Open Source AI: Zpráva o trendech pro střední podniky

KI & Automatisierung · 27. Mai 2026 · Rebecca Kupka

Open Source AI mění ceny, závislost na dodavateli a strategii GenAI ve středních podnicích. Přečtěte si, co výrobci v regionu DACH rozhodnou před rozpočtovým kolem v roce 2025.

Minulé úterý, v 8:17, sedím v naší berlínské kanceláři na hovoru s Thomasem, generálním ředitelem dodavatele z okolí Heilbronnu. Vedle něj hučí kávovar, někde v pozadí pípá vysokozdvižný vozík couvající dozadu a na jeho obrazovce leží Excel s dodavatelskými cenami, reklamacemi a 2 861 otevřenými CRM aktivitami. „Chci používat AI,“ říká Thomas, „ale nechci, aby naše výkresy a marže jednoho dne ležely v Seattlu nebo San Franciscu.“ Přesně na této větě visí trh s Open Source AI. Ne na benchmarcích. Ne na demo videích. Na strachu, že za pět let bude vlastní přidaná hodnota připoutána k cenovému modelu API.

Moje prognóza, která v mnoha manažerských kruzích zní stále nepohodlně: Open Source AI do roku 2027 nenasbírá většinu investic do GenAI, ale bude diktovat cenovou logiku celého trhu. Velké šeky budou i nadále směřovat k OpenAI, Anthropic, Microsoft, Google a Amazon. Vyjednávací síla se však tiše přesouvá k firmám, které si mohou vyměňovat své modely.

To je bod pro evropské střední podniky. Kdo v roce 2025 bude strategii AI považovat pouze za výběr nástrojů, nepochopil téma. Jde o kupní sílu, datovou suverenitu, nákladové křivky, možnosti výměny a o to, zda strojírenská firma z Bádenska-Württemberska bude za tři roky stále sama rozhodovat, kde budou zpracovávány její servisní zprávy, CNC programy a logika nabídek.

Open Source AI 2025: Kde je trh dnes

Trh je zkreslený. Kapitál neteče rovnoměrně, ale ve vlnách, a největší vlna se stále valí směrem k uzavřeným modelům. OpenAI je od roku 2023 často spojováno s celkovým kapitálem ve výši přibližně 13 až 14 miliard USD a strukturovanými balíčky Microsoftu; partnerství Microsoftu je veřejně diskutováno většinou v řádu 10 až 13 miliard USD. Anthropic získal závazky od Amazonu a Googlu v celkové výši více než 6 miliard USD, v závislosti na tranši a struktuře. Cohere se pohybuje spíše v rozmezí 500 milionů až 1 miliardy USD, s investory jako Nvidia, Oracle a Salesforce Ventures. To nejsou běžná softwarová kola. To jsou sázky na infrastrukturu.

Na otevřené straně je obraz roztříštěnější, ale ne malý. Hugging Face v roce 2023 získal kolo financování ve výši 235 milionů dolarů, mimo jiné od Salesforce, Google, Nvidia, Intel, AMD a IBM, a podle tehdejších zpráv byl oceněn na 4,5 miliardy dolarů. Stability AI získala v roce 2022 přibližně 100 milionů dolarů s oceněním kolem 1 miliardy dolarů, později se dostala pod finanční tlak, ale zůstala klíčovou pro otevřené obrazové modely. Aleph Alpha z Heidelbergu získala v roce 2023 strategické financování ve výši přibližně 500 milionů dolarů, respektive 400 až 500 milionů eur, podporované společnostmi SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise a dalšími německými průmyslovými a finančními aktéry. Mistral AI z Paříže je zvláštní případ: otevřeně se profiluje, komerčně strukturovaná, v roce 2023 se 105 miliony eur v seed kole a později přibližně 385 miliony eur v sérii A, v roce 2024 s diskusemi o ocenění kolem 5 miliard dolarů.

Když o tom mluvím s finančními řediteli, často vidím stejný reflex. „Takže vyhrávají ti uzavření,“ řekla mi před třemi týdny Andrea, vedoucí prodeje u Hidden Champion v Bielefeldu, zatímco ve vedlejší konferenční místnosti někdo táhl pojízdný kontejner po dlaždicích. No, skoro. Vyhrávají statistiky kapitálu. Ale statistiky kapitálu nejsou totéž co strategický dopad.

