Zabezpečený firemní AI chatbot 5) Návratnost v číslech

U nového stroje do výroby se návratnost počítá poměrně snadno, protože firma zná jeho cenu i to, kolik toho za hodinu vyrobí. U firemní AI je cena známá taky, ale přínos se na projektech, které jsem viděl, spíš odhaduje. Lidé si systém chválí a vedení je spokojené, jenže jestli se investice vrátila, obvykle nikdo doložit neumí.

Vítejte u pátého a posledního dílu seriálu Zabezpečený firemní AI chatbot. V minulém dílu jsem popsal běžný den s AI nad firemními dokumenty a podle čeho poznáte, že ji lidé opravdu používají. Dnes se podívám na to, jak si úsporu spočítat s rezervou a kdy je lepší projekt zastavit.

Než začnete počítat úsporu, změřte, kolik času se dnes ztrácí

Kalkulace návratnosti AI, které jsem zatím viděl, obvykle začínají odhadem, kolik času lidé dnes stráví hledáním informací. Ten odhad většinou vznikne na poradě vedení, kde někdo řekne, že je to tak hodina denně, ostatní souhlasí a číslo se pak v tabulce používá, jako by bylo změřené. Změřené ale není a podle mé zkušenosti je hodina denně spíš nadsazená.

Čísla o hledání informací, která kolují v prezentacích o AI, bývají stará a z jiného prostředí. Často se cituje údaj, že lidé tráví skoro pětinu pracovního týdne hledáním interních informací nebo sháněním kolegy, který poradí.

Pochází ze zprávy McKinsey Global Institute z roku 2012. Autoři ho sami označují za odhad. Týká se navíc jen vymezené skupiny takzvaných interakčních pracovníků, takže pro rozpočet v roce 2026 je to slabá opora.

Opatrný bych byl i u toho, jak lidé přínos AI sami vnímají. Výzkumná organizace METR v roce 2025 zveřejnila randomizovanou studii, ve které šestnáct zkušených open source vývojářů řešilo 246 reálných úloh ze svých vlastních projektů.

Když vývojáři směli používat AI nástroje, trvaly jim úlohy v průměru o 19 procent déle, a přitom byli i po skončení přesvědčení, že jim AI práci zhruba o pětinu zrychlila.

Je to malý vzorek z jednoho oboru a autoři výslovně píšou, že z toho neplyne, že AI nástroje vývojáře obecně nezrychlují. Letos v únoru METR zveřejnil navazující měření na širším vzorku, ve kterém už zrychlení spíš vycházelo, sám ho ale kvůli způsobu výběru vývojářů označuje za slabý důkaz.

Pro ředitele z toho plyne, že vlastní odhad ušetřeného času ani spokojenost lidí s nástrojem nenahrazují měření návratnosti, protože rozdíl mezi pocitem a skutečností byl v té studii skoro čtyřicet procentních bodů, a to u lidí, kteří tu práci dělají denně.

Jiné poctivé měření ukazuje opačným směrem. Ekonomové Brynjolfsson, Li a Raymond sledovali přes pět tisíc operátorů zákaznické podpory a zjistili, že jim AI asistent zvedl počet vyřešených případů za hodinu v průměru o 15 procent. Práce vyšla v roce 2025 v recenzovaném Quarterly Journal of Economics.

Nejméně zkušeným operátorům výkon vzrostl výrazně, u těch nejzkušenějších se prakticky nezměnil. Obě studie jsou podle mě v pořádku a dohromady ukazují, že efekt AI závisí na úloze i na tom, kdo ji dělá, takže průměr z cizího oboru se na vaši firmu přenést nedá.

Výchozí hodnotu si musí firma změřit u sebe, a to před nasazením. Potom už staré chování změřit nejde.

