# Existuje šablóna na zavedenie AI vo firme?

Čo sa dá prevziať z hotového postupu a čo treba nastaviť podľa práce konkrétnej firmy. Výskumy, hranice šablón a odporúčania, ako začať.

Autor: Andrej Rybovič (Myslite) · Publikované: 2026-10-26
URL: https://myslite.ai/blog/existuje-sablona-na-zavedenie-ai-vo-firme

> [!NOTE]
> **V skratke**
>
> - **Prínos AI sa líši podľa úloh aj ľudí.** Výsledok z jedného pracoviska nie je prísľubom rovnakého výsledku v inej firme.
> - **Používanie AI a prínos pre zisk sú rozdielne ukazovatele.** V prieskume McKinsey z roku 2026 uvádza pravidelné používanie AI aspoň v jednej firemnej funkcii 89 % respondentov; pozitívny vplyv na zisk pred úrokmi a zdanením (EBIT) celej organizácie jej pripisuje 37 % respondentov.
> - **Šablóna môže byť východiskom, nie hotovým rozhodnutím za firmu.** Výber úloh, nástrojov, pravidiel a spôsobu kontroly treba prispôsobiť konkrétnej situácii.
> - **Odporúčame začať malým overením.** Rozsah pilotu, kritériá úspechu aj termín vyhodnotenia treba dohodnúť vopred. Výsledkom môže byť aj rozhodnutie AI pri danej úlohe nepoužiť.

Pri zavádzaní AI je pochopiteľné pýtať sa: Existuje pripravená šablóna, ktorú firme stačí nasadiť? Čo používajú iné firmy v našom odvetví? Stačí kúpiť licencie pre všetkých zamestnancov? Vedenie potrebuje postup, podľa ktorého sa môže rozhodovať, a chce vedieť, koľko času a úsilia bude zavádzanie vyžadovať.

Hotový balík však sám neodpovie na otázky, aké úlohy má AI riešiť, s akými podkladmi môže pracovať a kto skontroluje výsledok. Bez týchto rozhodnutí je ťažké určiť aj to, čo má firma považovať za prínos.

V Myslite preto pred začiatkom spolupráce zisťujeme, čo tím robí, aké nástroje má a s akými podkladmi môže bezpečne pracovať. Šablóny pritom neodmietame. Navrhujeme ich používať ako východisko, ktoré si tím overí na vlastnej úlohe.

V článku vysvetľujeme, čo o rozdielnych výsledkoch AI hovoria výskumy a prieskumy, čo sa dá prevziať z hotového postupu a čo treba nastaviť podľa konkrétnej firmy.

## Čo hovoria dáta o univerzálnych riešeniach?

Nasledujúce štúdie netestovali univerzálny balík na zavedenie AI do celej firmy. Nevyplýva z nich, že každý taký balík zlyhá. Pomáhajú však rozlíšiť používanie nástroja, výsledok konkrétnej úlohy a finančný prínos pre organizáciu.

**Používanie AI a pozitívny vplyv na zisk nie sú to isté.**

- Pravidelné používanie AI aspoň v jednej funkcii: 89 %
- Pozitívny vplyv AI na EBIT celej organizácie: 37 %

Podiel respondentov prieskumu McKinsey 2026, nie podiel všetkých firiem. Obe hodnoty sa vzťahujú na respondentov prieskumu; 37 % nie je podiel z uvedených 89 %. Zdroj: [The state of AI in 2026](https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-state-of-ai).

- **Používanie AI je rozšírenejšie než vykazovaný prínos pre zisk.** McKinsey v roku 2026 oslovilo 1 719 respondentov z 97 krajín. Pravidelné používanie AI aspoň v jednej firemnej funkcii uviedlo 89 %, pozitívny vplyv na zisk pred úrokmi a zdanením (EBIT) celej organizácie jej pripísalo 37 %. Ide o odpovede respondentov, nie o audit hospodárskych výsledkov ani reprezentatívny obraz slovenských malých a stredných podnikov. Ak niekto neuvádza pozitívny vplyv na EBIT, neznamená to automaticky, že AI nepriniesla žiadny úžitok pri jednotlivých úlohách.
- **Ľudí a procesy netreba vynechať.** BCG odporúča venovať 10 % úsilia algoritmom, 20 % technológiám a dátam a 70 % ľuďom, organizácii a procesom. Ide o poradenskú pomôcku, nie o experimentálne overený optimálny pomer ani záväzný rozpočet pre každú firmu.
- **Používanie AI rastie aj na Slovensku.** Podľa Eurostatu používalo v roku 2025 aspoň jednu AI technológiu 18 % slovenských podnikov v sledovanej skupine, oproti približne 20 % v EÚ. Na Slovensku to bolo približne 7 % v roku 2023 a 11 % v roku 2024. Údaje sa týkajú podnikov s aspoň 10 pracujúcimi osobami vo vybraných odvetviach, nie všetkých podnikov ani celej ekonomiky. Merajú používanie, nie úspešnosť zavedenia.