McKinsey v roce 2023 odhadl roční ekonomický potenciál generativní AI na 2,6 až 4,4 bilionu USD, s velkými příspěvky z výroby, dodavatelského řetězce, vývoje produktů a interakce se zákazníky. Goldman Sachs v roce 2023 napsal, že GenAI by mohla zvýšit globální HDP o přibližně 7 procent během deseti let. IDC, Gartner a další analytici v letech 2023 a 2024 viděli celosvětové výdaje na software, hardware a služby AI směřující k 300 až 500 miliardám USD ročně do roku 2026 nebo 2027, v závislosti na definici. Tato čísla zní abstraktně. V továrně v Tuttlingenu to znamená: Kdo píše servisní zprávu? Kdo prohledává dokumentaci náhradních dílů? Kdo kontroluje e-maily dodavatelů? Kdo prioritizuje potenciální zákazníky z existujících zákazníků?

Bitkom v září 2024 oznámil, že 20 procent německých společností používá AI a dalších 37 procent plánuje nebo diskutuje o jejím nasazení. U velkých společností je podíl výrazně vyšší než u malých. V rozhovorech se středními podniky ze strojírenství, elektrotechniky a dodavatelů automobilového průmyslu to působí velmi reálně: Téměř každý má test Copilotu, pipeline Azure-OpenAI, interní projekt chatbota nebo alespoň studenta, který experimentuje s LLaMA, Mixtral nebo Mistral. Ale jen málokdo má modelovou strategii. Velmi málo.

Současný stav: Uzavřené modely vydělávají, otevřené modely disciplinují

Uzavření poskytovatelé prodávají tři věci: výkon, pohodlí a balíčky. OpenAI přes Microsoft, Anthropic přes AWS a Google, Gemini v Google Cloud, Copilot v Microsoft 365, Salesforce Einstein, SAP Joule. Získáte modely, API, rozhraní pro správu, fakturaci a někdy uklidňující pocit, že nákup stačí rozšířit stávající rámcovou smlouvu. To je atraktivní. Zvláště pro společnosti, jejichž IT tým se skládá ze 14 lidí a musí souběžně řešit SAP S/4HANA, problémy s EDI a výměnu firewallu.

Open Source AI prodává něco jiného, často nepřímo: možnosti úniku. Model LLaMA, model Mixtral nebo self-hostable model od Aleph Alpha nemusí být v každém úkolu nejlepším modelem na světě. Musí být dostatečně dobrý, dostatečně transparentní, levnější v trvalém provozu a smluvně natolik flexibilní, aby CIO z Ulmu nemusel u každé nové aplikace akceptovat cenu za milion tokenů od amerického poskytovatele. Přesně zde leží páka. Ne romanticky. Ekonomicky.

Co konkrétně vidíme v Amplifa: Za posledních 12 měsíců jsme v projektech Discovery a implementace u B2B společností ze strojírenství, průmyslových komponent a technických služeb téměř nikdy neviděli čistě open-source strategii, ale v 7 z 10 případů tichou druhou architekturu. Vzor je jasný: GPT-4 nebo Claude pro složité analytické a textové úkoly v pilotní fázi, poté otevřené nebo self-hostable modely pro opakující se úkoly, jako je klasifikace potenciálních zákazníků, shrnutí e-mailů, vyplňování polí CRM a extrakce dokumentů. Bod zlomu nepřichází u „lepší AI“. Přichází u objemu. Jakmile proces generuje tisíce malých volání modelu denně, zvědavost se stává otázkou nákladů.

Trend 1: Open Source AI tlačí ceny dolů

Nejdůležitějším tržním dopadem otevřených modelů není to, že každý střední podnik zítra natrénuje vlastní základní model. To se nestane. Výrobce nástrojů z Remscheidu si také nekoupí vlastní litografický stroj od ASML, jen proto, že čipy jsou strategické. Dopad vzniká díky věrohodným alternativám. Pokud LLaMA 3, Mixtral, Qwen, Falcon nebo evropský model stačí pro 60 až 80 procent rutinních úkolů, pak uzavření poskytovatelé ztrácejí cenovou fantazii právě u těchto úkolů.

