Pokud jste v posledních dvou letech nezaslechli zkratku AI nebo ChatGPT, pravděpodobně jste strávili tento čas na opuštěném ostrově. A i tam byste to nejspíš chytili přes Starlink. Umělá inteligence – konkrétně takzvané velké jazykové modely (LLM) – se stala tématem číslo jedna nejen v IT, ale i v boardroomech a na poradách vedení firem všech velikostí.

Jenže mezi „slyšel jsem o tom“ a „máme to nasazené a funguje nám to“ je obrovská propast. A právě tu se pokusím tímto článkem trochu zmenšit. Žádné sci-fi, žádné buzzwordy navíc. Jen praktický pohled na to, co dnes LLM modely umí, kde vám ve firmě reálně pomůžou a jak k celé věci přistoupit, abyste neskončili s předraženým nástrojem, který nikdo nepoužívá.

Co je vlastně ten LLM model?

Než se pustíme do implementace, pojďme si ujasnit, o čem vlastně mluvíme. LLM (Large Language Model) je typ umělé inteligence, který byl natrénován na obrovském množství textových dat. Díky tomu „rozumí“ přirozenému jazyku a dokáže generovat smysluplné odpovědi, psát texty, analyzovat dokumenty, překládat, sumarizovat a mnoho dalšího.

Představte si to jako nového kolegu, který přečetl všechny knihy, manuály a články na světě. Nepamatuje si z nich každý detail slovo od slova, ale dokáže vám na většinu otázek odpovědět překvapivě dobře. A pokud mu dáte konkrétní kontext – třeba váš interní dokument nebo e-mail od klienta – pracuje s ním skutečně efektivně.

Nejznámější modely dnes jsou GPT-4o a o1 od OpenAI (ten za ChatGPT), Claude od Anthropic, Gemini od Googlu nebo open-source modely jako Llama od Meta. Každý má trochu jiné silné stránky, ale základní princip je stejný.

Kde vám LLM ve firmě reálně pomůže?

Nebudu vám tvrdit, že AI vyřeší všechno. To by byla lež. Ale existují oblasti, kde nasazení LLM přináší měřitelné výsledky – a to i v malých a středních firmách.

Komunikace a e-maily

Tohle je pravděpodobně nejrychlejší výhra. Většina zaměstnanců stráví nezanedbatelnou část dne psaním a čtením e-mailů. LLM model dokáže navrhnout odpověď na e-mail, přeformulovat váš text do profesionálnější podoby, přeložit komunikaci do cizího jazyka nebo naopak sumarizovat dlouhý e-mailový řetězec do tří klíčových bodů. Místo dvaceti minut formulování diplomatické odpovědi máte hotovo za dvě.

Práce s dokumenty a znalostní bází

Máte stovky interních dokumentů, směrnic, smluv a procesních popisů? LLM model se v nich dokáže orientovat za vás. Představte si, že se nového zaměstnance místo „přečti si wiki“ zeptáte „zeptej se firemního asistenta“. A ten mu za pár vteřin najde přesně to, co potřebuje, a ještě mu to vysvětlí vlastními slovy. Tohle se dá dnes reálně postavit a nasadit, a to i nad daty uloženými v SharePointu, na sdíleném disku nebo v libovolném dokumentovém systému.

Zákaznická podpora

LLM modely zvládnou odpovídat na časté dotazy zákazníků, třídit příchozí požadavky podle priority a naléhavosti, nebo připravit návrh odpovědi pro operátora, který ji pak jen zkontroluje a odešle. Nenahradí to lidský přístup u komplexních případů, ale rutinní dotazy typu „jaké jsou vaše otevírací hodiny“ nebo „jak zruším objednávku“ zvládne AI bez problémů.

Analýza a reporting

Chcete rychlý přehled z prodejních dat? Sumarizaci zpětné vazby od zákazníků? Identifikaci trendů v reklamacích? LLM model dokáže zpracovat velké množství nestrukturovaného textu a vytáhnout z něj to podstatné. Tam, kde byste dříve potřebovali analytika a půl dne práce, máte výsledek za minuty.

Programování a automatizace

I pokud máte ve firmě vývojáře nebo IT tým, LLM model jim může výrazně urychlit práci. Generování kódu, hledání chyb, psaní dokumentace nebo vytváření automatizačních skriptů – to vše dnes AI zvládá na solidní úrovni. A nemusíte být programátor. Existují nástroje, které vám na základě popisu v češtině vygenerují funkční PowerShell skript nebo Excel makro.

Jak k implementaci přistoupit? Krok za krokem.