Tieto zdroje merajú odlišné veci. Nedokazujú, že procesy sú vždy dôležitejšie než výber nástroja, ani nevysvetľujú príčinu neúspechu konkrétneho projektu. Pre rozhodovanie vo firme je preto vhodné oddeliť otázku „Používame AI?“ od otázky „Pri čom nám pomáha a za akú cenu?“.

## Kde šablóna funguje a kde nie?

Šablónu navrhujeme skúšať tam, kde sa opakuje zadanie a požiadavky na výstup. Ani pri podobných úlohách však nemožno preskočiť overenie na konkrétnych vstupoch.

Eloundou a kol. v článku publikovanom v časopise Science v roku 2024 skúmali potenciál jazykových modelov ovplyvniť pracovné úlohy. Išlo o posudzovanie technickej možnosti podľa opisu úloh, nie o meranie dosiahnutej produktivity alebo reálnych úspor vo firmách. Rozlišovanie úloh je užitočné aj pre naše rozhodovanie: názov pracovnej pozície sám osebe nestačí na výber vhodného použitia AI.

Nasledujúca tabuľka je náš orientačný rámec. Nie je výsledkom experimentu ani zoznamom postupov, ktorých úspech je zaručený.

| Úroveň | Čo možno prevziať ako východisko | Čo treba nastaviť pre konkrétnu firmu |
| --- | --- | --- |
| Nástroj | kritériá výberu, princípy jasného zadania a kontroly odpovede | konkrétny nástroj, licencia, prístupy a podmienky spracovania údajov |
| Úloha | štruktúra zadania a kontrolný zoznam požiadaviek | povolené vstupy, požadovaný výstup, odborná kontrola a kritériá prijatia |
| Proces | otázky o zodpovednosti, odovzdávaní práce a vyhodnotení | poradie krokov, kto čo kontroluje, napojenie na existujúce systémy |
| Firma | rámec rozhodovania: výber úloh, pilot, vyhodnotenie, prípadné rozšírenie | priority vedenia, potreby tímov, kapacity, pravidlá a rozpočet |

Čím bližšie k úrovni celej firmy, tým viac rozhodnutí sa v tomto rámci týka jej konkrétnej situácie. Šablóna môže pomôcť usporiadať prácu, ale neurčí za vedenie, ktoré úlohy majú prednosť a aké riziko je prijateľné.

## Ako k šablónam pristupujeme v Myslite

Pod individuálnym prístupom rozumieme prípravu podľa práce konkrétneho tímu, nie automaticky rozsiahlu analýzu celej firmy. Pred [workshopmi Myslite](https://myslite.ai/#ako-to-prebieha) si ujasníme úlohy, dostupné nástroje a pravidlá práce s podkladmi. Na stretnutí si účastníci skúšajú zadávanie úloh aj kontrolu výsledkov. Pri sérii workshopov sa vraciame k tomu, čo medzi stretnutiami vyskúšali.

Rozsiahlejšie mapovanie procesov, výber a vyhodnotenie pilotu, návrh pravidiel či zhrnutie pre vedenie môžu byť súčasťou poradenskej spolupráce, ak sa na nich dohodneme. Nie sú automatickým výstupom každého workshopu. Spätnú väzbu zbierame anonymne; ak je zhrnutie súčasťou dohody, vedenie dostáva súhrn potrieb, nie hodnotenie jednotlivých ľudí podľa ich otázok.

Prispôsobovanie má tiež svoje náklady. Preto odporúčame dohodnúť primeraný rozsah: môže to byť overenie jednej alebo dvoch úloh, nie hneď zavádzanie AI do celej organizácie. Vopred však nesľubujeme úsporu ani termín, za ktorý sa musí prejaviť.

