Prečo je dnešok „najhorší“ deň s AI
Ak ťa AI dnes irituje, nie je to dôkaz, že „to je len hype“. Je to paradoxne dobrá správa: veľká časť toho, čo dnes považujeme za hranicu možností, bude o rok považovaná za základ. Nie preto, že by sa budúcnosť dala veštiť, ale preto, že tempo zlepšovania je viditeľné v merateľných dátach (adopcia firiem, kvalita modelov, dopad na produktivitu).
Fakt (adopcia): v krajinách OECD hlásilo používanie AI v roku 2025 približne 20,2 % firiem (nárast z 8,7 % v roku 2023), teda adopcia sa za dva roky viac než zdvojnásobila.
Fakt (konkurencia a kvalita): v globálnej AI súťaži sa merateľne zužuje výkonnostný rozdiel medzi špičkovými modelmi (na vybraných benchmarkoch), pričom vývoj sa stáva čoraz globálnejší a konkurenčnejší.
Fakt (produktivity už dnes): experimentálna štúdia publikovaná v Scienceukázala, že prístup k chatbotu v písomných profesionálnych úlohách znížil čas o ~40 % a zvýšil kvalitu o ~18 % (v danom type úloh a nastavení). To nie je sľub. To je meranie v kontrolovanom experimente.
A teraz najdôležitejší „reset“ pre každého manažéra: veľké jazykové modely nie sú magické mysliace bytosti. Sú to vysoko výkonné systémy, ktoré sú tréningovo nastavené na predikciu ďalšieho tokenu/slova v texte.
To vysvetľuje dve veci naraz:
- Prečo vedia znieť presvedčivo aj vtedy, keď nemajú pravdu (halucinácie sú reálne riziko v praxi).
- Prečo je „technológia“ sama o sebe stále len nástroj: bez stratégie, dát a kontroly kvality výstupov plánovane vyrábaš chaos.
Technológia nie je stratégia, preto začni portfóliom automatizácií
V marketingu AI je najväčšia pasca táto: kúpiť nástroj skôr, než vieš, čo presne má zmeniť vo výsledkoch firmy.
Práve preto je pre manažéra silnejší prístup „AI portfólio“ než „AI hračka“. Zhoduje sa to aj s filozofiou portálu FIRST CLASS HOLDING s.r.o.: najprv spresniť ciele, potom voliť technológiu; technológia je prostriedok, nie cieľ.
Tu je praktický rámec, ktorý funguje v malých aj veľkých firmách, a je navrhnutý tak, aby bol 100 % použiteľný (nie akademický):
Najprv si definuj 3 výstupy (nie 3 nástroje).
Napríklad:
- skrátiť dodacie časy o X %,
- zrýchliť obchodný cyklus o Y dní,
- znížiť náklad na administratívu o Z %,
- zvýšiť kvalitu/konzistentnosť výstupov (napr. právne zmluvy, reporting, zákaznícka komunikácia).
Potom urob mapu procesov podľa „únikov“.
V realite väčšina hodnoty leží v 5 typoch únikov:
- prepisovanie (ručné kopírovanie medzi systémami),
- vyhľadávanie (čas stratený hľadaním informácií),
- schvaľovanie (čakacie doby),
- komunikácia (duplicity, nejasné zadania),
- kontrola kvality (opravy, reklamácie).
Až potom navrhni AI portfólio v troch košoch:
- Rýchle víťazstvá (2–4 týždne): automatizácie bez zásahu do core systémov (zhrnutia, prepisy, šablóny, interné FAQ, návrhy textov, jednoduché workflow).
- Core procesy (6–16 týždňov): AI naviazaná na dáta a procesy (knowledge base, ticketing, CRM, fakturácia, nákup).
- Frontier experimenty (kvartálne): agenti, multimodálne workflow, autonómne rozhodovanie s dohľadom.
Prečo to funguje? Lebo oddeľuješ „biznis efekt“ od „technológie“ a manažuješ riziko.
A ešte jeden fakt, ktorý dnes rozhoduje o víťazoch: adaptabilita. World Economic Forum v správe o budúcnosti práce popisuje, že medzi kľúčové schopnosti na odlíšenie rastúcich rolí patria odolnosť, flexibilita a agilita.