A teď ta důležitější část. Víte, že AI existuje, víte, kde by mohla pomoci. Ale jak na to? Z praxe vím, že většina firem udělá jednu ze dvou chyb – buď se do toho vrhne bez rozmyslu a koupí první řešení, které jim prodejce nabídne, nebo naopak čeká, až bude technologie „dokonalá“, a mezitím jim ujíždí vlak. Správná cesta je někde uprostřed.

Fáze 1: Zmapujte, kde vás tlačí bota

Než začnete řešit technologie, podívejte se dovnitř firmy. Kde vaši lidé tráví nejvíc času opakovanou, rutinní prací? Kde vznikají úzká hrdla? Které procesy jsou pomalé ne proto, že by byly složité, ale proto, že vyžadují ruční zpracování velkého množství informací?

Typické kandidáty najdete v oblastech jako zpracování příchozí pošty, odpovídání na opakující se dotazy (interně i externě), vyhledávání informací v dokumentech, příprava reportů a shrnutí, překlady a lokalizace, nebo onboarding nových zaměstnanců.

Sepište si konkrétní bolesti. Neříkejte „chceme AI“. Řekněte „naši obchodníci tráví dvě hodiny denně hledáním informací v CRM a dokumentech“ nebo „odpovídáme na 50 e-mailů denně, z toho 30 je stále dokola to samé“. To je základ, ze kterého můžete vycházet.

Fáze 2: Začněte malým pilotem

Nejlepší strategie je vybrat jeden konkrétní proces nebo oblast a na něm si AI vyzkoušet. Ideálně takový, kde je rychlá zpětná vazba – tedy kde brzy poznáte, jestli to funguje, nebo ne.

Existují tři základní přístupy, jak LLM model do firmy dostat. Liší se složitostí, náklady i mírou přizpůsobení.

Hotové nástroje s AI: Nejjednodušší cesta. Microsoft 365 Copilot, GitHub Copilot, různé AI asistenty přímo integrované do nástrojů, které už používáte. Výhoda – nemusíte nic stavět, stačí aktivovat a nastavit. Nevýhoda – omezená možnost přizpůsobení a někdy vysoká cena za licenci na uživatele.

AI asistenti nad vašimi daty: Střední cesta. Vezmete existující LLM model (například přes API od OpenAI nebo Anthropic) a napojíte ho na vaše interní dokumenty, databáze nebo systémy. Díky technice zvané RAG (Retrieval-Augmented Generation) model odpovídá na základě vašich dat, nikoliv jen ze svého obecného tréninku. Výsledkem je firemní znalostní asistent, který skutečně zná vaše procesy, produkty a historii. Tohle vyžaduje určitou technickou práci, ale výsledek je výrazně lepší než univerzální chatbot.

Vlastní řešení na míru: Nejsložitější, ale nejflexibilnější. Vývoj vlastní aplikace nebo workflow, kde LLM model plní specifickou roli – třeba automaticky kategorizuje příchozí faktury, generuje návrhy smluv podle šablony, nebo analyzuje protokoly z jednání a vytváří z nich úkoly. Tohle je investice, ale u správně zvoleného procesu se vrátí velmi rychle.

Moje doporučení? Začněte první nebo druhou cestou. Ověřte si, že AI vašim lidem skutečně pomáhá, a teprve pak investujte do složitějších řešení.

Fáze 3: Řešte bezpečnost a pravidla

Tohle je kapitola, kterou hodně firem přeskočí – a pak se diví. Jakmile do AI nástroje začnete posílat firemní data, musíte vědět, kam ta data tečou.

Klíčové otázky, které si musíte zodpovědět, jsou: Kde se data zpracovávají – v EU, nebo někde za oceánem? Ukládá si poskytovatel AI vaše data, nebo je po zpracování maže? Může poskytovatel vaše data použít k dalšímu trénování modelu? Jak je to s GDPR, pokud posíláte do AI osobní údaje zákazníků nebo zaměstnanců? A máte interní pravidla pro to, co zaměstnanci smí a nesmí do AI zadávat?

Většina seriózních poskytovatelů (OpenAI, Anthropic, Microsoft) dnes nabízí firemní tarify, kde jsou data oddělena a nepoužívají se k tréninku. Ale je potřeba to ověřit a nastavit správně. A především – je nutné mít jasná pravidla pro zaměstnance. Bez nich se vám stane, že někdo v dobré víře nahraje do veřejného ChatGPT kompletní databázi klientů „aby mu AI pomohla udělat přehled“. A to nechcete.

Doporučuji vytvořit jednoduchou interní směrnici – co je povoleno, co ne, jaké nástroje jsou schválené a jak s nimi pracovat. Nemusí to být dvacetistránkový dokument. Stačí jasná, srozumitelná pravidla na jednu A4.

