Neříkejte tomu selhání: Čtení příběhu "95% pilotů umělé inteligence" z pohledu obchodní agility

Pokud jste někdy pracovali v oblasti PR nebo sociálních věcí, znáte ten pocit. Strávili jsme roky debatami o návratnosti investic do aktivit, které měly jasný význam, ale nevešly se do přehledných tabulek s posledním kliknutím. Nyní máme možnost, která se objevuje jednou za generaci, a někteří jsou připraveni vyhlásit porážku, protože se P&L za půl roku nepohnulo. Takto se transformace neměří. Takto se špatně čte poločas.

Aby bylo jasno: Stav umělé inteligence v podnikání 2025 Zpráva z projektu NANDA MIT stojí za váš čas. Zprávy se dočkaly pozoruhodných číselných údajů...95% podnikových pilotů GenAI nepřineslo měřitelný dopad na P&L. Autoři také označují tuto práci jako raný snímek (leden-červen 2025), což je důležitý kontext. Časná data, transparentní omezení a konverzace, která stojí za to. Z pohledu agility podnikání není konverzace "Selhává umělá inteligence?". Rozhovor zní "Provozujeme práci způsobem, který vytváří měřitelný tok, bezpečné učení a složenou hodnotu?".

Níže je uveden stejný příběh převyprávěný optikou business-agility.

Na co se agilní organizace ptá jako první

1. Kdo je zákazníkem tohoto pilotu a jaký problém pro něj dnes řešíme? Definujte uživatele, úkol, který má být splněn, a bolest, kterou se snažíte odstranit v tomto čtvrtletí.
2. Jaká je naše hypotéza a co by ji mohlo vyvrátit? Zapište si to. Zvolte nejmenší část, kterou lze otestovat v podmínkách podobných produkčním.
3. Jaké důkazy přijmeme, než se objeví P&L? Průtok a kvalita jsou hlavními ukazateli. Finance jsou zaostávajícím důkazem.

Když jsou tyto tři otázky jednoznačné, piloti přestanou být ukázkami a začnou být experimenty.

Šest měsíců není rozsudek, je to kadence

Šest měsíců se rovná několika sprintům s prostorem pro dva nebo tři cykly inspekce a adaptace. To je dostatek času na to, abyste se naučili něco o oprávněních, směrování, kvalitě dat, latenci, předávání, cestách výjimek a člověku ve smyčce. Není to dost času na přepracování několika základních pracovních postupů, přeškolení velkých týmů, zpevnění ochranných zábran a prosazení zlepšení až do auditovaného P&L. V agilitě se časem učíme a pak se rozhodujeme o rozšíření nebo zastavení na základě důkazů, ne na základě optimismu.

Nejdříve měřte tok, pak finance

Přímý zisk je cílem. Tok vám říká, zda se k tomuto cíli blížíte. Považujte je za předstihové ukazatele agility které by se měly přesunout do 1. až 6. měsíce:

• Doba realizace z požadavku na výsledek
• Propustnost týdně pro cílový pracovní postup
• Míra přepracování a míra výjimek
• Míra uniklých chyb a omezení výskytu závad
• Adopce: asistované úlohy na uživatele za den, aktivní minuty v pracovním postupu
• Rizikové postoje: snížení počtu označených problémů, zkrácení doby přezkumu
• Výsledky pro zákazníky: doba odezvy, vyřešení prvního kontaktu, CSAT nebo NPS delta.

Pokud se tyto signály zlepšují a zůstávají stabilní, P&L se obvykle pohybuje mezi 9. a 18. měsícem, kdy začíná stupnice a končí nastavení.

Od předváděcího divadla k realitě pracovních postupů

Agility favorizuje funkční řešení v reálných cestách nad vybroušenými ukázkami. Tři praktické změny promění pilotní projekty v dodání hodnoty:

1. Řezání hodnot: uvolnit úzký, end-to-end řez, který se dotýká systému záznamu a schvalovací cesty.
2. Definice slova Ready a definice slova Done: žádná práce nevstupuje do sprintu, dokud není jasný přístup k datům, omezení soukromí a metriky úspěšnosti; žádná práce není dokončena, dokud není v provozu telemetrie, auditní záznamy a zpětné vrácení.
3. Zábradlí, ne brány: bezpečnost, rizika, právní záležitosti a dodržování předpisů se účastní týdenních přezkumů produktu a provozu. Cílem je navrhnout bezpečné výchozí nastavení, které umožní plynulý tok, nikoliv pozastavit práci do konce čtvrtletí.

