Každý druhý CTO sa dnes pýta to isté: „Kde začať s AI, aby to nebola ďalšia zbytočná investícia?" Odpoveď nie je v technológii. Je v disciplíne prvých troch mesiacov — v tom, čo zmapujete, čo odmietate, komu dáte zodpovednosť a ako zmeriate výsledok. Tento článok je rozhodovacím rámcom pre prvých 90 dní, nie technickým návodom na inštaláciu modelu.
Väčšina zdrojov uvádza, že 75–95 % AI projektov nedosiahne plánovanú biznisovú hodnotu. Číslam možno nepomáha metodológia štúdií, ale trend je konzistentný: piloty vznikajú, končia po 3–6 mesiacoch, hodnota neprichádza. Príčina býva rovnaká — nie zlá technológia, ale chýbajúca príprava pred prvým import openai.
Deň 1–30: Zmapujte terén pred výkopom
Inventúra use-casov, nie nákupná listina
Prvý mesiac nemá o výbere technológie. Má o pochopení toho, kde firma stráca čas a peniaze na opakovaných kognitívnych úlohách — čítaní dokumentov, odpovedaní na rovnaké otázky, extrakcii dát z formulárov, písaní štandardných správ.
Rýchly spôsob: požiadajte 5–10 ľudí z rôznych oddelení, nech na papier napíšu, čo robia každý týždeň opakovane a čo ich štve. Väčšina toho, čo vypíšu, bude kategoricky iné ako „chceme chatbot". Budú tam: manuálne prepisovanie zákazníckych e-mailov do CRM, hľadanie odpovedí v technickej dokumentácii, príprava podkladov pre cenové ponuky, kontrola dodacích listov.
Každý use-case ohodnoťte na dvoch osiach: frekvencia (ako často sa vyskytuje) a hodnota (koľko stojí jedna realizácia — čas × hodinová sadzba × počet opakovaní mesačne). Toto nie je akademické cvičenie — je to základ pre rozhovor o ROI, ktorý budete mať s vedením o 60 dní.
Rozlíšenie: chatbot, copilot alebo agent
Pred výberom nástroja rozlíšte, čo vlastne potrebujete. Chatbot, copilot a agent sú rôzne architektonické vzory s rôznymi nákladmi a komplexitou.
Chatbot odpovedá na otázky — vhodný pre zákaznícku podporu alebo interné FAQ. Najjednoduchší na nasadenie, najnižšie očakávania.
Copilot asistuje pracovníkovi v jeho nástroji — vo výrobnom MES systéme, v ERP, v dokumentácii. Pracovník robí rozhodnutia, AI navrhuje a nachystáva. Typický prvý krok pre priemyselné firmy.
Agent plánuje, volá nástroje, vykonáva viacstupňové akcie autonómne. Mocnejší, ale násobne zložitejší — vyžaduje error handling, observability a dôkladný piloting. Nie pre prvý projekt.
Pre 80 % firiem v prvých 90 dňoch je správna odpoveď: copilot nad internou dokumentáciou alebo RAG nad firemnou KB.
Dáta: otvorte pandorinu skrinku hneď
AI projekt zlyháva na dátach, nie na modeloch. V prvom mesiaci zistite:
- Kde sú dokumenty, manuály, technické predpisy, záznamy zo servisov — a v akom formáte (PDF, Word, tabuľky, databázy)?
- Kto má prístup? Je citlivosť dát definovaná (GDPR, obchodné tajomstvo)?
- Aká je čerstvosť — sú dokumenty aktuálne alebo z roku 2018?
Cisco AI Readiness Index uvádza, že len ~34 % firiem hodnotí svoju dátovú pripravenosť ako dostatočnú. V praxi to znamená: skenovanie archívnych PDF, ručne kódované Excel tabuľky a dokumentácia existujúca v hlave starých zamestnancov. To nie je dôvod nezačínať — je to dôvod začať s dátovým auditom, nie s modelom.
Deň 31–60: Pilot, ktorý čosi rozhodne
Výber prvého use-casu: ROI-pozitívny, nie najlákavejší
Najčastejšia chyba: firma vyberie najambicióznejší use-case — „chceme AI na predpoveď porúch výrobnej linky" — a pilot sa zastaví na nedostatočných historických dátach, nejasnom success kritériu a chýbajúcom domain expertovi.
