechá řízení stejné, vytváří tření.
Druhý úhel pohledu: Ne každý proces si zaslouží AI
Nyní protipozice, která mi v mnoha AI kruzích chybí: Někdy je AI špatné řešení. Není to tak úplně pravda. Někdy je AI drahá oklika pro špatný proces.
Pokud jsou faktury špatně přiřazeny, protože kmenová data nejsou udržována, možná je nejprve potřeba hygiena dat. Pokud obchodníci nesledují nabídky, protože odpovědnosti jsou nejasné, žádný model hodnocení leadů nepomůže. Pokud jsou servisní znalosti pouze v hlavách tří lidí, systém druhého mozku může pomoci – ale až poté, co tito tři lidé dostanou čas na převedení znalostí do použitelné formy.
Právě ve středně velkých podnicích vidím nebezpečnou zkratku: AI má zakrýt organizační konflikty. Prodej a marketing se hádají o kvalitu leadů? Pak se koupí nástroj AI. Inženýring a prodej mluví odlišně o variantách produktů? Pak má chatbot zprostředkovat. Ne. AI často posiluje proces, který najde. Je-li proces čistý, stane se užitečnou. Je-li chaotický, škáluje chaos.
To neznamená, že středně velké podniky by měly nejprve pět let pracovat na datové strategii. Prosím ne. To by byla další chyba. Je třeba být jen dostatečně upřímný, abychom rozlišovali mezi třemi věcmi: problémem procesu, problémem dat, příležitostí AI. Kdo všechno nazývá příležitostí AI, spaluje rozpočet.
Srovnání odvětví: strojírenství, obchod, služby
Ve strojírenství vidím nejsilnější páky AI často v přípravě nabídek, technickém vyhledávání znalostí, identifikaci náhradních dílů a směrování servisních tiketů. Firmy v okolí DMG Mori, Trumpf nebo Wittenstein pracují se složitými variantami produktů, dlouhými prodejními cykly a mnoha implicitními znalostmi. Tam AI zřídka přináší rychlý efekt „jedno kliknutí, hotovo“. Přináší strukturu do přípravných prací, průzkumu a opětovného použití.
V technickém obchodě je páka jiná. Více objemu. Více opakujících se dotazů. Více produktových dat. Prodejce s komponenty Phoenix Contact, Festo a Schaeffler může díky klasifikaci podporované AI, průzkumu křížových referencí a automatizovaným návrhům nabídek velmi rychle získat měřitelný čas. Vůně ve skladu po kartonu a kovu už napovídá, co později potvrdí Excelová tabulka: mnoho malých operací, mnoho manuální práce, dobrý automatizační potenciál.
U znalostně náročných poskytovatelů služeb – inženýring, poradenství, technické plánování – spočívá hodnota často v druhém mozku. Nabídky, projektová dokumentace, získané zkušenosti, normy, požadavky zákazníků. Prozkoumané příručky zde popisují 5fázovou logiku: audit v týdnech 1 až 3, struktura v týdnech 4 až 6, integrace do týdne 12, zavedení v měsících 4 až 5, udržitelnost od měsíce 6. Tuto časovou osu považuji za rozumnou. Rychleji to jde, pokud dokumentační prostředí nevypadá jako sklad po stěhování.
Dodavatelé automobilového průmyslu mají ještě zvláštní případ. Brose, Webasto, Schaeffler a jejich dodavatelské řetězce pracují s vysokou procesní disciplínou, ale také s velkým tlakem na dodržování předpisů. Tam musí být AI Governance zavedena brzy. Ne jako brzda. Jako podmínka škálování. Kdo v automobilovém prostředí zavede AI bez auditovatelnosti, modelu rolí a klasifikace dat, bude mít nejpozději při požadavcích zákazníků nebo interních auditech bolesti břicha.
Praktický příklad: 8 týdnů pilotního projektu, 11 měsíců škálování
Příklad z naší práce, anonymizovaný, protože zákazník nechce skončit v blogovém článku jako případ transformace. Středně velký B2B dodavatel z jižního Německa, 220 zaměstnanců, technické komponenty, prodej v DACH a Beneluxu. Začátek v lednu 2025. Problém: Obchodní zástupci dostávali příliš mnoho polopřesných leadů, průzkum trval dlouho, data v CRM byla neúplná a nejlepší cíloví zákazníci byli často objeveni až tehdy, když už s nimi jednal konkurent.
