AI nezachráni zlý proces. Len bude robiť zlú vec lacnejšie a rýchlejšie.

Na poradách vedenia zaznieva veta, ktorá vyzerá ako stratégia, ale nie je ňou: musíme nasadiť AI. Hľadá sa proces, na ktorý sa dá model pripojiť, vyberie sa dodávateľ, spustí sa pilot. O pol roka firma vlastní licenciu a rovnaké čísla ako predtým.

Dôvod nie je v slabých modeloch, ale v poradí. Technológia je odpoveď, nie otázka. Otázka znie, čo v procese bráni tomu, aby práca prešla firmou bez zastavenia. Ak si ju nikto nepoloží, AI iba zrýchli existujúci tvar práce vrátane jeho deformácií.

Automatizovať neefektívny proces bez redizajnu neznamená zlepšenie, ale zakonzervovanie zlej architektúry práce. Zlá vec sa začne diať lacnejšie a rýchlejšie, čo je horšie, než keď sa diala draho a pomaly. Vtedy aspoň bolela dosť na to, aby ju niekto videl.

Technológia nie je stratégia

Michael Hammer napísal v Harvard Business Review v roku 1990 vetu, ktorá nezostarla: vysoké investície do informačných technológií priniesli sklamanie hlavne preto, lebo firmy používajú technológiu na mechanizáciu starých spôsobov práce. Existujúce procesy nechajú nedotknuté a počítačmi ich iba zrýchlia. Jeho záver znel: prestaňte dláždiť kravské chodníky.

Erik Brynjolfsson a Lorin Hitt v štúdii z roku 2000 uvádzajú, že investície do počítačov bez organizačnej zmeny môžu spôsobiť významné straty produktivity, lebo negatívne interakcie s existujúcimi praktikami prevážia ich prínosy. Nie nulový efekt, záporný. Komplementárne organizačné investície, teda nové procesy a zručnosti, môžu byť podľa nich rádovo desaťnásobne väčšie než investícia do technológie.

Novšie čísla hovoria podobne, čítať sa však dajú len s výhradou. Report The GenAI Divide, ktorý v júli 2025 vydal projekt MIT NANDA, uvádza, že napriek 30 až 40 miliardám dolárov investovaným do generatívnej AI nevidí 95 percent organizácií žiadnu návratnosť a iba 5 percent pilotov vyťaží hodnotu v miliónoch dolárov. Stojí to na 52 rozhovoroch a 153 dotazníkoch z prvého polroka 2025, autori označujú zistenia za predbežné, priznávajú výberové skreslenie a podkladové dáta nezverejnili. Je to teda indícia, nie meranie trhu. Podstatnejšie je ich vysvetlenie: projekty nepadajú na kvalite modelov ani na regulácii, ale na krehkých workflow a na nesúlade s dennou prevádzkou.

Najskôr nakreslite tok, až potom architektúru

Process redesign, teda prepracovanie postupu práce pred voľbou nástroja, začína nudne: rozložíte jeden proces na štyri typy krokov. Vstup je podnet alebo dáta, ktoré do procesu vojdú. Rozhodnutie je miesto, kde sa vyberá z možností. Akcia mení stav. Výstup je to, čo z procesu vypadne a čo niekto ďalší používa. Cieľom je oddeliť kroky, ktoré tvoria hodnotu, od tých, čo iba presúvajú informáciu.

Mapuje sa realita, nie smernica. Manažér povie schválený postup. Človek, ktorý prácu robí, vám ukáže aj tabuľku, ktorú si tím založil, lebo oficiálny systém nestačí. Tie obchádzky sú najlepšia mapa chýb v návrhu.

Čo v toku hľadať

• Duplicita. Tá istá informácia sa zadáva na viacerých miestach, každé je nová šanca na rozpor.
• Čakanie. Práca leží a nikto s ňou nič nerobí. Býva to najväčšia položka celkového času.
• Schvaľovanie bez rizika. Podpis, ktorý nikdy nič nezamietol, nie je kontrola, ale rituál s cenou.
• Manuálny prenos. Prepisovanie z e-mailu do tabuľky, export a import, kopírovanie medzi systémami.
• Kroky bez dôvodu. Report, ktorý nikto nečíta. Kópia pre audítora, ktorý ju už nechce.

Nálezy zoraďujeme vzorcom Cost of Friction: čas jedného opakovania krát frekvencia krát počet zapojených ľudí krát hodinový náklad. Krok, ktorý trvá chvíľu, ale robí ho denne celý tím, býva drahší než veľký projekt riešený raz do roka. Prečo väčšina firiem nepotrebuje ďalší nástroj, ale menej chaosu, sme rozobrali v článku Vaša firma nepotrebuje viac softvéru. Potrebuje menej chaosu.

Metodika: odstrániť, zjednodušiť, automatizovať, rozšíriť

Poradie je zámerne neúprosné. Ďalší krok sa smie robiť až po dokončení predchádzajúceho, lebo každý nasledujúci je drahší a menej vratný.

