Jak začít s AI ve firmě: vyberte proces a ověřte přínos

Ve firmách dnes často zaznívá stejná věta: "Chceme využívat AI, ale nevíme kde a jak začít."

Začněte u konkrétního provozního problému, ne u výběru nástroje. AI může pomoct v obchodě, administrativě, zákaznické podpoře, reportingu i interní komunikaci, ale jen tehdy, když má jasné místo ve workflow. Proto dává smysl nejdřív pojmenovat, kde firma ztrácí čas, kde vznikají chyby a co má být lepší po prvním testu.

Nejpraktičtější první krok: vezměte jedno workflow, projděte ho podle skutečného provozu a ověřte, jestli AI ušetří čas, sníží chybovost nebo zjednoduší dohled člověka.

AI má ve firmě největší smysl tam, kde řeší opakovanou práci, práci s textem nebo daty, dohledávání informací, třídění požadavků, návrhy odpovědí, shrnutí nebo přípravu podkladů pro rozhodnutí.

CTA

Vyberte jedno konkrétní workflow, které ve firmě nejvíc drhne. Pošlete ho k posouzení nebo si domluvte první konzultaci. Společně ověříme, kde AI dává provozní smysl, kde stačí běžná automatizace a kde je lepší nejdřív upravit samotný proces.

Rychlý checklist: kde začít s AI

• Vyberte jeden proces, ne celou firmu najednou.
• Vezměte skutečné příklady z provozu: e-maily, požadavky, objednávky, reporty, interní dotazy.
• Zapište, kdo na procesu pracuje, kdo ho přebírá a kde se čeká.
• Označte ruční přepisování, dohledávání, kopírování a kontrolu.
• Rozlišujte běžnou automatizaci, integraci nástrojů a AI.
• Určete, co AI smí navrhnout sama a co musí schválit člověk.
• Začněte na nízkorizikovém kroku, ideálně bez citlivých dat nebo s minimem potřebných dat.
• Po testu měřte praktický dopad: čas, chybovost, rychlost reakce, přehled, spokojenost týmu.

Proč firmy váhají, i když o AI slyší všude

Eurostat ve statistice využití AI v podnicích uvádí, že v roce 2025 používalo nějakou AI technologii 19,95 % podniků v EU s alespoň 10 zaměstnanci. U malých podniků to bylo 17 %, u středních 30,36 % a u velkých 55,03 %. Rozdíl mezi malými a velkými firmami je přirozený: větší firmy mají více lidí, rozpočtu, dat a interních kapacit na zavádění nových technologií.

Česká národní banka ve svém přehledu k AI ve firmách uvádí, že adopce AI v českých firmách roste a v posledním sledovaném období byla nad průměrem EU, hlavně v některých procesech a sektorech. Zároveň upozorňuje, že prostor pro intenzivnější využití AI zůstává napříč sektory, zejména ve výrobě a v konkrétních firemních procesech.

OECD v reportu o digitalizaci českých malých a středních podniků ukazuje, že české firmy v některých oblastech digitalizace rostou, například v cloudu nebo e-commerce. Slabší místo bývá v tom, jak dobře se digitální technologie propojí s každodenní prací. Nástroje tedy často nechybí; problém je, aby práce mezi nimi plynula bez ručního přenášení a zbytečné kontroly.

To je přesně místo, kde firmy u AI naráží. Slabina bývá v nejasném výběru prvního procesu, volných hranicích použití a chybějícím způsobu, jak ověřit přínos.

První otázka nemá znít "Jaký AI nástroj koupíme?"

Začněte otázkou: "Který opakovaný firemní proces dnes stojí zbytečně moc času, pozornosti nebo kontroly?"

Typicky to bývá práce, která se opakuje každý týden nebo každý den:

• zpracování poptávek;
• třídění zákaznických dotazů;
• příprava nabídek;
• předání zakázky z obchodu do realizace;
• reklamace a servisní požadavky;
• interní dotazy na firemní pravidla;
• reporting pro vedení;
• dohledávání informací ve smlouvách, dokumentech nebo e-mailech;
• tvorba zápisů, shrnutí a úkolů z porad;
• kontrola chybějících údajů v objednávkách.