Fáze 4: Vzdělávejte lidi

Technologie je jen polovina úspěchu. Druhá polovina jsou lidé, kteří s ní pracují. A tady narážím na problém, který vidím u klientů opakovaně: firma koupí skvělý nástroj, ale nikdo lidem neukáže, jak ho efektivně používat.

Práce s LLM modelem je trochu jako práce s novým kolegou. Musíte mu umět zadat úkol. Čím přesněji mu řeknete, co chcete, tím lepší výsledek dostanete. „Napiš mi e-mail“ vám dá průměrný výsledek. „Napiš mi stručnou, profesionální odpověď klientovi, který reklamuje pozdní dodávku. Omluv se, nabídni slevu 10 % na další objednávku a uveď, že jsme již přijali opatření k prevenci. Piš česky, formálně, maximálně 5 vět.“ – to vám dá výsledek, který rovnou odešlete.

Investice do krátkého školení – třeba dvě hodiny – se vrátí mnohonásobně. Ukažte lidem reálné příklady z jejich každodenní práce. Nechte je si to vyzkoušet. A dejte jim prostor klást otázky a sdílet tipy mezi sebou.

Fáze 5: Měřte a iterujte

Nasadili jste AI na konkrétní proces? Výborně. Teď měřte. Kolik času se reálně ušetřilo? Zlepšila se kvalita výstupů? Jsou zaměstnanci spokojeni, nebo nástroj obcházejí a dělají to postaru?

Buďte připraveni na to, že první pokus nebude dokonalý. To je naprosto v pořádku. AI implementace je iterativní proces. Nasadíte, změříte, upravíte, nasadíte znovu. Každá iterace bude lepší, protože lépe porozumíte tomu, co váš tým potřebuje a jak model reaguje na vaše specifická data a dotazy.

Na co si dát pozor

Za dobu, co se pohybuji v IT a pomáhám firmám s implementací technologií, jsem viděl spoustu projektů, které začaly s velkými ambicemi a skončily v šuplíku. Aby se to nestalo i vám, tady je pár věcí, na které si dejte pozor.

AI není kouzelná hůlka. Nepomůže vám, pokud nemáte jasno v tom, co vlastně chcete řešit. „Chceme být inovativní“ není zadání. „Chceme zkrátit dobu odpovědi na zákaznický dotaz z 24 hodin na 2 hodiny“ – to už je zadání, se kterým se dá pracovat.

Halucinace jsou reálný problém. LLM modely občas s naprostou jistotou tvrdí něco, co není pravda. Vymyslí si citaci, číslo, nebo dokonce celý produkt, který neexistuje. Proto je zásadní, aby výstupy AI vždy procházely lidskou kontrolou – minimálně v počáteční fázi. Postupně se naučíte, kde modelu můžete věřit a kde je kontrola nutná.

Nezapomínejte na náklady. LLM modely nejsou zadarmo. Platíte buď za licenci (Microsoft Copilot, ChatGPT Teams), nebo za spotřebu přes API (počet zpracovaných tokenů). U malého pilotu to budou stokoruny měsíčně, u plošného nasazení to mohou být desítky tisíc. Vždy si spočítejte ROI – kolik stojí AI versus kolik stojí čas zaměstnanců, který se ušetří.

Technologie se vyvíjí raketovou rychlostí. Co platilo před šesti měsíci, dnes už nemusí platit. Nové modely jsou levnější, rychlejší a schopnější. Proto doporučuji neuzamykat se do jednoho řešení na roky dopředu, ale stavět architekturu tak, aby šla snadno adaptovat.

Kdy je ten správný čas začít?

Teď. Ne za rok, ne až technologie dozraje, ne až to bude dělat konkurence. Teď.

Neznamená to, že máte příští týden nasadit AI do všech procesů. Znamená to, že byste měli začít experimentovat. Pořídit si firemní přístup k některému z LLM nástrojů. Nechat pár lidí, ať si s tím hrají. Identifikovat první proces, kde to dává smysl. A udělat malý pilot.

Firmy, které dnes AI aktivně testují a postupně nasazují, budou mít za dva roky obrovský náskok. Ne proto, že by měly lepší technologii – tu bude mít každý. Ale proto, že jejich lidé budou umět s AI efektivně pracovat. A to je konkurenční výhoda, kterou nejde koupit ze dne na den.

Pokud nevíte, kde začít, nebo si nejste jistí, jaký přístup je pro vaši firmu ten správný, rád vám s tím pomůžu. Implementace AI do firemních procesů je přesně ta oblast, kde se potkává znalost technologií s pochopením reálných potřeb firmy. A to je to, co dělám.

Martin Sabol – SabIT.cz – Technická podpora a konzultace v IT