Nákladové benchmarky z praxe se značně liší, protože je třeba započítat ceny tokenů, hosting, využití, velikost modelu, kvantizaci, požadavky na latenci a podporu. Přesto vidíme v tržních analýzách a cloudových kalkulacích opakující se pásmo: inference a jemné doladění s otevřenými modely může být pro určité vysoce objemové pracovní zátěže 5- až 20krát levnější než trvalé využívání API uzavřených špičkových modelů. Neplatí to vždy. Pokud společnost nemá infrastrukturu, má špatné využití a potřebuje tři externí poskytovatele pro provoz, výhoda se rozplývá. Ale u strukturovaných úkolů s mnoha opakováními je tlak na náklady reálný.

Příklad z rozhovoru se zákazníkem v březnu 2025: Markus, obchodní ředitel výrobce komponent z Norimberku, chtěl automaticky klasifikovat všechny příchozí dotazy: náhradní díl, projektový obchod, cenová poptávka, reklamace, dotaz prodejce. Uzavřený model? Fungovalo to okamžitě. Otevřený menší model? Po 300 anotovaných příkladech a čistém promptu plus vyhledávání byla úspěšnost pro čtyři nejdůležitější třídy dostatečně blízko uzavřenému modelu, takže finanční ředitel už nemluvil o kvalitě modelu, ale o měsíčních nákladech. To je okamžik, kdy se trh mění. Tiše, v Excelu.

Yann LeCun léta argumentuje, že otevřené AI platformy dlouhodobě vytvářejí robustnější ekosystémy než několik uzavřených strážců. Pro průmyslové podniky to není ideologie, ale nákupní pozice.

— Yann LeCun, hlavní vědecký pracovník AI ve společnosti Meta

Pojem „cenový deštník Open Source“ považuji za příliš měkký. Je to spíše páčidlo. Jakmile nákup prokáže, že otevřená alternativa zvládne 70 procent úkolu za 20 procent nákladů, změní se rozhovor s Microsoftem, Googlem, Salesforce nebo specializovaným poskytovatelem AI. Ne vždy vyhraje otevřená varianta. Ale nutí druhou stranu vysvětlit, proč je jejich cena oprávněná.

Trend 2: Hybridní architektury se stanou normou

Nejnudnější věta v workshopech o strategii AI je bohužel také ta nejpravdivější: Nebude existovat jeden model. Vím, nikdo nechce spravovat další portfolio. Generální ředitelé chtějí jasnost, IT chce méně variant, nákup chce méně smluv. Přesto se reálné architektury ubírají směrem k mixu modelů. Uzavřené modely pro úkoly, kde záleží na nejlepším možném výkonu uvažování. Otevřené modely pro vysoké objemy, citlivá data, krátkou latenci nebo procesy, které je třeba auditovat.

U společností Festo, Trumpf, DMG Mori, Phoenix Contact nebo Schaeffler lze veřejně pozorovat velmi odlišné iniciativy v oblasti AI, ale základní napětí je podobné jako u středních podniků: znalosti o produktech, servisní data, výrobní logika a zákaznický dialog nesmí libovolně putovat na cizí platformy. Obchodní ředitel ze Stuttgartu mi v dubnu 2025 řekl: „Naše cenová historie není tréninkový materiál.“ Poté se zasmál. Krátce. Pak bylo v místnosti ticho, slyšet byl jen ventilátor projektoru. Přesně toto ticho je otázkou architektury.

Typické hybridní vzory vznikají podél datových rizik. Microsoft 365 Copilot pro interní kancelářskou práci může být smysluplný, pokud jsou oprávnění čistá a nejsou zpracovávána vysoce citlivá konstrukční data. Asistent RAG pro servisní techniky, který prohledává manuály strojů, chybové kódy, servisní zprávy a data náhradních dílů, patří spíše do kontrolovaného prostředí. Proces hodnocení potenciálních zákazníků, který kombinuje data CRM, firemní data a webové signály, může v závislosti na datové třídě probíhat přes orchestrální architekturu: silný uzavřený model pro nejasné texty, otevřený model pro klasifikaci a extrakci, vrstva založená na pravidlech pro dodržování předpisů.

