AI pro firmy: Co dokáže (a co nedokáže)

Nejrychleji rostoucí nabídkou v oblasti AI pro firmy je v současnosti ta, kterou slyšíme každý týden: zakladatel se chystá přeskočit celé vyjednávání s dodavateli softwaru a jednoduše si nechá od AI postavit vlastní pokladní systém za víkend. Ta nabídka zní rozumně. Popíšete, co chcete, model napíše kód a v pondělí můžete otevřít obchod. Lidé tímto způsobem dělají opravdu působivé věci: vstupní stránky, interní panely, kostru mobilní aplikace.

Pak se ale pokusí přijmout skutečnou platbu a z víkendu se stane čtvrt roku (chápete ten dvojsmysl?).

Tohle není varování před AI. Používáme ji neustále a obchodníci, kteří chápou, v čem je skutečně dobrá, získávají náskok před těmi, kteří to nechápou. V obchodování se však nyní objevuje specifický vzorec selhání a stojí za to pochopit, proč k němu dochází, a ne jen to, že k němu dochází.

Poznámka k načasování: tento text byl napsán v červenci 2026, kdy většina lidí používá modely Claude Opus 4.8, Gemini 3.5 Flash a GPT-5.5. Tato sestava bude brzy vypadat zastarale. Tyto nástroje se mění měsíc od měsíce a omezení, které je reálné dnes, může být vyřešeno v době, kdy budete tento text číst, zatímco se objeví nové zvláštnosti, na které ještě nikdo neupozornil. Berte níže uvedené podrobnosti jako momentku a zvykněte si kontrolovat aktuální možnosti a známé slabiny jakéhokoli modelu, který skutečně používáte.

Jak tyto modely skutečně fungují

Velký jazykový model je predikční engine. Přečetl obrovské množství textu a kódu a ve svém jádru dělá jednu věc velmi dobře: na základě všeho, co bylo dosud napsáno, odhaduje nejpravděpodobnější další část textu. To je vše. Neexistuje žádná databáze, ve které by vyhledával informace, ani žádná interní kniha pravdivých faktů, kterou by kontroloval. Produkuje nejvěrohodnější pokračování.

Tento princip je přesně tím důvodem, proč u některých úkolů působí jako kouzlo. Napsání popisu produktu, návrh e-mailu, vygenerování komponenty v Reactu, která vykreslí úhlednou mřížku tlačítek: to jsou problémy s doplňováním vzorců a model viděl miliony příkladů. Výstup vypadá správně, protože je statisticky správný.

Problém nastává, když „nejvěrohodnější“ a „skutečně správný“ přestanou být totéž.

Halucinace, na rovinu

Když model vygeneruje něco, co zní sebevědomě, ale je to úplně špatně, v oboru se tomu říká halucinace. To slovo vyvolává dojem, že jde o chybu. Není tomu tak. Je to systém fungující tak, jak byl navržen, který produkuje věrohodný text v situaci, kdy se věrohodné a pravdivé rozešly.

Zeptejte se modelu na metodu API pro vrácení části platby, a pokud neviděl přesnou aktuální dokumentaci, neřekne „Nevím“. To není pravděpodobné pokračování. Místo toho vymyslí název metody, který vypadá přesně jako skutečný, se správnou konvencí pojmenování a rozumnými parametry. Působí to autoritativně. Selže to však bez jakéhokoli upozornění ve chvíli, kdy zákazník požádá o vrácení peněz.

V obchodování na tom záleží více než kdekoli jinde, protože cenou za drobnou chybu jsou nesprávně převedené peníze. Halucinovaný úvod blogu je trapný. Halucinovaný výpočet daně, proces vrácení peněz nebo snížení stavu zásob znamenají chargeback, audit nebo zákazníka, kterému byla částka naúčtována dvakrát.

Proč je stavba obchodu složitější, než se zdá

Když někdo řekne „postav mi POS“ nebo „vytvoř mi obchod“, obvykle si představuje obrazovku: mřížku produktů, košík, tlačítko k pokladně. AI dokáže tuto obrazovku vytvořit rychle a bude vypadat profesionálně.

Obrazovka je ale jen snadných 10 %. Část, která z ní dělá obchodní systém namísto pouhého obrázku, je vše, co se skrývá za ní, a téměř všechno z toho je o stavu systému a integracích, nikoli o rozvržení prvků:

Platby. Přijímání peněz zahrnuje zpracovatele plateb, obchodní účet, soulad s PCI, tokenizované zpracování karet a tucet okrajových případů, jako jsou zamítnuté karty, částečné stržení plateb, refundace, spory a převody měn. Model dokáže napsat kód, který vypadá, jako by volal platební API. Zda je tento kód bezpečný, v souladu s předpisy a správně ošetřuje chybové stavy, je zcela jiná otázka, a právě na ní záleží.

Zásoby. Skladové zásoby nejsou jen číslo na stránce; je to číslo, které musí zůstat správné, i když si dva zákazníci kupují poslední kus ve stejný okamžik, když přichází vrácené zboží nebo když se upravuje při ruční inventuře. Pokud nezvládnete souběh procesů, prodáte více zboží, než máte. Modely jsou v této stavové logice náchylné k souběhům procesů notoricky slabé právě proto, že správnost zde závisí na chování systému za běhu, které model nikdy nevidí.

Historie objednávek a odsouhlasení. Každá transakce musí být zaznamenána jednou, neměnně, a odsouhlasena s tím, co zpracovatel plateb tvrdí, že se skutečně stalo. To je nudná, nevábná účetní logika, která vás ale chrání před problémy s účetním a finančním úřadem.

