Automatizace versus augmentace je špatná debata

AI po lídrech nechce, aby volili mezi automatizací a augmentací. Chce, aby mezi nimi navrhli hranici.

V praxi AI vyvolává dva různé posuny.

Některé úkoly budou automatizovány, protože jsou opakující se, založené na pravidlech a nízkorizikové. Typickým příkladem je chatbot zákaznické podpory, který řeší standardní dotazy – například stav objednávky, vrácení peněz nebo jednoduché otázky k účtu. AI asistent společnosti Klarna například údajně vyřídil v prvním měsíci zhruba dvě třetiny chatů zákaznické podpory.

Jiné úkoly budou posíleny (augmentace), protože vyžadují úsudek, kontext, kreativitu nebo odpovědnost. Ve výrobě je dobrým příkladem Siemens Industrial Copilot: pomáhá inženýrům a týmům údržby pracovat s provozními daty, logikou automatizace a technickou dokumentací, ale odborník stále doporučení interpretuje a rozhoduje, co se stane dál.

Toto rozlišení je ústřední i v manažerské literatuře. Sebastian Raisch a Sebastian Krakowski definují automatizaci jako převzetí lidského úkolu stroji, zatímco augmentace znamená, že lidé při plnění úkolu úzce spolupracují se stroji. Jejich hlavní myšlenka zní: obojí nelze čistě oddělit, jde o vzájemně závislé přístupy.

Tady začíná skutečná otázka pro lídry.

Nejde o to, zda má AI nahrazovat práci, nebo podporovat lidi. Jde o to, které části pracovního postupu má AI převzít, kde mají zůstat odpovědní lidé a jak má být tato hranice řízena.

1. Automatizace

Automatizace znamená, že AI nebo jiný strojový systém převezme úkol, který dříve vykonával člověk. Podstatné je, že to neznamená úplnou absenci lidského zapojení. V mnoha obchodních situacích lidé stále navrhují pravidla, sledují výkon, řeší výjimky nebo zasahují, když se něco pokazí.

Dobrým příkladem je nábor. Při náboru talentů ve velkém měřítku může AI převzít opakující se kroky, jako je třídění přihlášek, porovnávání kandidátů s předem definovanými kritérii nebo řazení profilů k posouzení. Raisch a Krakowski poukazují na využití řešení založených na AI v procesu získávání talentů ve společnosti Unilever. Role člověka nezmizí, ale přesune se od ručního zpracování každé přihlášky k dohledu nad systémem, kontrole výjimek a konečnému rozhodování o přijetí.

Automatizace je atraktivní, protože slibuje rychlost, konzistenci a škálovatelnost. Může snížit ruční práci a učinit procesy méně závislými na dostupnosti jednotlivců.

Tady musí být lídři opatrní. Automatizace může zvýšit rychlost a konzistenci, ale může také přinést nové náklady, nová rizika a nové závislosti. Nejde tedy jen o to, zda lze úkol automatizovat, ale o to, zda automatizace zlepšuje pracovní postup jako celek.

Nedávný report serveru Axios ukazuje, proč na tom záleží. Celosvětové výdaje na IT mají v roce 2026 dosáhnout 6,31 bilionu USD, tedy o 13,5 % více než v roce 2025, přičemž k nárůstu přispívají infrastruktura AI, software, cloudové služby a předplatná. Axios také uvádí, že některé firmy už za AI utrácejí více než za mzdy zaměstnanců, a cituje příklady, kdy náklady na tokeny spotřebovaly rozpočty na AI rychleji, než se očekávalo. Nejde o to, že by AI byla „příliš drahá“. Jde o to, že provádění pomocí AI se stává novým provozním nákladem – a proto potřebuje jasný obchodní případ.

Automatizace vytváří hodnotu, když zlepšuje pracovní postup jako celek. Může zkrátit dobu cyklu, zvýšit konzistenci, zlepšit spolehlivost, snížit provozní riziko a uvolnit lidskou kapacitu pro práci s vyšší hodnotou. Pokud však není přepracován samotný proces, může automatizace přesunout námahu jinam – do monitorování, řešení výjimek, řízení a pravidel (governance) nebo kontroly nákladů. Governance zde znamená stanovit jasná pravidla, kdy může AI jednat samostatně, kdy musí zasáhnout lidé a kdo zůstává odpovědný za výsledek.