Nejlepší implementace, které vidím, nerozdělují podle loga dodavatele, ale podle procesního rizika. Co se stane, když je odpověď špatná? Kolik stojí volání modelu při 50 000 operacích měsíčně? Jaká data opouštějí síť? Mohu změnit dodavatele, aniž bych musel aplikaci znovu stavět? Zní to suše. A také to tak je. Ale přesně tam se rozhoduje, zda AI zůstane experimentem, nebo se objeví v účetní závěrce.

Finanční ředitel může tuto diskusi o správě zpočátku vnímat jako brzdu. Pochopitelné. Zní to jako slidy o ochraně dat a dlouhé schůzky s právním oddělením. Ale bez klasifikace dat se každý projekt AI stane politickým. Pak blokuje konstrukce, protože by mohla být dotčena data CAD. Obchod blokuje, protože se stávají viditelnými ceny zákazníků. IT blokuje, protože nikdo nezná pravidla logování. Nakonec pak vyhraje nejmenší pilotní projekt: chatbot pro jídelní řád. Milé. Strategicky irelevantní.

Trend 3: Suverénní AI se stává argumentem pro nákup, nikoli PR

Suverénní AI zní jako Brusel, žádost o dotaci a panelová diskuse. Dlouho se mi ten termín nelíbil. Příliš velký. Příliš mlhavý. V rozhovorech se zákazníky má však velmi konkrétní význam: Kde běží modely? Kdo vidí logy? Kdo může zvyšovat ceny? Kdo může zrušit funkci? Kdo určuje, jaká data mohou být použita pro trénink? Vedoucí výroby z Augsburgu to nedávno formuloval jednodušeji: „Chci vidět zástrčku.“

Evropa zde má jiný reflex než USA. Obecné nařízení o ochraně osobních údajů, EU AI Act, podnikové rady, požadavky na dodavatelské řetězce, kontrola exportu, zákaznické audity. To někdy brzdí. Chrání to však také před slepou konzumací platforem. EU AI Act byl konečně schválen v roce 2024; mnoho povinností začne platit postupně od roku 2025 a 2026. Pro průmyslové aplikace to znamená více dokumentace, klasifikace rizik, sledovatelnost a jasné odpovědnosti. Otevřené nebo self-hostable modely tyto požadavky automaticky neřeší. Ale usnadňují určité důkazy, protože provoz, logování a datové toky se stávají kontrolovatelnějšími.

Aleph Alpha je proto pro region DACH strategicky zajímavější, než by naznačovaly některé čistě benchmarkové diskuse. Heidelberg namísto Kalifornie sám o sobě není argumentem pro kvalitu. Ale poskytovatel, který bere vážně německý jazyk, evropskou shodu, možnosti on-premise a průmyslové reference, mění nákupní seznamy. Mistral AI ve Francii hraje podobnou roli na evropské úrovni, i když společnost provozuje hybridní obchodní modely a ne vše je otevřené. Hugging Face zase není klasická společnost Sovereign AI, ale infrastruktura pro srovnatelnost: modely, datové sady, žebříčky, možnosti nasazení. Bez takových platforem by otevřené modely byly pro střední podniky stěží dostupné.

Politický rozměr je podceňován. Když SAP, Bosch a Schwarz Gruppe investují do Aleph Alpha, není to čistě výnosový obchod. Je to signál: Evropský průmysl nechce každou funkci AI získávat přes americké hyperscalery. Zároveň tytéž společnosti samozřejmě nadále investují do ekosystémů Microsoftu, AWS, Googlu a Nvidie. To není rozpor. To je hedging.

Amplifa ICP Playbook Pro strategické týmy, které nechtějí plánovat AI abstraktně: ICP Playbook pomáhá datově zpřesnit cílové zákazníky, segmenty a priority.

Co znamená Open Source AI pro střední podniky

Pro generální ředitele ve výrobě není klíčovou otázkou: Je Open Source lepší než Closed Source? Otázka zní: Jakou závislost si kupuji, když své procesy založím na modelu, který nekontroluji? Automobilový dodavatel z Bavorska má jiná rizika než SaaS startup z Berlína-Mitte. CAD výkresy, data nástrojů, dodavatelské ceny, zkušební protokoly, historie reklamací, směnové poznámky, parametry strojů – to nejsou zaměnitelné texty. To je provozní majetek.

