ChatGPT odstartoval změny. Ale ekonomickou produktivitu zatím nezvýšil
Když se na konci roku 2022 objevil ChatGPT a zpřístupnil možnosti generativní umělé inteligence milionům lidí, spustil tím novou vlnu očekávání. Z nástroje pro několik málo odborníků se stala technologie, která měla proměnit každodenní práci i fungování firem. Investice narůstaly, ekonomové mluvili o nové éře produktivity a titulky v médiích nešetřily nadšením. Jenže ekonomická data zůstávají i po více než dvou letech překvapivě beze změn.
Podle průzkumu společnosti McKinsey přitom využívá generativní AI alespoň v jedné z firemních činnosti už 71 procent společností. Nejčastěji je tomu v marketingu, zákaznické podpoře nebo při vývoji produktů. V roce 2023 to pro srovnání bylo přitom jen 33 procent. Nárůst je to strmý, ale v číslech o produktivitě se zatím nijak zvlášť neodráží.
„Počítačovou éru vidíme všude kolem sebe, jen ne ve statistikách produktivity,“ poznamenal v roce 1987 ekonom Robert Solow. Dnes jako bychom ten paradox zažívali znovu. Jen s jinou AI technologií v hlavní roli.
Je kolem AI tedy jen velký „hype“, nebo něco přehlížíme? A proč se to děje? Co z toho plyne pro ty, kdo mají odpovědnost za směřování firem?
Na začátku to bolí, ale pak přichází raketový růst
Profesor Erik Brynjolfsson působící na Stanfordu nabízí elegantní vysvětlení. Má jím být „J-křivka produktivity“. Podle této teorie každá převratná technologie nejdřív přináší pokles produktivity, a až teprve po určité době začne přinášet skutečné výsledky.
Současné období popisuje jako fázi, kdy firmy hledají nové způsoby práce, adaptují se na neznámé nástroje a postupně objevují, co opravdu funguje. Náklady rostou, výstupy stagnují, jelikož změny vyžadují čas i energii.
Podle něj však analýzy z konkrétních sektorů – například finančních služeb, marketingu nebo zákaznické podpory – ukazují, že firmy, které zvládly první vlnu zavádění AI, začínají pozorovat zrychlení.
Jinými slovy, dno křivky budeme mít v dohledné době za sebou a přiblížíme se ke zlomovému bodu, kdy se křivka začne obracet vzhůru.
Situace připomíná zavádění nového firemního softwaru. V první fázi je implementace zátěží, teprve později se začne vyplácet. U umělé inteligence je tato vstupní fáze náročnější, protože změny zasahují hluboko do způsobu práce i organizační kultury:
- Je potřeba posílit technologické zázemí
- Zaměstnanci si musí osvojit nové dovednosti
- Způsoby řízení práce se mění a je nutné je přizpůsobit novým možnostem
- Firmy zkoumají, kde má AI opravdu smysl a kde nikoli
Ve své práci „The Productivity J-Curve“ Brynjolfsson ukazuje, že firmy často investují do věcí, které nejsou na první pohled vidět. Jde například o nové interní postupy, strategie, experimentování nebo trénování dovedností, jak s AI bezpečně a smysluplně pracovat. Právě tato „neviditelná“ infrastruktura může zpomalovat náběh, ale zároveň tvoří základ budoucí výhody.
Zavést AI nestačí
Ekonom Michael Kremer upozorňuje, že přínos nové technologie určuje její nejslabší článek. Připomíná havárii raketoplánu Challenger, která nastala kvůli poruše jediného těsnicího kroužku. Tento princip popsal jako takzvaný O-ring efekt. Pokud v systému selže byť jen jediný prvek, výrazně to oslabí výkon celku.
Podobně je tomu i ve firmách. Ty tvoří sítě propojených týmů a procesů. Jestliže některá z částí není připravena pracovat s AI, zpomalí ostatní. Zavést umělou inteligenci do jednoho oddělení tedy nestačí. Musí se stát přirozenou součástí celého systému.
Na tento problém upozorňuje i Matt Clifford. Zavádění AI podle něj naráží na to, že většina firemních procesů vznikla v době, kdy se s touto technologií vůbec nepočítalo.
„Neexistují žádné předem připravené díry ve tvaru AI, kam by nová technologie mohla přirozeně zapadnout.“
— Matt Clifford
Pokud chceme plně využít její potenciál, musíme se ptát jinak. Ne kam AI přidat, ale jak bychom celý systém navrhli, kdybychom ji měli k dispozici od začátku.
