Predstavte si, že sedíte na porade a finančný riaditeľ sa spýta: „Tak koľko nám tá vaša AI vlastne zarobila?“ Ticho.
Pohľady do zeme. Niekto zamrmle niečo o „zefektívnení procesov“ a „strategickej hodnote“. Znie to povedome? Ak áno, nie ste sami — podľa prieskumu Gartner z mája 2024 označilo 49 % firiem ťažkosti s odhadom a preukázaním hodnoty AI projektov za hlavnú prekážku ich nasadenia. Nie preto, že by projekty zlyhávali, ale preto, že metriky, ktoré sledujú, sú nesprávne.
Problém: Miešate jablká s GPU
Väčšina firiem meria úspech AI projektov cez technické ukazovatele — presnosť modelu, rýchlosť inferencie, počet tokenov za sekundu. To sú dôležité parametre, ale pre biznis znamenajú približne toľko, ako keby ste výkon auta hodnotili počtom otáčok motora bez toho, aby vás zaujímalo, či vôbec niekam jazdíte.
Technické metriky odpovedajú na otázku „funguje to?“ — nie na otázku „oplatí sa to?“. A presne tu začína problém. Videli sme projekty, kde tím strávil šesť mesiacov doladením RAG (retrieval-augmented generation) systému na 97 % presnosť odpovedí, ale nikto nedokázal povedať, koľko hodín ľudskej práce to reálne ušetrilo.
Čo teda merať? Tri vrstvy metrík
1. Operačné metriky (mesiac 1–3)
Tieto metriky merajú, či AI vôbec funguje v reálnej prevádzke, nie v laboratóriu. Kľúčové ukazovatele:
- Miera adopcie — koľko zamestnancov AI naozaj používa denne (ak je to menej ako 40 % po prvom mesiaci, máte problém s nasadením, nie s technológiou)
- Čas na dokončenie úlohy — porovnanie priemeru pred a po zavedení AI
- Miera chybovosti — koľko výstupov musí človek opravovať alebo zahodiť
2. Biznis metriky (mesiac 3–12)
Tu sa začína skutočná hodnota. Pre každý AI projekt si definujte jednu primárnu biznis metriku:
- Úspora času → prepočítaná na € (priemerná hodinová sadzba zamestnanca × ušetrené hodiny)
- Zvýšenie tržieb → atribúcia cez A/B testovanie, nie odhady
- Zníženie nákladov → napr. menej chýb = menej reklamácií = nižšie náklady na zákaznícku podporu
- Zvýšenie kapacity → koľko dodatočných požiadaviek zvládnete bez nových ľudí
3. Strategické metriky (mesiac 12+)
Tieto sú najťažšie, ale najdôležitejšie. Odpovedajú na otázku: „Zmenila AI náš biznis model?“
- Podiel AI na celkových tržbách — koľko percent obratu by bez AI neexistovalo
- Rýchlosť inovácií — ako AI skrátila čas od nápadu po uvedenie na trh
- Konkurenčná výhoda — čo vieme robiť, čo konkurencia nevie
Pasca č. 1: Zamieňanie efektivity za efektívnosť
Najčastejšia chyba, ktorú vidíme: firma nasadí AI na automatizáciu zákazníckej podpory, ušetrí 40 % času agentov, a vyhlási úspech. Ale ak tých 40 % času agenti strávia na sociálnych sieťach, žiadny biznis prínos nevznikol. Efektivita (robiť veci rýchlejšie) nie je to isté ako efektívnosť (robiť správne veci).
Pasca č. 2: Ignorovanie TCO
Ľudia počítajú ROI z AI projektov, ale zabúdajú na celkové náklady vlastníctva (TCO) za 3–5 rokov. Pri cloudových API službách to nie sú len náklady na tokeny, ale aj:
- Výstupné poplatky (egress fees) — pri veľkých objemoch môžu tvoriť 20–30 % celkových nákladov
- Náklady na doladenie modelu (fine-tuning) — každá iterácia stojí peniaze
- Ľudské zdroje — prompt inžinieri, ML operácie (MLOps), bezpečnostný dohľad
- Náklady na zlyhanie — čo sa stane, keď model produkuje halucinácie v produkcii
Praktický rámec: Ako na to
Na základe našich skúseností s firmami na Slovensku aj v zahraničí odporúčame tento postup:
- Pred štartom projektu si definujte baseline — zmerajte aktuálne náklady, časy, chybovosť. Bez baseline nemôžete merať zlepšenie.
- Stanovte jednu primárnu metriku — nie päť, nie desať. Jednu, ktorá rozhoduje o pokračovaní projektu.
- Nastavte si „go/no-go“ kritériá vopred — napr. „ak po 6 mesiacoch nedosiahneme úsporu 30 % času, projekt končí“. Toto vás ochráni pred sunk-cost fallacy.
- Merajte mesačne, vyhodnocujte kvartálne — technické metriky denne, biznis metriky mesačne, strategické kvartálne.
- Porovnávajte s alternatívou — kľúčová otázka nie je „funguje AI?“, ale „funguje AI lepšie ako najlacnejšia alternatíva?“
Richardov biznis verdikt: čo merať, aby to nebolo divadlo pre vedenie
Nasaditeľné — ale s disciplínou. AI projekty nie sú šprint, ale maratón. Firmy, ktoré uspejú, majú spoločné tri vlastnosti: definovali si biznis metriky ešte pred prvým tokenom, nastavili tvrdé go/no-go kritériá a merajú TCO vrátane skrytých nákladov. Ak toto nemáte, žiadny AI projekt vám neprinesie udržateľnú hodnotu. Začnite malým pilotom, s jednou metrikou a tvrdým termínom vyhodnotenia. Ostatné je len rečnenie.
