„`json
{
„aigenerated_title“: „Umělá inteligence ve firmách: Proč se miliardové investice neproměňují v očekávané zisky?“,
„aigenerated_content“: „
Investice do umělé inteligence (AI) celosvětově dramaticky akcelerují, přesto data od KPMG odhalují znepokojivý trend: propast mezi výdaji podniků na AI a měřitelnou obchodní hodnotou se rychle prohlubuje. Zatímco globální organizace plánují v příštích 12 měsících utratit v průměru 186 milionů dolarů za AI, pouze 11 procent z nich dosáhlo fáze nasazení a škálování agentů AI způsobem, který přináší celopodnikové obchodní výsledky.
nnn
Hlavní zjištění však není, že by AI selhávala. 64 procent respondentů tvrdí, že AI již přináší smysluplné obchodní výsledky. Problém spočívá v tom, co se pod slovem „smysluplné“ skrývá. Většinou jde o přírůstkové zisky produktivity, zatímco skutečná kumulovaná provozní efektivita, která posouvá marže, je pro většinu organizací stále značná. KPMG ve své zprávě rozlišuje mezi „lídry v oblasti AI“ – tedy organizacemi, které škálují nebo aktivně provozují agentní AI – a všemi ostatními. Rozdíl ve výsledcích mezi těmito dvěma skupinami je markantní.
n
Steve Chase, globální ředitel pro AI a digitální inovace ve společnosti KPMG International, zdůrazňuje: „Výsledky prvního globálního průzkumu AI Pulse potvrzují, že více utrácet za AI neznamená automaticky vytvářet hodnotu. Přední organizace jdou za rámec pouhého umožnění; nasazují agenty AI k přetváření procesů a k novému definování toku rozhodnutí a práce napříč celým podnikem.“
n
Mezi lídry v oblasti AI 82 procent uvádí, že AI již přináší smysluplnou obchodní hodnotu. Mezi jejich kolegy tento údaj klesá na 62 procent. Tento dvacetiprocentní rozdíl se může zdát izolovaně skromný, ale rychle se kumuluje, když vezmete v úvahu, co odráží: nejen lepší nástroje, ale zásadně odlišné filozofie nasazení. Organizace spadající do oněch 11 procent nasazují agenty, kteří koordinují práci napříč funkcemi, směrují rozhodnutí bez lidské intermediace v každém kroku, odhalují celopodnikové poznatky z provozních dat téměř v reálném čase a označují anomálie dříve, než eskalují do incidentů.
n
V IT a inženýrských funkcích 75 procent lídrů v AI používá agenty k urychlení vývoje kódu, oproti 64 procentům jejich kolegů. V operacích, kde je primárním případem použití orchestrace dodavatelského řetězce, je poměr 64 procent ku 55 procentům. Nejde o marginální rozdíly v míře adopce nástrojů; odrážejí různé úrovně přepracování procesů. Většina podniků, které nasadily AI, tak učinila vrstvením modelů na stávající pracovní postupy – například kopilot zde, nástroj pro sumarizaci tam – aniž by přepracovaly proces, do kterého jsou tyto nástroje zasazeny. To vede pouze k přírůstkovým ziskům.
n
Organizace, které tuto mezeru ve výkonu překonávají, tento přístup obrátily: nejprve přepracovávají proces a teprve poté nasazují agenty, aby fungovali v rámci nově navržené struktury. Rozdíl v návratnosti investic do AI mezi těmito dvěma přístupy, v horizontu tří až pěti let, bude pravděpodobně určující konkurenční proměnnou v několika odvětvích.
nn
Co 186 milionů dolarů skutečně kupuje – a co ne
n
Investiční čísla v datech KPMG si zaslouží podrobnější zkoumání. Vážený globální průměr 186 milionů dolarů na organizaci zní podstatně, ale regionální rozdíly vyprávějí zajímavější příběh. Region ASPAC vede s 245 miliony dolarů, Amerika s 178 miliony a EMEA s 157 miliony. V rámci ASPAC organizace včetně těch v Číně a Hongkongu investují v průměru 235 milionů dolarů; v rámci Ameriky americké organizace dosahují 207 milionů dolarů.
n
Tyto údaje představují plánované výdaje na licencování modelů, výpočetní infrastrukturu, profesionální služby, integraci a aparát pro správu a řízení rizik potřebný k odpovědnému provozování AI ve velkém měřítku. Otázkou není, zda je 186 milionů dolarů příliš mnoho nebo příliš málo; jde o to, jaká část této částky je přidělena na provozní infrastrukturu potřebnou k získání hodnoty ze samotných modelů. Data průzkumu naznačují, že většina organizací tuto kategorii stále podceňuje.