Výchozí měření navrhuji dělat takhle. Vybereme typy úloh, které lidé reálně dělají, a ke každému připravíme několik konkrétních zadání podobné obtížnosti. Například má člověk najít platnou verzi pracovního postupu pro určitou operaci, zjistit, jestli jde převést dovolenou, nebo dohledat záruční lhůtu pro určitý typ zakázky.

Zadání pak dostane osm až deset lidí z provozu (ne garant projektu) a měří se, jak dlouho jim trvá dojít ke správné odpovědi. Zapisuje se i to, kolikrát se museli zeptat kolegy. Jeho čas se počítá taky. Po nasazení se měření zopakuje na jiných zadáních stejného typu, protože stejnou úlohu by lidé podruhé vyřešili rychleji i bez AI.

Samotný rozdíl časů ještě neříká, kolik se ušetří za den. K tomu je potřeba vědět, jak často lidé takové úlohy v běžném provozu řeší, a to ukáže krátký záznam za týden nebo dva. Denní úspora je teprve součin obou čísel.

Lidé, kteří vědí, že se testuje AI, se snaží víc, a první kolo je proto lepší udělat dřív, než se o projektu začne mluvit. A když z měření vyjde, že lidé hledáním stráví jen pár minut denně, je to taky cenný výsledek, protože firma zjistila, že problém, který chtěla řešit, vlastně nemá, a ušetřila si celý projekt.

Modelová kalkulace, kterou si můžete přepočítat

Počítám záměrně střízlivě, protože s optimistickými vstupy se o projektu rozhodnout nedá. Je to modelový výpočet. U vás může vyjít výrazně jinak oběma směry. U konkrétní firmy vstupy nahradí naměřená úspora, skutečný počet dní, kdy dotčení lidé pracují (bez dovolené a nemoci), a jejich skutečný mzdový náklad.

Vstupy:

• Dvacet lidí, kteří s dokumenty pracují každý den (jen ti, kterých se to opravdu týká).
• Patnáct ušetřených minut na člověka a den. Na své stránce o vývoji AI chatbota počítám modelový příklad s pětatřiceti minutami. Tady jdu schválně níž, abych měl číslo, které obstojí, i když to dopadne hůř, než čekám.
• Dvacet pracovních dní v měsíci, bez odečtu dovolené a nemoci.

Dvacet lidí krát patnáct minut krát dvacet dní dělá sto hodin měsíčně. Hodinu převádím na peníze podle Českého statistického úřadu, podle kterého činila průměrná hrubá měsíční mzda ve druhém čtvrtletí 2026 celkem 51 966 korun. K tomu zaměstnavatel odvádí 24,8 procenta na sociální a 9 procent na zdravotní pojištění, dohromady tedy 33,8 procenta navíc.

Celkový měsíční náklad na průměrného zaměstnance tak vychází zhruba na 69 500 korun, což je při fondu kolem 168 hodin (21 pracovních dní po osmi hodinách) zaokrouhleně 410 korun za hodinu. Je to spíš opatrné číslo, protože zaměstnavatel platí i dobu dovolené, takže skutečně odpracovaná hodina vyjde dráž.

Úsporu přitom počítám jen z dvaceti dní v měsíci, hodinovou cenu z celého měsíčního fondu 21 dní, za který se mzda platí, přičemž obojí jsou zjednodušené předpoklady, které v konkrétní firmě nahradí skutečné údaje. Pro jistotu počítám se čtyřmi sty korunami za hodinu, takže sto hodin dělá 40 000 korun měsíčně a zhruba 480 000 korun ročně.

Z této částky bych ale polovinu škrtl. Ušetřené minuty přicházejí po dvou a třech a část z nich se v pracovním dni rozptýlí, aniž by z nich vznikla nějaká práce navíc. Kolik to přesně bude, předem nikdo neví. Polovina je můj odhad (nikdo ji neměřil) a klidně si dosaďte přísnější číslo.

Po srážce zbývá u dvacetičlenného týmu zhruba 240 000 korun ročně. Je to modelová hodnota získané pracovní kapacity, ne peníze, které firmě přibudou na účtu, a kdy se z ní skutečné peníze stanou, rozebírám o kapitolu níž.

Ve druhém dílu jsem uváděl, že první rok s vlastním chatbotem vychází u střední firmy řádově od půl milionu do jednoho a půl milionu korun, a to včetně provozu.

Přínos přitom v prvním roce neběží celých dvanáct měsíců, protože analýza, stavba a pilot zaberou týdny až měsíce. Do nákladů navíc patří čas vlastních lidí, hlavně garanta obsahu, přípravu dokumentů a zaškolení.

Při dvaceti lidech a takhle opatrných vstupech se tedy projekt v prvním roce z úspory času nezaplatí.

Co se změní při větším počtu lidí

Náklad na postavení systému je z velké části pevný, kdežto úspora roste s počtem lidí, kteří systém používají. Analýza, příprava dokumentů, vyhledávání a nastavení přístupových práv stojí pro dvacet i pro sto lidí podobně, pokud se nemění rozsah dokumentů. Rozdíl je hlavně ve výkonu stroje a ten byl podle třetího dílu menší položkou.

V tomhle modelu odpovídá každý člověk hodnotě kapacity zhruba 12 000 korun za celý rok. Při sto lidech je to kolem 1,2 milionu, tedy víc než dolní hranice nákladu prvního roku, ale méně než horní. Čistě matematicky by se celoroční hodnota kapacity vyrovnala nákladu půl milionu zhruba při 42 lidech a nákladu jeden a půl milionu při 125.

O návratnosti prvního roku to ale nic neříká. Systém v prvním roce neběží celý rok a hodnota kapacity se na peníze mění jen v situacích, které popisuji v další kapitole.

S počtem lidí ale roste i počet souběžných dotazů, a tím potřeba silnějšího stroje nebo vyšší účet za cloud. Jak jsem psal ve třetím dílu, tahle položka roste skokem.

Často přibývají i dokumenty, role a přístupová práva, takže ani práce na postavení nezůstane úplně stejná. Jestli se projekt zaplatí, rozhodne konkrétní rozpočet, počet měsíců provozu a to, jak firma získaný čas využije.

Hodně záleží i na tom, kdo čas ztrácí. Když dokumenty prohledává konstruktér, právník nebo člověk, na jehož odpověď čekají další tři, je jeho hodina dražší než statistický průměr. Pilot proto podle mě patří tam, kde s dokumenty pracuje hodně lidí často, i když to technicky není nejzajímavější oblast.

Ušetřená hodina se v účetnictví sama neobjeví

Když zaměstnanec ušetří hodinu týdně, firma mu dál platí stejnou mzdu a ten čas se využije na jinou práci. V účetnictví se tedy nic nezmění.

Na výsledku hospodaření se úspora projeví, když firma přestane platit přesčasy, když kvůli rostoucí agendě nemusí přijmout dalšího člověka, nebo když stejný tým zvládne víc poptávek a získá víc zakázek. Rychlejší nabídka sama o sobě peníze nepřinese. Projeví se až v získaných zakázkách.

Jinak firma získává kapacitu a víc klidu v provozu. Obojí má hodnotu, jen se to na řádku zisku neukáže a je fér to vedení říct předem. Před startem je proto potřeba rozhodnout, co se s ušetřeným časem udělá.

Myslím si, že tady je kus vysvětlení, proč se měřitelný dopad firemní AI na hospodaření hledá tak těžko. Systémy fungují, ale nikdo předem nerozhodl, na co se ušetřený čas použije.

Snížení rizika se spočítat nedá, ale sledovat ano

Firemní AI chatbot má kromě úspory času snížit i riziko úniku dat. To se do tabulky návratnosti dostává mnohem hůř. Dalo by se to počítat jako pravděpodobnost úniku krát jeho cena, to ale nedělám, protože tu pravděpodobnost nikdo nezná a výsledek by jen vypadal přesně.

V prvním dílu jsem citoval zprávu IBM, podle které stojí průměrný únik dat firmu necelých pět milionů dolarů. Je to průměr úniků všech typů, nikoli vyčíslení incidentů s AI, takže do kalkulace se nehodí, pro představu o řádech je ale užitečný.

Místo počítání pravděpodobností navrhuji sledovat, jestli lidé po nasazení méně nosí firemní podklady do veřejných AI nástrojů. Hrubou představu dá anonymní anketa před nasazením a po něm, kde se ptáte na konkrétní chování. Firmy s nástroji na ochranu dat mají navíc souhrnná čísla od svého IT.

Obojí ukáže jen změnu v celku, ne chování konkrétních lidí. Že ji způsobil právě interní chatbot, je hypotéza, protože ve stejné době může působit třeba i nové firemní pravidlo.

Sledování toho, co zaměstnanci kam vkládají, je ale zásah do soukromí a musí mít jasný účel, pravidla a vědomí lidí. Kvůli měření návratnosti AI projektu bych dohled nezaváděl. Interní chatbot stínovou AI úplně nevypne, jen lidem ubere důvod k ní u úloh, které umí pokrýt.

Proč pilot nakonec nic nepřinese

Ve druhém dílu jsem citoval zprávu projektu NANDA z MIT, podle které zatím většina sledovaných organizací ze svých investic do generativní AI měřitelnou návratnost nevidí. Jde o předběžné a nereprezentativní šetření. Tady k tomu přidám důvody, které kolem návratnosti vidím já a které se dají ovlivnit ještě před startem:

• Nikdo nezměřil výchozí stav. Projekt pak nemá s čím se porovnat a po roce se hodnotí podle toho, co si kdo pamatuje.
• Pilot vznikl tam, kde to bylo technicky zajímavé, a ne tam, kde s dokumenty pracuje nejvíc lidí. Systém pak funguje, ale ušetří tak málo času, že se to ve výpočtu neprojeví.
• Nikdo předem nerozhodl, co s ušetřeným časem (viz předchozí kapitola), takže úspora zůstane jen pocitem.
• Chybělo kritérium, kdy projekt ukončit. Projekt se pak nerozšíří ani nezastaví a nakonec z něj zůstane přihlašovací stránka, na kterou nikdo nechodí.

Všechno tohle se dá vyřešit na papíře před startem.

Podle čeho rozhodnout o rozšíření

Ve čtvrtém dílu jsem popsal čísla, podle kterých se pozná, jestli lidé systém používají. Jsou to návraty, počet dotazů, podíl otázek bez nalezeného podkladu a podíl odpovědí označených jako neužitečné. Pro rozhodnutí, jestli do systému dát další peníze, ale nestačí, protože vysokou adopci může mít i nástroj, který nic neušetřil.

Pro rozhodnutí o rozšíření bych sledoval tato čísla:

1. Změřený čas na stejných typech úloh před nasazením a po něm. Tohle číslo patří do kalkulace. Měřit je potřeba na stejných lidech a na různých, ale srovnatelně obtížných zadáních, protože stejnou úlohu by lidé podruhé vyřešili rychleji i bez AI.
2. Podíl úloh dokončených bez dotazu na kolegu. Ukazuje, jestli systém opravdu nahradil obcházení kanceláří. Může být také jen dalším krokem, po kterém se člověk stejně zeptá.
3. Provozní náklad na jednu použitelnou odpověď, tedy celý měsíční provoz dělený počtem dotazů, na které lidé dostali použitelnou odpověď. Dělit všemi dotazy by číslo zkreslilo, protože mezi nimi jsou i opakované a neúspěšné pokusy. Jednorázové náklady na samotné rozšíření se počítají zvlášť. Četl bych ho vždy spolu s prvními dvěma.
4. Ochota dalšího oddělení zaplatit rozšíření ze svého rozpočtu. Není to metrika ze systému a návratnost sama nedokládá, protože záleží i na tom, jaký má oddělení rozpočet. Ukazuje ale skutečný zájem. Když oddělení zároveň řekne, jaký přínos od rozšíření čeká, dá se to po čase porovnat.

Když po pilotu nejde vyplnit první dvě čísla, chybí podklad pro rozhodnutí. Výchozí měření se ve stejné oblasti dodatečně udělat nedá, protože lidé už systém používají. Srovnání je pak potřeba začít v části firmy, kde ho ještě nikdo nepoužívá.

Kdy projekt zastavit

Kritérium pro zastavení je potřeba stanovit před startem pilotu. Když se o něm začne mluvit až ve chvíli, kdy projekt skřípe, prosazuje se těžko, protože by tím někdo přiznal, že se předchozí rozhodnutí nepovedlo. Stačí na to jeden list papíru: termín vyhodnocení, co se měří, při jaké hodnotě se pokračuje a kdo rozhodne.

Zastavit nebo aspoň zásadně změnit zadání bych doporučil v těchto situacích:

• Výchozí měření ukázalo, že lidé ztrácejí málo času. Firma by řešila problém, který nemá. Je to levný konec, protože se ještě nic nepostavilo.
• Garant obsahu se nikdy neobjevil. Psal jsem o něm ve druhém dílu. Bez člověka, který rozhoduje, co platí, se do systému dostávají neplatné dokumenty a technicky se to vyřešit nedá.
• Přesnost na testovací sadě zůstává pod dohodnutou hranicí i poté, co se opravily řešitelné příčiny chyb, tedy špatné skeny, vyhledávání, přístupová práva nebo staré verze dokumentů. Pak to může znamenat, že odpověď v dokumentech prostě není.
• Lidé se po třech měsících nevracejí a v rozhovorech říkají, že je rychlejší zeptat se kolegy. Někdy to tak opravdu je a je lepší to přijmout.

Důvodem k pokračování naopak není to, kolik už se utratilo. Utracené peníze jsou pryč v obou případech a do rozhodnutí o dalším roce nepatří.

Zastavený pilot bývá v očích vedení větší prohra, než jakou ve skutečnosti je. Podle toho, v jaké fázi se projekt zastavil, firmě zůstane změřený výchozí stav, analýza s architekturou a riziky, případně uklizené dokumenty s jasným určením, co platí, a konkrétní představa o tom, kde jí chybí informace. Uklizené dokumenty přitom firmě slouží i bez AI.

Co si z celého seriálu odnést

• Zákaz veřejných AI nástrojů problém neřeší, protože zaměstnanci si najdou vlastní nástroj a firemní podklady jdou s nimi (díl 1).
• Vlastní chatbot se skládá z analýzy, stavby, infrastruktury a provozu a v levných nabídkách se část z toho schovává (díl 2).
• O velikosti stroje nerozhoduje počet zaměstnanců, ale kolik lidí se ptá současně. Rozumným startem bývá podle mě evropský cloud bez vlastního stroje (díl 3).
• Výsledek závisí hlavně na dokumentech a lidech. Odpověď musí mít zdroj a přístupová práva se musí uplatnit dřív, než se podklady dostanou k modelu (díl 4).
• Návratnost je potřeba měřit proti stavu, který si firma zaznamená před nasazením (díl 5).

👉 Zajímá vás technická stránka? Projděte si seriály Lokální RAG chatbot a Agentní RAG chatbot. Jak vypadá hotové nasazení, jsem popsal v případové studii interního AI agenta.

Celý seriál: Zabezpečený firemní AI chatbot: Kompletní průvodce

Všechny díly
1) Vaši zaměstnanci posílají firemní know-how do USA
2) Co obnáší vývoj a kolik stojí
3) Lokální AI: jaký hardware potřebujete a kdy žádný
4) AI nad firemními dokumenty: jak vypadá běžný den
5) Návratnost v číslech (právě čtete)