IDC: Evropské AI projekty se rozdělují na vítěze a poražené, fáze testování skončila

Podle nejnovějšího výzkumu IDC více než polovina evropských firem hlásí, že nadpoloviční většina jejich AI projektů už doručila měřitelný obchodní dopad. Druhá polovina trhu je mezitím zaseklá v pilotní fázi – a to ne kvůli technologii, ale kvůli organizačním, politickým a strukturálním překážkám. Je to nepříjemně jasný signál: doba, kdy se AI projekty mohly zaštítit jako „testování nové technologie“, definitivně skončila.

Pokud jste posledních 18 měsíců sledovali, jak se evropská AI scéna pohybuje, jistě zaznamenali nadšení, hodně pilotů (i kopilotů…), dost regulatorního dramatu… Firmy mohly experimentovat, ukázat pár pěkných use casů a říkat tomu strategie. Tahle doba ale právě skončila – a IDC ji v dubnovém reportu elegantně ale nekompromisně pohřbívá.

Nepříjemná čísla

Podle průzkumu IDC mezi více než 200 evropskými organizacemi (provedeného koncem roku 2025) hlásí více než polovina evropských firem, že nadpoloviční většina jejich AI projektů už doručila měřitelné obchodní výsledky. Slovy autorky reportu Ewy Zborowské: „Tohle už není výsledek jediného pilotu, je to vznikající vzorec. A vzorce mají tendenci měnit očekávání.“ 

Představenstva přestávají AI hodnotit jako experiment. Začínají ji hodnotit jako investici – a podle stejných pravidel jako jakoukoliv jinou. Tedy s otázkou „kde je výnos a kdy konkrétně?“ místo dosavadního „ukažte mi, co to umí“.

Bariéry, které evropské firmy uvádějí, nejsou technické: konkurence s jinými transformačními prioritami, regulatorní nejistota, odpor proti změně procesů, obtížnost prokazování ROI, tlak na rozpočet. Tedy – a to je ta hlavní zpráva – technologie už svou práci v podstatě udělala. Brzdy jsou organizační, politické a strukturální.

Tradiční nákupní metriky AI nestačí

Klasický přístup k pořizování softwaru stojí na jednoduché úměře: cena licencí versus úspora pracovních míst. U generativní AI a inteligentních systémů ale hodnota vzniká jinde – v nových příjmových tocích, vyšší produktivitě a snížených rizicích.

Příklad z výroby, který stojí za zamyšlení: nástroj prediktivní údržby nemusí vůbec zmenšit tým servisních techniků, přesto může zabránit vícedennímu výpadku linky, který by stál stovky milionů. Finanční přínos odvrácené katastrofy se ale do standardního oddělového reportu jednoduše nezapíše – protože co se nestalo, to se neměří.

A protože firmám chybí standardizovaný přístup k měření této nepřímé hodnoty, nákupní oddělení posuzují případy užití podle úzkých metrik. Slibné piloty pak přijdou o financování dřív, než se vůbec dostanou do produkce. Technologičtí lídři musí tyhle ROI kalkulace přepsat – propojit je s hospodářskými výsledky firmy a zachytit širší přínosy.

Z pilotu do produkce

Rozvinout pilot do trvalé firemní funkce vyžaduje soustavné a vydatné investice. Inovační rozpočty bez problémů pokryjí první volání API a cloudové sandboxy. Přesun modelu do živého provozu ale znamená průběžné výdaje na infrastrukturu, aktivní datové pipeliny a každodenní provozní údržbu. Přechod z AWS nebo Azure sandboxu do plnohodnotného firemního nasazení odhalí architektonické mezery, kterých si v PoC fázi nikdo nevšiml.

Vývojové týmy narážejí na známý problém: integrace moderních vektorových databází s 30 let starými on-premise systémy Oracle nebo SAP. Architektura typu Retrieval-Augmented Generation (RAG) vyžaduje čistá a strukturovaná data – snaha provozovat velké jazykové modely nad chaoticky uloženými daty vede k nekvalitním výstupům a vysoké míře halucinací. Náprava si žádá rozsáhlou a nákladnou restrukturalizaci datového prostředí ještě předtím, než může software vůbec správně fungovat.

Tady je další tvrdé číslo z IDC, které by si měl každý CIO nalepit nad monitor: 29 % evropských podniků uvádí kvalitu a dostupnost dat jako největší bariéru pro realizaci hodnoty AI. Není to halucinace modelu, je to halucinace vlastní datové strategie. A k tomu 68 % evropských firem uvádí nedostatek AI a datových dovedností jako hlavní překážku – takže i kdybyste data měli v pořádku, nebudete mít s kým je proměnit v hodnotu. 

Průběžné náklady na inferenci a dolaďování modelů přitom rychle rostou, což nutí technologické šéfy obhajovat rostoucí faktury od hyperskalerů před stále skeptičtějšími finančními řediteli. Tomu se v branži říká „post-PoC sticker shock“ – moment, kdy CFO uvidí první měsíční účet z produkce.

Regulace: brzda, nebo akcelerátor?