Fáze 1 trvala 12 pracovních dnů. Shromáždili jsme 16 případů užití, 5 vážně vyhodnotili a 2 prioritizovali. Vítězem nebyl nejúžasnější případ užití. Byla to AI-podporovaná analýza cílových zákazníků s ICP-matchingem, rozpoznáváním signálů a předkvalifikací pro definované prodejní segmenty. Nudné? Možná. Cenné? Ano.
PoC trval 3 týdny. Pracovali jsme s existujícími zákaznickými daty, veřejnými firemními signály, historií CRM a vylučovacími kritérii. První prototyp nebyl dokonalý. Našel firmy, které prodejci znali. To bylo zpočátku zklamání. Pak jsme našli firmy, které prodejci znali, ale dva roky s nimi nepracovali. To bylo zajímavější. V týdnu 5 se na seznam dostali cíloví zákazníci, které nikdo předtím aktivně neprioritizoval.
Pilotní projekt trval 8 týdnů s prodejním týmem 9 lidí. KPI: kvalifikované první schůzky, čas na průzkum na účet, podíl účtů odpovídajících ICP, kvalita odpovědí v outreach. Výsledek po skončení pilotního projektu: čas na průzkum na účet minus 38 procent, kvalifikované schůzky plus 62 procent oproti průměru za předchozí tři měsíce, kvalita dat v CRM výrazně lepší, protože nová pole byla přímo využívána v procesu. Žádné překvapení. Když se data stanou užitečnými, lidé se o ně spíše starají.
Škálování pak trvalo 11 měsíců, ne 11 dní. Proč? Dvě další země, jiná segmentační logika, kontrola ochrany dat, model rolí, školení pro interní prodej a obchodní zástupce, přizpůsobení veletržním kampaním. V listopadu 2025 běžel proces ve třech obchodních jednotkách. Náklady v prvním roce se pohybovaly v nízkých šesticiferných číslech. Finanční ředitel nepočítal s „fascinací AI“, ale s náklady na kvalifikovanou schůzku a příspěvkem do pipeline. Přesně tak to má být.
Produkt Amplifa AI-podporovaná identifikace, průzkum a prioritizace B2B cílových zákazníků – vytvořeno pro prodejní týmy, které potřebují pipeline místo demo nástrojů.
Transformace AI a správa: Nepohodlná povinnost
Správa zní jako brzda. Chápu ten reflex. Mnoho středně velkých podniků slyší to slovo a vidí výbory, směrnice, dlouhé PDF. Ale bez správy se AI ve firmě stane stínovým IT s lepším rozhraním. Každý používá něco jiného. Zákaznická data putují do nástrojů, které nikdo neprověřil. Výsledky se kopírují bez zdrojů. A jednoho dne se úředník pro ochranu dat zeptá, kdo to schválil.
AI Governance nemusí být složitá. Pro firmy s 50 až 500 zaměstnanci stačí na začátku často pět stavebních kamenů: povolené nástroje, zakázaná data, proces schvalování nových případů užití, odpovědnosti, kritéria monitorování. Akt o umělé inteligenci EU zvyšuje tlak, ale skutečný důvod je operativní. Bez pravidel nelze škálovat. Lze jen doufat.
Doporučuji generálním ředitelům, aby o správě přemýšleli od prvního pilotního projektu, ne až po třetím zavedení. To neznamená, že každý experiment musí projít výborem. Ale jakmile jsou ve hře skutečná zákaznická data, osobní údaje, automatizovaná rozhodnutí nebo externí komunikace, jsou potřeba mantinely. Jinak úspěšný pilotní projekt později dožene riziko souladu.
| Stavební kámen správy | Minimální verze pro středně velké podniky | Kdy je potřeba | Typický vlastník |
|---|---|---|---|
| Zásady pro nástroje | Seznam povolených nástrojů AI a pravidel používání | od 1. týdne | Vedení IT a generální ředitelství |
| Klasifikace dat | Která data smí do kterého systému? | před PoC s reálnými daty | Ochrana dat, IT, odborné oddělení |
| Schválení případu užití | Hodnocení plus kontrola rizik | před zahájením pilotního projektu | AI Steering nebo digitální manažeři |
| Human-in-the-loop | Jasné rozhodnutí, co AI navrhuje a co člověk schvaluje | při komunikaci se zákazníky a rozhodování | Vlastník procesu |
| Monitorování | Kvalita, chyby, využití, náklady, stížnosti | od pilotního provozu v reálném provozu | Product Owner |
| AI gramotnost | Povinné školení pro relevantní skupiny uživatelů | relevantní od února 2025 | HR, Compliance, odborné oddělení |
Jaké KPI patří do pilotního projektu AI?