Odstrániť

Prvá otázka nie je, ako to spraviť rýchlejšie, ale či to treba robiť. Zrušený krok má nulové náklady na prevádzku, nulovú chybovosť a nulovú údržbu. Kto ho preskočí, automatizuje prácu, ktorá nemala existovať.

Zjednodušiť

Čo ostane, treba skrátiť. Menej polí, menej stavov, menej výnimiek, menej schvaľovacích úrovní. Zjednodušenie znižuje naraz náklady, chybovosť aj čas zaškolenia, bez jediného riadku kódu. Kto ho preskočí, automatizuje výnimky. Každá výnimka pritom potrebuje vlastné pravidlo, test a údržbu.

Automatizovať

Až teraz prichádza nástroj. Automatizuje sa to, čo je opakovateľné, jednoznačné a časté, pričom väčšina tejto vrstvy nepotrebuje AI. Preskočiť ju rovno k modelu je chyba, ktorú v zadaniach vidíme opakovane. Firma nasadí model na úlohu, ktorú by vyriešilo pravidlo, a zaplatí za neistotu, ktorú nepotrebovala.

Rozšíriť

Posledná vrstva človeka nezastupuje, ale zvyšuje jeho dosah. Patrí sem sumarizácia podkladov, prvý návrh textu alebo triedenie neštruktúrovaných dát, teda úlohy bez jedinej správnej odpovede. Kto začne rovno tu, dostane pôsobivé demo a nulovú zmenu v číslach, teda presne ten nesúlad s prevádzkou z reportu MIT.

Rozdiel medzi automatizáciou a redizajnom vidno na Hammerovom príklade z Fordu. Oddelenie záväzkov v Severnej Amerike zamestnávalo na začiatku osemdesiatych rokov vyše 500 ľudí a manažment očakával, že nové počítačové systémy znížia stavy asi o 20 percent. Po redizajne, keď sa začali párovať tri dátové položky namiesto štrnástich a faktúra od dodávateľa sa zrušila úplne, dosiahol Ford tam, kde nový proces zaviedol, zníženie stavov o 75 percent. Tie percentá oddeľujú zrýchlenie starého postupu od návrhu nového.

Kedy stačí pravidlo a kedy treba model

Deterministická automatizácia dá pri rovnakom vstupe vždy rovnaký výstup. Patrí sem workflow automation: prepojenie systémov, podmienky, validácie, generovanie dokumentov, notifikácie. Je lacná, testovateľná a keď zlyhá, zlyhá nahlas a na známom mieste. Large language model, teda veľký jazykový model, je pravdepodobnostný. Ten istý vstup môže dať odlišný výstup a model nemá spoľahlivý spôsob, ako priznať, že nevie. Zato zvláda jazyk a neštruktúrovaný vstup, čo pravidlo nedokáže.

Ak sa postup dá napísať vetou typu keď nastane A, sprav B, použite pravidlo. Ak sa úloha dá vyjadriť iba príkladmi, je namieste model. A ak sa pravidlo napísať dá, len sa doň nikomu nechce, nejde o argument pre AI, ale o odklad rozhodnutia.

Podľa benchmarku TheAgentCompany od výskumníkov z Carnegie Mellon University, ktorý simuluje prostredie malej softvérovej firmy, dokončil najlepší testovaný agent úplne samostatne 30 percent úloh. Ide o simuláciu a o plne autonómne dokončenie, číslo teda nehovorí, koľko agent zvládne s človekom po ruke. Aj tak z toho plynie: agent poslaný na neupratený proces väčšinu práce nedokončí.

Kde má zostať človek

Human in the loop, teda zapojenie človeka do rozhodovacej slučky, je správna myšlienka, ktorá sa často zneužíva ako alibi. Ben Green v recenzovanej štúdii preskúmal 41 politík predpisujúcich ľudský dohľad nad štátnymi algoritmami. Podľa jeho zistení ľudia nedokážu vykonávať funkcie dohľadu, ktoré sa od nich očakávajú, a politiky dohľadu preto legitimizujú nasadenie chybných nástrojov.

Priznáva to aj európska regulácia. Článok 14 aktu o umelej inteligencii požaduje, aby vysokorizikové systémy boli navrhnuté tak, aby ich ľudia mohli účinne kontrolovať, a výslovne menuje automation bias, teda sklon automaticky sa spoliehať na výstup systému. Kľúčové slovo je navrhnuté. Dohľad je konštrukčná požiadavka, nie záplata prilepená po nasadení.

Človek má teda zostať tam, kde je rozhodnutie nevratné, kde nesie právne alebo finančné dôsledky a kde ide o výnimku mimo bežných prípadov. Kde by kontrola bola iba formálna, radšej krok neautomatizujte vôbec.