Organizujte se pro učení, ne pro hrdinství

• Jeden vlastník, jeden pracovní postup, jeden zdroj dat for the first slice. Reduce coordination drag.
• Cross-functional team: product, operations, data, engineering, risk, and finance see the same board and the same metrics.
• Limit WIP: stop starting and start finishing. Too many pilots create false positives and thin learning.
• Weekly retros: surface blockers early, adjust scope, and rotate one small improvement per week into the Definition of Done.

The Right Scoreboard for Month Six

Executives should expect a two-line scorecard at the six-month mark:

1. Flow and quality: the leading metrics listed above with before-and-after deltas and stability bands.
2. Finance translation: hours avoided, error costs avoided, cycle time value released, revenue capture unlocked, risk reduction quantified. These are not GAAP yet. They are the audited trail that justifies scale.

If the flow line is up and stable, and the finance translation is credible, scale. If not, stop or rescope. Either outcome is success because you learned at low cost.

Why the “95%” Headline Can Be True and Misleading

It can be true that most pilots did not show direct P&L in six months. It can also be misleading if those pilots were not designed as agile experiments with explicit leading indicators, working slices, and weekly inspection. Agility does not promise instant profit. It promises faster truth. That is exactly what leaders need.

A Friendly Challenge to Colleagues

Before we declare the technology a failure, let us adopt an agility scoreboard and cadence. Write the hypothesis. Slice the value. Measure the flow. Invite Finance and Risk into the retro. Decide based on evidence. Then repeat.

Your turn: What is one flow metric you trust and one cadence habit that kept your pilot honest? Please comment on our LinkedIn Article!

#StateofAI2025 #BusinessAgility #ContinuousImprovement #AIROI #ChangeManagement

Cesta vyučování a učení za hranice známek: a gamifikací.

Každá epická cesta, ať už Frodova výprava k Hoře osudu ve filmu Pán prstenů, cesta Luka Skywalkera k tomu, aby se stal rytířem Jedi v knize Hvězdné válkynebo plavby lodi Podnik na adrese Star Trek, tyto cesty nezačínají známkou. Žádný hrdina se nevydává na cestu za dobrodružstvím s přidělenou jedničkou, dvojkou nebo nedostatečnou. Místo toho začínají s přesvědčivým posláním, výzvou, kterou je třeba překonat. Jejich cesta je plná milníků, překážek, okamžiků pochybností a triumfu. Nikdy se neredukuje na procentuální hodnocení.

Ve vzdělávání však často přistupujeme k učení tak, jako by studenti byli pouhými body na stupnici, a ne průzkumníky, kteří se pohybují v rozsáhlé krajině vědomostí.

Jak uvádí Daniel Pink (2025) v knize The Washington Post, ve svém stanovisku Článek Proč se nezbavit známek, dopad inflace známek, která upozorňuje na nezamýšlené důsledky tohoto přístupu a podněcuje ke kritickému zamyšlení: proč známky považujeme za překážky, a nikoli za dynamické kontrolní body?

Proč místo toho nepostavit vzdělávání na herní bázi a nepřeměnit hodnocení na milníky, které budou potvrzovat zvládnutí základních dovedností předtím, než se studenti posunou dál, podobně jako kontrolní body ve hře nebo obchodní simulaci?

V obchodním vzdělávání, jehož cílem je připravit studenty na nepředvídatelné situace v reálném světě, by se měl důraz přesunout od pouhého dobrého výsledku u zkoušek ke zvládnutí, přizpůsobivosti a praktickým schopnostem. Tento článek zkoumá možnosti, jak se posunout za hranice tradičních systémů známkování, inspirovaných komplementaritou člověka a umělé inteligence, principy obchodní agility a modely gamifikace, a vytvořit tak poutavé, iterativní a na dovednosti zaměřené učení. Tyto myšlenky úzce souvisejí s Manifest pro výuku a učení, která klade důraz na přizpůsobivost namísto normativních výukových metod, na spolupráci namísto individuálních úspěchů, na dosahování výsledků učení namísto testování studentů, na zkoumání řízené studenty namísto přednášení ve třídě, na demonstraci a aplikaci namísto hromadění informací a na neustálé zlepšování namísto udržování stávajících postupů (Krehbiel et al., 2017).