Päť use‑casov, ktoré vieš zaviesť bez chaosu a ktoré sú „manažérsky“ relevantné
Nižšie sú use‑casy vybrané tak, aby pokryli: stratégie, dáta, náklady, rýchlosť a rast. Pri každom rozlišujem: čo je overený základ a kde je hranica rizika.
Virtuálny „non‑executive“ člen tímu pre rozhodovanie (strategický sparring)
Použitie: brainstorming hypotéz, pred‑mortem („čo sa pokazí“), porovnanie scenárov, návrhy KPI stromov, príprava podkladov na poradu.
Fakt: LLM vedia výrazne urýchliť písomné a analytické úlohy v konkrétnych typoch práce (pozri experimenty a prehľady produktivity).
Riziko: model vie znieť presvedčivo aj pri chybách; preto je povinná ľudská validácia pred rozhodnutím (human‑in‑the‑loop).
Manažérska pointa: získaš „rýchle zrkadlo“ na kvalitu vlastného uvažovania – ale neoutsourcuješ zodpovednosť.
„Horizontálne skenovanie“ namiesto Googlenia: answer‑engine s citáciami
Klasické vyhľadávanie dáva zoznam odkazov. Answer‑engine ide rovno na zhrnutie + zdroje.
Príklad nástroja: Perplexity (vlastná dokumentácia uvádza, že odpovede obsahujú citácie na pôvodné zdroje, aby sa dali overovať).
Manažérska výhoda: v rozhodovaní je často drahšia nevedomosť než licencia nástroja.
Riziko: aj answer‑engine môže vybrať slabšie zdroje alebo zle zhrnúť; disciplinuj tím: „bez citácie sa rozhodnutie nerobí“.
Firemná vedomostná báza z vašich dokumentov: menej halucinácií, viac pravdy
Toto je najčastejšie „zlatá baňa“ pre firmy, lebo väčšina času sa stráca interným vyhľadávaním: manuály, SOP, zmluvy, zápisy z porád, onboarding, know‑how.
Príklad smeru: riešenia typu „pracujem iba z vašich zdrojov“ (napr. NotebookLM) – ich cieľom je odpovedať kontextovo na základe vložených materiálov, vrátane formátov ako dokumenty a prezentácie.
Fakt (vedecký základ): retrieval‑augmented generation (RAG) kombinuje generovanie textu s externou pamäťou/zdrojmi, čím zvyšuje šancu, že odpoveď bude ukotvená v konkrétnych dokumentoch.
Dôležitá hranica: RAG znižuje riziko halucinácií, ale negarantuje nulové chyby (chybný zdroj = chybná odpoveď). Preto je prevádzková disciplína kľúčová.
Právo a administratíva: rýchlosť, štandardizácia, kontrola rizika
Najprv pravda: právne texty nie sú len „text“. Sú to riziká, záväzky a výklad. Preto je manažérsky model správny takto: AI robí prvú verziu + kontrolný zoznam, človek podpisuje a nesie zodpovednosť.
Fakt: v praxi už firmy hlásia úspory času v interných právnych tímoch pri využití generatívnej AI na rutinné úlohy (drafting/review/rešerše), no zároveň rastie dôraz na správu rizík a kvalitu.
Riziko: citlivé dáta a compliance. V EÚ navyše platí rizikový rámec AI regulácie (viď nižšie).
Audio‑vizuálna transformácia obsahu: z 90 minút na 9 minút bez straty smeru
Manažér nepotrebuje viac informácií. Potrebuje rýchlejšie porozumenie. Preto je užitočný princíp: „premeň zdroj na formát, ktorý vieš skonzumovať“.
Príklad: generovanie podcast‑štýl zhrnutia zo zdrojov v NotebookLM (Google to opisuje ako funkciu, ktorá z dokumentov vytvorí audio prehľad).
Zisk: rýchle rozhodovanie, rýchle onboardovanie, rýchle vzdelávanie tímu.
Doplňujúci tip „pre mozog“ (nie pre algoritmus): ak potrebuješ kvalitu myslenia, nie len rýchlosť, pomáha krátka analógová fáza (papier/pero) pred promptovaním. Výskum dlhodobo ukazuje výhody ručného písania oproti písaniu na klávesnici v určitých typoch učenia a spracovania informácií.