Prvý use-case má spĺňať tri podmienky súčasne:
- 1.Merateľná baseline — viete, koľko hodín teraz stojí daná úloha. Bez baselineov nevyhodnotíte výsledok.
- 2.Ohraničený rozsah — pilot sa zmestí do 4–6 týždňov vrátane vyhodnotenia. Čím dlhší pilot, tým nižšia pravdepodobnosť, že dojde do konca.
- 3.Reálny dátový základ — máte aspoň 50–200 dokumentov alebo transakcií, na ktorých pilot môžete testovať. Nie databázu z budúcnosti.
Dobrý prvý use-case pre výrobnú firmu: Q&A nad technickou dokumentáciou (RAG nad servisnými manuálmi, certifikátmi, normami). Technici hľadajú odpovede na rovnaké otázky desaťkrát za deň, dokumentov je dosť, a merateľnosť je jasná (čas na hľadanie odpovede pred vs. po).
Architektúra pilotu: lokálne alebo cloud?
Pre firmy s citlivými technickými dokumentmi alebo regulatórnou záťažou (strojárstvo, chemický priemysel, zdravotníctvo) je prvá otázka: „Môžu naše dáta opustiť sieť?"
Ak nie — lokálny model (Ollama s Qwen 3 alebo Mistral, bežiaci na firemnom serveri alebo workstation) s lokálnou vektorovou databázou je správna voľba. Výkon bude nižší ako frontier cloud model, ale compliance riziko je nulové.
Ak áno — cloud API (Claude Sonnet, GPT, Gemini Flash) s Azure OpenAI alebo priamo cez API prináša lepší out-of-the-box výkon pri nižšej IT záťaži v pilotnej fáze.
Detailnejšie porovnanie nájdete v článku Lokálne LLM vs cloud a tiež v diskusii RAG vs fine-tuning — kedy čo.
Success kritériá pred začatím pilotu
Definujte, čo je úspech, pred pilotom. Nie po ňom. Typické metriky:
- Čas ušetrený na úlohu — cieľ: -30 % alebo konkrétny počet minút
- Presnosť odpovedí — cieľ: >85 % správnych odpovedí pri hodnotení domain expertom (20–50 testovacích otázok)
- Používateľská adopcia — cieľ: >60 % členov tímu použije systém aspoň 3× za týždeň po 4 týždňoch
- Chybovosť — cieľ: <5 % odpovedí obsahujúcich fakticky nesprávnu informáciu
Bez týchto čísel pilot skončí debatou „funguje to?" namiesto dát, ktoré odpovedajú áno alebo nie.
Deň 61–90: Výsledky, rozhodnutie, plán
Vyhodnotenie pilotu: tri otázky
Po 4–6 týždňoch pilotu odpovedajte na tri otázky:
1. Funguje to dostatočne dobre? Porovnajte s pred-pilotnou baseline. Ak ste cieľ dosiahli — pokračujte. Ak nie — prečo nie? Dáta, prompt, integrácia, alebo bol use-case zlý výber?
2. Adoptujú to ľudia? Technicky fungujúci systém, ktorý nikto nepoužíva, nemá biznisovú hodnotu. Adopcia v prvých týždňoch predpovedá dlhodobý výsledok. Ak je adopcia nízka, zistite prečo — UI, dôvera, výcvik, alebo systém jednoducho neušetrí čas?
3. Kde je najväčší odpor? Každý AI projekt narazí na „to nebude fungovať". Identifikujte, odkiaľ odpor prichádza — IT bezpečnosť (dáta), stredný manažment (kontrola), pracovníci (strach zo straty práce). Každé má inú odpoveď.