1. Komplementarita člověka a umělé inteligence: Chytřejší přístup k učení

Umělá inteligence jako adaptivní asistent učení

Platformy poháněné umělou inteligencí mohou přizpůsobit vzdělávací obsah jedinečnému tempu a stylu učení každého studenta, čímž zmírní potřebu rigidních struktur hodnocení. Namísto toho, aby všichni studenti procházeli stejným učebním plánem stejnou rychlostí, může umělá inteligence:

• Přizpůsobení vzdělávacích cest: Adaptivní systémy umělé inteligence, které používají například Coursera, Duolingo nebo Khan Academy, poskytují zpětnou vazbu v reálném čase a přizpůsobená cvičení k posílení slabých míst (Deci & Ryan, 1985).
• Sledování růstu kompetencí v průběhu času: Namísto jednorázové známky může umělá inteligence sledovat pokrok v klíčových oblastech dovedností a poskytovat na datech založený přehled o vývoji žáka.
• Snížení subjektivních předsudků při hodnocení: Na rozdíl od tradičního známkování, které se liší podle instruktora, nabízejí nástroje pro hodnocení založené na umělé inteligenci (např. bodování esejí a automatické hodnocení dovedností) větší konzistenci a spravedlnost (Dweck, 2006).

Umělá inteligence jako školitel a mentor

• Konverzační nástroje umělé inteligence (jako ChatGPT, Claude nebo DeepSeek) mohou fungovat jako lektoři na vyžádání, kteří odpovídají na otázky, vysvětlují pojmy a poskytují personalizovanou zpětnou vazbu nad rámec možností jednoho profesora.
• Simulace a nástroje VR řízené umělou inteligencí umožňují studentům procvičovat reálné obchodní scénáře a zdokonalovat jejich kritické myšlení a schopnost řešit problémy v prostředí bez rizika.

Tento posun decentralizuje tradiční autoritu známek a místo toho se zaměřuje na prokázané zvládnutí dovedností, což je v souladu s Pinkem (2025), který požaduje smysluplnější a personalizovanější systém hodnocení.

2. Vzdělávání v oblasti Business Agility: Učení v iteracích, ne ve známkách

Uplatnění agilních principů ve vzdělávání

Obchodní agilita klade důraz na iteraci, smyčky zpětné vazby, adaptabilitu a neustálé učení - vlastnosti, které přirozeně podporují vzdělávání bez známek. Místo tradičního známkování by studenti mohli být hodnoceni na základě postupu založeného na kompetencích, reálných projektech a cyklech iterativní zpětné vazby (Goodhart, 1975). Na stránkách . Manifest pro výuku a učení dále posiluje tuto potřebu a obhajuje žáky řízené zkoumání namísto pasivního přednášení ve třídě a demonstrování namísto rutinního shromažďování informací (Krehbiel et al., 2017).

• Scrum pro učení: Kurzy mohou být strukturovány jako sprinty Scrumu, kdy studenti pracují na reálných projektech v krátkých iterativních cyklech. Vyučující a lektoři AI poskytují zpětnou vazbu, čímž zajišťují neustálé zlepšování, nikoli jednorázovou známku.
• Kanban pro samostatné zvládnutí: Namísto pevně stanovených 15týdenních kurzů studenti postupují prostřednictvím výukové tabule ve stylu Kanban a svým vlastním tempem se posouvají od základních znalostí k odborným aplikacím.
• OKR (Cíle a klíčové výsledky) nad písmennými známkami: Studenti si sami stanovují cíle učení a sledují pokrok pomocí klíčových výsledků, podobně jako to dělají moderní podniky, aby měřily úspěch.

Gamifikace hodnocení jako milníků

Namísto odstranění testů, zkoušek a cvičení je lze nově definovat jako milníky podobné hrám. Studenti mohou:

• