Proč 85 % AI projektů selže — a jak to změnit

Představte si, že byste investovali 4,2 milionu dolarů do projektu, který za rok a půl tiše zrušíte. Žádný produkt, žádná hodnota, jen prázdnější rozpočet a demoralizovaný tým.

Přesně to se v roce 2025 stalo 42 % firem, které spustily AI iniciativu. A ty, které projekt dotáhly do konce? Dvě třetiny z nich zjistily, že výsledek nestojí za investované peníze.

Čísla jsou brutální. Celosvětově firmy v roce 2025 investovaly do AI 684 miliard dolarů. Podle analýzy RAND Corporation a dalších výzkumů více než 80 % těchto projektů nedoručilo očekávanou obchodní hodnotu. MIT ve své studii z roku 2025 dokonce uvádí, že 95 % generativních AI pilotů se nikdy nedostane do produkce.

A přesto — těch zbylých 20 % firem, které AI implementují správně, dosahují návratnosti investice 3,7× a více. McKinsey uvádí, že nejlepší organizace díky AI zvyšují EBIT o desítky procent. Problém tedy není v technologii. Problém je v přístupu — a v tom, jak firmy měří skutečnou návratnost AI investic.

Tento článek je detailní analýzou toho, proč AI projekty selhávají, podložená daty od RAND Corporation, Gartneru, MIT a McKinsey, doplněná reálnými případovými studiemi — a zakončená praktickým frameworkem, který vám pomůže patřit mezi těch úspěšných 20 %.

1. Anatomie selhání: Co říkají data

Abychom pochopili, proč AI projekty selhávají, musíme se nejprve podívat na tvrdá čísla. Ne na pocity, ne na anekdoty — na systematický výzkum.

RAND Corporation: Pět anti-vzorců selhání

Výzkumníci z RAND Corporation provedli v letech 2024–2025 rozsáhlou studii, ve které zpovídali 65 zkušených datových vědců a inženýrů s minimálně pětiletou praxí v budování AI/ML modelů. Jejich zpráva „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed" identifikovala pět hlavních anti-vzorců, které vedou k selhání:

1. Špatně definovaný problém — stakeholdeři nerozumí nebo špatně komunikují, jaký problém se má řešit
2. Nedostatek kvalitních dat — organizace nemá data potřebná k trénování efektivního modelu
3. Technologie před problémem — firma se soustředí na nejnovější technologii místo na řešení reálného problému
4. Podfinancovaná infrastruktura — chybí potřebné výpočetní zdroje, MLOps pipeline, monitoring
5. Organizační nesoulad — nedostatečné zapojení stakeholderů a absence change managementu

Klíčové zjištění? AI projekty selhávají dvakrát častěji než běžné IT projekty. Důvod je jednoduchý — AI přináší navíc nejistotu výsledku. U klasického softwaru víte, co dostanete. U AI modelu to dopředu nevíte.

Gartner: Datová krize

Gartner v únoru 2025 zveřejnil predikci, která otřásla trhem: do konce roku 2026 organizace opustí 60 % AI projektů, které nemají „AI-ready" data. To znamená data, která jsou čistá, strukturovaná, přístupná a relevantní pro daný úkol.

Problém není v tom, že by firmy data neměly. Mají jich naopak příliš mnoho — rozházená v desítkách systémů, formátů a oddělení. Podle průzkumu Integrate.io 73 % organizací hlásí problémy s datovou integrací, které přímo brzdí jejich AI projekty.

MIT: 95 % generativních AI pilotů selže

Studie Massachusetts Institute of Technology z roku 2025 přinesla nejtvrdší číslo: 95 % firemních pilotních projektů s generativní AI nedosáhne produkčního nasazení. Důvod? Firmy spouštějí piloty bez jasného business case, bez připravené infrastruktury a bez plánu, jak z pilotu udělat produkt.

Výsledkem je to, čemu výzkumníci říkají „pilotní purgatorium" — nekonečný cyklus proof-of-conceptů, které nikdy nepřekročí hranici experimentu.

2. Sedm zabijáků AI projektů

Z analýzy dat od RAND Corporation, Gartneru, MIT a desítek případových studií jsme identifikovali sedm hlavních příčin, proč AI projekty selhávají. Každá z nich je sama o sobě schopna projekt pohřbít — a většina neúspěšných projektů trpí kombinací dvou až čtyř současně.

