AI trendy 2025: do kterých se vyplatí investovat a čemu se vyhnout

Kontekst 2025: méně magie, více řemesla

Rok 2023 přinesl wow efekty, rok 2024 vlnu pilotů. V roce 2025 se ukazuje, že vyhrávají firmy, které:

• umějí popsat požadovaný výsledek byznysovou metrikou (čas, chybovost, cena za vyřešení, spokojenost),
• mají zdroj pravdy pro interní informace (aktuální dokumenty, datový slovník, verze),
• zavedly evaly a observabilitu (měření kvality i nákladů),
• evsadí vše na jeden model, ale používají mix menších a větších modelů a chytré směrování,
• přemýšlejí architekturou a procesem (RAG, guardrails, governance), ne jen výběrem „nejchytřejšího“ modelu.

Výsledek? Méně nablýskaných dem a více řešení, která skutečně zkracují cykly, snižují chybovost a dávají vedení i auditům pevnou půdu pod nohama.

Kam investovat: trendy s reálným přínosem

1) RAG 2.0: vyhledávání s generováním a citacemi, obohacené strukturou

Retrieval-Augmented Generation (RAG) se stal standardem pro firemní znalostní scénáře. Verze „2.0“ přidává vrstvu struktury a kurátorství: rozřezávání dokumentů podle významu, sjednocené metadatové slovníky, konsolidaci duplicit, fúzi více zdrojů, někdy i lehké znalostní grafy. Odpovědi jsou kratší, přesnější a vždy s citací. Otevírá to cestu k auditovatelným rozhodnutím a snižuje to zátěž expertů. Firemní data a AI v dokumentech a databázích.

• Proč investovat: přímé snížení času na rešerše, méně eskalací, vyšší důvěra díky citacím.
• Co je nutné: vyjasněný „zdroj pravdy“, verze dokumentů, pravidelné aktualizace, jednoduchý glosář pojmů.
• Co hrozí: index plný rozporů, přetížení kontextu příliš dlouhými úryvky, zapomenuté aktualizace.

2) Agentní systémy s omezenou autonomií a jasnými hranicemi

Agent je orchestrátor kroků: rozpozná typ požadavku, sáhne do RAG, otevře CRM, vyplní šablonu, připraví odpověď a předloží ji ke schválení. Dnes dává smysl agent s dohledem: člověk potvrzuje kritické kroky a agent pracuje jen se schválenými nástroji. U opakovaných procesů (poptávka → nabídka → objednávka, ticket → diagnostika → odpověď) dokáže ušetřit desítky procent času. na co všechno jde použít AI agenta.

• Proč investovat: automatizace vícekrokových úloh, konzistence, auditovatelný protokol kroků.
• Co je nutné: seznam povolených akcí, sandbox, logy, fallback, rolování změn.
• Co hrozí: přestřelená autonomie, křehké integrace, složité ladění paměti agentů.

3) Malé jazykové modely (SLM) a chytré směrování úloh

SLM (řádově jednotky až nízké desítky miliard parametrů) jsou ideální pro klasifikace, extrakce, šablonové texty a část dialogu. V kombinaci s routerem, který posílá jen složité dotazy na větší model, výrazně klesá cena i latence. V mnoha procesech tvoří „větší“ modely jen menšinu volání.

• Proč investovat: ekonomika provozu, rychlost, lepší škálování, možnost on-device.
• Co je nutné: klasifikace typu úlohy, limity tokenů, cache, jasné formáty vstupů a výstupů.
• Co hrozí: přehnaná očekávání u složitých úloh; bez RAG a šablon se SLM „toulají“.

4) Multimodalita: řeč, obraz a dokumenty musí končit akcí

Samotná transkripce či shrnutí je jen poloviční hodnota. Plná hodnota vzniká, když z přepisu vypadnou úkoly, termíny a odpovědnosti, z dokumentu číselné položky a z obrázku stav kontroly. Cílem není hezký text, ale zápis do systému (CRM, ERP, ITSM, DMS). AI workflow a automatizace.