2. Augmentace

Augmentace znamená, že AI posiluje lidskou práci, místo aby nahrazovala roli člověka. Úkol stále vykonává člověk, ale AI zlepšuje způsob, jakým člověk vyhledává, analyzuje, porovnává, připravuje koncepty nebo podklady pro rozhodnutí. Člověk zůstává odpovědný za formulaci problému, výklad výstupu a rozhodnutí, co se stane dál.

Dobrým příkladem je vývoj léčiv. Raisch a Krakowski poukazují na využití řešení založených na AI společností Pfizer při objevování a vývoji léčiv. V tomto kontextu může AI pomáhat vědcům prohledávat složitá data, odhalovat vzorce, formulovat hypotézy a určovat priority výzkumných směrů. Odborník však stále posuzuje vědeckou věrohodnost, zvažuje kompromisy a rozhoduje, kterým směrem se vydat.

Tento vzorec se objevuje také ve finančních službách a ve vývoji softwaru. Interní asistent společnosti Morgan Stanley založený na GPT pomáhá poradcům pro správu majetku vyhledávat a shrnovat velké objemy interních analýz a znalostí, zatímco za rozhovor s klientem a doporučení zůstává odpovědný poradce. GitHub Copilot pomáhá vývojářům rychleji psát a kontrolovat kód, ale vývojář stále rozhoduje, zda je kód správný, bezpečný a vhodný pro produkt.

V každém z těchto případů AI práci zlepšuje, ale neodstraňuje lidský úsudek a kontrolu.

Augmentace má však také meze. Přínos augmentace pro produktivitu může být značný. V terénní studii s 5 172 pracovníky zákaznické podpory zvýšil přístup ke generativnímu asistentu AI produktivitu v průměru zhruba o 15 %, nejvíce u méně zkušených pracovníků. Samostatný experiment s GitHub Copilot zjistil, že vývojáři dokončili programátorský úkol s podporou AI o 55,8 % rychleji než bez ní.

Tato čísla však neznamenají, že augmentace vytváří hodnotu automaticky. Pokud každý výstup podpořený AI stále vyžaduje plnou lidskou kontrolu, může se proces v jednom místě zrychlit a jako celek zpomalit. Pokud se zaměstnanci příliš spoléhají na výstupy AI, vytvářejí organizace nová rizika spojená se ztrátou dovedností, polevením pozornosti a nejasnou odpovědností.

Z toho plyne, že augmentace není jen „AI plus člověk“. Funguje pouze tehdy, když je přepracována i role člověka: co člověk kontroluje, kde přidává úsudek, kdy systém přepíše a kdo zůstává odpovědný za konečný výsledek.

3. Paradox

Paradox spočívá v tom, že automatizace a augmentace nejsou protiklady. Navzájem se posilují.

Za prvé, augmentace se často stává fází učení před automatizací.

Když zaměstnanci využívají AI k podpoře úkolu, organizace začne vidět, které části pracovního postupu jsou opakující se, jaké výjimky se vyskytují často, která rozhodovací pravidla jsou stabilní a kde je kvalita dat dostatečná. Postupem času mohou tyto poznatky umožnit selektivní automatizaci.

Dobrým příkladem je zákaznická podpora. AI může pracovníky podpory zpočátku pouze podporovat tím, že navrhuje odpovědi nebo shrnuje předchozí interakce. Jakmile se organizace naučí, které požadavky jsou předvídatelné, nízkorizikové a často se opakují, mohou se některé z těchto interakcí postupně přesunout od služby podporované AI k automatickému vyřízení.

Za druhé, automatizace vytváří novou lidskou práci.

Když AI převezme standardní provádění, může se potřeba zapojení člověka v daném úkolu výrazně snížit. V průmyslových závodech, skladech, call centrech nebo back-office procesech může automatizace práci lidí na určitých pozicích výrazně omezit nebo nahradit. Na úrovni operačního modelu však také vytváří novou lidskou práci kolem dohledu, řešení výjimek, kontroly kvality, aktualizace pravidel, sledování výkonu a řízení (governance).

Jinými slovy, automatizace lidi z organizace jednoduše neodstraňuje. Mění, kde je lidská práce potřeba.