Jsem zde záměrně ostrý: Kdo v roce 2026 pověsí celou svou AI roadmapu na jediného amerického hyperscalera bez záložní architektury, jedná nedbale. Ne proto, že by Microsoft, Google nebo Amazon byli špatní partneři. Naopak, často jsou nejrychlejší cestou do výroby. Nedbalá je jednosměrná ulice. Střední podniky už v ERP, PLM a MES zažily dost, co se stane, když datový model, procesní logika a smluvní moc leží v jedné ruce.

Ekonomický výpočet probíhá na třech úrovních. Za prvé přímé náklady: tokeny, licence, hosting, náklady na integraci, podpora. Za druhé náklady na změnu: Jak drahé bude, když bude třeba model vyměnit? Za třetí strategické náklady: Jaká data budou standardizována, logována a obohacena v jakém ekosystému? Třetí bod je nejtěžší vyčíslit a právě proto nebezpečný. V rozpočtových kolech často vyhrává řádek, který lze spočítat.

Pro prodej je dopad obzvláště hmatatelný. Otevřený model nemusí psát dokonalou poezii. Musí čistě rozpoznat, zda cílový zákazník zapadá do ICP, zda poptávka zavání projektovým obchodem, zda e-mail od stávajícího zákazníka obsahuje signál pro up-sell, nebo zda je záznam v CRM poškozený. Mnoho z těchto úkolů je klasifikačních, nikoli magických. Pokud běží milionkrát, platí logika jednotkových nákladů. Pokud používají citlivá zákaznická data, platí umístění dat. Pokud jsou integrovány do Salesforce, HubSpot, SAP C/4HANA nebo Microsoft Dynamics, platí zaměnitelnost.

U výrobce průmyslových komponent z Východního Vestfálska jsme v lednu 2025 učinili jednoduché pozorování: Nejdražší problémy v prodeji nespočívaly v chybějících potenciálních zákaznících, ale v neostré segmentaci. 18 procent účtů v CRM bylo jasně mimo cílový segment, ale přesto byly oslovovány kampaněmi. Zároveň se stávající zákazníci s podobnými nákupními vzory nacházeli ve třech různých seznamech segmentů. AI zde nepomohla, protože byla „inteligentní“. Pomohla, protože konzistentně sjednotila vzory napříč datovými zdroji. K tomu nepotřebujete vždy nejsilnější uzavřený model. Potřebujete kontrolovaný systém.

Výrobci v DACH potřebují modelová portfolia namísto hraček AI

Modelové portfolio zní jako korporace. Není. I společnost s 280 zaměstnanci může definovat jasné pravidlo: Které úkoly mohou běžet přes uzavřená API? Které musí zůstat v datových centrech EU? Které patří on-premise? Jaké datové třídy jsou tabu? Které modely jsou čtvrtletně testovány proti reálným úkolům? To není výzkumný program. To je řízení provozu.

Vidím příliš mnoho společností, které začínají špatným výchozím bodem. Ptají se: „Jaký nástroj si máme koupit?“ Lepší by bylo: „Které procesy generují dostatečný objem, riziko nebo marži, aby se vyplatila vlastní AI architektura?“ U Kärcher, Webasto, Brose nebo Wittenstein by nikdo nekoupil novou výrobní linku, aniž by spočítal taktovací časy, zmetkovitost a údržbu. U AI se to stále děje. Licence se objedná, pilotní projekt běží, všichni jsou ohromeni, pak přijde ochrana dat, pak podniková rada, pak nákladová křivka. Pilotní projekt nezemře hlasitě. Zmizí v kanálu Teams.

FAQ: Je Open Source AI skutečně levnější?

Ano, často. Ale ne automaticky. Open Source AI se stane levnější, pokud má společnost opakovatelné úkoly s vysokým objemem, kvalita modelu je dostatečná, infrastruktura je dobře využita a provoz nevybuchne kvůli nákladům na specialisty. Uzavřený model může být v pilotní fázi levnější, protože není třeba budovat vlastní infrastrukturu. Při trvalém provozu s tisíci nebo miliony volání měsíčně se výpočet často obrátí. Moje pravidlo z rozhovorů s IT a obchodními manažery: Pod relevantním objemem je pohodlí skutečnou hodnotou; nad ním je pohodlí nákladovým rizikem.

