Conversational AI odpovídá. Operational AI přetváří data v akce. Agentic AI sleduje cíle v definovaných mezích.
Mnoho firem dnes říká, že „využívá AI“. V praxi to však často znamená conversational AI: chatboty, podporu psaní v ChatGPT, Microsoft Copilot v kancelářské práci, vyhledávání s podporou AI, překlady, shrnutí, generování nápadů, podporu programování nebo automatizaci zákaznické podpory. To je zcela jiná úroveň zralosti než AI zabudovaná do pracovních postupů, provozních dat nebo autonomních rozhodovacích struktur.
V Německu aktivně využívá AI 41 % firem s 20 a více zaměstnanci (Bitkom Research, 2026). Pozdější průzkum Bitkom ze září 2026 už uvádí 57 %. Zavádění však zůstává nerovnoměrné: stále se soustředí na větší firmy, zatímco malé a střední podniky jsou v méně pokročilé fázi. Vepředu jsou výroba a služby; stavebnictví vykazuje nejnižší míru využívání AI (Licht & Wohlrabe, 2024).
To je důležitý bod: zavádění AI roste, ale zavádění automaticky neznamená zralost. Pro firemní lídry tedy už nejde jen o to, zda firma AI využívá. Užitečnější otázka zní: jaký druh AI se používá, kde se nachází v operačním modelu a kolik autonomie by měla mít.
Conversational AI
Je to AI, kterou většina lidí zná z nástrojů jako ChatGPT, Microsoft Copilot nebo AI asistenti v podnikovém softwaru. Reaguje na vstup uživatele a pomáhá s úkoly, jako je psaní, shrnování, vyhledávání, překlad, programování nebo analýza informací.
V praxi jsou tyto nástroje velmi užitečné při hledání nápadů. Zaměstnanec s nimi může prozkoumat téma, porovnat různé úhly pohledu, požádat o příklady, zpochybnit první předpoklad, přetvořit hrubé poznámky ve strukturu nebo vytvořit několik možných výchozích bodů.
Místo zadání pokynu „napiš příspěvek na LinkedIn pro mou firmu“ do ChatGPT je lepší se zeptat: „Navrhni pět možných úhlů pohledu na toto téma“ nebo „Co by zde zajímalo zákazníka nebo potenciálního investora?“ Díky tomu je conversational AI nástrojem k přemýšlení, nejen k tvorbě textu. Člověk stále formuluje otázku, posuzuje odpověď a rozhoduje, co se stane dál.
Operational AI
Tento druh AI stojí blíže každodennímu provozu firmy. Integruje AI do obchodních procesů, využívá provozní data a mění poznatky v akce, které týmům pomáhají automatizovat úkoly, zvyšovat efektivitu a rozhodovat se více na základě dat.
V praxi je operational AI umělá inteligence zabudovaná do funkcí, které udržují firmu v chodu. Silným příkladem je Siemens, který rozšiřuje svůj Industrial Copilot o poznatky založené na generativní AI, aby podpořil týmy údržby při přechodu od reaktivních oprav k prediktivní a preventivní údržbě. AI se nepoužívá vedle práce; je do práce zabudovaná.
Důležité je, že samotný nástroj není automaticky operational AI. Pokud někdo používá ChatGPT nebo Claude odděleně k psaní, dotazům nebo analýze, zůstává to převážně asistent. Operational AI se z ní stává tehdy, když je AI propojena s procesem, s provozními daty a s dalším krokem uvnitř firmy, pomocí nástrojů, jako jsou n8n a Make. Proto je operational AI pro koncového uživatele často méně viditelná, ale více propojená s tím, jak firma skutečně funguje. Jejím úkolem není jen generovat odpověď, ale činit procesy měřitelnějšími, škálovatelnějšími a částečně automatizovanými.
Agentic AI
Pokud conversational AI pomáhá lidem přemýšlet a operational AI udržuje proces v chodu, agentic AI se účastní samotného procesu. Nevytváří jen odpověď; sleduje cíl, používá nástroje, vyhodnocuje mezivýsledky a v případě potřeby věc eskaluje.
Nejpřesnější formulace, kterou jsem v poslední době četl, pochází od prof. Dr. Joerga Niessinga (INSEAD), prof. Dr. Carstena Feldmanna (FH Münster) a prof. Dr. Michaela Bückera (FH Münster), kteří tento měsíc píší v The European Business Review: „Generative AI produces outputs; agentic AI participates in processes.“ (Generativní AI vytváří výstupy; agentic AI se účastní procesů.)