Zabiják #1: Vágní cíle — „Chceme AI"

Nejčastější příčina selhání AI projektů je paradoxně ta nejjednodušší: firma neví, co vlastně chce řešit.

„Chceme implementovat AI" není cíl. Je to přání. Stejně jako „chceme být digitální" nebo „chceme být inovativní". Bez konkrétního, měřitelného problému k řešení se AI projekt změní v nekonečný experiment bez kritérií úspěchu.

Podle průzkumu PwC pouze 29 % manažerů dokáže spolehlivě měřit ROI svých AI projektů — a to proto, že na začátku nedefinovali, co měří. Pokud nevíte, jak vypadá úspěch, nemůžete ho nikdy dosáhnout.

Správný přístup: Než vůbec zmíníte slovo „AI", položte si otázku: Který konkrétní proces chceme zlepšit, o kolik a do kdy? Například: „Chceme snížit dobu zpracování faktur z 5 dnů na 1 den do Q3 2026." Teprve potom zkoumejte, zda je AI správný nástroj k dosažení tohoto cíle.

Zabiják #2: Datový chaos

AI je jen tak dobrá jako data, na kterých pracuje. A většina firem má data ve stavu, který by datový vědec popsal jako „katastrofu".

Gartner odhaduje, že 85 % AI projektů selhává kvůli špatné kvalitě dat nebo nedostatku relevantních dat. A to se netýká jen malých firem. I velké korporace mají data rozházená v desítkách CRM systémů, Excelových tabulek, sdílených disků a hlav zaměstnanců, kteří už ve firmě třeba ani nepracují.

Problém má čtyři dimenze:

Dostupnost — data existují, ale jsou v oddělených silech, ke kterým AI nemá přístup. Kvalita — data jsou neúplná, zastaralá, duplicitní nebo prostě chybná. Struktura — data jsou v nestrukturovaném formátu (PDF, e-maily, poznámky), který AI nedokáže efektivně zpracovat. Governance — není jasné, kdo za data odpovídá, kdo je smí používat a jaká pravidla platí.

Zabiják #3: Ignorování lidí — absence change managementu

Technologie je snadná část. Lidé jsou těžká část.

Výzkumy konzistentně ukazují, že 80 % neúspěšných digitálních transformací selhalo primárně kvůli lidem, nikoliv kvůli technickým limitům. A AI projekty nejsou výjimkou — jsou jen intenzivnější, protože zaměstnanci se AI bojí víc než nového ERP systému.

Strach z nahrazení, neporozumění nové technologii, nedostatek času na učení, pocit ztráty kontroly — to všechno jsou reálné bariéry, které žádný sebelepší model nevyřeší. Firma, která prosadí AI shora bez zapojení lidí, skončí s nástrojem, který nikdo nepoužívá. Podrobný rozbor psychologie AI adopce a praktický framework pro budování AI kultury najdete v článku Jak vybudovat AI-first firemní kulturu.

RAND Corporation ve svém výzkumu zjistil, že úspěch AI koreluje silněji s organizační změnou a executive sponsorship než se sofistikovaností modelu. Jinými slovy: průměrný model s vynikajícím change managementem porazí vynikající model bez něj.

Zabiják #4: Ztráta executive sponzora

56 % neúspěšných AI projektů ztratí aktivní podporu C-level sponzora do šesti měsíců od spuštění. A bez sponzora na úrovni vedení je AI projekt odsouzen k pomalé smrti.

Proč? Protože AI projekty potřebují výjimečný přístup. Potřebují data z jiných oddělení, rozpočet na infrastrukturu, toleranci k experimentování a ochotu změnit zaběhané procesy. To všechno vyžaduje politický kapitál, který má jen top management.

Typický scénář: CEO nadšeně schválí AI projekt na board meetingu, deleguje ho na střední management a přesune pozornost na další prioritu. Střední management nemá pravomoci ani motivaci projekt prosazovat. Projekt se zasekne na prvním organizačním odporu a tiše umře.