Ako to robiť bezpečne: halucinácie, regulácie, reputácia a „deepfake svet“
Najväčšia manažérska chyba pri AI nie je technická. Je procesná: pustiť výstup von bez kontroly, bez pravidiel a bez vlastníka rizika.
Fakt (rizikový manažment): rámec National Institute of Standards and Technology AI RMF popisuje potrebu riadenia rizík AI systémov a priamo upozorňuje na typické zdroje expozície (vrátane halucinácií, robustnosti, bezpečnosti, dopadov).
Praktická zásada, ktorá zachraňuje reputáciu: „AI je talentovaný stážista, nie zodpovedný manažér.“
To znamená:
- každý externý výstup (zákazník, médiá, zmluva, financie) musí mať ľudskú validáciu,
- interné výstupy môžu byť „rýchlejšie“, ale vždy s jasným označením zdrojov a neistoty,
- meraj chybovosť rovnako dôsledne ako rýchlosť.
Fakt (regulácie v EÚ): Európska únia má účinný AI Act, ktorý zavádza rizikové úrovne a časovú os implementácie (napr. zákazy určitých praktík od februára 2025; pravidlá pre GPAI od augusta 2025; plná aplikácia od augusta 2026; vybrané high‑risk pravidlá s dlhším prechodom).
Z pohľadu manažéra je dôležité najmä:
- či tvoj use‑case spadá do „high‑risk“ (napr. nástroje v HR/riadení pracovníkov) a aké máš povinnosti,
- transparentnosť pri generatívnom obsahu (označovanie, identifikovateľnosť),
- požiadavky na ľudský dohľad, dokumentáciu, kvalitu dát, kyberbezpečnosť.
Fakt (informačné riziká): World Economic Forum vo svojich hodnoteniach globálnych rizík opakovane uvádza dezinformácie/misinformácie ako jedny z najvážnejších krátkodobých rizík.
Pre firmu to znamená: reputácia bude čoraz viac závislá od toho, či vieš preukázať pôvod obsahu a či máš interné pravidlá publikovania.
Fakt (proveniencia obsahu): Coalition for Content Provenance and Authenticity presadzuje otvorený technický štandard na preukazovanie pôvodu a úprav digitálneho obsahu (tzv. Content Credentials).
Manažérsky preklad: v deepfake svete vyhrávajú firmy, ktoré budú vedieť povedať „toto je originál, toto je upravené, toto je AI“ – a budú to vedieť dokladovať, nie len tvrdiť.
Fakt (hlas a klonovanie): nástroje na syntézu hlasu sú už podnikovo použiteľné, ale súčasne predstavujú reputačné a právne riziko (podvody, imitácia). Aj preto majú platformy prísne pravidlá použitia (napr. zákaz politickej impersonácie či nelegálnych aktivít) a zverejňujú bezpečnostné rámce.
Príklad platformy: ElevenLabs.
A dôležitý „pozor“ bod, na ktorý firmy často zabúdajú: AI nie je len IT projekt. Je to projekt zmeny správania ľudí. Aj portál firstclass.sk opisuje, že pri adopcii AI je dôležitá pripravenosť, nízkorizikové piloty s kritériami úspechu, otvorená architektúra a riadenie zmeny.
Vízia: od asistentov k agentom a prečo sa zmení trh skôr, než stihneš schváliť rozpočet
Dnes veľa firiem používa AI ako „asistenta“: odpovedz, zhrň, navrhni. To je užitočné, ale je to len prvá liga.
Ďalšia liga je „agentický“ model: systém má cieľ, používa nástroje, vykonáva kroky. A tu sa mení všetko: interné workflow, zákaznícka cesta, nákup, reporting, dokonca aj to, ako sa firmy navzájom „vyjednávajú“.
Fakt (definície): Anthropic popisuje rozdiel medzi „workflows“ (predpísané postupy) a autonómnejšími „agents“ (systémy schopné pracovať dlhšie samostatne s nástrojmi).
Podobne rozdiel medzi asistentom a agentom vysvetľujú aj veľké technologické firmy: asistent je typicky reaktívny, agent viac autonómny a cieľovo orientovaný.
