Přestaňme dláždit kravské stezky: proč musí analýza a optimalizace procesů předcházet zavádění AI

V dnešních zasedacích místnostech se jen málokdy neozve otázka „Jaká je naše strategie v oblasti AI?“. Tlak na rychlé jednání je skutečný a strach, že nám něco uteče, silný: konkurenti oznamují pilotní projekty a dostávají se na titulní stránky díky AI, dodavatelé slibují transformaci a nikdo nechce být firmou, která zmeškala vlnu. Pod tímto tlakem se opakuje známý scénář – organizace považují zavádění AI za samotný projekt: nejprve vyberou nástroj a teprve potom hledají, kde by ho mohly využít.

Důkazy – z ekonomie, výzkumu informačních systémů i z rostoucího počtu analýz neúspěšných iniciativ v oblasti AI – ukazují opačným směrem. Hodnotu umělé inteligence získávají organizace, které ji nezavádějí nejrychleji, ale ty, které pro ni připraví půdu: přehodnotí své podnikání a zmapují, analyzují a optimalizují firemní procesy ještě před uvedením jediného modelu do provozu. Základní logiku vystihuje známý výrok často připisovaný Billu Gatesovi: „(...) automatizace efektivního provozu účinnost znásobuje, zatímco automatizace neefektivního provozu znásobuje neefektivitu.“ Připsání výroku Gatesovi může být jen tradovaná legenda; jak si ukážeme, samotný princip je dobře doložený.

Tento článek předkládá důkazy pro pořadí kroků, které disciplinovaní provozní manažeři dodržují odjakživa: nejprve analyzovat, poté optimalizovat a nakonec automatizovat.

 

Nepříjemná matematika podnikové AI

Začněme výsledky. Studie RAND Corporation z roku 2024, založená na rozhovorech se zkušenými datovými vědci a inženýry, odhadla, že více než 80 % projektů AI selže – přibližně dvojnásobek míry neúspěšnosti IT projektů bez AI [1]. O rok později přinesl projekt MIT Project NANDA ještě výraznější čísla pro éru generativní AI: navzdory desítkám miliard dolarů investovaným podniky nepřinášelo přibližně 95 % pilotních projektů GenAI žádný měřitelný dopad na zisk a ztrátu a jen asi 5 % zakázkových podnikových nástrojů se vůbec dostalo do širokého produkčního nasazení [2].

Stejný obrázek vykreslují z jiného úhlu i výsledky průzkumů. Podle S&P Global Market Intelligence vzrostl v roce 2025 podíl společností, které opustily většinu svých iniciativ v oblasti AI, na 42 % ze 17 % o rok dříve. V průměru bylo 46 % ověření konceptu ukončeno ještě před uvedením do provozu [3]. Gartner tento útlum předpověděl a odhadoval, že do konce roku 2025 bude po fázi ověření konceptu ukončeno nejméně 30 % projektů generativní AI [4]. A nejde jen o generativní AI: už v roce 2019, tedy ještě před vznikem ChatGPT, zjistil celosvětový průzkum MIT Sloan Management Review a Boston Consulting Group, že sedm z deseti společností zaznamenalo do té doby jen minimální nebo žádný dopad svých investic do AI [5].

Podstatné však není, kolik projektů selže, ale proč selhávají. Když výzkumníci RAND roztřídili hlavní příčiny neúspěchu, ty nejčastější měly s algoritmy jen málo společného: nesoulad mezi vedením firmy a technickými týmy v tom, jaký problém má AI řešit; nedostatek dat potřebných k trénování dostatečných modelů; zaměření na používání nejnovější technologie místo řešení skutečných potřeb uživatelů; a nedostatečná infrastruktura a správa dat [1]. Zpráva MIT dospěla k doplňujícímu závěru: pilotní projekty selhávají, protože nástroje nezapadají do skutečných pracovních postupů a nedokážou se učit z kontextu práce – jde o „mezeru v učení“, jejíž kořeny leží v provozu, nikoli v kvalitě modelu [2].

Jinými slovy: podniková AI nejčastěji selhává při výběru problému, kvůli datům a při začleňování do procesů. Právě na všechny tři oblasti se zaměřuje analýza procesů.