Krátká odpověď: méně KPI, ale lepší. Vidím pilotní plány s 18 metrikami, z nichž žádná není rozhodující. Dobrý pilotní projekt potřebuje jedno hlavní KPI, dvě až čtyři vedlejší KPI a jasnou hranici pro škálování, iteraci nebo zrušení.
Pro automatizaci pracovního postupu jsou typické KPI: doba průchodu, doba ručního zpracování, míra chyb, míra výjimek a náklady na operaci. Pro řízení znalostí: doba vyhledávání, kvalita odpovědí, míra opětovného použití, kola korektur. Pro prodej: ICP-Fit, kvalifikované schůzky, míra odpovědí, doba průzkumu, příspěvek do pipeline. Ano, příspěvek do pipeline trvá déle. Ale pokud prodej nakonec nepřispívá k obratu, diskutujeme jen o kosmetice aktivit.
Dobré kritérium pro Go by mohlo vypadat takto: minimálně o 25 procent méně času na zpracování, žádné zhoršení kvality, minimálně 70 procent aktivního využití v pilotním týmu a žádné červené nálezy souladu. To není dokonalé. Upřímně? Dokonalost je vzácná. Ale nutí to k rozhodnutí.
FAQ: Jak dlouho trvá transformace AI ve středně velkých podnicích?
Pro první měřitelný pilotní projekt by generální ředitelé měli počítat s 8 až 12 týdny, pokud je případ užití jasně vymezen. Do širšího škálování napříč několika oblastmi to obvykle trvá 3 až 12 měsíců. Rozsah závisí méně na modelu než na přístupu k datům, IT krajině, schopnosti rozhodování a nákladech na změnu. Kdo v 1. týdnu nejmenuje vlastníka, ztratí později měsíce.
FAQ: Kolik stojí první pilotní projekt AI?
Zaměřený PoC nebo pilotní projekt ve středně velkých podnicích v regionu DACH se často pohybuje mezi 30 000 a 80 000 eury, pokud je zapojeno externí poradenství a implementace. Složité integrace s ERP, CRM, RPA nebo vlastními modely mohou stát 80 000 až 150 000 eur. K tomu se přidávají interní náklady, často 0,2 až 0,4 FTE po dobu 2 až 3 měsíců. Kdo rozpočtuje pouze licence na nástroje, rozpočtuje špatně.
FAQ: Které případy užití AI se škálují nejlépe?
Nejlépe se škálují případy užití s jasným objemem procesů, dobrým přístupem k datům a viditelným obchodním dopadem. Ve středně velkých podnicích jsou to často příprava nabídek, technické vyhledávání znalostí, směrování servisních tiketů, kontrola faktur nebo dokumentů, průzkum cílových zákazníků a prioritizace leadů. Hůře se škálují prestižní případy užití bez vlastníka. CEO chatbot často patří mezi ně. Nikdo to nerad říká. Já ano.
7 kroků pro transformaci AI bez hřbitova pilotních projektů
- Začněte s procesem, ne s nástrojem. Zaznamenejte aktuální průběh, včetně mediálních zlomů, čekacích dob a odpovědných osob. Pokud nikdo nevlastní proces, nikdo nevlastní ani úspěch AI.
- Vyhodnoťte případy užití pomocí hodnotící mřížky. Použijte obchodní dopad, technickou proveditelnost, dostupnost dat, riziko a Time-to-Value. Vše pod definovaným bodovým hodnocením nebude pilotováno, bez ohledu na to, jak zajímavě to zní.
- Omezte první PoC na 2 až 4 týdny. Musí pracovat s reálnými daty a odpovídat na konkrétní otázku. Ne: Může AI pomoci? Ale: Sníží toto řešení přípravu nabídek v segmentu X o minimálně 25 procent?
- Naplánujte pilotní projekt na 4 až 8 týdnů v reálném provozu. Před zahájením stanovte KPI, skupinu uživatelů, zdroje dat, podporu a pravidla Go/No-Go. Po pilotním projektu se rozhodne, ne se dále diskutuje.
- Rozpočtujte zavedení a provoz již před pilotním projektem. Monitorování, logování, práva, školení a vlastnictví stojí čas. Pokud na to není rozpočet, pilotní projekt nezahajujte.
- Zaveďte správu lehce, ale brzy. Definujte povolené nástroje, pravidla pro data, procesy schvalování a odpovědné osoby. To nejen chrání před riziky, ale také umožňuje opakovatelné škálování.