• Proč investovat: méně ruční práce, méně chyb, rychlejší navazující kroky.
• Co je nutné: definované schéma výstupu, vazby na systém, jednoduché validace.
• Co hrozí: „povídavé“ shrnutí bez akce, chybějící mapování entit na firemní slovník.

5) On-device a Edge AI: rychlost, soukromí, úspora dat

On-device inference (mobily, AI PC, brány v provozu) řeší latenci a ochranu dat. U kancelářských scénářů jde o diktování, překlad, sumarizaci; v průmyslu o prediktivní údržbu, detekci anomálií a lokální rozpoznávání. Výhoda: méně cloudu, nižší náklady na přenos, lepší odezva.

• Proč investovat: citlivá data, požadavky na odezvu, offline provoz, nákladová efektivita.
• Co je nutné: jasné workflow, správa modelů na zařízení, aktualizační režim.
• Co hrozí: nákup „hardware bez scénáře“, tichá eroze hodnoty bez integrace do práce.

6) Governance a evaluace jako akcelerátor škálování

Standardizované prompty, verze, eval datasety, automatické testy a provozní SLO nejsou zdržování, ale povolenka ke škálování. Umožňují bezpečně měnit modely, prompty i zdroje a vědět, co se zhoršilo a proč. Bez nich jsou upgrade i úspory náhodné.

7) Observabilita a cost management

Telemetrie musí zahrnovat: latenci, chybovost, počty tokenů, zásahy guardrails, typy úloh, cenu za vyřešený požadavek. Teprve pak lze dělat informované kompromisy (např. přesměrovat část provozu na SLM, zavést cache, zkrátit prompty).

8) Vertikální šablony a doménové rámce

ejvětší posun přináší přizpůsobení konkrétnímu odvětví: role, tón, regulované fráze, formáty dokumentů, mapování na datový slovník. Oproti plošnému trénování velkého modelu jde o rychlejší a levnější cestu k hodnotě.

Hype a slepé uličky: čemu se zatím vyhnout

1) „Agent vše vyřeší bez člověka“

Bez omezení zdrojů, povolených akcí a schvalovacích bodů agent „improvizuje“. Místo úspory času přibývá výjimek a incidentů. Správný postup je začít s jasnou definicí cíle a člověkem v závěru.

2) Jeden model na všechno

Monolit znemožňuje jemné řízení ceny, kvality i latence. Mix SLM + RAG + směrování na větší modely pro menší část úloh je levnější, rychlejší a odolnější.

3) Nákup hardwaru bez scénáře

AI PC nebo edge brány bez jasných pracovních postupů končí nevyužité. Nejprve definujte úlohy a integrace, až potom nakupujte zařízení.

4) Syntetická data jako zkratka ke kvalitě

Syntetika je nástroj na doplnění okrajových případů, ne náhrada kurátorství. Kdo přeskočí pořádek v reálných datech, ten si chyby „synteticky“ konzervuje.

5) Plošný fine-tuning kvůli stylu textu

Styl a formát často vyřeší prompty a šablony. Fine-tuning si nechte na stabilní úlohy s prokazatelným přínosem přesnosti.

6) Projekty bez metrik

„Nasadili jsme AI“ není výsledek. Bez metrik času, chybovosti, ceny za vyřešení a spokojenosti se rozpočet rychle zastaví.

Investiční mapa 0–18 měsíců

Referenční architektury a vzory

A) Asistent kanálů

Jeden backend obsluhuje web, e-mail i interní chat. Tok: klasifikace → vyhledání (RAG) → generování odpovědi dle šablony → zápis do systému. Router posílá jednoduché dotazy na SLM, náročné s dopadem na větší model. Citace jsou default.

B) RAG jako služba

Samostatná vrstva s API, kterou volají chatboty, agenti i interní aplikace. Výhoda: nezávislá správa zdrojů, verzí, citací a přístupů. Když se změní zdroje, nemusíte sahat do ostatních částí řešení.