U každého workflow si položte tři praktické otázky:

1. Kde se dnes ztrácí čas?
2. Kde vznikají chyby nebo nejasnosti?
3. Co by se zlepšilo, kdyby měl člověk lepší návrh, shrnutí, třídění nebo upozornění?

AI se pak stane součástí konkrétního pracovního kroku.

Dobrý první AI use-case nebývá největší nebo nejefektnější. Bývá to proces, kde je dost opakování, dostupná data, jasný výstup a nízké riziko, když se první verze bude ladit v provozu.

Jak poznat workflow, kde má AI smysl

AI je silná hlavně tam, kde pomáhá pracovat s nestrukturovanými informacemi. To jsou e-maily, zápisy, poznámky, dokumenty, požadavky, komentáře, chaty, přílohy nebo dlouhé texty.

Dobré kandidáty poznáte podle těchto signálů:

• tým pořád dokola čte podobné e-maily nebo požadavky;
• lidé ručně třídí zprávy podle typu, priority nebo oddělení;
• informace se dohledávají ve více nástrojích;
• manažer často žádá o shrnutí stavu;
• zápisy z porad vznikají nepravidelně a úkoly se ztrácí;
• zákaznické odpovědi se píšou pokaždé znovu, i když mají podobný základ;
• reporty se skládají ručně z několika zdrojů;
• nový člověk zbytečně hledá postup nebo pravidlo, které už je někde zdokumentované.

AI může navrhnout odpověď, shrnout kontext, vytáhnout důležité body, označit chybějící údaje, navrhnout prioritu nebo připravit podklad. Běžná automatizace pak může založit úkol, poslat upozornění, propsat stav do přehledu nebo předat data do dalšího systému.

Dobrý návrh by měl obsahovat tyto vrstvy:

• Proces: jak práce skutečně běží.
• Data: odkud AI nebo automatizace bere informace.
• Pravidla: co se má stát v běžném případě a co je výjimka.
• AI krok: kde pomáhá návrh, shrnutí, třídění nebo kontrola.
• Automatizace: co se má provést bez ručního kopírování.
• Lidská kontrola: kde má člověk schválit odpověď, rozhodnutí nebo citlivou akci.

Pět praktických míst, kde firmy často začínají

1. Poptávky a obchodní follow-up

Firma dostává poptávky z webu, e-mailu, telefonu, doporučení nebo kampaní. Část informací je v CRM, část v inboxu, část v poznámkách obchodníka. AI může pomoci vytáhnout klíčové údaje z poptávky, připravit stručné shrnutí, označit chybějící informace a navrhnout další krok.

Běžná automatizace pak založí záznam v CRM, vytvoří úkol, nastaví termín follow-upu nebo upozorní odpovědného člověka.

První test může vypadat takto: vezměte posledních 30 poptávek, rozdělte je podle typu, zjistěte nejčastější chybějící údaje a navrhněte šablonu prvního zpracování. AI nemusí rovnou posílat odpovědi zákazníkům. V první verzi může připravovat interní návrh pro obchodníka.

2. Zákaznické dotazy, reklamace a servisní požadavky

U zákaznické podpory často nejvíc bolí třídění, kontext a rychlost první reakce. AI může požadavek shrnout, přiřadit kategorii, navrhnout prioritu, dohledat podobný případ nebo připravit návrh odpovědi podle firemních pravidel.

Kontrola člověkem je tady důležitá. Zvlášť u reklamací, citlivých zákazníků, finančních dopadů nebo právních formulací má AI připravovat podklad, ne definitivně rozhodovat.

Praktický přínos se dá měřit například tím, kolik času zabere první zpracování požadavku, kolik dotazů chybí v kategorii, jak často se něco vrací kvůli neúplným informacím a jestli se tým rychleji dostane ke správnému kontextu.

3. Interní znalosti a onboarding

V mnoha firmách jsou důležité informace rozložené mezi sdílený disk, Notion, e-maily, dokumenty, tabulky a hlavy zkušených lidí. Nový člověk se ptá kolegů, provozní manažer hledá správnou verzi dokumentu a tým zodpovídá stejné otázky.