 

Tenhle příběh už známe

To by nemělo překvapit nikoho, kdo si pamatuje, jak podniky zasáhla poslední univerzálně využitelná technologie. V roce 1990, po desetiletí rozsáhlých firemních investic do IT, které přinesly zklamání v oblasti produktivity, určil Michael Hammer příčinu v jednom z nejvlivnějších článků o managementu, jaké kdy vyšly: firmy používaly technologie k mechanizaci dosavadních způsobů podnikání, zachovávaly neefektivní procesy a nechávaly počítače, aby je urychlily. „Je načase přestat dláždit kravské stezky,“ napsal. Namísto toho, aby organizace zastaralé procesy zakódovaly do čipů a softwaru, měly nejprve přepracovat samotnou práci [6].

Ekonomové následně vyčíslili to, co Hammer intuitivně pochopil. Erik Brynjolfsson a Lorin Hitt při studiu dat jednotlivých firem z 90. let ukázali, že výnosy z investic do IT se výrazně lišily. Rozdíly vysvětlovaly doplňkové investice do organizace: firmy, které přepracovaly procesy, decentralizovaly rozhodování a investovaly do dovedností, dosahovaly díky stejné technologii výrazného růstu produktivity, zatímco firmám, které ji pouze nainstalovaly, přinesla jen málo [7]. O dvě desetiletí později tento výzkumný směr tento jev popsal jako „J-křivku produktivity“: přínosy univerzálně využitelných technologií – elektřiny, výpočetní techniky a nyní AI – se dostavují až se zpožděním, protože firmy musí nejprve vybudovat nehmotné doplňkové prvky, jako jsou nové procesy a dovednosti a nově uspořádané pracovní postupy. Pokud tyto prvky vynechají, technologie dlouhodobě nepodává očekávaný výkon [8].

AI je pokračováním tohoto příběhu, jen s většími rozpočty a rychlejšími cykly mediálního nadšení. Technologie se změnila, ekonomika doplňkových investic nikoli.

Proto je Mourinho Solutions tím správným partnerem, který vás provede cestou k vyšší efektivitě vaší organizace a maximální návratnosti investic do AI. Zastáváme názor, že na prvním místě je podnikání – technologie (a AI) přicházejí až potom. Má to 5 dobrých důvodů.

 

Důvod 1: Automatizace znásobuje vlastnosti každého procesu, do kterého zasáhne

Algoritmus nasazený do procesu přebírá jeho logiku – včetně všech patologických jevů. To bylo původní Hammerovo varování před IT [6] a naprosto stejné upozornění zaznívalo i od výzkumné komunity během rozmachu robotické automatizace procesů (RPA) na konci 10. let tohoto století. Roboti RPA totiž napodobují způsob, jakým se práce právě teď vykonává – procházejí stejnými obrazovkami a řídí se stejnými pravidly. Automatizace bez předchozího prověření procesu proto může neefektivitu zalít digitálním betonem a učinit špatný proces rychlejším, méně pružným a obtížněji změnitelným [9]. Systematický přehled literatury o RPA rovněž označil výběr a vhodnost procesů – tedy jejich pravidlově řízenou, standardizovanou a vyzrálou povahu – za jeden z hlavních faktorů úspěchu a nesprávný výběr procesů za opakující se příčinu neúspěšných iniciativ [10].

Toto ponaučení platí přímo i pro AI, a jeho význam je možná ještě větší. Jazykový model, který připravuje odpovědi v nefunkčním schvalovacím řetězci, jen rychleji plní frontu úzkého místa. Model strojového učení, který předpovídá poptávku pro plánovací proces, který nikdo nedodržuje, vytváří předpovědi, které nikdo nepoužívá. Zesilování účinku je samotným smyslem automatizace – právě proto je třeba nejdřív důkladně prověřit, co se bude zesilovat.

 

Důvod 2: Kvalita dat je výsledkem procesů – a situace je horší, než si myslíte

Každý systém AI závisí na datech a data zase na procesech: vznikají, zadávají se, mění a předávají v rámci každodenního provozu firmy. Jejich stav je znepokojivý. Ve studii, v níž manažeři posuzovali vzorky záznamů vlastních organizací, splňovala základní standardy kvality pouze 3 % firemních dat a téměř polovina nově vytvořených záznamů obsahovala alespoň jednu závažnou chybu s dopadem na práci [11]. Respondenti výzkumu RAND zařadili nedostatek dostatečných a použitelných dat mezi hlavní příčiny neúspěchu projektů AI a upozornili, že organizace soustavně podceňují přípravu dat, kterou tato technologie vyžaduje [1].