C) Hybridní inference

Směrování podle citlivosti a latence. Citlivé dotazy běží on-prem či v privátním režimu; necitlivé přes veřejné API. Politiky určují, kdy se zpřísní ochrana, maskují se entity a kdy je nutná lidská kontrola.

D) Agent s nástroji a protokolem kroků

Seznam nástrojů (RAG, databáze, CRM, e-mail, kalendář) s jasnými popisy a limity. Agent vede protokol kroků, u kritických akcí žádá schválení. Díky tomu lze auditovat, z čeho vzešlo rozhodnutí.

Náklady, latence a provozní zralost

Struktura TCO

Latence a dostupnost

U zákaznických kanálů platí, že plynulá konverzace se láme na p95 latenci několika sekund. V kontaktních centrech se vyplácí kombinace: SLM pro rychlé prvky, větší model jen tam, kde je skutečná přidaná hodnota. Dostupnost zvyšuje fallback mezi poskytovateli a možnost lokálního režimu pro kritické procesy. jak AI snižuje náklady na zákaznickou podporu o 30 %.

Cena za výsledek

ejužitečnější metrika je cena za vyřešený požadavek (ticket, nabídka, objednávka, reklamace). Motivuje k rozumnému tieringu modelů, k cache a ke standardizaci formátů výstupů. Zmenšuje závislost na čistě technických metrikách.

Governance, evaluace a rizika

Bez pravidel kvality a bezpečnosti se AI rychle změní v „černou skříňku“. V roce 2025 je minimem:

• Eval datasety z reálných dotazů bez osobních údajů, mix automatických metrik a lidského hodnocení.
• Verzování promptů, šablon a zdrojů; možnost rychlého návratu k předchozí verzi.
• Observabilita: logování vstupu/výstupu, latence, tokenů, zásahů guardrails, nákladů, schválení člověkem.
• Guardrails: povolené zdroje, detekce citlivých entit, omezené akce, schvalovací body.
• Mapované datové toky a role: oddělené režimy pro veřejná a citlivá data, jasná retence a mazání.

Regulace se zpřísňuje a tlačí na transparentnost, řízení rizik a auditovatelnost. Firmy, které tyto principy přijmou, škálují rychleji a s menším rizikem „nákladové kocoviny“ či reputačních incidentů.

Rozhodovací rámec pro vedení

Správná volba není o tom, „který model je nejlepší“, ale o souladu řešení s cílem. Praktický rámec:

1. Jasně formulujte výsledek v byznys metrice (čas, chybovost, cena za vyřešení, spokojenost).
2. Rozdělte úlohy podle složitosti, citlivosti a potřeby faktů (SLM vs. LLM, s/bez RAG).
3. Určete zdroje pravdy, minimální kurátorství a glosář pojmů.
4. Vyberte architekturu (asistent kanálů, RAG jako služba, hybridní inference, agent s nástroji).
5. Nastavte evaluace a SLO, nákladové limity a rozhodněte o „stupni autonomie“ (kde je povinná lidská kontrola).

Orientační hodnoticí tabulka

Váhy upravte podle profilu rizika a regulovaných částí byznysu. „Hybrid“ obvykle vítězí tam, kde je třeba pružně přepínat mezi citlivostí, cenou a přesností bez zásahu do byznys logiky.

Modelování ROI a příklady dopadu

ROI u AI dává smysl počítat „odspodu“: kolik času stojí konkrétní krok dnes a kolik po nasazení. Zaměřte se na nejčastější činnosti, kde i malé zrychlení dává vysoký kumulativní efekt.

Vzorec

ROI = (Roční přínosy − Roční náklady) / Roční náklady

Roční přínosy zahrnují úsporu času (interní sazba), snížení chybovosti (náklady na opravy), vyšší konverzi (dodatečný zisk) a snížení prostojů (u provozu).