V ďalších častiach rozoberáme dve otázky: prečo rovnaký nástroj nemusí priniesť rovnaký výsledok a ako začať bez univerzálneho balíka.

## Otázka 1: Prečo rovnaký nástroj prináša rozdielny výsledok?

Výsledok z inej firmy je užitočný podnet na overenie, nie záruka. Výskumy zachytávajú rozdiely podľa schopností pracovníkov, typu úlohy aj podmienok používania.

- **Prínos sa líši podľa predchádzajúceho výkonu pracovníka.** Brynjolfsson, Li a Raymond sledovali postupné zavádzanie AI asistenta u 5 172 pracovníkov zákazníckej podpory jednej firmy a jej dodávateľov. V konečnej recenzovanej verzii štúdie (The Quarterly Journal of Economics, 2025) zistili v priemere o 15 % viac vyriešených požiadaviek za hodinu. Pri pätine pracovníkov s najnižším výkonom pred zavedením asistenta bol nárast 36 %. Pri najzdatnejších nezistili významný nárast produktivity a zaznamenali mierny pokles kvality. Nejde o všeobecný odhad úspory času pre každé povolanie.
- **Schopnosti AI sú pri rôznych úlohách nerovnomerné.** Dell’Acqua a kol. publikovali v roku 2026 v časopise Organization Science experiment so 758 konzultantmi BCG, ktorý sa uskutočnil v júni 2023 s GPT-4. Pri súbore úloh v rámci vtedajších schopností modelu účastníci s AI dokončili o 12,2 % viac úloh, potrebovali o 25,1 % menej času a dosiahli vyššie hodnotenie kvality. Pri jednej úlohe vybranej ako úloha mimo tejto hranice však s AI dospeli k správnemu riešeniu o 19 percentuálnych bodov menej často. Je to dôkaz rozdielnych výsledkov v danom experimente, nie hodnotenie schopností dnešných modelov.
- **Podpora zamestnávateľa súvisí s používaním AI.** Humlum a Vestergaardová v pracovnej štúdii revidovanej v marci 2026 uvádzajú odhady z dánskeho prieskumu z konca roka 2024. Zahŕňal približne 25 000 pracovníkov zo 7 000 pracovísk v 11 povolaniach výrazne vystavených AI chatbotom. Po zohľadnení povolania, veku, pohlavia a praxe bol odhadovaný podiel ľudí, ktorí už použili chatbota pri práci, 41 % bez iniciatív zamestnávateľa, 76 % pri samotnom povzbudzovaní a 93 % pri kombinácii povzbudzovania, firemného nástroja a školenia. Nejde o podiel denných používateľov ani o dôkaz, že školenie spôsobilo tento rozdiel.

Ani vyššie používanie nemusí znamenať merateľnú zmenu každého ukazovateľa. Humlum a Vestergaardová zároveň nezistili významný priemerný vplyv na zárobky ani evidované odpracované hodiny do konca roka 2024. To nie je dôkaz nulového prínosu pri úlohách, ale upozornenie, že používanie, výkon pri úlohe a výsledky na trhu práce nemožno zamieňať.

Z uvedeného nevyplýva jeden návod pre každú firmu. Pri príprave zavádzania preto odporúčame:

- zistiť, ktoré úlohy tím vykonáva opakovane a čo pri nich potrebuje zlepšiť,
- overiť výsledky AI vrátane chýb a nákladov na ich kontrolu a opravy,
- počítať s rozdielnymi potrebami menej skúsených ľudí a odborníkov,
- ujasniť, ktoré použitia vedenie podporuje a za akých pravidiel.

Sú to odporúčania pre rozhodovanie, nie samostatne overený recept na zvýšenie produktivity.

## Otázka 2: Ako začať bez univerzálneho balíka?

Vedenie potrebuje určiť, čo chce overiť a podľa čoho sa rozhodne o ďalšom kroku. V prieskume McKinsey z roku 2026 skupina s najvyššie vykazovaným prínosom AI častejšie uvádzala aj prepracovanie pracovných postupov. Je to súvislosť v odpovediach, nie dôkaz, že konkrétna zmena procesu spôsobí úspech.