Za třetí, oba přístupy mohou způsobovat problémy, pokud nejsou navrženy záměrně.

Příliš mnoho automatizace může vést ke skrytým rizikům, oslabené odpovědnosti a ztrátě lidské odbornosti. Příliš mnoho augmentace může vést k přetíženým pracovním postupům, v nichž každý výstup AI stále vyžaduje kontrolu. Toto napětí dobře ilustruje vývoj softwaru: GitHub Copilot může urychlit programátorské úkoly, ale vývojáři stále musí kontrolovat správnost, bezpečnost a začlenění do širší kódové základny. Ve složitých nebo proprietárních kontextech studie také ukazují, že podpora AI může selhávat, což znamená, že augmentaci je třeba navrhovat s důrazem na kontrolu a odpovědnost, nikoli ji považovat za automatický nárůst produktivity.

To je paradox automatizace a augmentace: AI může přebírat části práce a zároveň zvyšuje význam lidského úsudku, dohledu a odpovědnosti.

4. Co to znamená pro operační model

Tady se paradox automatizace a augmentace stává praktickým.

Už nejde jen o to, které úkoly lze automatizovat nebo kde lze zaměstnance podpořit pomocí AI. Jde o to, jak práci přepracovat, když AI dokáže přecházet mezi oběma přístupy.

Pokud AI automatizuje standardní provádění, role se méně soustředí na vytváření výstupů a více na dohled, řešení výjimek, kontrolu kvality a průběžné zlepšování.

Pokud AI posiluje rozhodování, potřebují lídři jasnější pravidla: kdy je doporučení AI užitečným podkladem, kdy je vyžadován lidský úsudek a kdo zůstává odpovědný za konečné rozhodnutí.

Pokud AI s časem přechází mezi automatizací a augmentací, nemohou procesy zůstat statické. Potřebují vlastníka, měření, governance a průběžné přepracovávání.

Proto se diskuse nemůže omezovat na produktivitu. Nedávné debaty o nákladech na AI a jejím přijetí ukazují dvě důležitá omezení. Za prvé, automatizace není automaticky levnější, když se započítá výpočetní výkon, předplatná, integrace, monitorování a řízení. Za druhé, přijetí automaticky nevzbuzuje důvěru, pokud zaměstnanci a zákazníci nerozumějí tomu, co systém dělá, kdy zůstávají zapojeni lidé a kdo je odpovědný, když se něco pokazí.

Pro lídry to znamená, že transformace v oblasti AI by neměla začínat seznamem nástrojů. Měla by začínat mapou pracovních postupů.

Nejdůležitější jsou dvě otázky:

· Kde má AI vykonávat práci, protože práce je opakující se, spolehlivá a měřitelná?

· Kde mají zůstat odpovědní lidé, protože úsudek, důvěra nebo odpovědnost podstatně mění výsledek?

První článek této série argumentoval, že zavádění AI roste, ale zralost AI nikoli. To je jeden z důvodů.

Mnoho firem se stále ptá: kolik práce můžeme automatizovat?

Zralejší otázka zní: jaká je správná dělba práce mezi lidmi a AI v tomto pracovním postupu?

Budoucí operační model nebude plně automatizovaný. Nebude ani výhradně založený na augmentaci lidské práce. Bude to záměrně navržený systém, v němž AI provádí tam, kde je spolehlivá, lidé rozhodují tam, kde záleží na úsudku, a governance vymezuje hranici mezi oběma.

To je skutečná výzva automatizace a augmentace – a jedna z ústředních otázek, kterým se budeme v této sérii o AI Operating Model nadále věnovat ve společnosti ProNexum Consulting.

Tento článek vznikl ve spolupráci s Linh Tong.

Tento článek byl poprvé zveřejněn na LinkedInu (anglicky): originál. Česká verze je překladem anglického originálu. Článek slouží pouze k obecné informaci a nepředstavuje právní, daňové ani investiční poradenství.

Další články

AI Operating Model

Human-in-the-loop není strategie AI: za co mají lidé zůstat odpovědní?

Číst dále →AI Operating Model

Conversational AI, Operational AI a Agentic AI: rozdíl, který by měli znát firemní lídři

Číst dále →