Riziká, ktoré treba vyriešiť pred spustením

Halucinácie. Nezávislé meranie tímu Stanford RegLab ukázalo, že špecializované právne nástroje s vyhľadávaním v dokumentoch halucinovali v 17 až 33 percentách prípadov, pričom najlepší z testovaných odpovedal správne na 65 percent otázok. Jeho dodávateľ pritom sľuboval nulové halucinácie. Doména je právny výskum v USA, čísla teda neprenášajte mechanicky. Prenosný je záver: aj nástroj nad overenou databázou sa mýli dosť často na to, aby výstup potreboval kontrolu. Podľa práce Why Language Models Hallucinate, ktorej väčšina autorov pôsobí v spoločnosti OpenAI, nejde o chybu, ktorú opraví ďalšia verzia. Modely tipujú preto, lebo spôsob hodnotenia ich za tipovanie odmeňuje a za priznanie neistoty trestá.

Súkromie a dáta. Data governance, teda pravidlá o tom, aké dáta do systému vstupujú a kto za ne zodpovedá, nie je administratívna nadstavba. Článok 10 aktu o umelej inteligencii požaduje, aby tréningové, validačné a testovacie dátové sady boli relevantné, dostatočne reprezentatívne a v čo najväčšej možnej miere bez chýb. Model nasadený na neupratané dáta zakonzervuje neporiadok a dodá mu autoritu strojového výstupu.

Prístupové práva. Asistent, ktorý vidí všetko, čo vidí firemný disk, je nová plocha na únik. Voľne nastavené práva model zdedí a zjednoduší vyhľadávanie v tom, čo malo zostať oddelené.

Auditovateľnosť. Článok 12 vyžaduje, aby vysokorizikové systémy technicky umožňovali automatický záznam udalostí počas celej životnosti. Schopnosť spätne zrekonštruovať, čo systém urobil a na akom základe, sa musí navrhnúť dopredu. Do zabehnutého procesu sa dolepiť nedá.

Americký rámec NIST AI RMF k tomu pridáva krok, ktorý sa ľahko vynechá: výstupom mapovania rizík má byť úvodné rozhodnutie, či sa riešenie postavené na AI vôbec má stavať.

Modelový príklad: od dopytu po ponuku

Hypotetická firma predáva komponenty na mieru. Súčasný stav:

1. Dopyt príde na zdieľanú e-mailovú schránku.
2. Asistentka ho prepíše do tabuľky a založí zložku na disku.
3. Obchodník e-mailom overuje u technika, či je zadanie realizovateľné.
4. Technik odpovie, keď má čas.
5. Obchodník ručne poskladá ponuku a prekopíruje ceny z cenníka.
6. Vedúci ponuku schváli, prakticky vždy.
7. Do CRM sa ponuka dostane, keď si niekto spomenie.

Naivné riešenie znie: nasadiť jazykový model, ktorý bude z e-mailov písať ponuky. Firma dostane rýchlejšiu výrobu dokumentov, no čakanie na technika, dvojitá evidencia aj prázdne schvaľovanie zostanú. Vznikne rýchlejšia verzia toho istého neporiadku a nová kategória chýb, ktoré nikto nekontroluje.

Redizajn podľa metodiky vyzerá inak. Odstrániť: ruší sa prepis do tabuľky aj schvaľovanie, ktoré nikdy nič nezamietlo, nahradí ho limit. Zjednodušiť: dopyt prichádza cez formulár, ktorý si vypýta parametre potrebné na posúdenie, takže otázka na technika väčšinou odpadá. Automatizovať: formulár deterministicky založí príležitosť v CRM, priradí obchodníka, poskladá ponuku z cenníka a stráži termíny. Žiadny model tu netreba. Rozšíriť: až pri neštandardných dopytoch model pripraví zhrnutie a návrh riešenia, ktoré technik potvrdí alebo prepíše.

Všimnite si poradie. Najväčší efekt prišiel z prvých dvoch krokov, ktoré nestáli takmer nič a nepotrebovali AI. Poznámka, ktorá sa v našej brandži nehovorí často: nemalá časť takýchto zadaní sa vyrieši bez vlastného vývoja, teda zrušením krokov, formulárom a krabicovým nástrojom, ktorého predplatné je rádovo lacnejšie než vývoj aj jeho údržba. Vlastné riešenie má zmysel tam, kde je proces skutočne špecifický a kde trenie prevyšuje cenu vývoja aj údržby. Kedy sa taká investícia vráti, rozoberáme v texte Dobrý interný systém sa môže zaplatiť skôr než nový zamestnanec, a ako by vyzerala firma postavená od nuly, v článku Ako by som dnes postavil firmu, ktorá nepotrebuje armádu administratívnych ľudí.

Čo si z toho zobrať

• Rozložte jeden proces na vstup, rozhodnutie, akciu a výstup. Mapujte realitu, nie smernicu.
• Nájdite duplicitu, čakanie, schvaľovania bez rizika, manuálny prenos a kroky bez dôvodu. Zoraďte ich podľa Cost of Friction: čas krát frekvencia krát počet ľudí krát hodinový náklad.
• Držte poradie odstrániť, zjednodušiť, automatizovať, rozšíriť. Ďalší krok sa smie začať až po dokončení predchádzajúceho.
• Kde stačí deterministická automatizácia, jazykový model iba pridáva neistotu a náklad.
• Pred spustením si odpovedzte: kto kontroluje výstup, aké dáta vstupujú, kto má k čomu prístup a ako spätne dokážete, čo systém urobil.