Zabiják #5: Technologie first — řešení hledá problém

RAND Corporation identifikoval tento anti-vzorec jako jeden z nejnebezpečnějších: firma se soustředí na nejnovější technologii místo na řešení reálného problému.

Klasický příklad: firma koupí drahý enterprise AI platform, protože „všichni to mají", a pak hledá, k čemu by ho mohla použít. Nebo interní tým datových vědců stráví měsíce stavbou sofistikovaného deep learning modelu na problém, který by vyřešil jednoduchý rule-based systém za zlomek nákladů.

Tento jev má i druhou variantu: „shiny object syndrome". Tým začne s jasným zadáním, ale uprostřed projektu se rozhodne přejít na novou verzi frameworku, nový model nebo nový přístup — a projekt se restartuje. A znovu. A znovu.

Zabiják #6: Neměří se ROI

Pokud neměříte návratnost investice, nemůžete prokázat, že AI projekt přinesl hodnotu. A pokud nemůžete prokázat hodnotu, projekt je v očích vedení neúspěšný — i kdyby reálně fungoval.

44 % neúspěšných AI projektů nemá od začátku definované metriky úspěchu. Firmy investují miliony, ale nemají baseline (výchozí stav před AI), nemají KPI a nemají způsob, jak izolovat přínos AI od ostatních faktorů.

Výsledek? AI projekt, který reálně ušetří firmě hodiny práce denně, je zrušen, protože „nikdo nevidí výsledky". A naopak — projekt, který žádnou hodnotu nepřinesl, přežívá měsíce, protože nikdo nemá data k jeho zastavení.

Zabiják #7: Podfinancovaná infrastruktura

Poslední zabijják je technický — ale ne ve smyslu modelu. Jde o infrastrukturu kolem modelu: MLOps pipeline, monitoring, verzování, deployment, scaling.

Vytvořit fungující AI model v Jupyter notebooku je jedna věc. Dostat ho do produkce, aby spolehlivě fungoval 24/7 na reálných datech s reálným zatížením — to je úplně jiný problém. Podle výzkumů 87 % AI modelů nikdy nepřekročí fázi experimentu, právě proto, že chybí infrastruktura pro jejich nasazení.

3. Případové studie: Když to selže ve velkém

Čísla jsou přesvědčivá, ale příběhy jsou nezapomenutelné. Podívejme se na tři reálné případy, kde AI projekty selhaly tak spektakulárně, že se dostaly do učebnic.

IBM Watson for Oncology: Miliardový sen o AI v medicíně

Když IBM v roce 2013 oznámila, že Watson bude diagnostikovat rakovinu, svět jásal. AI, která zachrání životy. Budoucnost medicíny. Problém? Watson se učil na syntetických datech a hypotetických případech, ne na reálných pacientech.

Výsledek byl devastující. Interní dokumenty IBM odhalily, že Watson opakovaně doporučoval nebezpečné léčebné postupy — například předepsal léky zvyšující krvácení pacientovi s těžkým krvácením. MD Anderson Cancer Center investoval do spolupráce s IBM 62 milionů dolarů bez jakéhokoli funkčního produktu.

Pro IBM samotné byl Watson for Oncology jedním z největších komerčních selhání v historii firmy. Divize Watson Health byla nakonec v roce 2022 prodána za zlomek původních investic.

Poučení: V high-stakes doménách neexistuje zkratka. AI model musí být trénovaný a validovaný na reálných, reprezentativních datech — a musí projít stejně přísným testováním jako jakýkoli jiný medicínský nástroj.

Zillow Offers: Když AI řídí nákupy za miliardy

Zillow v roce 2018 spustil službu Zillow Offers — algoritmický nákup a prodej nemovitostí (tzv. iBuying). AI měla predikovat ceny domů a automaticky nakupovat ty, u kterých viděla ziskový potenciál.

Tři roky to vypadalo skvěle. Pak přišel rok 2021 a AI začala systematicky přeplácet za nemovitosti. Algorithmus nedokázal zachytit změnu tržního sentimentu a Zillow se ocitl s portfoliem tisíců předražených domů.

Výsledek: ztráta přes 500 milionů dolarů, propuštění 25 % zaměstnanců (2 000 lidí), pokles akcií o 25 % (ztráta tržní kapitalizace 7,8 miliardy dolarů) a úplné uzavření celé divize.