FAQ: Ztrácí Open Source AI na kvalitě?

U obecných špičkových úkolů většinou stále ano. Třída GPT-4, Claude a Gemini jsou často vpředu v širokém uvažování, dlouhém zpracování kontextu, používání nástrojů a bezpečnostních mechanismech. U užších úkolů je mezera mnohem menší. Shrnutí technických dokumentů, extrakce z objednávek, klasifikace potenciálních zákazníků, QA s rozšířeným vyhledáváním (RAG), interní znalostní asistenti, pomoc s kódem pro definovaná úložiště – zde se otevřené modely po úpravě mohou velmi přiblížit. Někdy zcela stačí. Chybou je abstraktně hodnotit kvalitu modelu. Prodejní proces nemá Elo hodnocení.

FAQ: Jak to zapadá do EU AI Act?

EU AI Act neznemožňuje AI, ale přesouvá odpovědnost zpět na společnost. Kdo používá AI v rizikových procesech, musí řádně dokumentovat datové toky, účel modelu, lidskou kontrolu, logování a řízení rizik. Otevřené nebo self-hosted modely pomáhají, protože mohou poskytnout větší kontrolu nad provozem a datovými cestami. Nenahrazují správu. Model na vlastním serveru není automaticky v souladu. Model v americkém cloudu není automaticky zakázán. Otázka zní: Mohu prokázat, co se děje?

7 přípravných kroků pro generální ředitele a strategické týmy

Kdybych mohl dát generálnímu řediteli ve středním podniku jen jednu věc, byla by to tato: Nezačínejte s modelem. Začněte s procesy, ve kterých může AI opakovaně vytvářet hodnotu. Pak kolem toho postavte rozhodnutí o modelu.

1. Definujte datové třídy: Oddělte veřejná data, zákaznická data, cenové informace, technické IP, osobní údaje a bezpečnostně kritická výrobní data. Bez této mapy bude každé rozhodnutí o AI jen pocit.
2. Seřaďte případy použití podle objemu a rizika: Měsíční strategický asistent se řeší jinak než denní klasifikace nabídek, vyhodnocení servisních zpráv nebo směrování potenciálních zákazníků ve 12 zemích.
3. Porovnejte Closed a Open: Testujte GPT-4, Claude nebo Gemini proti LLaMA, Mixtral, Mistral nebo Aleph Alpha na skutečných německých dokumentech. Ne na demo promptech. Na vašich reklamacích, manuálech, CRM poznámkách a e-mailech s nabídkami.
4. Spočítejte náklady na 1 000 operací: Neporovnávejte pouze ceny tokenů. Započítejte hosting, latenci, monitorování, náklady na integraci, podporu a očekávaný růst. Relevantní hodnota je TCO za 3 až 5 let.
5. Naplánujte vrstvu pro výměnu: Použijte orchestraci, jasná rozhraní a verzování promptů a hodnocení, aby model zůstal vyměnitelný. Kdo lepí modelovou logiku přímo do obchodních procesů, vytváří si závislost sám.
6. Včas vyjasněte správu s právním oddělením, IT a obchodním oddělením: Dokumentujte datové toky, logování, oprávnění, lidská schválení a pravidla eskalace před nasazením. Později to bude dražší a političtější.
7. Měřte úspěch podle procesních ukazatelů: V prodeji se počítá míra schůzek, úspěšnost segmentace, doba odezvy, kvalita pipeline a čistá data CRM. V servisu a výrobě se počítá doba hledání, míra prvního řešení, zmetkovitost, minuty prostojů nebo náklady na dokumentaci.

Produkt Amplifa Amplifa podporuje B2B týmy v tom, aby využívaly tržní, účetní a prodejní signály s AI – aniž by ztratily kontrolu nad procesní logikou.

Investiční logika: Proč menší rozpočty na Open Source klamou

Když investoři pohlížejí na trh, vidí nejprve kapitálovou intenzitu. Základní modely potřebují GPU, data, výzkumné týmy, energii, datová centra, prodej a partnerství. Nvidia H100 clustery, smlouvy Azure, závazky AWS, Google TPU – to je nový těžký průmysl softwaru. Proto uzavření hráči přitahují obrovské sumy. Neprodávají jen modely, prodávají přístup k výpočetní a produktivní infrastruktuře.