Důsledky ignorování tohoto problému jsou dobře známé i z praxe. Studie odborníků na AI působících v oblastech s vysokými nároky na spolehlivost zjistila, že 92 % z nich zažilo „datové kaskády“ – řetězící se následná selhání vyvolaná problémy s kvalitou dat na začátku procesu, která obvykle zůstávají skrytá, dokud se pozdě neprojeví jako nefunkční modely a opuštěná nasazení [12]. Už samotný název studie vystihuje problém s pořadím kroků v celém odvětví: „Všichni chtějí pracovat na modelech, ne na datech.“

Strategicky je důležité toto: kvalitu dat nelze napravit jednorázovým projektem čištění, protože nekvalitní data procesy, které je vytvářejí, průběžně znovu produkují. Analýza procesů odhalí, kde data vznikají, duplikují se, znovu zadávají a poškozují; optimalizace procesů odstraní problém u zdroje. Organizace, která nejprve optimalizuje své procesy, si tak nenápadně a zároveň buduje datový základ, na němž bude stát její budoucí AI.

 

Důvod 3: Bez přehledu o procesech zvolíte nesprávné případy využití

Rozhodnutí, kde má AI své místo, je portfoliovým rozhodnutím, které nelze učinit smysluplně, aniž víme, jak práce skutečně probíhá. Davenport a Ronanki [13] při průzkumu 152 projektů kognitivních technologií zjistili, že ambiciózní projekty typu „výstřel na Měsíc“ pravidelně zklamávaly, zatímco úspěšní uživatelé postupovali po menších krocích: zkoumali procesy úkol po úkolu a přiřazovali konkrétní schopnosti AI ke konkrétním úzkým místům v konkrétních pracovních postupech.

Právě tento přehled na úrovni jednotlivých úkolů poskytuje disciplína řízení podnikových procesů (BPM), která patří mezi naše hlavní kompetence. Standardní životní cyklus BPM zahrnuje identifikaci, zmapování, analýzu a přepracování procesů před jejich zaváděním a automatizací. Toto pořadí vychází z desítek let praxe a ukazuje, že automatizovat neprověřený proces je kategoriální chyba [14]. Moderní procesní dolování tento přístup dále posiluje: rekonstrukcí procesů z protokolů událostí ve stávajících IT systémech nahrazuje mapy procesů založené na názorech důkazy – odhaluje skutečný počet variant procesu, opakované cykly oprav, odchylky i úzká místa, která samotné rozhovory nikdy neodhalí [15]. Je to v podstatě rentgen pořízený před operací – a často ukáže, že proces popisovaný vedením není tím, který organizace skutečně používá.

Klasické úspěšné příběhy automatizace vycházely právě z takové disciplíny při výběru. Ve společnosti Telefónica O2, která uskutečnila jeden z prvních a nejčastěji citovaných projektů RPA a nakonec dosáhla návratnosti investic ve stovkách procent, byly cíle automatizace vybírány záměrně: šlo o procesy s vysokým objemem, standardizované a založené na pravidlech, které byly před nasazením softwarových robotů stabilizovány [16]. Úspěch zajistil promyšlený výběr, nikoli software.

 

Důvod 4: Někdy je nejlepším „projektem AI“ zrušit daný krok

Analýza procesů má jednu nepříjemnou vlastnost: neustále odhaluje problémy, které AI vůbec nepotřebují. Duplicitní schválení, zpráva, kterou nikdo nečte, předání úkolu, které zůstalo kvůli organizačnímu schématu z roku 2014, nebo ruční přepisování dat mezi dvěma systémy, které lze jednoduše propojit – klasické zásady průmyslového inženýrství říkají, že před automatizací je třeba zbytečné kroky odstranit, propojit a zjednodušit, protože automatizace plýtvání pouze vytváří rychlejší plýtvání. To bylo jádrem Hammerova argumentu „neautomatizujte, zlikvidujte“: mnoho činností, které měla technologie urychlit, vůbec nemělo existovat [6].