Nasledujúci postup odporúčame ako orientáciu. Výskumy jeho účinok ako celku neoverovali a rozsah jednotlivých krokov závisí od situácie firmy. Ak ich má s firmou robiť Myslite, musia byť súčasťou dohodnutej spolupráce.

1. **Vstupná analýza.** Zistiť, aké úlohy tím robí, čo je pri nich problém a aký výsledok potrebuje zlepšiť. Rozsah môže siahať od krátkeho rozhovoru po podrobnejšie mapovanie, podľa dohody.
2. **Pomenovanie obáv.** Otvoriť otázky o zmene práce, dátach a zodpovednosti. Vyjasniť aj to, na čo sa bude prípadná voľná kapacita používať.
3. **Výber jednej alebo dvoch úloh na overenie.** Dohodnúť kritériá kvality, zaznamenať východiskový stav a určiť termín vyhodnotenia podľa toho, ako často sa úloha vykonáva. Sledovať aj čas kontroly a opráv, nielen tvorbu prvého výstupu.
4. **Pravidlá pre dáta od začiatku.** Pred skúšaním ujasniť povolené nástroje a podklady podľa pravidiel organizácie, podmienok služby a právnych povinností. Ak nie je jasné, či sa podklad smie použiť, najprv túto otázku vyriešiť.
5. **Práca na vybraných úlohách.** Overiť postup na povolených podkladoch a porovnať výsledok s vopred stanovenými kritériami. Nevyhovujúci výstup nepovažovať za úspech len preto, že vznikol rýchlo.
6. **Kontaktný človek v tíme.** Dohodnúť, kto bude zbierať otázky a skúsenosti, a vyhradiť mu na to čas. Nemusí ísť o novú pozíciu ani o človeka, ktorý preberie všetku kontrolu za kolegov.
7. **Zaznamenanie overeného postupu.** Ak sa postup osvedčí, opísať jeho vstupy, obmedzenia a kontrolu výsledku. Až potom rozhodnúť, či ho udržiavať, rozšíriť alebo ďalej upravovať. Rovnako prijateľným výsledkom overenia je zastaviť ho.

Takéto vyhodnotenie môže dať vedeniu podklady na ďalšie rozhodnutie. Samotná úspora minút však ešte nie je návratnosť investície. Do posúdenia treba zahrnúť aj cenu nástrojov, prípravu, školenie, zavedenie, kontrolu, opravy a spôsob využitia prípadnej voľnej kapacity.

## Záver

Univerzálnu šablónu pre celú firmu nepovažujeme za vhodný východiskový bod. Nie preto, že výskumy dokázali neúspech každého hotového balíka, ale preto, že konečné rozhodnutia treba urobiť podľa úloh, ľudí a pravidiel konkrétnej organizácie.

Šablóny pritom môžu mať svoje miesto: ako štruktúra zadania, zoznam kontrolných otázok alebo záznam postupu, ktorý si tím overil. Odporúčame začať malým rozsahom, sledovať kvalitu aj náklady a až podľa výsledku rozhodnúť o ďalšom použití.

Ak chcete prebrať, ktoré úlohy vo vašom tíme by stálo za to overiť, [ozvite sa nám](https://myslite.ai/#kontakt). Dohodneme, či je pre vás vhodný workshop alebo iný rozsah spolupráce.

## Časté otázky

### Existuje univerzálna šablóna na zavedenie AI vo firme?

Citované výskumy univerzálny postup pre celú firmu netestovali. Ukazujú rozdiely vo výsledkoch pri konkrétnych úlohách a skupinách pracovníkov. Hotový postup preto odporúčame brať ako východisko na overenie, nie ako záruku výsledku.

### Stačí firme kúpiť licencie AI nástrojov pre všetkých zamestnancov?

Samotné licencie prínos nezaručujú. V prieskume McKinsey 2026 uviedlo pravidelné používanie AI aspoň v jednej funkcii 89 % respondentov, pozitívny vplyv na EBIT celej organizácie 37 %. Tieto údaje nehovoria, že zvyšné organizácie nemajú žiadny úžitok, ani nemerajú účinok nákupu licencií. Firma si potrebuje určiť vhodné úlohy, pravidlá a spôsob vyhodnotenia.