CEO Rich Barton přiznal, že AI nebyla schopna přesně predikovat fluktuace cen nemovitostí. Ale hlavní problém byl jinde: management upřednostnil růst před přesností. Algoritmus byl kalibrován na agresivní nákupy, ne na opatrnost.

„Fundamentálně jsme nezvládli přesně predikovat budoucí ceny domů na úrovni, která by ospravedlnila objem nákupů."

— Rich Barton, CEO Zillow (listopad 2021)

Amazon AI Hiring: Když data odrážejí předsudky

V roce 2014 Amazon vyvinul AI systém pro automatizovaný nábor. Cíl byl jasný: najít nejlepší kandidáty rychleji a bez lidského bias. Ironie? AI převzala a zesílila přesně ty předsudky, které měla eliminovat.

Model byl trénovaný na životopisech úspěšných zaměstnanců Amazonu — z nichž byla drtivá většina muži. AI se naučila, že „muž" koreluje s úspěchem, a začala penalizovat životopisy obsahující slova jako „women's" (např. „women's chess club captain") nebo názvy čistě ženských univerzit.

Amazon systém v roce 2018 tiše zrušil. Případ se stal jedním z nejcitovanějších příkladů algoritmického biasu v historii AI a důkazem, že AI neeliminuje lidské předsudky — zrcadlí je a zesiluje.

4. Česká specifika: Proč u nás AI selhává jinak

České firmy čelí kromě globálních výzev i specifickým překážkám, které západní analýzy nepostihují.

Podle průzkumu České asociace umělé inteligence (ČAUI) a Hospodářské komory ČR z roku 2026 téměř 90 % českých firem s AI počítá. Ale realita za tímto optimismem je komplexnější.

Talent gap: Kdo to bude dělat?

Zatímco velké americké a západoevropské firmy mají interní AI týmy, většina českých firem nemá ani jednoho specialistu na AI. Podle odhadů chybí v Česku tisíce AI odborníků. A ti, co tu jsou, pracují pro zahraniční firmy na dálku za západní platy.

Pro českou firmu to znamená, že AI projekt buď realizuje někdo bez hlubokých AI zkušeností (typicky IT oddělení, které má na starosti i tiskárny a VPN), nebo si firma najme externího konzultanta — s čímž přichází risk závislosti na dodavateli a ztráty know-how.

SME dominance: Malé firmy, malé rozpočty

Česká ekonomika je postavená na malých a středních podnicích. A právě ty mají nejmenší šanci na úspěšnou AI implementaci — ne proto, že by AI nepotřebovaly, ale proto, že nemají rozpočet na rozsáhlé datové projekty, infrastrukturu a dedikované AI týmy.

Řešení pro české SME není v budování vlastních modelů. Je v chytrém využití hotových AI nástrojů (ChatGPT, Claude, Copilot) s jasným zaměřením na konkrétní procesy. Malý projekt, rychlá hodnota, postupné škálování.

Jazyková bariéra

Čeština je pro AI modely stále jazyk druhé kategorie. Většina nástrojů je optimalizována pro angličtinu a čeština často dostává méně přesné výstupy. To je problém zejména pro firmy, které potřebují AI pro komunikaci se zákazníky, analýzu českých dokumentů nebo generování obsahu v češtině.

Situace se rychle zlepšuje — modely jako GPT-5 a Claude Opus dosahují v češtině výrazně lepších výsledků než před rokem — ale je to stále faktor, který české firmy musí při plánování AI projektů zohlednit.

5. Framework: Jak patřit mezi úspěšných 20 %

Dost o problémech. Pojďme k řešení.

Na základě výzkumů RAND Corporation, HBR frameworku z roku 2025, McKinsey dat a desítek případových studií úspěšných implementací jsme vytvořili šestikrokový framework, který dramaticky zvyšuje šanci na úspěch AI projektu.

Krok 1: Definujte problém, ne technologii

Každý úspěšný AI projekt začíná byznysovým problémem, ne technologickým řešením. Formulujte ho ve formátu:

„Chceme [konkrétní výsledek] v oblasti [konkrétní proces], a to o [konkrétní číslo] do [konkrétní datum]."

