Firemního AI asistenta lze dnes postavit překvapivě rychle. Podstatně složitější bývá zajistit, aby měl přístup ke správným datům, rozuměl jejich významu a věděl, kterým může věřit. Kvalita dat, jejich propojení a kontext proto často rozhodují o tom, jestli AI ve firmě opravdu pomáhá.
Firma má CRM, ERP, dokumenty, databáze, e-maily a samozřejmě nějaké ty tabulky, které „už se příští rok určitě zruší“. Dat je tedy dost. Pak se AI asistenta zeptáme na aktuální cenu produktu pro konkrétního zákazníka a zjistíme, že ERP tvrdí něco jiného než Excel, v CRM je individuální sleva a poslední dohoda leží v příloze e-mailu kolegy, který je zrovna na dovolené.
AI dokáže všechny informace velmi rychle přečíst. Pořád ale potřebuje vědět, která z nich je pravda.
Firemní data pro AI: problém nebývá množství, ale kontext
Když s firmami probíráme využití AI, málokdy narazíme na nedostatek dat. Spíš jsou všude. Zákazníci v CRM, objednávky v ERP, smlouvy na SharePointu nebo Google Drive, ceny v Excelu a část know-how v e-mailech nebo hlavách lidí.
Zkušený zaměstnanec se v tomto prostředí často orientuje překvapivě dobře. Ví, kam se podívat, koho se zeptat a že soubor cenik_final_2026_v3_OPRAVA.xlsx nemusí být úplně finální. AI tento nepsaný firemní kontext automaticky nemá.
Projekt „uděláme AI asistenta“ se tak poměrně rychle dotkne dat, integrací a způsobu, jakým firma své know-how spravuje.
AI nad firemními daty potřebuje zdroj pravdy
Stejný zákazník může být současně v CRM, ERP, účetnictví, e-shopu i servisním systému. Údaje se někdy synchronizují, někdy přepisují ručně a někdy se prostě liší.
U lidí podobné rozpory řeší zkušenost. Obchodník ví, že fakturační adresa se bere z ERP, kontaktní osoba z CRM a aktuální obchodní podmínky z poslední smlouvy. Pokud má se stejnými informacemi pracovat AI, musí být tato pravidla někde zachycená.
Potřebujeme vědět hlavně:
- který systém je pro daný údaj autoritativní,
- jak poznáme aktuální verzi,
- kdo za data odpovídá,
- jak řešíme konfliktní informace,
- kdo smí která data číst nebo měnit.
Volba modelu bývá ve výsledku jednodušší než určení toho, odkud pochází správná informace.
AI asistent ve firmě potřebuje i živá data
Jednoduchý firemní chatbot může pracovat nad dokumentací a odpovídat na otázky ze směrnic nebo manuálů. Prakticky zajímavější dotazy ale často vyžadují živá data: Které objednávky jsou po termínu? Má zákazník otevřenou reklamaci? Jaké nabídky čekají týden na reakci?
Takový AI asistent ve firmě potřebuje pracovat s ERP, CRM, helpdeskem nebo účetnictvím, často s několika systémy najednou. Proto se AI projekty přirozeně propojují s integracemi, automatizací a AI.
S tím roste i význam oprávnění. Uživatel může mít přístup k zákazníkovi v CRM, ale ne k jeho finanční historii. AI vrstva proto musí respektovat identitu uživatele, přístupová práva a u důležitějších procesů také auditní historii. Agent, který pouze odpovídá, má navíc jiné nároky než agent schopný zapisovat do systémů nebo posílat e-maily.
RAG pomůže hledat. Špatná data neopraví
RAG – Retrieval-Augmented Generation – umožňuje AI před odpovědí dohledat relevantní informace ve firemních zdrojích a použít je jako kontext. Je to velmi užitečný princip, ale RAG sám nevyřeší kvalitu firemních dat.
Pokud máme tři verze stejné směrnice, může je všechny správně najít. Pokud dokumentace popisuje proces, který už lidé dva roky nepoužívají, nemá z čeho poznat skutečnost. A pokud jsou ve dvou systémech různé údaje o zákazníkovi, kvalitní vyhledávání pouze rychleji objeví oba.
Proto před AI projektem často potřebujeme základní datovou archeologii: zjistit, co kde máme, co se opravdu používá a jak informace mezi systémy putují.
Nemusíte nejdřív uklidit všechna firemní data
Není potřeba začít dvouletým data-governance projektem. Praktičtější bývá vybrat jeden konkrétní use case a projít jeho datovou cestu.