Příklad 1: zákaznická péče

RAG bot s citacemi a směrováním na SLM/LLM. Předpokládejme 30 % dotazů vyřešeno bez člověka, zkrácení času do první odpovědi ze 14 min na 2 min, snížení eskalací o 20 %. Při tisících dotazů měsíčně se úspora času v týmu kumuluje na stovky hodin. Náklady tvoří inference, integrace a kurátorství obsahu; často vychází návratnost v řádu měsíců.

Příklad 2: nabídky v B2B

Generování ze šablon a agentní orchestrátor kroků (vyjasnění rozsahu, doplnění dat, návrh PDF, záznam do CRM). Zkrácení z 45 na 12 minut, snížení chyb formálních náležitostí. Efekt: více včas odeslaných nabídek, vyšší kvalita, méně oprav, rychlejší cyklus objednávek.

Příklad 3: provoz a údržba

Edge AI na lince s lokálním rozpoznáváním anomálií a prediktivní údržbou. Snížení neplánovaných prostojů, včasné zásahy, menší náklady na přenos dat do cloudu. Návratnost je silně závislá na ceně prostoje a frekvenci poruch – u kritických linek bývá vysoká.

Specifika podle odvětví

Finanční služby

Silný tlak na auditovatelnost a citace. RAG 2.0, agentní toky s dohledem, přísné guardrails a hybridní inference pro citlivé dotazy. Důležitá je konzistence textů a formátů, důkazní materiál v případě sporů.

Výroba a logistika

Edge AI a on-device inference na bránách, multimodalita pro vizuální kontrolu, prediktivní údržba. Zisk přichází z omezení prostojů a zrychlení rozhodování na místě, ne z „pěkných“ textů.

Retail a e-commerce

Obsah ve velkém, personalizace, vyhledávání s RAG, agent pro katalogové změny, multimodální podpora. Kritická je kvalita dat o produktech a řízení sezónnosti.

Veřejná správa a utility

Transparentnost, verze dokumentů, citace, jasná hranice mezi radou a rozhodnutím. On-device pro scénáře s osobními údaji, robustní governance a auditní logy.

Zdravotnictví a wellbeing

Citlivost údajů, vysoké nároky na přesnost a zodpovědnost. RAG nad schválenými materiály, omezené zdroje, dohled člověka, pečlivé logy a retence.

Co sledovat 2025–2027

• Rozumová vylepšení modelů: delší a spolehlivější řetězce uvažování, lepší práce s nástroji.
• Růst on-device schopností: běžné kancelářské úlohy bez cloudu, rychlejší odezvy, nižší náklady.
• Standardizace rozhraní: sjednocování API a protokolů pro nástrojová volání, lepší interoperabilita.
• Datová kvalita a grafové přístupy: Graph-obohacený RAG pro rozsáhlé domény, vysvětlitelnost a audit.
• Bezpečnost a regulace: tlak na řízení rizik, klasifikaci systémů, transparentnost a auditní připravenost.

Závěr: strategie malých, ale opakovatelných vítězství

V roce 2025 se vyplatí investovat do pevných základů: RAG s citacemi nad vašimi dokumenty, směrování úloh na menší a větší modely podle potřeby, agentní toky s dohledem a on-device scénáře tam, kde rozhoduje soukromí a latence. K tomu patří governance a evaluace, jinak je každý upgrade loterie. Vyhněte se neomezeným agentům bez hranic, monolitu „jeden model na všechno“, hardwaru bez scénáře a víře v syntetická data jako náhradu kurátorství.

Smyslem není „mít nejnovější AI“, ale stabilně snižovat čas, chyby a náklady. Skládejte malá, měřitelná vítězství, postupně je replikujte do dalších týmů a od začátku počítejte s tím, že se modely i nástroje budou měnit. Kdo si udrží architektonickou svobodu, datovou disciplínu a kostru měření, vezme si z AI to nejlepší — a rozpočet i reputaci udrží pod kontrolou.