Příklady správných formulací: „Chceme snížit dobu odpovědi zákaznické podpory ze 4 hodin na 30 minut do konce Q2 2026." Nebo: „Chceme automatizovat 80 % kategorizace příchozích e-mailů do konce příštího měsíce."

Příklady špatných formulací: „Chceme implementovat AI." „Chceme být inovativní." „Konkurence to taky dělá."

Krok 2: Audit dat — před čímkoli jiným

Než utratíte první korunu za AI nástroj, udělejte audit datové připravenosti. Pro každou datovou oblast relevantní k vašemu problému odpovězte na pět otázek:

Existují data? (Máme vůbec data o procesu, který chceme optimalizovat?) Jsou přístupná? (Jsou v jednom systému, nebo rozházená po firmě?) Jsou kvalitní? (Úplná, aktuální, konzistentní?) Jsou dostatečná? (Máme jich dost na smysluplnou analýzu/trénink?) Máme governance? (Kdo za ně odpovídá, jaká pravidla platí?)

Ohodnoťte každou oblast 1–5. Pokud průměr vychází pod 3, investujte nejprve do dat, ne do AI.

Krok 3: Malý pilot — 4 až 8 týdnů

Nespouštějte velký transformační projekt. Spusťte malý, ohraničený pilot s jasným rozsahem:

→ Jeden konkrétní proces
→ Jeden tým nebo oddělení
→ 4–8 týdnů trvání
→ Předem definovaná kritéria úspěchu (a kritéria ukončení)
→ Dedikovaný sponzor na úrovni vedení

Na konci pilotu máte tvrdá data: funguje to, nebo ne? Pokud ano, škálujte. Pokud ne, ztratili jste 4–8 týdnů a relativně malou investici — ne 4 miliony dolarů a rok práce.

Krok 4: Změnový management — lidé na první místě

Souběžně s pilotem (ne po něm!) spusťte program změnového managementu:

Komunikace: Vysvětlete zaměstnancům, proč zavádíte AI, co to pro ně znamená a — hlavně — co to neznamená (propouštění). Školení: Naučte lidi s AI pracovat. Ne jednorázový webinář, ale průběžný program s praktickými cvičeními. AI Champions: V každém oddělení identifikujte jednoho nadšence, který bude lokální expert a point of contact. AI politika: Vytvořte jasná pravidla pro používání AI — co je povoleno, co ne, jaká data se nesmí sdílet, jaké nástroje jsou schváleny.

Firmy, které investují do change managementu, mají podle výzkumů 3,5× vyšší šanci na úspěšnou implementaci než ty, které ho ignorují.

Krok 5: Měřte ROI od prvního dne

Před spuštěním pilotu změřte baseline — aktuální stav procesu, který chcete zlepšit. Kolik času zabírá? Kolik stojí? Kolik chyb produkuje? Jaká je spokojenost zákazníků/zaměstnanců?

Během pilotu a po něm měřte stejné metriky a porovnávejte. Vytvořte jednoduchý dashboard, který ukazuje before/after — ne pro datové vědce, ale pro management.

Klíčové metriky ROI pro AI projekt: čas ušetřený (hodiny/měsíc), náklady ušetřené (CZK/měsíc), chybovost (% redukce), spokojenost (NPS, survey), adopce (% zaměstnanců aktivně používajících nástroj).

Krok 6: Škáluj — nebo zastav včas

Toto je krok, který většina firem nezvládá: rozhodnutí na základě dat.

Pokud pilot ukázal pozitivní ROI, definujte plán škálování na další procesy a oddělení. Pokud pilot ukázal negativní nebo nejasný ROI, zastavte projekt. Ano, i když jste do něj už investovali čas a peníze. Sunk cost fallacy — tendence pokračovat v investici jen proto, že jste už investovali — je jedním z hlavních důvodů, proč firmy utopí miliony navíc do projektů, které nikdy nebudou fungovat.

Definujte si „kill criteria" předem — podmínky, za kterých projekt ukončíte bez ohledu na to, kolik jste do něj investovali. Je to nepohodlné, ale je to nejlevnější rozhodnutí, které můžete udělat.