Skutečný posun začíná až ve chvíli, kdy přestaneme vnímat AI jako samostatný nástroj a začneme ji chápat jako součást nového způsobu práce.
Proč AI pomáhá jen někomu. A proč to může být jen dočasné
I když některé firmy investují do AI a mění způsob svého fungování, ne všechny vidí okamžité výsledky. Ekonom Tyler Cowen upozorňuje, že přínosy umělé inteligence se zatím soustřeďují jen u několika výjimečných hráčů. Patří mezi ně nepřekvapivě Google, Microsoft nebo NVIDIA a také tvůrci jazykových modelů jako OpenAI nebo Anthropic. Tyto firmy těží z náskoku v technologii, infrastruktuře i dostupnosti talentu. Ostatní zatím přihlížejí zpovzdálí.
Proto i když některé podniky rostou velmi rychle, v celkových statistikách to není příliš vidět. Úspěch se koncentruje na několika místech, zatímco většina zůstává pozadu.
Cowen také upozorňuje, že AI nemění pouze výkonnost jednotlivých procesů. Ovlivňuje celou strukturu ekonomiky. Posouvá hranice toho, co považujeme za práci, produkt nebo hodnotu.
Umělá inteligence podle něj často mění především samotný způsob práce, nikoli jen její objem. Umožňuje vznik nových služeb, jako je například personalizované vzdělávání nebo automatizovaná analýza právních dokumentů. Zároveň přesouvá hodnotu do oblastí, které tradiční ukazatele jako HDP neumějí přesně zachytit.
Růst produktivity v jednom odvětví navíc často vytváří tlak na růst mezd i v ostatních oborech. Jenže tam, kde se produktivita nezměnila, není dostatečný prostor tyto mzdy pokrýt. Výsledkem je nerovnováha, kterou ekonomové označují jako nákladovou nemoc (cost disease). Náklady rostou i tam, kde se žádná nová hodnota nevytváří.
Firmy pak reagují různě. Některé zdražují své služby, jiné omezují mzdy nebo hledají cesty, jak nahradit pracovníky technologiemi i v oborech, kde to dříve nedávalo smysl.
Cowen ale vidí v AI výjimku. Pokud se podaří smysluplně ji zapojit i do oblastí, které běžně nebývají v čele technologických změn, může přinést zlepšení výkonnosti i tam, kde to bylo dosud obtížné. Může jít například o zdravotnictví, školství nebo veřejné služby. Umělá inteligence tak nemusí být výsadou několika vítězů. Může se stát nástrojem širší proměny.
Záleží na tom, jak AI použijeme
Profesor Daron Acemoglu z MIT patří mezi ekonomy, kteří upozorňují, že dopad umělé inteligence závisí především na tom, jakým způsobem ji použijeme. Ve své studii odhaduje, že AI přinese v příštích deseti letech jen mírný růst HDP, zhruba mezi jedním až jedním a půl procentem. To znamená jen asi 0,05 procenta ročně navíc.
Podle Acemoglua sice automatizace zvyšuje průměrnou produktivitu, ale ne vždy pomáhá lidem přímo. Často totiž podle něj nahrazuje práci, místo aby ji podporovala. V praxi to pak znamená, že sice rostou zisky, ale běžní pracovníci z toho nemusí mít žádný užitek.
„Skutečný přínos AI nepřijde z nahrazování lidí, ale z posílení jejich schopností.“
— Daron Acemoglu
Skutečný přínos AI proto podle něj nepřijde z nahrazování lidí, ale z posílení jejich schopností. Pokud bude AI vytvářet nové úkoly, pomáhat s učením nebo zvyšovat kvalitu rozhodování, může přinést skutečnou změnu. A ta už se nemusí projevit jen v tabulkách, ale i v každodenní realitě firem.
Odpověď není v číslech, ale v čase
Odpovědí na Acemogluův skeptický pohled není popřít rizika spojená s umělou inteligencí, ale podívat se na celý obraz. Historie nám ukazuje, že ani ty nejzásadnější technologie nepřinesly okamžitý skok v produktivitě. Skutečný dopad se projevil až po letech a často tam, kde ho původně nikdo nečekal.
Profesor Erik Brynjolfsson připomíná, že podobné to bylo s elektřinou nebo počítači. Nešlo jen o samotné technologie, ale o to, jak se firmy naučily s nimi skutečně pracovat. Zpočátku nahradily jen jednu věc za druhou. Elektřina přišla místo páry, ale továrny dál fungovaly podle starých pravidel. Až když se začaly stavět nové provozy navržené přímo pro nový typ energie, ukázal se skutečný potenciál.