AI může fungovat jako řízená vyhledávací vrstva nad interními znalostmi: najde relevantní dokument, shrne pravidlo, ukáže zdroj a připraví návrh odpovědi. Hodnota nevzniká tím, že AI "ví všechno". Vzniká tím, že pracuje s jasně určenými firemními zdroji a pomáhá lidem rychleji najít použitelný kontext.

U tohoto use-casu je zásadní pořádek ve zdrojích. Pokud firma nemá jasné dokumenty, verze a odpovědnosti, první krok má být úklid znalostní báze.

4. Reporting a provozní přehled

Manažer často nechce další tabulku. Chce vědět, co stojí, proč to stojí, kdo má další krok a co vyžaduje jeho pozornost.

AI může pomoci shrnout textové komentáře, vytáhnout opakující se důvody zpoždění, připravit přehled výjimek nebo přepsat provozní data do srozumitelného komentáře. Dashboard nebo automatizace pak ukáže stav práce, termíny, vlastníky a výjimky.

Dobrá otázka pro první audit: "Které rozhodnutí má report podpořit?" Pokud report nemění rozhodnutí, odpovědnost nebo prioritu, bude z něj jen další administrativa.

5. Back-office a ruční kontrola údajů

Back-office bývá plný drobné práce: kontrola příloh, chybějících polí, shoda údajů, příprava podkladů, přejmenování dokumentů, doplnění interního záznamu, upozornění na výjimku.

Tady často stačí kombinace integrace a jednoduché automatizace. AI má smysl ve chvíli, kdy je vstup nejednotný: například volný text v e-mailu, nestrukturovaný dokument nebo různé formulace stejného požadavku.

První verze může jen označovat podezřelé nebo neúplné položky. Teprve po ověření přesnosti a dopadu dává smysl přesouvat další kroky do automatizace.

Postup: jak ověřit první AI workflow

1. Vyberte proces s jasným začátkem a koncem

Nepopisujte "obchod", "servis" nebo "administrativu" obecně. Vyberte konkrétní tok práce:

• poptávka od přijetí po první odpověď;
• reklamace od doručení po rozhodnutí;
• zakázka od podpisu po předání realizaci;
• porada od zápisu po rozdělení úkolů;
• interní dotaz od položení otázky po nalezení odpovědi.

Čím konkrétnější proces, tím rychleji poznáte, jestli má AI smysl.

2. Vezměte reálné vzorky práce

Teoretický proces často vypadá čistěji než skutečný provoz. Pro první audit vezměte reálné příklady: e-maily, požadavky, formuláře, zápisy, tabulky nebo dokumenty.

U každého vzorku označte:

• kdo ho přijal;
• jaké informace chyběly;
• kam se data přepisovala;
• kdo rozhodoval;
• kde se čekalo;
• co se muselo dohledat;
• co se opakovalo;
• kde vznikla chyba nebo nejistota.

Tady se obvykle ukáže, jestli firma potřebuje AI, integraci, automatizaci, jasnější pravidlo nebo lepší přehled.

3. Rozdělte kroky podle typu řešení

Ne každý problém v procesu je AI problém.

• Chybí-li odpovědnost, pomůže jasnější vlastník.
• Přepisují-li se stejná data, pomůže integrace.
• Opakuje-li se pravidlový krok, pomůže automatizace.
• Pracuje-li se s textem, kontextem nebo nejednotnými požadavky, může pomoci AI.
• Jde-li o citlivé rozhodnutí, má být součástí návrhu lidská kontrola.

Toto rozdělení chrání firmu před tím, aby AI řešila špatně pojmenovaný problém.

4. Navrhněte malý prototyp

První AI workflow má být dost malé, aby šlo rychle ověřit, a dost užitečné, aby mělo provozní význam.

Příklad:

• AI shrne příchozí poptávku pro obchodníka.
• AI označí chybějící údaje v požadavku.
• AI připraví návrh interní odpovědi podle znalostní báze.
• AI vytáhne akční body z porady a navrhne úkoly.
• AI shrne otevřené servisní požadavky pro provozního manažera.

