Kde v provozu začít s AI automatizací: pět use-cases s reálnou ROI.

V poslední době se na trhu objevuje hodně produktů, které do existujícího software vloží OpenAI API a označí to jako AI automatizaci. Z pohledu provozu to ale automatizace většinou není — uživatel pořád musí akci spustit, výsledek zkontrolovat a manuálně přenést dál.

Skutečná automatizace znamená, že AI je součástí workflow, který běží bez lidského zásahu pro většinu případů. Člověk vstupuje jen u nestandardních situací (review fronta, eskalace, edge case). To je rozdíl mezi „pomocníkem" a „automatizací" a má dramatický dopad na ROI.

Druhý důležitý rozdíl je ownership chyby. Pomocník nikdy nezodpovídá — chyba je vždy na člověku, který výsledek převzal. Automatizace zodpovídá za většinu rozhodnutí — což znamená, že potřebuje monitoring, evals, audit trail, escalation flow. Bez toho automatizace v produkci nezvládne první vážný incident.

Use-cases níže jsou všechny z naší praxe a všechny splňují kritérium skutečné automatizace, ne pomocníka.

Nejzralejší AI use-case pro většinu B2C a B2B firem. Funkční, pokud máte nad 500 dotazů měsíčně a 60 až 80 % z nich spadá do opakujících se kategorií („Proč mám vyšší účet?", „Kdy přijde zásilka?", „Jak změním adresu?").

U projektu pro GreenEnergy — sustainable energy provider s 10 000+ zákazníky a pětičlenným supportem — jsme v létě 2024 nasadili AI chatbot s NLP postaveným na Transformers a fine-tunovaným na češtinu. Pilot běžel měsíc, full deploy po úspěšném pilotu, měření výsledků 3 měsíce po launchi.

Výsledky: 68 % automatizace standardních dotazů, mediánová odezva ze 24 hodin na 5 minut, úspora 20 hodin týdně pro support tým, +10 % zákaznická spokojenost. Investice se vrátila během 9 měsíců provozu.

Klíčový moment byl fine-tuning na češtinu. Generický LLM dělá v českém support kontextu ~78 % accuracy. Po fine-tuningu na 12 měsících historických tiketů vyšla accuracy na 91 % pro top-15 kategorií. To je rozdíl mezi „nepoužitelné" a „produkce".

Realistický rozpočet pro SMB s 5 až 10 supportéry: 600 tisíc až 1,4 milionu Kč na pilot a první produkční verzi, 12 až 25 tisíc Kč měsíčně provoz a monitoring.

Druhý zralý use-case, fungující pro každou firmu, která zpracovává nad 200 faktur měsíčně. Cíl není 100 % automatizace, ale snížení manuální klasifikace na úrovni 70 až 85 % případů s tím, že zbytek prochází review frontou.

U účetní kanceláře v Brně (25 zaměstnanců, klientela 320+ SMB) jsme v rámci projektu financovaného z NPO AI voucherů nasadili OCR + klasifikaci faktur. Stack: Python s FastAPI, pgvector pro RAG na účetní legislativu, integrace s Pohoda a ABRA. Audit a roadmapa od ledna do června 2024, prototyp v produkci od května.

Výsledek: úspora 22 hodin týdně manuální klasifikace, accuracy 89 % na hlavních kategoriích, 76 % na okrajových. Faktury z hlavních kategorií jdou rovnou do účetní knihy, okrajové do review fronty pro účetní.

Důležitý detail: OCR sám o sobě je commodity (Azure Document Intelligence, Google Document AI). Hodnota přidaná dodavatelem je v integraci na český účetní software (Pohoda, ABRA, Helios), klasifikační logice na český kontext (DPH sazby, kategorie účtů) a v review workflow pro lidskou opravu.

Use-case s nejvyšší ROI, ale také nejvyšší implementační složitostí. Funkční pro firmy s skladem nad 5 000 SKU a denním objemem nad 500 objednávek. Pod tím se nevyplatí.

Pro Rohlík.cz (Velká Pecka s.r.o.) jsme v letech 2021 až 2023 dělali integraci interního warehouse management systému s nově postaveným robotickým automatizovaným skladem v Chrášťanech u Prahy — jako subdodavatel. Stack: Java, Spring Boot, REST API, RabbitMQ, MariaDB. Data bridge mezi ERP klienta a warehouse automation platformou, koordinace s robotickým vendorem, real-time data synchronization, automated job queue.

Výsledky: 30 000+ denních objednávek (3× kapacita předchozí infrastruktury), 3× rychlejší picking, -50 % lidská práce, -40 % provozní náklady, doručení pod 60 minut ve vybraných oblastech. Téměř nulová chybovost díky automated verification.

Tohle není projekt pro firmu s 80 zaměstnanci a 200 objednávkami denně. Pro tu má smysl o stupeň jednodušší automatizace — pick-by-light nebo voice picking bez robotiky. AI integrace na úrovni Rohlíku má smysl od low-thousand objednávek denně výš.

Use-case zaměřený na výrobní firmy. Pokud má firma 5 000+ zakázek ročně a každá vyžaduje manuální tvorbu zakázkového listu (typ materiálu, technologie, časové normy), AI klasifikace dokáže snížit administrativu o 25 až 40 %.

U středočeské kovovýroby s ~80 zaměstnanci jsme v rámci projektu OP TAK Aplikace 11. výzva (žádost duben 2024, schválení červenec 2024) dodali ERP s automatickými zakázkovými listy. Stack: .NET Core, React, PostgreSQL, integrace s Pohoda API, OPC UA pro CNC stroje. Realizace srpen 2024 až únor 2025 — 7 měsíců oproti odhadu 5, kvůli integraci OPC UA do starých CNC strojů z let 2008 až 2012, kde bylo potřeba dodat HW gateway.

Výsledek: -32 % administrativa, automatizované zakázkové listy, integrace s tankovacími stanicemi pro fleet. Dotace pokryla 58 % nákladů (3,4 milionu Kč z 5,9 milionu).

Tahle automatizace funguje, protože vstup je strukturovaný (objednávkový formulář od obchodníka) a klasifikační logika se opírá o historická data — desítky tisíc zakázek za poslední tři roky. Pokud firma takovou historii nemá, model se nemá z čeho učit a pilot skončí ve fázi „nemáme dost dat".

Pátý use-case je v praxi zralý jen pro firmy, které pracují s tržními daty ve velkém objemu. Pro SMB s lokálním obratem zřídka dává smysl.

Pro klienta z automotive sektoru (pod NDA, nelze pojmenovat) jsme od roku 2021 dodávali analytiku 35 milionů+ inzerátů měsíčně z českého a evropského trhu ojetých vozů. Stack: Java, Elasticsearch, React, Docker, Nginx. Reakce na novou nabídku do minut, prediktivní modely na historických datech, detailní equipment breakdown.

Reálná hodnota nepřišla z modelu samotného, ale z propojení predikce s rozhodovacím procesem klienta. Predikce ceny vozu na 14 dní dopředu má hodnotu jen tehdy, když má klient infrastrukturu na to predikci využít — automatický nákup, dynamický pricing, alerting na podhodnocené nabídky. Bez toho je analytika hezký dashboard.

Tohle je důležité poučení napříč všemi pěti use-cases. AI sama o sobě nedává hodnotu. Hodnotu dává AI integrovaná do operačního workflow s jasným ownerem, monitoringem a evals. Pokud zvažujete první AI use-case ve vaší firmě, ozvěte se — úvodní audit procesů a doporučení tří priorit děláme na úvodní konzultaci do 5 člověko-dnů.