S umělou inteligencí jsme dnes v podobné situaci. Snažíme se ji zapojit do prostředí, které vzniklo v době, kdy žádná AI neexistovala. Jenže staré způsoby práce i rozhodování často nestačí. Omezují možnosti, které dnes máme k dispozici.
„Nestačí hledat rychlá vylepšení starých procesů. Musíme se začít ptát, jak by naše firma vypadala, kdybychom ji dnes navrhovali od začátku.“
— Pavel Kovařík
Právě tady se spojuje několik důležitých myšlenek. Nestačí přidat AI do jednoho oddělení a doufat, že se výsledek projeví sám. Nestačí hledat rychlá vylepšení starých procesů. Musíme se začít ptát, jak by naše firma vypadala, kdybychom ji dnes navrhovali od začátku. S vědomím, že máme k dispozici nástroje, které mění podobu práce i rozhodování.
To je přesně ten moment, o kterém mluví ekonom Chris Clifford, když popisuje takzvané díry ve tvaru AI. Ukazuje, že skutečný přínos umělé inteligence nevzniká při lepení nových nástrojů na staré struktury. Přichází až tehdy, když si uvědomíme, že některé části systému je třeba navrhnout znovu, tentokrát s ohledem na to, co dnes technologie umožňují.
To ale také neznamená, že musíme vše zbořit a začít znovu. Znamená to, že přístup ke změně má být strategický, promyšlený a dlouhodobý. Tam někde začíná skutečný posun, který se časem může projevit i v číslech.
Budoucnost podle časové osy. Kdy konečně uvidíme boom
Změna možná nepřichází tak rychle, jak mnozí předpovídali. Neznamená to však, že se nic neděje. Dopad umělé inteligence se často projevuje jinak, než jsme zvyklí měřit, a v jiném čase, než očekáváme. Abychom se v tom lépe vyznali, pomáhá podívat se na vývoj v delším časovém rámci.
Následující rozdělení do tří fází vychází z ekonomických modelů, které popisují přijetí a rozšíření nových technologií ve firmách. Inspirací je mimo jiné takzvaná J-křivka produktivity, o které mluví profesor Erik Brynjolfsson, a také výzkumy institucí jako McKinsey nebo Mezinárodní měnový fond. Je to orientační mapa, která pomáhá pochopit, kde se právě nacházíme a co lze očekávat v příštích letech. A také proč není důvod propadat netrpělivosti.
Fáze 1: Experimentování a učení (2023–2026)
Firmy investují, zkoušejí, učí se. Produktivita může i dočasně klesat.
Fáze 2: První vlna přínosů (2026–2030)
Objevují se nové procesy, které s AI počítají od začátku. Tempo růstu může dosáhnout 1–2 procent ročně.
Fáze 3: Plná transformace (2030–2035)
AI se stává nedílnou součástí fungování firem. V některých odvětvích může produktivita růst až o 5 procent ročně.
Změna, která není hned vidět. Ale může být větší, než čekáme
Paradox produktivity umělé inteligence není důvod k pesimismu nebo rezignaci. Je to spíš připomínka, že každá zásadní změna potřebuje čas, trpělivost a odvahu přehodnotit způsob, jakým přemýšlíme o práci a fungování firem.
„Skvělá technologie sama o sobě nestačí. Potřebujete nové procesy, nové dovednosti a někdy i přestavět organizaci.“
— Erik Brynjolfsson
Výsledky se proto nemusí dostavit hned. Ale to neznamená, že se nic neděje. Skutečný přínos se často rodí skrytě. Tam, kde se firmy učí přizpůsobovat, kde vznikají nové návyky a kde se mění způsob rozhodování.
I malý posun v produktivitě totiž může v dlouhodobém horizontu znamenat výrazný rozdíl. Pokud produktivita poroste jen o necelé procento ročně, za deset let to znamená přes šest procent navíc. Za dvacet let už skoro třináct. Pokud by se růst zrychlil na dvě procenta ročně, přinese to za deset let nárůst přes dvacet procent a za dvacet let téměř padesát.
V reálných číslech by takový růst mohl během dvaceti let přinést nové bohatství v hodnotě přibližně dvaceti bilionů dolarů. To je víc než celý výkon americké ekonomiky.