ROI kalkulácia: jednoduchá, ale poctivá
Pre rozhodovateľov, ktorí musia obhájiť pokračovanie, potrebujete čísla. Meranie ROI AI projektov je samostatná téma, ale základný rámec:
- Časová úspora: (počet hodín/mesiac ušetrených) × (hodinová sadzba pracovníka) × 12 = ročná hodnota
- Náklady projektu: infraštruktúra + API náklady + čas inžiniera (pilot + produkcia)
- Payback period: náklady / mesačná hodnota = počet mesiacov do splatenia
Pre typický RAG copilot pri 5–10 technických pracovníkoch, úspora 30–60 minút/deň: ročná hodnota je merateľná v desiatkach tisíc eur pri stredoeurópskych sadzbách. Náklady pilotu sú rádovo 10–30-krát nižšie, ak máte existujúcu infraštruktúru a niekoľko dní inžinierskej práce.
Build vs. buy: rozhodnutie na 90. deň
Po pilote máte dostatok dát na rozhodnutie build vs. buy. Pravidlo z praxe:
Kúpte (SaaS tool, integrovaný plugin), ak: use-case je generický (zákaznícka podpora, sumarizácia e-mailov), nie je kritická diferenciácia, a tím nemá AI engineering kapacitu.
Postavte (vlastná RAG pipeline, vlastný agent), ak: dáta sú citlivé a nesmú ísť do cloudu, use-case je doménovo špecifický (strojárske normy, interné procesy), alebo plánujete škálovanie na viac use-casov kde spoločné komponenty (embedding, vektorová DB, orchestrácia) sa oplatia zdieľať.
Kombinujte — najčastejšia správna odpoveď v 2026: buy pre commodity vrstvy (model API, vector DB), build pre "posledné míle" (prompty, retrieval logika, integrácie, eval harness).
Čomu sa vyhnúť: päť pascí prvých 90 dní
1. Hype use-case bez baselineov
„Chceme prediktívnu údržbu" alebo „chceme AI strategického analytika" — ambiciózne, vizuálne atraktívne, a pri bližšom pohľade bez merateľnej baseline, bez historických dát a bez domain experta v tíme. Tieto projekty zomierajú v 3. mesiaci.
Pravidlo: ak nemáte baseline, máte aspiráciu, nie projekt.
2. Vendor lock-in v pilotnej fáze
Niektorí predajcovia ponúknu „bezplatný pilot" výmenou za záväzok. Predtým, ako podpíšete, otestujte alternatívu — open-source stack (LangChain/LlamaIndex + Qdrant + lokálny model) vie realizovať väčšinu pilotov bez záväzkov. Vendor lock-in je rozumný po validácii use-casu, nie pred ňou.
3. AI tím bez domain experta
AI inžinier vie postaviť pipeline. Nevie posúdiť, či odpoveď o hydraulickom obvode je správna. Bez technika alebo technologa, ktorý validuje výstupy v pilote, nemáte základ pre meranie presnosti. Domain expert nie je „nice to have" — je blocker.
4. Jeden pilot = produkčná stratégia
Piloty preukazujú princíp, nie produkčnú pripravenosť. Z pilotu do produkcie treba: bezpečnostný audit (prompt injection, dátový egress), MLOps (monitoring, verzionácia promptov, eval regression), a change management (tréning používateľov, SLA, eskalačná cesta keď AI odpovie nesprávne).
5. Ignorovanie EU AI Act
Ak váš use-case vstupuje do rozhodovacej reťaze s vplyvom na ľudí (nábor, hodnotenie, klasifikácia rizika), od 2. augusta 2026 platia požiadavky EU AI Act na transparentnosť a risk classification. Compliance nie je len právnické cvičenie — ovplyvňuje architektúru systému (audit log, explainability, human oversight). Čím skôr to zohľadníte v návrhu, tým lacnejšia je zmena.
Tím: koho potrebujete a koho nie
AI projekt nie je solo disciplína. Produkčný systém (nie len pilot) typicky vyžaduje kombináciu:
- AI/ML inžinier — RAG pipeline, fine-tuning, orchestrácia agentov, eval
- Dátový inžinier — dátový pipeline, čistenie, vektorová DB
- Domain expert — validácia výstupov, tvorba eval sady
- Product owner — success metriky, prioritizácia use-casov, stakeholder management
- IT/bezpečnosť — dátový egress, prístupy, compliance
Pre pilotovú fázu nie je nutná plná posádka. AI inžinier + domain expert + product owner zvládnu pilot. MLOps a dátový inžinier nastúpia do produkcie.