Scenár (pravdepodobný trend, nie istota): v mnohých firmách sa do 12–24 mesiacov rozšíri model „AI ako rola v org štruktúre“ – nie ako appka. Niečo ako „process agent“ pre objednávky, „sales agent“ pre kvalifikáciu leadov, „finance agent“ pre kontrolu faktúr. Prečo? Lebo tlak na produktivitu a adopcia AI rastú naprieč ekonomikami a sektorovo sa to bude prelievať z pilotov do prevádzky.
Čo z toho vyplýva pre manažéra už dnes:
- Tvoj digitálny svet musí byť „strojovo čitateľný“ (kvalitné dáta, jasné procesy, API/integračná pripravenosť).
- Tvoj obsah a ponuka musia byť vysvetliteľné: nielen pre ľudí, ale aj pre ich „AI vyhľadávanie“ (answer‑engines a firemní agenti budú porovnávať dodávateľov cez zdroje a fakty).
- Najväčšia konkurenčná výhoda nebude „kto má lepší model“, ale „kto má lepšie procesy a dáta“.
Tri otázky, ktoré ti ušetria mesiace a dramaticky zvýšia šancu, že AI bude fungovať
Nižšie sú tri otázky, ktoré – ak na ne máš jasnú odpoveď – menia AI z marketingovej témy na exekučnú výhodu. Uvádzam aj odpovede v podobe použiteľných rámcov (nie teórie).
Otázka: Keby som mal automatizovať len tri veci, ktoré priamo zlepšia EBITDA alebo cashflow, čo to je a prečo práve to?
Odpoveď (framework): začni „mapou peňazí“, nie mapou nástrojov.
- Zober 90 dní dát (objednávky → dodanie → fakturácia → reklamácie).
- Identifikuj, kde vzniká najväčšia kombinácia: (a) objem, (b) opakovateľnosť, (c) chybovosť, (d) časová strata.
- Vyber 3 procesy s najvyšším „return on attention“.
Prečo to funguje: generatívna AI typicky prináša merateľné zisky najskôr v úlohách, ktoré sú textové, opakované a časovo náročné (zhrnutia, komunikácia, dokumenty, zákaznícka podpora) – to zodpovedá aj tomu, čo ukazujú experimenty a prehľady dopadov na produktivitu.
Otázka: Aké dáta sú „palivo“ pre naše rozhodovanie – a v akej kvalite reálne sú?
Odpoveď (framework): urob „data readiness audit“ v 5 vrstvách: vlastník, zdroj, kvalita, prístup, bezpečnosť.
- Vlastník: kto je zodpovedný za definíciu a kvalitu (nie kto má heslo).
- Zdroj: kde pravda vzniká (CRM, ERP, e‑shop, výroba).
- Kvalita: duplicity, chýbajúce polia, nejednotné názvy, neaktuálnosť.
- Prístup: kto potrebuje čo a prečo (minimálne práva).
- Bezpečnosť a súlad: osobné údaje, citlivé dáta, logovanie, interné pravidlá.
Prečo je to kľúčové: regulácie aj rámce rizikového manažmentu zdôrazňujú kvalitu dát, dokumentáciu, dohľad a bezpečnosť ako základ dôveryhodnej AI.
Otázka: Kde potrebujeme 99,9 % správnosť (a právnu obhájiteľnosť) a kde nám stačí 80 % rýchlosť?
Odpoveď (framework): rozdeľ use‑casy podľa rizika a nastav režimy práce:
- „High‑stakes“ (právo, HR rozhodnutia, financie, bezpečnosť): AI generuje návrh, človek overuje, všetko sa loguje, zdroje sú dohľadateľné.
- „Medium“ (interné analýzy, reporting, príprava): AI zrýchľuje, ale rozhodnutie je ľudské a musí byť vysvetlené.
- „Low“ (drafty textov, interné zhrnutia): rýchlosť je OK, no stále platí označenie AI‑výstupu a kontrola pred publikovaním.
Prečo: EÚ regulačný rámec explicitne pracuje s rizikovými úrovňami a požiadavkami na dohľad a transparentnosť.
Ak to chceš urobiť rýchlo a bez slepých uličiek, typicky sa oplatí mať partnera, ktorý vie spojiť stratégiu, procesy, dáta, bezpečnosť a reálnu implementáciu do jedného riadeného balíka – presne v duchu „najprv cieľ, potom technológia“ a „najprv bezpečne, potom rýchlo“.