Společnosti blízké Open Source se řídí jinou logikou. Nemusí vždy vlastnit největší základní model. Mohou zlevnit inferenci, kurátorovat modely, zjednodušit jemné doladění, zabezpečit nasazení, prodávat podnikovou podporu nebo vytvářet vertikální aplikace. Hugging Face je toho nejlepším příkladem: Není to ani tak poskytovatel modelů, jako spíše tržiště, sada nástrojů a vrstva důvěry. MosaicML byl v roce 2023 převzat společností Databricks za 1,3 miliardy USD, protože trénink a provoz otevřených modelů se pro podniky stal strategickým. Together AI, Anyscale, Replicate a další poskytovatelé obsazují podobné vrstvy ve stacku.

Pro evropské investory není nejzajímavější částí snaha napodobit OpenAI. To je příliš kapitálově náročné a pravděpodobně příliš pozdě, pokud nemáte státní nebo hyperscalerovou výpočetní základnu. Zajímavé jsou vrstvy kolem průmyslových pracovních toků: směrování modelů, hodnocení, bezpečné datové připojení, oborově specifické systémy RAG, AI agenti pro nabídkové procesy, servis, náhradní díly, řízení kvality. Tam se nacházejí marže, když se základní modely stanou komoditou.

Vím, „komodita“ zní brutálně pro technologii, která se právě dostala do představenstev. Ale mnoho základních schopností se stane přesně tím: shrnování textu, extrakce dat, klasifikace e-mailů, vyplňování tabulek. Pokud to dokáže každý poskytovatel, nikdo dlouhodobě nevydělá vysoké marže pouze s voláním modelu. Hodnota se přesouvá k integraci do SAP, Salesforce, Microsoft Dynamics, HubSpot, PLM systémů, MES a interních datových prostorů. Tam se rozhoduje, zda je AI pěkné rozhraní nebo páka produktivity.

Open Source AI v prodeji: Proč profituje řízení pipeline

Píšu na blogu Amplifa, takže se samozřejmě zaměřuji zejména na prodej a vstup na trh. Největší omyl ohledně AI v prodeji je, že jde primárně o lepší e-maily. Ne. E-maily jsou jen viditelné. Skutečná práce spočívá v segmentaci, prioritizaci, zpracování signálů, hygieně CRM, načasování a otázce, zda je účet skutečně připraven k nákupu, nebo jen vypadá hezky na dashboardu.

Open Source AI zde má praktickou výhodu: Mnoho prodejních úkolů není kreativních, ale strukturovaných. Model má z webové stránky rozpoznat, zda společnost používá vstřikovací stroje. Má z inzerátu na pracovní pozici odvodit, zda právě probíhá projekt migrace SAP. Má z výroční zprávy extrahovat investice do nových továren. Má z 18 poznámek v CRM rozpoznat, zda se obchod zadrhává, protože blokuje nákup, technické oddělení nebo vedení. To jsou úkoly, které lze vyhodnotit. Míra úspěšnosti. Typy chyb. Náklady na účet.

V květnu 2025 jsme interně provedli analýzu několika nastavení kampaní, při nichž byly obohaceny a prioritizovány seznamy cílových zákazníků pro technické B2B dodavatele. Vzor: Největší nárůst kvality nepřišel od nejsilnějšího modelu, ale od lepších kritérií. Pokud byl ICP neostrý, i špičkový model produkoval drahý šum. Pokud byl ICP čistý, menší modely dokázaly signály klasifikovat překvapivě stabilně. To je nepříjemné pro všechny, kteří prodávají AI jako zkratku ke strategii. AI neautomatizuje nepřesnosti. Ona je škáluje.

ICP Playbook pro prioritizaci trhu s podporou AI Playbook ukazuje, jak B2B společnosti definují cílové segmenty, nákupní spouštěče a kritéria vyloučení tak, aby AI v prodeji nacházela spolehlivé signály.