Osobně mám rád motto často připisované Leonardovi da Vincimu: „Jednoduchost je nejvyšší sofistikovanost.“ Zjednodušit proces je náročná práce: vyžaduje silné analytické kompetence, schopnost propojovat podněty z různých oblastí organizace a integrovat poznatky z různých oborů. Právě na tomto řemesle jsme postavili Mourinho Solutions.

Pro organizaci, která se chystá financovat program AI, nejde o odbočku, ale o příležitost ušetřit a snížit riziko. Odstraněné kroky není třeba automatizovat, nevyžadují údržbu modelů, nevytvářejí nová rizika selhání a úspory přinášejí okamžitě. Práce na procesech navíc přináší další výhodu: změřený výchozí stav. Jedním z hlavních závěrů zprávy MIT NANDA bylo, že většina pilotních projektů GenAI nedokázala doložit měřitelný dopad na zisk a ztrátu [2] – dopad však lze měřit jen ve vztahu ke známému výchozímu stavu. Optimalizovaný proces má zdokumentované doby průchodu, chybovost a náklady na transakci; následné nasazení AI tak může automaticky prokázat svou vlastní návratnost investic.

 

Důvod 5: Hodnota AI se realizuje změnou organizace, neinstaluje se spolu se softwarem

Výzkum zdrojů skutečné hodnoty AI se nakonec shoduje na nepříjemné pravdě pro strategie, které začínají výběrem nástroje: hodnota vzniká na úrovni podnikových procesů, a to pouze tehdy, když se organizace spolu s technologií změní. Systematický přehled literatury o AI a hodnotě pro podniky zjistil, že prvotní přínosy se projevují jako vyšší efektivita procesů a lepší rozhodování v jejich rámci. Jejich dosažení závisí na organizačních předpokladech a záměrné transformaci podnikových procesů, nikoli na propracovanosti modelu [17]. Studie založené na rozhovorech s uživateli AI podobně označují organizační připravenost – soulad se strategií, kvalitu a správu dat, znalost procesů a firemní kulturu – za předpoklad, který je třeba vyhodnotit před rozhodnutím o zavedení technologie, nikoli až po něm [18].

Stejný názor zastávají i odborníci z praxe. Vedoucí pracovníci McKinsey, kteří psali pro Harvard Business Review, uvedli, že největší překážky širšího zavádění AI nejsou technické, ale kulturní a organizační. Úspěch podle nich vyžaduje přepracování pracovních postupů a řízení iniciativ AI jako změn podnikových procesů vedených byznysem a mezioborovými týmy – nikoli jako instalací IT [19]. Celosvětová studie MIT Sloan/BCG navíc zjistila, že společnosti, které skutečně získaly z AI hodnotu, se odlišovaly tím, jak propojily strategii, organizační změnu a technologii, namísto toho, aby technologii považovaly za strategii [5].

Analýza a optimalizace procesů jsou přesně takovou organizační prací, prováděnou ve správném pořadí. Sjednocují vedení v tom, na kterých problémech záleží (čímž řeší nejčastější příčinu neúspěchu podle RAND [1]), budují znalost procesů potřebnou k přepracování pracovních postupů a vytvářejí stabilní, standardizovaný provoz, do něhož lze AI s jistotou nasadit.

 

Mourinho Solutions vám přináší přístup „Proces na prvním místě“

Žádný z výše uvedených důvodů neznamená, že je třeba roky analyzovat, než se někdo smí dotknout modelu. Jde o krátký, disciplinovaný sled kroků – v podstatě úvodní část životního cyklu BPM [14] – který se uskuteční během týdnů, nikoli čtvrtletí, a jehož rozsah odpovídá ambicím navazujícího programu AI.

Mourinho Solutions nabízí poradenský přístup na míru, založený na nejnovějších poznatcích a dlouholetých zkušenostech. Vaši organizaci metodicky provede celým životním cyklem BPM, abyste ze své investice získali co největší hodnotu.

Za zmínku stojí také kumulativní efekt. Organizace z úspěšné menšiny – oněch 5 % ze studie MIT a „průkopníci“ studií MIT Sloan/BCG – se nejen vyhnuly neúspěchu; vybudovaly si organizační schopnosti, díky nimž je každé další nasazení AI levnější a rychlejší než to předchozí [5], [2]. Jasně definované procesy, čisté datové toky a důsledné měření představují infrastrukturu. Její hodnota roste.