Možná bychom se neměli ptát, kdy přijde růst produktivity, ale jak s AI vlastně pracujeme. Pokud ji používáme jen k urychlení starých úkolů, moc daleko se nedostaneme. Skutečný přínos přijde tehdy, když začneme hledat nové cesty. Když se zamyslíme, co všechno díky AI můžeme dělat jinak, lépe nebo úplně nově.
Přestaňte váhat a udělejte první krok: Co teď dává největší smysl
AI ještě nepřinesla výrazný zlom v produktivitě. Ale právě proto má smysl začít tam, kde ostatní možná váhají. Těchto pět kroků může firmám pomoci využít potenciál umělé inteligence dřív, než bude pozdě dohánět ztrátu.
1. Buďte trpěliví a držte směr
Umělá inteligence není řešení, které přináší výsledek přes noc. V první fázi bývají náklady vyšší než přínosy. Ale firmy, které vydrží, budou mít náskok. Proměna firemní kultury i způsobu práce se zhodnocuje postupně.
2. Hledejte místa, kde AI skutečně zapadne
Neptejte se jen, kde by AI mohla urychlit to, co už děláte. Zamyslete se, jak byste proces navrhli dnes, kdybyste s AI počítali od začátku. Největší přínosy nevznikají při zlepšování starého, ale při navrhování nového.
3. Všímejte si i toho, co čísla neukážou
Atmosféra ve firmě, důvěra mezi týmy, kvalita rozhodování. Právě tyto „nehmotné“ prvky často rozhodují o tom, jak dobře firma využije potenciál nových nástrojů.
4. Budujte porozumění napříč firmou
Nestačí vyškolit IT oddělení. AI by měla být pochopitelná pro manažery, obchodníky i týmy zákaznické podpory. Tam, kde lidé chápou smysl a limity AI, vzniká prostor pro odpovědné a kreativní využití.
5. Experimentujte a sbírejte zkušenosti
Nemusíte začínat revolucí. Úspěch často přichází z malých projektů, které vám postupně ukážou, co funguje. Nebojte se zkoušet nové věci, i když to znamená i občasné slepé uličky.
Změna nepřijde sama. Ale můžete jí jít naproti
Skutečný přínos umělé inteligence se nemusí projevit hned ani viditelně. Ale objeví se tam, kde se firmy rozhodnou promyšleně měnit své fungování. Kdo dnes připravuje půdu pro změnu, nebude zítra dohánět ztrátu. Čekat na zlom se nevyplatí. Mnohem lepší je začít ho tvořit už dnes.
Často kladené otázky (FAQ): AI a produktivita
Kdy uvidím reálné výsledky z investic do AI ve své firmě?
Podle teorie J-křivky produktivity je třeba počítat s počátečním obdobím, kdy návratnost nebude viditelná nebo může být dokonce negativní. Typicky můžete očekávat první měřitelné výsledky po 12-24 měsících od správné implementace. Plné přínosy se však často projeví až po 3-5 letech, kdy se AI stane přirozenou součástí firemních procesů a zaměstnanci se naučí plně využívat její potenciál.
Jak nejlépe měřit vliv AI na produktivitu firmy?
Měření by mělo kombinovat tradiční ukazatele (úspora času, nákladů) s novými metrikami, které zachycují i měkké přínosy.
Sledujte:
- Čas ušetřený na rutinních úkolech
- Kvalitu rozhodování (méně chyb, přesnější předpovědi)
- Spokojenost zaměstnanců a jejich schopnost soustředit se na kreativnější úkoly
- Nové produkty nebo služby, které by bez AI nevznikly
- Rychlost reakce na změny trhu nebo požadavky zákazníků
Které odvětví vidí největší přínos AI pro produktivitu?
Největší okamžitý dopad pozorujeme v odvětvích, kde jde o zpracování velkých objemů dat nebo opakující se procesy s jasnými pravidly:
- Finanční služby (analýza rizik, detekce podvodů)
- Zdravotnictví (diagnostika, analýza snímků)
- E-commerce a retail (personalizace, optimalizace zásob)
- IT a technologické firmy (vývoj softwaru, zákaznická podpora)
- Logistika a doprava (optimalizace tras, predikce údržby)
- Marketing a zákaznická péče (tvorba obsahu, chatboty, segmentace a analýza chování zákazníků)
Jaká je průměrná návratnost investic do AI?
Studie společnosti McKinsey naznačuje, že medián ROI u úspěšných AI projektů je kolem 20-30% v horizontu tří let. Existují však velké rozdíly mezi odvětvími a typy implementace. Nejúspěšnější projekty hlásí ROI 5-10násobek investice, zatímco neúspěšné projekty mohou skončit záporným ROI. Klíčem je fokus na řešení skutečných byznysových problémů, nikoli implementace AI pro AI samotnou.