V první fázi nemusíte automatizovat celý proces. Stačí ověřit, jestli výstup z AI člověku skutečně zrychlí práci a jestli mu věří natolik, aby ho používal.

5. Nastavte hranice, logování a měření

AI workflow musí mít hranice. Kdo ho používá? S jakými daty pracuje? Co smí navrhnout? Co nesmí udělat bez schválení? Kde se ukládá výstup? Kdo řeší chybný návrh?

U firemních dat doporučujeme GDPR-aware návrh: minimum potřebných dat, jasné přístupy, oddělení citlivých akcí, logování a možnost lidské kontroly. U citlivějších oblastí dává smysl právní nebo bezpečnostní posouzení.

Evropský AI Act už obsahuje požadavek na AI literacy, tedy přiměřené znalosti lidí, kteří s AI systémy pracují. Evropská komise k tomu vysvětluje, že firmy mají zohlednit roli lidí, jejich zkušenosti, kontext použití a rizika konkrétního AI systému. Prakticky to znamená: nestačí lidem říct "používejte AI opatrně". Potřebují vědět, na co se nástroj hodí, kde halucinuje, jak ověřovat výstupy a co do něj nevkládat.

Bezpečné AI workflow má jasné zdroje dat, jasná oprávnění, jasnou odpovědnost a jasný okamžik, kdy do procesu vstupuje člověk.

Co na začátku raději nedělat

Některé nápady vypadají lákavě, ale pro první AI projekt jsou zbytečně rizikové.

Pozor hlavně na:

• automatické posílání externích odpovědí bez kontroly;
• práci s citlivými osobními údaji bez jasného právního a bezpečnostního rámce;
• rozhodování o zaměstnancích, cenách, reklamaci nebo právním nároku bez lidské odpovědnosti;
• napojení AI na příliš široká oprávnění;
• budování velkého interního asistenta dřív, než jsou uklizené zdroje dat;
• projekty, kde není předem jasné, co se má po nasazení zlepšit a jak se to změří.

NIST ve svém AI Risk Management Frameworku popisuje práci s AI riziky přes funkce govern, map, measure a manage. Pro menší firmu to nemusí znamenat složitou metodiku. Stačí z toho vzít princip: nejdřív pochopit kontext, zmapovat rizika, měřit chování systému a řídit ho průběžně, ne jednorázově.

Podle EDPB stanoviska k AI modelům se anonymita modelu nebo dat posuzuje případ od případu. U zákaznických, zaměstnaneckých nebo jinak citlivých dat proto bezpečný návrh začíná minimalizací: do AI má jít jen to, co je pro užitečný výsledek skutečně potřeba.

Shrnutí

Smysluplný začátek s AI stojí na jednom konkrétním workflow, reálných datech z provozu a jasném měření přínosu. Samotný výběr oblíbeného chatbotu firmě proces nezlepší.

Vyberte proces, kde se opakuje ruční práce, dohledávání nebo práce s textem. Zmapujte, kde vzniká ztráta času a chybovost. Rozdělte problém na proces, integrace, automatizaci a AI krok. Nastavte hranice, přístupy a lidskou kontrolu. Potom ověřte malý prototyp v reálném provozu.

Pokud výstup šetří čas, snižuje chyby nebo zlepšuje přehled, máte první ověřené místo pro AI. Pokud ne, zjistili jste to včas a bez velkého projektu.

Závěrečné CTA

Máte ve firmě proces, který se pořád řeší ručně, zdržuje tým nebo se ztrácí mezi nástroji?

V Digicare s vámi projdeme současný stav, najdeme slabá místa a ověříme, kde má AI, automatizace nebo integrace skutečný provozní smysl.

Domluvit konzultaci

Zdroje

• Eurostat: Use of artificial intelligence in enterprises
• Česká národní banka: AI v evropských firmách - kde se používá a jak mění firemní procesy?
• OECD: SME Policy in Czechia - SME digitalisation
• European Commission: AI Act - Shaping Europe's digital future
• European Commission: AI Literacy - Questions & Answers
• NIST: AI Risk Management Framework
• NIST AI Resource Center: AI RMF Core
• EDPB: Opinion 28/2024 on AI models and personal data processing