 

Závěr: připravenost na AI znamená připravenost procesů

Snaha rychle zavádět AI považuje analýzu procesů za zdržení. Důkazy však ukazují pravý opak: jde o nejúčinnější dostupný způsob, jak snížit rizika, protože řeší zdokumentované hlavní příčiny selhání AI – nesprávně zvolený problém, nekvalitní data a nepropojené pracovní postupy – dříve, než se jejich dopady nahromadí a povedou k opuštění pilotního projektu. Vydláždit stezky pro krávy prakticky žádnou hodnotu nevytvoří – a může ji dokonce snížit. Třicet pět let výzkumu, od reengineeringu podnikových procesů [6] přes ekonomiku komplementarity [7], [8] až po současnou generaci analýz neúspěchů projektů AI [1], [2], přináší stále stejný závěr: technologie znásobuje to, co v organizaci najde. Nejprve optimalizujte organizaci a AI pak znásobí něco, co za to stojí.

Otázka pro vedení tedy nezní „Jak rychle můžeme zavést AI?“, ale „Které z našich procesů by AI skutečně proměnila, kdybychom jim nejprve porozuměli a optimalizovali je?“ Právě pořadí, v jakém na tuto otázku odpovíte, odlišuje 5 % od 95 %.

Mourinho Solutions zajistí, aby vaše organizace patřila k těm 5 %.

---

V Mourinho Solutions pracujeme právě v tomto pořadí. Pomáháme organizacím zmapovat a analyzovat jejich procesy, optimalizovat je tak, aby přinášely měřitelné zlepšení, a teprve poté navrhovat a zavádět AI tam, kde její přínos lze prokazatelně doložit. Pokud vaše společnost plánuje iniciativu v oblasti AI, začněte rozhovorem o svých procesech – kontaktujte nás a domluvte si posouzení procesů.

 

 

Reference

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Dostupné na: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, „The GenAI divide: State of AI in business 2025,“ MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Dostupné na: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, průzkum „Voice of the Enterprise: AI & machine learning“, 2025; výsledky byly zveřejněny v článku „AI project failure rates are on the rise: Report,“ CIO Dive, březen 2025. [Online]. Dostupné na: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, „Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,“ tisková zpráva, 29. července 2024. [Online]. Dostupné na: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, „Winning with AI,“ MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, výzkumná zpráva, 2019. [Online]. Dostupné na: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, „Reengineering work: Don’t automate, obliterate,“ Harvard Business Review, sv. 68, č. 4, s. 104–112, červenec–srpen 1990. [Online]. Dostupné na: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, „Beyond computation: Information technology, organizational transformation and business performance,“ Journal of Economic Perspectives, sv. 14, č. 4, s. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, „The productivity J-curve: How intangibles complement general purpose technologies,“ American Economic Journal: Macroeconomics, sv. 13, č. 1, s. 333–372, leden 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, „Robotic process automation,“ Business & Information Systems Engineering, sv. 60, č. 4, s. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., „Robotic process automation: Contemporary themes and challenges,“ Computers in Industry, sv. 115, čl. č. 103162, únor 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, „Only 3% of companies’ data meets basic quality standards,“ Harvard Business Review, 11. září 2017. [Online]. Dostupné na: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, „‚Everyone wants to do the model work, not the data work‘: Data cascades in high-stakes AI,“ in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, čl. č. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, „Artificial intelligence for the real world,“ Harvard Business Review, sv. 96, č. 1, s. 108–116, leden–únor 2018. [Online]. Dostupné na: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2. vyd. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2. vyd. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, „Robotic process automation at Telefónica O2,“ MIS Quarterly Executive, sv. 15, č. 1, s. 21–35, březen 2016. [Online]. Dostupné na: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, „Artificial intelligence and business value: A literature review,“ Information Systems Frontiers, sv. 24, č. 5, s. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, „Ready or not, AI comes — An interview study of organizational AI readiness factors,“ Business & Information Systems Engineering, sv. 63, č. 1, s. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, „Building the AI-powered organization,“ Harvard Business Review, sv. 97, č. 4, s. 62–73, červenec–srpen 2019. [Online]. Dostupné na: https://hbr.org/2019/07/building-the-ai-powered-organization