Jak ovlivňuje velikost firmy návratnost investic do AI?
Velké korporace mají výhodu v podobě většího množství dat a kapitálu pro investice, ale čelí výzvám spojeným s integrací do komplexních stávajících systémů a procesů. Menší firmy mohou být agilnější a rychleji implementovat změny, ale často narážejí na nedostatek dat, expertízy a financí. Střední firmy jsou často v optimální pozici – mají dostatek dat a zdrojů, a přitom dokáží změny implementovat relativně pružně.
Jak poznat, že je moje firma připravena na smysluplné nasazení AI?
Připravenost firmy na AI lze posoudit podle několika klíčových faktorů:
- Existuje vůle investovat do dlouhodobého procesu transformace, ne jen do jednorázového projektu
- Zaměstnanci jsou otevřeni novým nástrojům a změnám pracovních postupů
- Management rozumí limitům AI a má realistická očekávání
- Máte technologickou infrastrukturu schopnou podporovat AI řešení
- Máte dostatek kvalitních dat v digitální podobě
- Existují jasně definované procesy, které potřebujete zlepšit
Jak sladit AI projekty s celkovou strategií firmy
AI by měla řešit skutečné potřeby firmy, ne být cílem sama o sobě. Nejprve si ujasněte, jakých změn chcete dosáhnout. Může jít o rychlejší inovace, lepší zákaznickou zkušenost nebo snížení chybovosti. Teprve potom hledejte, jak může AI pomoci. Propojte technologii s lidmi, procesy i kulturou firmy. A myslete v delším časovém horizontu.
Jak mohu minimalizovat riziko, že AI projekt selže?
Úspěšné AI projekty začínají malými, dobře definovanými menšími korky zaměřenými na jasný byznysový problém.
Doporučuji:
- Začít s jasně definovaným problémem a měřitelnými cíli
- Zapojit koncové uživatele do návrhu řešení
- Ověřit kvalitu dat před zahájením projektu
- Zajistit podporu vedení a alokovat dostatečné zdroje
- Implementovat postupně s pravidelnými kontrolními body
- Vytvořit multidisciplinární tým (IT, byznys, datová analytika)
- Počítat s časem na trénink a adaptaci zaměstnanců
Jak vysvětlit vedení firmy, že AI se nevyplatí hned
Odkazujte na koncept J křivky produktivity a na historické zkušenosti se zaváděním přelomových technologií, jako byla elektřina nebo počítače. Vysvětlete, že návratnost může být zpočátku nízká nebo nulová, ale pokud firma vydrží a postupuje strategicky, dlouhodobé přínosy bývají výrazné. Pomoci mohou i konkrétní příklady z oborů, kde už se první výsledky začínají objevovat.
Co dělat, když zaměstnanci AI nedůvěřují
Nedůvěra je přirozená reakce na změnu. Pomáhá otevřená komunikace, malé pilotní projekty a zapojení lidí do procesu od začátku. Vysvětlujte nejen co se zavádí, ale také proč. Ukažte konkrétní přínosy pro každodenní práci, jako je úspora času, odstranění rutinních úkolů nebo větší prostor pro kreativitu. Důvěra roste s pochopením a reálnou zkušeností.
Jaké jsou typické „díry ve tvaru AI“ ve firmách?
Tyto „díry“, tedy místa, kde AI přirozeně zapadá do procesů, najdete často v oblastech jako:
- Predikce a plánovací procesy (předpověď poptávky, optimalizace výroby)
- Rutinní administrativní úkoly (zpracování dokumentů, kategorizace informací)
- Personalizace nabídky (dynamické přizpůsobení obsahu pro zákazníky)
- Komplexní analýza dat (identifikace vzorců v datech, které by člověk snadno přehlédl)
- Pravidelný monitoring (detekce anomálií, prediktivní údržba)
- Komunikace (automatizace odpovědí na běžné dotazy, souhrnů ze schůzek)
Jaký je rozdíl mezi tím přidat AI a stavět kolem AI
Přidat AI znamená zapojit nový nástroj do stávajícího procesu bez větších změn v jeho fungování. Stavět kolem AI znamená navrhnout proces nebo službu tak, aby s umělou inteligencí počítal od začátku. V takovém případě se dá využít její potenciál naplno a často vznikne něco zcela nového, co by dříve nebylo možné.