Daně. Sazby se liší podle jurisdikce, kategorie produktů, polohy zákazníka a navíc se mění. Věrohodně vypadající daňová funkce je horší než žádná daňová funkce, protože bude chybná způsoby, kterých si všimnete, až když podáte daňové přiznání.

Nic z toho nejsou problémy s rozvržením prvků. Jsou to problémy se správností v čase a „vygenerování nejvěrohodnějšího kódu“ je strukturálně nesprávný nástroj pro zaručení správnosti v čase.

Kde si AI skutečně zaslouží své místo

Neříkáme vám, abyste AI drželi dál od svého podnikání. Naopak. Většina toho, co malý obchod potřebuje denně dělat, spadá přesně do oblasti, kde je AI skutečnou výhodou, a pokud ji pro tyto účely nepoužíváte, pracujete usilovněji než vaši konkurenti.

Vzorec, díky kterému se daná věc pro AI skvěle hodí: sebevědomý první návrh vám ušetří spoustu času a vy se můžete na výsledek podívat a posoudit, zda je dobrý. Marketingová a obsahová práce do toho zapadají téměř dokonale.

Generování obrázků pro reklamy. Vizuály reklam, makety produktů a grafiku pro sociální sítě můžete vytvořit během několika minut, místo abyste platili za focení nebo předplatné fotobanky. Pro sezónní promo akci nebo rychlý A/B test dvou kreativ je to opravdu užitečné a náklady jsou téměř nulové.

Psaní příspěvků na sociální sítě a popisků. Zadejte produkt a tón komunikace a AI navrhne příspěvky na celý týden rychleji, než byste napsali jeden. Stále jste editorem, ale problém s prázdnou stránkou mizí.

Coming up with ad and newsletter ideas. This is where it shines even when the output isn't final. Ask for twenty angles for a back-to-school campaign and most will be mediocre, but two or three will be worth running, and you'd never have brainstormed all twenty yourself.

Talking through decisions. Use it as a sounding board for general business questions, like how to structure a loyalty offer or what to test next. Treat it as a sharp colleague who's occasionally confidently wrong, not as an oracle, and it's a useful thinking partner.

Alongside those, the less glamorous wins: summarizing reviews and support tickets so you can spot patterns, drafting the first version of an automation for a human to verify, and answering "how do I" questions about tools you already use.

Dvě varování, která odlišují dobrý výstup od zjevného balastu z AI

Za prvé, vizuály generované AI trpí jednotvárností. Výchozí vzhled, ty lesklé, až příliš dokonalé plakáty s přechody, je dnes tak běžný, že ho zákazníci okamžitě rozpoznají a působí lacině. Pokud používáte generované obrázky, jděte dál než za první výsledek: změňte styl, zadejte vlastní barvy značky a produktové fotografie, ořízněte je a upravte jako výchozí bod, nikoli jako hotové dílo. Plakát, který vypadá jako každý jiný plakát z AI, vám přinese méně užitku než žádný plakát.

Za druhé, vše před odesláním zkontrolujte. Protože AI tvrdí nesprávné věci stejně sebevědomě jako ty správné, halucinovaná cena, vymyšlená funkce produktu nebo falešná statistika se dostanou přímo do vašeho newsletteru, pokud je nezkontrolujete. Pravidlo je jednoduché: AI může napsat koncept, ale člověk ho schválí dříve, než se dostane k zákazníkovi. Čtěte každé slovo, jako byste za něj nesli plnou odpovědnost, protože ji ponesete.

Společný jmenovatel toho všeho: AI je vynikající tam, kde vám sebevědomý koncept ušetří čas a výsledek můžete snadno zkontrolovat.

Je nebezpečná tam, kde vás drobná, sebevědomě prezentovaná chyba stojí peníze a výsledek nemůžete snadno zkontrolovat.

Rozdíl, na kterém skutečně záleží

Zde je část, kterou většina příběhů o tom, jak „AI postavila mé POS“, opomíjí. Je rozdíl mezi tím, když požádáte AI, aby vymyslela obchodní logiku od nuly, a tím, když ji požádáte, aby sestavila obchod na infrastruktuře, která již správně zpracovává peníze.

Když univerzální model píše vaše zpracování plateb, matematiku zásob a daňovou logiku z ničeho, každá z těchto částí představuje novou šanci na halucinaci něčeho věrohodného, ale chybného. Svěřujete predikčnímu enginu části, které musí být naprosto přesné. To je ta verze, která se promění v čtvrtletní projekt plný ladění chyb.

Zpracování plateb, snižování stavu zásob, kniha objednávek, odsouhlasení: nic z toho se nemusí pro každý obchod vymýšlet znovu. Jsou to stejné složité problémy, které má každý obchodník, a měly by být vyřešeny jednou a správně lidmi, kteří se na tyto okrajové případy specializují. Když tento základ již existuje a je známo, že funguje, úkol pro AI je přesně to, v čem je skutečně dobrá: sestavení rozhraní, uspořádání prvků, propojení procesů. Věrohodnost tam stačí, protože člověk vidí výsledek a peníze pod ním jsou již vyřešeny.

Lekce tedy nezní „držte AI dál od obchodu“. Zní: buďte velmi podezřívaví k jakémukoli nastavení, kde AI generuje logiku, která přesouvá peníze, a mnohem klidnější tam, kde AI staví na infrastruktuře, která již peníze správně přesouvá. První případ vyžaduje, aby byl predikční engine naprosto přesný. Druhý případ mu umožňuje dělat to, v čem vyniká, zatímco zbytek řeší systém vytvořený pro naprostou správnost.

Obchod musí fungovat správně. Peníze se musí pohybovat správně pokaždé, ne jen většinou. Chytré využití AI v obchodování spočívá v tom, že víte, do které vrstvy patří, a zajistíte, aby vrstva pod ní nebyla nikdy ponechána náhodě.