- Viditelně zrušte špatné pilotní projekty. Zrušený pilotní projekt s čistou křivkou učení není selhání. Zombie pilotní projekt bez rozhodnutí je selhání s měsíčním vyúčtováním.
Kde Amplifa pomáhá v transformaci AI
Amplifa nesedí v každém AI procesu firmy. Ani nechceme. Naše zaměření je tam, kde AI přímo ovlivňuje zpracování trhu, cílové zákazníky, průzkum, prodejní signály a pipeline. Tedy tam, kde si mnoho středně velkých podniků dnes uvědomuje: Inbound už sám o sobě nestačí.
Kdo v roce 2026 stále sází na čistě inbound strategii, nebude mít za pět let žádnou pipeline. Říkám to záměrně tvrdě. SEO, veletrhy, doporučení a partnerské obchody zůstávají důležité. Ale trhy se zužují, nákupní komise se zvětšují a mnoho dobrých cílových zákazníků aktivně nehledá nového dodavatele. Musí být rozpoznáni, než se objeví ve funnelu.
AI zde může mnoho pokazit, pokud je použita špatně. Více oslovení horších kontaktů. Více generických zpráv. Více CRM odpadu. Dobrá AI dělá opak: Zpřesňuje ICP, rozpoznává relevantní firemní události, prioritizuje účty, připravuje průzkum a pomáhá prodejním týmům pracovat s menšími ztrátami.
Amplifa pro AI-podporovanou B2B Pipeline Pro generální ředitele a obchodní ředitele, kteří AI nevidí jako hračku, ale jako systém pro cílové zákazníky, načasování a kvalifikovanou pipeline.
Role vedení v transformaci AI
Mnoho generálních ředitelů deleguje AI příliš brzy. Na IT. Na Digital. Na motivovanou projektovou skupinu. Samozřejmě, tito lidé jsou potřeba. Ale klíčové otázky jsou záležitostí šéfů: Které procesy jsou strategicky relevantní? Jaká rizika akceptujeme? Které pilotní projekty zrušíme? Jakou změnu chování očekáváme od vedoucích pracovníků?
Generální ředitel z Heilbronnu, Martin, 130 zaměstnanců v strojírenství, mi po workshopu řekl: „Myslel jsem, že musím rozumět AI. Teď si uvědomuji, že musím rychleji rozhodovat.“ Přesně tak. CEO nemusí vědět, jak matematicky fungují embeddingy. Musí vědět, kdy pilotní projekt poskytl dostatek důkazů.
CTO a digitální manažeři potřebují podporu. Ne jako volnou ruku. Jako rámec pro rozhodování. Pokud se každé schválení dat, každá kontrola nástroje a každá otázka odborného oddělení eskaluje jednotlivě, rychlost umírá. A rychlost u AI není luxus. Funkční prototyp za týdny místo měsíců je ochranou proti PowerPoint AI.
Moje prognóza pro transformaci AI ve středně velkých podnicích
Do konce roku 2026 se středně velké podniky rozdělí do dvou skupin. První skupina zahájila několik pilotních projektů AI, ale nevybudovala opakovatelnou metodu. Tam existují chatboti, experimenty a několik úspěšných příběhů, které se ukazují na výročních setkáních. Druhá skupina má hodnocení případů užití, 8- až 12týdenní pilotní režim, jasná pravidla pro zavedení a jednoduchou správu. Tato skupina nebude hlasitější. Jen rychlejší.
Nevěřím v jednu velkou transformaci AI s hlavním plánem na 36 měsíců. Příliš pomalé. Příliš abstraktní. Věřím v tvrdé, krátké cykly: hodnotit, stavět, testovat, měřit, škálovat nebo zrušit. Pak znovu od začátku. To zní méně okouzlující než „AI-enabled organizace“. Ale funguje to lépe.
Středně velké podniky pro to mají vlastně ty nejlepší předpoklady. Krátké cesty. Odborné znalosti. Blízkost k zákazníkům. Méně korporátní politiky než u velkých, alespoň v dobrých dnech. Ale mají také slabost: Příliš dlouho se drží projektů, které nikomu nemají ublížit. AI to neodpouští.
Pokud v rozhovorech s generálními řediteli slyším jednu věc stále dokola, pak je to tato: „Nechceme ztratit krok.“ Pochopitelné. Ale krok neztratíte, protože zahájíte příliš málo pilotních projektů AI. Ztratíte ho, protože neukončíte špatné pilotní projekty.