### Podľa čoho vybrať prvú úlohu?

Odporúčame úlohu s jasným zadaním, povolenými podkladmi a výsledkom, ktorý tím dokáže skontrolovať. Pred skúšaním treba vedieť, čo sa bude porovnávať s doterajším postupom a aké chyby sú neprijateľné. Názov odvetvia sám osebe nestačí.

### Ako dlho trvá, kým sa prínos AI dá zmerať?

Závisí to od frekvencie úlohy, dostupných údajov a kritérií, ktoré chce firma sledovať. Termín aj rozsah merania treba dohodnúť vopred; nesľubujeme výsledok do pevného počtu týždňov. Meranie môže ukázať zlepšenie, žiadnu zmenu aj zhoršenie.

### Čo ak pilot neprinesie očakávaný výsledok?

Treba rozlíšiť kvalitu výstupu, čas vrátane kontroly a opráv aj celkové náklady. Podľa zistení sa dá upraviť zadanie či postup, overiť iný nástroj alebo rozhodnúť, že AI pri tejto úlohe zatiaľ nemá zmysel. Ani rozšírenie pilotu nie je povinným ďalším krokom.

## Zdroje

- McKinsey & Company (2026). [The state of AI in 2026: On the road to ROI](https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-state-of-ai), 25. augusta 2026. Prieskum 1 719 respondentov z 97 krajín, zber 4. mája až 8. júna 2026, váženie podľa HDP krajín. Respondentmi vykazované používanie a prínosy; nie reprezentatívna vzorka slovenských MSP. [Úplná správa](https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/the-state-of-ai-in-2026-on-the-road-to-roi.pdf).
- Boston Consulting Group (2025). [From Potential to Profit: Closing the AI Impact Gap](https://www.bcg.com/publications/2025/closing-the-ai-impact-gap), 15. januára 2025. Pravidlo 10/20/70 je poradenská pomôcka na rozdelenie úsilia, nie univerzálny experimentálny výsledok. BCG sa k nemu vracia aj v [The Formula for Agentic AI Value](https://www.bcg.com/publications/2026/the-formula-for-agentic-ai-value), 30. septembra 2026.
- Eurostat (2026). [Artificial intelligence by size class of enterprise, isoc_eb_ai](https://doi.org/10.2908/ISOC_EB_AI), aktualizácia 15. júna 2026. Ukazovateľ používania aspoň jednej AI technológie, podniky s 10 a viac pracujúcimi osobami; vybrané odvetvia NACE C až J, L až N a 95.1. Hodnoty za Slovensko: 7,04 % (2023), 10,78 % (2024), 18,00 % (2025); EÚ 19,95 % (2025). [Metodický a vecný kontext](https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises).
- Eloundou, T., Manning, S., Mishkin, P., Rock, D. (2024). [GPTs are GPTs: Labor market impact potential of LLMs](https://doi.org/10.1126/science.adj0998). Science, 384, 1306 až 1308, publikované online 20. júna 2024. Odhad technického potenciálu na úrovni úloh, nie meranie skutočných úspor. V článku používame iba tento kvalitatívny záver, nie percentá z pracovnej verzie.
- Brynjolfsson, E., Li, D., Raymond, L. (2025). [Generative AI at Work](https://doi.org/10.1093/qje/qjae044). The Quarterly Journal of Economics, 140(2), 889 až 942, publikované online 4. februára 2025. Konečná recenzovaná verzia; postupné zavádzanie asistenta v zákazníckej podpore. [Úplný text](https://danielle.li/assets/docs/GenerativeAIatWork.pdf).
- Dell’Acqua, F., McFowland III, E., Mollick, E. a kol. (2026). [Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality](https://doi.org/10.1287/orsc.2025.21838). Organization Science, publikované 11. marca 2026. Randomizovaný experiment z júna 2023 s GPT-4 a 758 konzultantmi BCG. [Úplný text konečnej verzie](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf).
- Humlum, A., Vestergaard, E. (2026). [Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI](https://www.nber.org/papers/w33777). NBER Working Paper 33777, pôvodne máj 2025, revízia marec 2026; pracovná, nie konečná recenzovaná verzia. [Úplný text](https://www.nber.org/system/files/working_papers/w33777/w33777.pdf). Odhady 41/76/93 % opisujú súvislosť medzi iniciatívami zamestnávateľa a tým, či pracovník niekedy použil chatbota pri práci, nie kauzálny účinok školenia.