Agent sleduje cíl dlouhodobě. Rozloží cíl na kroky, vybere správné nástroje, komunikuje se systémy, vyhodnocuje mezivýsledky a přizpůsobuje se, když se změní podmínky. Místo aby reagoval na jeden pokyn nebo zlepšoval jeden krok, působí uvnitř probíhajícího pracovního postupu – blíže kolegovi než nástroji.
Užitečnou ilustrací je agentic commerce. Místo toho, aby zákazník ručně vyhledával, porovnával, uplatňoval slevy a dokončoval nákup, by nákupní AI agent mohl porovnávat produkty, kontrolovat zásoby, posuzovat podmínky doručení a vrácení, uplatňovat věrnostní výhody a nákup doporučit nebo dokončit. V praxi se společnost OpenAI údajně odklonila od přímých nákupů v ChatGPT směrem k vyhledávání produktů, což ukazuje, že agentic commerce se stále vyvíjí. Zatím se jeho schopnosti pohybují na úrovni doporučení a porovnávání a tlačítko „koupit“ stále stiskává člověk.
Člověka láká vnímat agentic AI jako příběh o autonomii. Z naší poradenské práce ve společnosti ProNexum Consulting usuzuji, že skutečnou výzvou je odpovědnost. Agenti fungují dobře jen tehdy, když jsou jejich cíle, rozhodovací pravomoci, nástroje, přístup k datům a cesty eskalace předem navrženy. Niessing a jeho spoluautoři tomu říkají bounded agency (vymezená schopnost jednat): „Autonomy, where it exists, is not absolute; it is elicited.“ (Autonomie, kde existuje, není absolutní; je vyvolávána.)
Tato jediná věta pro lídry mění pohled na celou věc. U agentic AI jde méně o otázku „kolik autonomie můžeme systému dát?“ a více o otázku „která rozhodnutí a za jakých podmínek může systém bezpečně přijímat jménem firmy?“ To je otázka operačního modelu, nikoli technologie – a právě to je společným vláknem této série.
Jak to vypadá v praxi
Zavádění je široké, zralost úzká. Zpráva MIT „GenAI Divide“ z roku 2025 zjistila, že přibližně 95 % organizací nezaznamenalo měřitelný dopad iniciativ GenAI na hospodářský výsledek, zatímco jen asi 5 % integrovaných pilotů přineslo významnou hodnotu. Boston Consulting Group uvádí podobný obraz na úrovni firem: jen asi 5 % firem je dnes future-built pro AI – systematicky buduje pokročilé schopnosti AI a získává většinu hodnoty. Gartner očekává, že AI agenti specializovaní na konkrétní úlohy budou stále častěji součástí podnikových aplikací, a zároveň předpovídá, že více než 40 % projektů agentic AI bude do konce roku 2027 zrušeno, pokud nebudou vyřešeny náklady, obchodní hodnota a kontrola rizik.
Rozhodující je tato posloupnost: široké experimentování, ~5 % firem získávajících hodnotu a riziko zrušení u ~40 % projektů příští vlny. To je mezera ve zralosti vyjádřená čísly.
Každý typ AI se k této mezeře staví jinak. Conversational AI lze obvykle testovat přímo na úrovni individuální produktivity. Operational AI vyžaduje jasnější procesy, lepší data a pevnější vlastnictví. Agentic AI přidává další vrstvu: jasné rozhodovací pravomoci, přístup do systémů, řízení a pravidla (governance) a výslovné uvažování o tom, kolik autonomie má systém mít.
Tyto kategorie se v praxi překrývají, takže nejde o to, zařadit každý nástroj do dokonalé škatulky.
Lepší otázka zní: které části podniku by měly být podporovány, které optimalizovány a které by měly časem jednat s větší autonomií?
Od otázky technologie k otázce operačního modelu
Odpověď na tuto otázku vyžaduje zmapovat, kde se AI v současnosti nachází ve Vašem operačním modelu, kde jsou základy dat a procesů dost silné na to, abyste šli dál, a kde musí lidský úsudek zůstat součástí procesu. Právě tím se debata o AI posouvá od technologie k operačnímu modelu.
S kolegy ve společnosti ProNexum Consulting v následujících měsících vedeme na toto téma sérii. Další díl: Automatizace versus augmentace je špatná debata.
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.