n
Náklady na výpočetní výkon a licencování jsou viditelné a relativně snadno se rozpočtují. Třecí náklady – hodiny inženýrské práce strávené integrací výstupů AI se staršími ERP systémy, latence zavedená pipeline pro generování s rozšířeným vyhledáváním postavenými na špatně strukturovaných datech a režijní náklady na dodržování předpisů pro udržování auditních stop pro rozhodnutí asistovaná AI v regulovaných odvětvích – se obvykle objevují pozdě v cyklech nasazení a často překračují počáteční odhady.
n
Integrace vektorových databází je užitečným příkladem. Mnoho agentních pracovních postupů závisí na schopnosti získat relevantní kontext z velkých, nestrukturovaných úložišť dokumentů v reálném čase. Vybudování a údržba této infrastruktury – výběr mezi poskytovateli jako Pinecone, Weaviate nebo Qdrant, vkládání a indexování proprietárních dat a správa cyklů obnovy, jak se mění podkladová data – přidává značnou inženýrskou složitost a průběžné provozní náklady, které se jen zřídka objevují v počátečních návrzích investic do AI. Pokud tato infrastruktura chybí nebo je špatně udržována, výkon agenta se zhoršuje způsobem, který je často obtížné diagnostikovat, protože chování modelu je správné vzhledem k přijímanému kontextu, ale tento kontext je zastaralý nebo neúplný.
nn
Správa jako provozní proměnná, nikoli cvičení v dodržování předpisů
n
Možná nejpraktičtěji užitečné zjištění v průzkumu KPMG je vztah mezi vyspělostí AI a důvěrou v řízení rizik. Mezi organizacemi, které jsou stále ve fázi experimentování, se pouze 20 procent cítí jistě ve své schopnosti řídit rizika spojená s AI. Mezi lídry v oblasti AI toto číslo stoupá na 49 procent. 75 procent globálních lídrů uvádí zabezpečení dat, soukromí a rizika jako trvalé obavy bez ohledu na úroveň vyspělosti – ale vyspělost mění způsob, jakým jsou tyto obavy operacionalizovány.
n
Toto je důležité rozlišení pro představenstva a rizikové funkce, které mají tendenci rámovat správu AI jako omezení nasazení. Data KPMG naznačují opačnou dynamiku: rámce správy nezpomalují adopci AI mezi vyspělými organizacemi; naopak ji umožňují. Důvěra v rychlejší pohyb – nasazování agentů do pracovních postupů s vyššími sázkami, rozšiřování agentní koordinace napříč funkcemi – přímo koreluje s vyspělostí infrastruktury správy obklopující tyto agenty.
n
V praxi to znamená, že organizace, které považují správu za retrospektivní vrstvu dodržování předpisů, jsou dvojnásobně znevýhodněny. Jsou pomalejší v nasazování, protože každý nový případ použití spouští novou revizi správy, a jsou více vystaveny provoznímu riziku, protože absence integrovaných mechanismů správy znamená, že okrajové případy a režimy selhání jsou objevovány ve výrobě, nikoli při testování. Organizace, které integrovaly správu přímo do samotné pipeline nasazení (např. modelové karty, automatizované monitorování výstupů, nástroje pro vysvětlitelnost a cesty eskalace s člověkem ve smyčce pro rozhodnutí s nízkou důvěrou), jsou ty, které fungují s důvěrou, jež jim umožňuje škálovat.
n
„Nakonec neexistuje žádná agentní budoucnost bez důvěry a žádná důvěra bez správy, která drží krok,“ vysvětluje Steve Chase. „Průzkum jasně ukazuje, že udržitelné investice do lidí, školení a řízení změn jsou tím, co organizacím umožňuje odpovědně škálovat AI a získávat hodnotu.“
nn
Regionální divergence a její signály pro globální nasazení
n
Pro nadnárodní společnosti, které řídí programy AI napříč regiony, data KPMG upozorňují na podstatné rozdíly v rychlosti nasazení a organizačním postoji, které ovlivní plánování globálního zavádění. Region ASPAC postupuje nejagresivněji ve škálování agentů; 49 procent organizací tam škáluje agenty AI, ve srovnání s 46 procenty v Americe a 42 procenty v EMEA. ASPAC také vede v komplexnější schopnosti orchestrace víceagentních systémů, a to s 33 procenty.
n
Profily bariér se také liší způsobem, který má skutečné provozní důsledky. V regionech ASPAC i EMEA 24 procent organizací uvádí nedostatek důvěry a podpory vedení jako primární bariéru pro nasazení agentů AI. V Americe toto číslo klesá na 17 procent. Agentní systémy ze své