6. Quick-start pro české firmy: AI za 30 dní

Pokud jste česká firma (jakékoli velikosti) a chcete začít s AI, ale nechcete se stát součástí statistiky 80 % selhání, tady je realistický 30denní plán:

Týden 1: Audit a výběr

Zmapujte 5–10 procesů, které zabírají nejvíc času. Ohodnoťte je podle tří kritérií: frekvence (jak často se opakují), datová náročnost (pracují s textem/tabulkami/dokumenty) a potenciál úspory (kolik hodin/peněz by automatizace ušetřila). Vyberte jeden proces s nejvyšším skóre.

Týden 2: Datová příprava a nástroj

Pro vybraný proces připravte data. Nemusíte budovat data warehouse — často stačí vyčistit jeden Excel, strukturovat jedno sdílené úložiště nebo zpřístupnit jednu databázi. Vyberte nástroj — pro většinu českých SME bude nejlepší začít s hotovými AI nástroji (ChatGPT Teams, Claude Pro, Microsoft Copilot) místo budování vlastních modelů.

Týden 3: Pilot

Spusťte pilot s jedním týmem (3–5 lidí). Dejte jim nástroj, školení a jasné zadání. Každý den sbírejte zpětnou vazbu. Měřte čas strávený na procesu před a po.

Týden 4: Vyhodnocení a rozhodnutí

Sečtěte výsledky. Ušetřil pilot čas? Kolik? Snížila se chybovost? Jsou zaměstnanci spokojení? Na základě dat rozhodněte: škálovat na celé oddělení, upravit a zkusit znovu, nebo zastavit a vybrat jiný proces.

7. Budoucnost: Co se změní v roce 2026 a dál

Podíl neúspěšných AI projektů je vysoký, ale trend se pomalu zlepšuje. Proč?

Nástroje se demokratizují. V roce 2023 potřebovala firma na AI projekt tým datových vědců a vlastní infrastrukturu. V roce 2026 stačí předplatné ChatGPT Teams za pár stovek korun měsíčně na zaměstnance. Bariéra vstupu dramaticky klesla.

Agentní AI mění pravidla hry. Nová generace AI — agentní systémy — umí nejen odpovídat na otázky, ale autonomně provádět úkoly. To znamená, že AI projekt nemusí být komplikovaná integrace s legacy systémy. Může to být agent, který jednoduše udělá práci, kterou dříve dělal člověk v prohlížeči.

EU AI Act přináší strukturu. Ačkoli regulace zvyšuje náklady na compliance, paradoxně pomáhá kvalitě AI projektů. Firmy, které musí dokumentovat své AI systémy, definovat rizika a zajistit transparentnost, jsou nuceny dělat právě to, co vede k úspěchu: systematický přístup místo ad hoc experimentování.

Failure literacy roste. Čím více firem o svých selháních mluví (a média o nich píší), tím více se ostatní firmy učí z cizích chyb. Články jako tento, studie od RAND a MIT, případové studie Zillow a IBM Watson — to všechno zvyšuje „gramotnost selhání" v celém ekosystému.

„Firmy, které se nejrychleji učí z neúspěchů — vlastních i cizích — budou vítězit v éře AI. Ne proto, že selhávají méně, ale proto, že selhávají rychleji, levněji a poučeněji."

— Harvard Business Review, „Most AI Initiatives Fail" (2025)

Zdroje a další čtení

Tento článek čerpá z následujících výzkumů a zdrojů:

RAND Corporation — „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI" (2024–2025). Rozhovory s 65 datovými vědci a inženýry.

Gartner — „Lack of AI-Ready Data Puts AI Projects at Risk" (únor 2025). Predikce: 60 % AI projektů bude opuštěno do roku 2026 kvůli nepřipraveným datům.

MIT / Fortune — Studie o 95% míře selhání generativních AI pilotů v korporátním prostředí (2025).

McKinsey Global AI Survey — Data o adopci AI, EBIT dopadu a faktorech úspěšné implementace.

Pertama Partners — „AI Project Failure Statistics 2026: The Complete Picture." Analýza nákladů selhání podle odvětví.

Harvard Business Review — „Most AI Initiatives Fail. This 5-Part Framework Can Help." (listopad 2025).

ČAUI / HK ČR — Průzkum adopce AI v českých firmách (2026).

PwC — Data o schopnosti manažerů měřit ROI AI projektů.