Evropská legislativa kolem ochrany osobních údajů a kybernetické bezpečnosti přímo ovlivňuje parametry nasazení AI. Zabezpečení proti prompt injection útokům, dokumentace rozhodovacích stromů modelů, dodržování AI Actu – to vše zvyšuje základní provozní náklady. Mnoho implementačních týmů to vnímá jako překážku.

Úspěšná menšina firem k tomu přistupuje opačně. Compliance pravidla využívají k prosazení kvalitnější systémové architektury už v raných fázích vývoje. Vybudování správných governance struktur od samého začátku ve výsledku implementaci urychluje. Firmy, které touto cestou prošly, reportují vyšší firemní odolnost, lepší ESG výkonnost a hlubší důvěru zákazníků. Legislativa se paradoxně stává akcelerátorem – nutí týmy zavést právě ta datová opatření, která by měla existovat bez ohledu na vládní nařízení.

Stojí za zmínku ještě jeden trend: 60 % evropských organizací podle IDC Digital Sovereignty Survey (červenec 2025) preferuje pro AI workloady sovereign cloud řešení. Toto už je dost konkrétní impuls – ať už směrem k evropským poskytovatelům, ke gravity-based modelům nasazení, nebo k diskuzi o tom, jak strategicky vyřešit datovou suverenitu. 

AI musí fungovat pro lidi, ne vedle nich

Největší odpor proti nasazení AI bývá na úrovni každodenní práce. CIO a technologičtí ředitelé příliš často navrhují řešení, která zaměstnanci jednoduše odmítají používat. Adaptace na algoritmické nástroje je organizační výzva, ne technická. A její překonání vyžaduje sladění technologie se stávajícími schopnostmi pracovníků a firemní kulturou.

Investice do rekvalifikace a aktivního řízení změn nejsou luxus – jsou předpokladem pro to, aby se modely vůbec dostaly do produkce. Ignorování lidského faktoru téměř zaručuje pomalé přijetí a omezený provozní dosah. Jak to formuluje IDC: Technologicky elegantní nasazení, které nikdo nepoužívá, už není kvalifikovaný úspěch. Není to úspěch vůbec.

Firmy, které z AI dlouhodobě těží, navrhují nasazení kolem reálných pracovních postupů. Příklad: automatizovaný systém pro revizi smluv. Pokud právníkům přidá další klikání a „ujistěte se, že AI nehalucinuje“, ztroskotá. Pokud je naopak osvobodí od kontroly compliance a uvolní jim ruce pro hodnotnější práci, uspěje. Rozdíl není v modelu – je v designu pracovního postupu.

CIO jako architekt obchodního růstu, ne jako správce serverovny

AI se ocitla v jádru firemního řízení. Moderní digitální lídři musí aktivně řídit růst a navrhovat systémy, které přinášejí pozitivní návratnost. Podle CEO Survey IDC z března 2025 polovina evropských CEO očekává, že pomocí AI přepracuje svůj business model.

Pro CIO to znamená výrazně komerčnější myšlení. Éra technologického šéfa jako správce infrastruktury a nákupčího licencí je pryč. CIO musí propojit experimentální iniciativy přímo s měřitelnými obchodními výsledky a prosadit absolutní soulad napříč všemi odděleními firmy.

Separation phase: Kde se rozhoduje o budoucnosti

Zborowska v reportu používá výraz, který stojí za to si zapamatovat: separation phase. Čili fáze rozdělení. Trh právě teď přechází z fáze „kdo experimentuje“ do fáze „kdo to umí dostat do produkce“. A propast mezi těmi dvěma skupinami se začíná otevírat – ne plynule, ale skokově.

Charakteristiky firem, které se vymanily z pilotní fáze, jsou podle IDC jasné a opakované:

• Propojení technologických projektů s obchodními cíli – ne „zkusili jsme AI“deploynuli jsme model“, ale „snížili jsme čas na zpracování objednávky o 40 %“.
• Governance od prvního dne – procesy a metriky existují předtím, než se nasadí první řádek kódu.
• Software přizpůsobený reálným potřebám lidí – konkrétní tool zapadá do toho, jak už pracujete, a uvolní čas..
• Měření širších KPI – náklady na provoz, uživatelská adopce a celkový přínos musí fungovat jako sjednocený scorecard.

Otázka, na kterou musí každý technologický lídr v regionu EMEA odpovědět, zní jednoduše: jak upravit provozní model firmy tak, aby z AI systémů skutečně dostával hodnotu? Schopnost na ni odpovědět – a jednat podle ní – rozdělí firmy na ty, které z nadcházející AI vlny vytěží, a ty, které budou jen klouzat od pilotu k pilotu.

Jak uvádí Zborowska, Evropa je teď za fází „AI je zajímavá“, ale ne tak úplně ve fázi „AI je samozřejmost“. Ten prostor mezi tím se jmenuje exekuce. A jak to v IT obvykle bývá, vyhrává ten, kdo ji umí lépe než konkurence.

Zdroje: IDC, artificialintelligence-news.com

Zdroj ilustračního obrázku: Vitaly Gariev on Unsplash