Umělá inteligence v podnikové praxi: Od slibů k realitě

Tento text na umělou inteligenci nahlíží méně spektakulárně a více prakticky. Ne jako na náhradu managementu nebo lidského rozhodování, ale jako na nástroj, který už dnes standardně funguje v podnikovém provozu – ve výrobě, logistice, financích i plánování. 

AI kopiloti a agenti v podnikových systémech
Nasazování umělé inteligence v podnikových systémech je dnes často obtížně uchopitelné. Diskuse se mnohdy zužují na představu „chytrého chatbota nad podnikovým systémem“, který si s uživatelem povídá a je schopen vyřešit složité provozní problémy. Reálná praxe ale bývá střízlivější – a zároveň zajímavější.

V současných systémech se postupně prosazují dva rozdílné, ale komplementární přístupy: AI kopiloti a AI agenti. Kopilot je především uživatelská vrstva. Pomáhá uživatelům lépe porozumět tomu, co se v systému děje. Umí shrnout výsledky, vysvětlit odchylky, odpovídat na dotazy nad podnikovými daty a navrhovat, kam se zaměřit. Typicky se uplatňuje ve financích, controllingu, logistice nebo výrobě jako „hlas systému“ – zkracuje čas strávený analýzou a reportingem (ale pozor, nerozhoduje ani neřídí procesy).
Oproti tomu AI agent funguje jako autonomní komponent. Má jasně definovaný cíl, sleduje události v systému a dokáže spouštět konkrétní akce. V logistice může hlídat zpoždění dodávek a riziko vyčerpání zásob, ve výrobě sledovat výkon a kvalitu, ve financích detekovat anomálie v nákladech nebo fakturách. Většinou pracuje nejprve v režimu „navrhni a upozorni“, později může přecházet i k omezeným zásahům do procesů.

Největší přínosy plynou z kombinace obou přístupů. AI agent nepřetržitě hlídá systém, reaguje na odchylky a připravuje návrhy na zlepšení. Kopilot pak tyto situace překládá do srozumitelné řeči: vysvětluje, co se děje, proč k tomu dochází a jaká opatření dávají smysl. Člověk zůstává tím, kdo rozhoduje – AI v roli partnera hlídá, analyzuje a připravuje podklady.

Dnešní realita ukazuje, že nejdál je nasazení AI ve financích a kontrolních funkcích, dále v logistickém riziku a prediktivní údržbě. Naopak plně autonomní plánování výroby nebo logistiky zůstává zatím spíše vizí. Bez kvalitních dat, jasných pravidel a procesní disciplíny totiž žádná AI fungovat nebude.

Stručně řečeno: kopiloti pomáhají rozumět, agenti pomáhají jednat. Skutečná transformace ERP ale nepřichází skrze „magickou AI“, nýbrž skrze postupné a promyšlené zapojení umělé inteligence do konkrétní podnikové praxe.

Příklady z podnikového prostředí
V následujících případových ministudiích z podnikové praxe se zaměříme na konkrétní situace, kde AI řeší reálné problémy, pracuje s nejistotou a má přímý dopad na každodenní chod podniků. Předpokládáme, že zde uvedené firmy není potřebné zvášť představovat.

DHL: AI pro řízení nejistoty v globální logistice
DHL nasadila AI do centra své globální logistiky tam, kde tradiční plánování naráží na realitu – řízení nejistoty dodávek. Modely strojového učení průběžně predikují zpoždění zásilek napříč kontinenty a jejich doručením adresatovi v úseku tzv. poslední míle. Systém kombinuje historická data, aktuální počasí, dopravní situaci s chováním zákazníků a na jejich základě dynamicky upravuje trasy, kapacity a priority přepravy ještě dřív, než ke zpoždění skutečně dojde.
Přínos není v „chytřejší mapě“, ale ve stabilnějším plnění SLA, nižších nákladech na drahá expresní řešení a vyšší spokojenosti zákazníků. AI zde nefunguje jako plánovač tras v ideálním světě, ale jako nástroj pro řízení chaosu reálného provozu. DHL tím ukazuje, že v moderní logistice není klíčové naplánovat optimální trasu, ale rychlé a správné rozhodování v případech, když se plán začíná hroutit.