Varovanie: tím pod 3 ľudí zodpovedných za AI projekt je rizikový aj pre pilot. Jeden výpadok kľúčového človeka zastaví celé dianie.
Interný tím vs. externý partner závisí od stratégie: ak AI je dlhodobá kompetencia firmy, budujte interno. Ak potrebujete rýchlo validovať 2–3 use-cases a nemáte AI kapacitu, externý partner s fixným projektovým rámcom je rýchlejší. Kombinácia — externý partner pilotuje, interný tím preberá produkciu — je rozumný hybridný model.
Meranie po 90 dňoch: štyri otázky na retrospektívu
Na konci prvých 90 dní odpovedzte úprimne:
- 1.Dosiahol pilot success kritériá, ktoré sme definovali pred jeho začiatkom? (Ak ste ich nedefinovali — to je samo o sebe lekcia.)
- 2.Vieme pomenovať ďalšie 2–3 use-cases, kde rovnaká infraštruktúra prináša ďalšiu hodnotu? (Ak nie — je riziko, že pilotujeme bez stratégie.)
- 3.Má projekt sponsor na úrovni vedenia, ktorý vie sformulovať biznisovú hodnotu? (Projekty bez CEO/COO sponsora historicky zlyhávajú štatisticky výrazne častejšie než tie s ním.)
- 4.Vieme, ako bude systém vyzerať v produkcii — monitoring, eval, update cycle? (Ak nie — pilot je proof-of-concept, nie základ pre scale.)
Tieto štyri otázky nehodnotia technológiu. Hodnotia pripravenosť organizácie — a tá rozhoduje o výsledku viac než akýkoľvek model.
Časté otázky
Koľko to celé stojí — prvých 90 dní?
Závisí od rozsahu, ale orientačne: pilot s RAG copilotom nad internou dokumentáciou, na cloud API, s externým partnerom — rádovo v jednotkách tisíc eur za inžiniersky čas plus nízke mesačné náklady na API (pre SME typicky desiatky až stovky eur pri bežnom objeme). Lokálne nasadenie (vlastný server, open-weight model) má vyšší jednorazový vstup, ale nižšie prevádzkové náklady.
Potrebujeme vlastné GPU?
Pre pilotovú fázu spravidla nie. Cloud API (Claude, Gemini Flash, GPT) alebo Ollama na existujúcom firemnom serveri s bežnou CPU zvládne pilot. Vlastné GPU dáva zmysel, keď: dáta nesmú ísť do cloudu, objem inferencie je vysoký (tisíce požiadaviek denne), alebo plánujete fine-tuning.
Čo ak naše dáta nie sú pripravené?
Dátová nepripravenosť nie je blocker pre pilot — je to vstupný parameter. Pilot na 50 dobre pripravených dokumentoch je lepší ako pilot na 5 000 nekvalitných. Začnite so zlatou sadou 50–100 dokumentov, ktoré ručne skontrolujete. Produkčné škálovanie riešite po validácii use-casu.
Ako vysvetlíme zamestnancom, že zavádzame AI?
Priamo a konkrétne — nie „AI prevezme vaše miesto", ale „AI prevezme hľadanie v manuáloch, aby ste mali viac času na riešenie problémov". Zapojte pracovníkov do pilotu ako „AI evaluátorov" — ich úloha je testovať a nahlasovať chyby. Ownership pilot-u znižuje odpor k produkcii.
Je lepšie začať s jedným veľkým projektom alebo viacerými malými pilotmi?
Z praxe: jeden dobre vybraný pilot s jasným ROI je lepší ako tri súbežné experimenty. Súbežné piloty roztiahnu pozornosť, zhoršia kvalitu dát pre každý z nich a sťažia vyhodnotenie. Škálujte na viac use-casov po prvom úspechu — nie pred ním.
*MP Industrial Solutions pomáha firmám prejsť prvými 90 dňami štruktúrovane — od inventúry use-casov cez výber architektúry po definíciu merateľných success kritérií. Ak zvažujete, kde začať, a chcete sa vyhnúť pilotom, z ktorých nevzíde nič, radi si sadneme na bezplatnú úvodnú konzultáciu.*