Chceme například asistenta, který obchodníkovi připraví podklady před schůzkou. Potřebujeme informace z CRM, historii objednávek z ERP, otevřené servisní požadavky a aktuální smlouvy. Najednou je problém poměrně konkrétní: kde data jsou, jak je propojit, kdo je smí vidět a jestli jim můžeme věřit.
Pro první AI projekt není nutné uklidit celou firmu. Je potřeba uklidit cestu k datům, která konkrétní use case skutečně potřebuje.
Stejnou logiku používáme i při návrhu firemních aplikací na míru: nejprve pochopit konkrétní problém a podle něj skládat potřebnou architekturu.
Firemní know-how není jen v databázích
Část důležitých informací není nikde explicitně uložená. Proč se konkrétní typ objednávky schvaluje jinak? Proč má zákazník zrovna tuto slevu? Proč před vystavením nabídky zkušený kolega kontroluje ještě jeden údaj?
Starší firemní software v sobě často nese roky pravidel, výjimek a kompromisů. Jak jsme popisovali i v článku o tom, jak AI mění vývoj softwaru, model může z kódu zjistit, že systém počítá slevu 17 %. Obchodní důvod, proč právě 17 %, tam být vůbec nemusí.
Pro AI má cenu nejen samotné datum, ale také jeho význam a kontext.
Company Brain: firemní paměť pro lidi i AI
Když začneme propojovat dokumenty, živá data a zachycené know-how, postupně vzniká to, čemu říkáme Company Brain nebo firemní paměť.
Nemusí jít o jeden nový systém. ERP může dál spravovat objednávky, CRM zákazníky a dokumenty mohou zůstat na SharePointu. Důležitá je znalostní a integrační vrstva, která ví, kde informace leží, co znamenají, kdo k nim má přístup a jak je lze použít.
Nad ní potom mohou vznikat různí AI asistenti a agenti pro obchod, servis, reporting nebo práci s dokumenty. Modely se budou rychle měnit, firemní data a know-how by ale měla zůstat pod kontrolou firmy.
Jak připravit data pro AI
Pro první konkrétní use case bychom chtěli znát odpovědi alespoň na těchto šest otázek:
- Jakou práci má AI skutečně udělat?
- Která data k tomu potřebuje a kde jsou?
- Který zdroj je pro jednotlivé údaje autoritativní?
- Umíme potřebné systémy bezpečně propojit?
- Kdo má k datům přístup?
- Jak poznáme, že je výstup AI správný a co se stane při nejistotě?
Pokud některé odpovědi chybí, neznamená to, že se AI projekt musí zastavit. Jen je potřeba počítat s tím, že jeho součástí bude také datová, integrační nebo procesní práce.
AI projekt často začíná mapou procesu
Když s firmou řešíme praktické využití AI, často začínáme obyčejnou mapou procesu: kdo co dělá, jaké informace potřebuje, odkud je bere, co ručně přepisuje a kde vznikají výjimky. Poměrně rychle se ukážou místa pro integraci, automatizaci, menší aplikaci nebo AI agenta.
Někdy je prvním krokem jednoduše propojit dva systémy, které spolu deset let nemluví. Podobné věci procházíme i při STK pro firemní software, kde se díváme na procesy, data, systémy a jejich závislosti. Souvisí to i s přístupem Forward Deployed Engineering – rychlost vývoje je užitečná hlavně tehdy, když dobře rozumíme reálnému provozu firmy.
AI potřebuje cestu k firemní pravdě
Hodnota firemní AI nebude stát pouze na kvalitě použitého modelu. Stále důležitější bude kvalitní kontext, spolehlivá data a bezpečné propojení firemních systémů.
Smysluplný první use case přitom může být poměrně malý. Pokud má dobře připravenou cestu k datům, může se stát základem pro další asistenty, automatizace a agenty.
A pokud AI předložíme tři různé verze pravdy o zákazníkovi, pořád máme docela slušnou šanci získat čtvrtou.
Pokud řešíte, jak propojit firemní data, systémy a AI do konkrétního fungujícího procesu, podívejte se na naše integrace, automatizace a AI nebo nám popište, co dnes ve firmě řešíte.
Nejčastější otázky
Musíme před zavedením AI vyčistit všechna firemní data?
Ne. Pro první projekt většinou stačí dobře připravit zdroje potřebné pro konkrétní use case a další přidávat postupně.
Co je RAG?
RAG umožňuje AI před odpovědí vyhledat relevantní informace ve firemních zdrojích. Neřeší ale jejich správnost, aktuálnost ani konflikty mezi jednotlivými systémy.
Lze AI napojit na současné ERP a CRM?
Ve většině případů ano, pokud existuje API, přístup k databázi nebo jiná použitelná integrační cesta.