Siemens: AI nasazená tam, kde výpadek má jasnou cenu
Ve svých evropských průmyslových závodech sleduje Siemens přes AI nepřetržitě chování výrobních strojů na úrovni, kam se lidské oko ani běžná diagnostika nedostane. Modely vyhodnocují vibrace, teplotu i elektřinu a hledají jemné odchylky, které signalizují blížící se poruchu. Na základě těchto predikcí se automaticky plánuje údržba – ne podle kalendáře, ale podle skutečného stavu zařízení. Výsledkem je výrazné omezení neplánovaných prostojů, lepší vytížení servisních týmů a delší životnost strojů.
Tento neustálý monitoring výkonnosti výrobních strojů a linek funguje hlavně proto, že má jasná pravidla hry. Výrobce má k dispozici obrovské množství kvalitních provozních dat a velmi srozumitelný business case: Každá minuta výpadku stojí peníze. AI tu nemá ambici „být chytrá“, ale plnit jednoduchý cíl – zabránit zastavení výroby. Právě tam, kde má selhání konkrétní a vyčíslitelnou cenu, dává nasazení AI smysl.

Amazon: AI jako poslední krok, ne první
Ve fulfillment centrech Amazonu působí AI na první pohled všudypřítomně – od predikce poptávky přes optimalizaci umístění zboží až po robotický picking. Díky tomu dosahují sklady extrémního throughputu, minimalizují zbytečný pohyb lidí i robotů a drží tempo, které umožňuje doručení v řádu hodin či dnů. AI zde neustále přepočítává, kde má být konkrétní položka uložená a jakým způsobem se k ní nejrychleji dostat.
Klíčové „ale“ je v tom, že Amazon nezačal umělou inteligencí. Základem byla přísná procesní disciplína, standardizace a optimalizace skladu jako systému. Teprve na tento pevný základ byla AI nasazena a dál zvyšuje výkon už dobře řízeného provozu. 

Maersk: AI tam, kde dřív chyběl přehled
V globálním dodavatelském řetězci Maersk se AI používá především k tomu, aby zviditelnila místa, která byla dříve mimo dosah plánování. Modely predikují zpoždění kontejnerů na základě historických dat, aktuální situace v přístavech i vytížení tras. Pomáhají optimalizovat přístavní operace a řízení kapacit napříč celým řetězcem. Díky tomu mají plánovači přesnější představu o tom, kde se celý běh sítě může zadrhnout ještě dřív, než k problému skutečně dojde.
Efektem je zde spolehlivější plánování, méně „slepých míst“ v dodávkách a vyšší důvěra zákazníků v dodržení termínů. AI zde neřídí lodě ani přístavy sama, ale poskytuje konzistentní a sdílený pohled na stav celého systému. Maersk tím ukazuje, že v globální logistice má AI největší hodnotu tam, kde nahrazuje tmu informacemi a umožňuje dělat rozhodnutí na základě reality, ne odhadů.

Procter & Gamble: AI mění plánování z porad na průběžný proces 
V Procter & Gamble je AI úzce propojena s ERP systémy a vstupuje přímo do plánování výroby a zásob. Modely pro demand sensing průběžně zachycují změny poptávky na trhu a propojují je se supply planningem tak, aby výroba, logistika a obchod pracovaly se stejným obrazem reality. Místo periodických plánů vzniká kontinuální proces, který se průběžně přizpůsobuje tomu, co se skutečně děje u zákazníků.
Výsledkem jsou nižší zásoby, rychlejší reakce na tržní změny a kvalitnější rozhodování na úrovni vedení podniku. AI zde nenahrazuje systém ani lidi, ale minimalizuje zpoždění mezi situací na trhu a firemní reakcí. Výrobce tím ukazuje, že skutečný přínos AI v plánování není v „chytřejších predikcích“, ale v proměně jednorázového plánovacího mítinku na živý a řízený proces.

Petr Zavoral
Foto: Shutterstock

Publikováno: 13. 1. 2026 | Počet zobrazení: 203 42