AI inženýr na full-time, nebo on-demand: rozhodovací rámec pro SMB.

V praxi vidíme tři typické momenty, kdy se firma rozhodne, že potřebuje AI kompetenci. Každý vede k jinému správnému řešení.

První je tlak konkurence. Někdo na trhu spustil AI feature a obchod začal přicházet s otázkou „kdy to budeme mít taky". Reakce typicky bývá panická — najmout někoho rychle a nasadit cokoli. Tady on-demand model dává jednoznačně lepší smysl, protože tlak konkurence se za půl roku obvykle rozpustí a zbude vám interní zaměstnanec bez jasného uplatnění.

Druhá je konkrétní use-case s měřitelnou hodnotou. Firma vidí proces, který by AI mohla zlevnit — zákaznický support, OCR faktur, klasifikace, predikce. Je to ohraničený projekt. Tady má smysl on-demand pro pilot a první produkční verzi, full-time až ve chvíli, kdy je projekt v produkci a začíná narůstat.

Třetí je strategické rozhodnutí, že AI bude součást produktu. Typicky SaaS startup nebo firma s vlastním softwarovým produktem. Tady má smysl plánovat interní AI tým od začátku, protože product knowledge a model ownership jsou kritické dlouhodobě.

Senior AI engineer s zkušeností v produkčním NLP nebo computer vision se v Praze v roce 2026 nabírá za 120 až 180 tisíc Kč hrubého měsíčně. K tomu přičtěte odvody zaměstnavatele (cca 34 %), benefity, hardware, licence pro vývoj (Cursor, Copilot, OpenAI API kredity), GPU compute pro experimenty.

Reálná total cost of employment senior AI engineera vychází v rozpětí 1,9 až 2,9 milionu Kč ročně. Pokud chcete tým, počítejte minimálně dvojici (engineer + ML ops nebo data engineer), abyste neměli single point of failure — to je 4 až 6 milionů Kč ročně. K tomu náklady na trénovací infrastrukturu a externí licence.

Stejně důležité jako náklady je čas náboru. V Praze hledáme seniorního AI inženýra typicky 4 až 7 měsíců. Junior je rychlejší, ale na produkční nasazení nestačí — potřebujete někoho, kdo už evals, prompt versioning a observability v produkci dělal.

Pro srovnání — on-demand AI Expert v rozsahu 8 až 15 člověko-dnů měsíčně vychází v naší cenovce na 240 až 480 tisíc Kč ročně. To pokryje běžný NLP nebo automation projekt v plném rozsahu, ne jen údržbu.

On-demand model dává smysl ve čtyřech situacích: jednorázový projekt s jasným scope, pilot před rozhodnutím o full-time týmu, augmentace existujícího týmu o specifickou expertizu, dlouhodobá údržba systému, který už běží.

U projektu pro GreenEnergy — sustainable energy provider s 10 000+ zákazníky a pětičlenným supportem — jsme na podzim 2024 nasadili AI inženýra do interního týmu na fine-tuning NLP modelu pro češtinu. Klient měl interní vývojáře, ale ne někoho, kdo dříve pracoval s Transformers a českým fine-tuningem. On-demand byla správná volba, protože scope byl ohraničený (pilot 1 měsíc, full deploy, výsledky po 3 měsících) a klient nepotřeboval AI kompetenci dlouhodobě v interním týmu.

Výsledek po třech měsících v produkci: 68 % automatizace dotazů, reakce z 24 hodin na 5 minut, úspora 20 hodin týdně pro support. Kdybychom GreenEnergy doporučili full-time AI engineera, projekt by se posunul o půl roku kvůli náboru a první roční náklady by byly několikanásobně vyšší.

U pre-Series A SaaS startupu, který jsme přebírali, jsme řešili druhý scénář — převzetí dvou AI doporučovacích komponent a stabilizaci pro produkci. Klient měl 8 zaměstnanců a žádného AI specialistu. On-demand model dával smysl, dokud nebyl po investici a nemohl si dovolit interní hire.

Strukturálně on-demand pracuje nejlíp s měsíčním retainerem (definovaný počet MD, flexibilní scope) plus on-call SLA pro produkční incidenty. Hodinové sazby s neomezeným scope vedou k tomu, že klient se bojí volat, a model přestane fungovat.

Nejdražší chyba, kterou v tomto rozhodování vidíme, je „fake AI department" — firma najme jednoho juniora nebo mid-level inženýra, dá mu titul Head of AI, žádný tým, žádný rozpočet na compute, žádný jasný projekt. Po šesti měsících je výsledek demo, které nikdo nepoužívá.

Vzorec se opakuje. Vedení očekává „AI strategii", ale juniorský engineer ji nemůže dodat — chybí mu seniorita i mandát. Engineer si proto vybere úzký technický problém (chatbot na intranet, klasifikátor na něco okrajového) a tráví měsíce optimalizací accuracy ze 78 na 84 %, zatímco firma ztrácí příležitosti, kde by AI dala reálnou hodnotu.

Typický konec — engineer odchází, projekt zapadá, vedení se na rok nebo dva spálí a AI iniciativa je odložena. Náklad: 1,5 až 2,5 milionu Kč investice plus oportunitní ztráta.

Funkční alternativa: nejprve on-demand audit, který identifikuje 3 až 5 use-cases s měřitelnou ROI. Pak pilot na nejzralejší z nich, opět on-demand. Teprve když jeden use-case běží v produkci a generuje měřitelnou hodnotu, má smysl uvažovat o interním hire — protože tehdy už víte, koho hledat a proč.

Pro firmu 30 až 80 zaměstnanců, která AI nemá v core produktu, on-demand je ve většině případů správná volba. Náklad full-time týmu nemá pokrytí v ROI a nábor zabere déle, než je trpělivost vedení.

Pro firmu 80 až 250 zaměstnanců s konkrétním datovým aktivem (zákaznická data, dokumentace, výrobní data), kde AI může vrátit měřitelnou hodnotu, dává smysl hybridní model — interní data engineer nebo ML ops jako stálý člověk, AI engineer on-demand pro modely a evaluace. To pokryje provoz i schopnost rychle reagovat.

Pokud zvažujete jakýkoli z těchto scénářů, ozvěte se. Úvodní konzultaci nad scope a kalkulaci on-demand vs. full-time děláme zdarma a do týdne dostanete písemné srovnání nákladů na 12 a 24 měsíců.