Closed Source zůstává silný – ale jinak, než si mnozí myslí

Nechci předstírat, že otevřené modely jednoduše vytlačí uzavřené poskytovatele. To je nesmysl. Uzavřené modely zůstávají silné, protože kombinují rychlost výzkumu, uživatelskou zkušenost s produktem a podnikový prodej. Microsoft může Copilot tlačit do stávajících pracovních rozhraní. Google může Gemini hluboce integrovat do Workspace a Cloudu. Amazon může Anthropic přes AWS zapojit do nákupních procesů. Salesforce může AI zabalit do CRM pracovních toků. SAP může Joule umístit do kontextu ERP. Tato distribuce je obranný val.

Pro střední podniky to znamená: Používat, ale nesplynout. Pilotní projekt s Azure OpenAI může za čtyři týdny naučit více než šest měsíců architektonického papírování. Rollout Copilotu může ulevit znalostní práci. Test Claude může ukázat, jaká kvalita je možná u komplexních výběrových řízení. Ale každá aplikace, která strukturovaně zpracovává klíčové znalosti společnosti, by měla být postavena tak, aby byla možná výměna modelu. Zde se záměrně opakuji. Trh se pohybuje příliš rychle pro náboženská rozhodnutí o dodavatelích.

Vedoucí nákupu z Mannheimu mi v únoru 2025 řekl: „U cloudu jsme už jednou věřili, že ceny budou klesat navždy.“ Pak se ušklíbl. Ne přátelsky. Přesně tato zkušenost ovlivňuje mnoho CIO. Nejprve je fakturace spotřeby flexibilní. Pak se pracovní zátěž zvětšuje. Pak přicházejí závislosti. Pak se optimalizace stává samostatným projektem. U GenAI může stejná křivka probíhat rychleji, protože každý nový pracovní postup spaluje tokeny.

Moje prognóza pro roky 2026 až 2028

Za prvé: Mezera mezi otevřenými a uzavřenými modely se u rutinních úkolů zmenší natolik, že nákup a správa se stanou důležitějšími než benchmarky. Ne všude. Ale v dostatečném počtu procesů, aby se změnily ceníky. Očekávám, že mnoho uzavřených poskytovatelů bude dále snižovat své ceny nebo je více sdružovat, protože otevřené modely stanovují spodní hranici. Zákazník to nebude vnímat jako „vítězství Open Source“. Jednoduše získá lepší podmínky.

Za druhé: Evropské výrobní společnosti budou méně mluvit o chatbotech a více o procesních agentech. Agenti pro nabídky, kteří extrahují technické požadavky z RFQ. Servisní agenti, kteří kontrolují chybové obrazy proti historii strojů. Prodejní agenti, kteří prioritizují účty podle skutečných nákupních spouštěčů. Kvalitní agenti, kteří strukturují zkušební protokoly. Tito agenti nebudou všichni běžet na jednom modelu. Budou potřebovat směrování modelů, a právě tam se otevřenost stane cennou.

Za třetí: Střední podniky se naučí tvrdou lekci. AI bez datové práce je divadlo. Mnoho společností v letech 2025 a 2026 zjistí, že jejich dokumenty nejsou verzovány, pole CRM nejsou udržována, produktová data nejsou jednoznačná a oprávnění se vyvíjela historicky. To není kritika AI. To je účet za dvacet let růstu nástrojů. Otevřené modely pomáhají pouze tehdy, když je vyjasněna datová základna a odpovědnost za procesy.

Za čtvrté: Suverénní AI se stane z tématu představenstva přílohou k nákupu. V RFQ se stanou standardem otázky týkající se rezidence dat, výměny modelů, logování, využití tréninku, provozu v EU, auditovatelnosti a scénářů exitu. Poskytovatelé, kteří na to odpovídají pouze marketingovými slidy, prohrávají. Poskytovatelé, kteří ukazují konkrétní architektonické cesty – uzavřené, otevřené, hybridní, on-prem, privátní cloud – získávají důvěru. Ne vždy obchod. Ale druhý rozhovor.

Když si vzpomenu na Thomase z Heilbronnu, nevidím jeho Excel. Slyším kávovar a vysokozdvižný vozík v pozadí. Velmi analogický zvuk pro velmi digitální rozhodnutí. Možná je to ta správná pointa: Boj mezi Open Source AI a uzavřenými modely se nerozhoduje v benchmarkových tabulkách, ale tam, kde někdo v osm ráno chce vědět, zda jeho marže, výkresy a zákaznické vztahy budou za tři roky stále jeho.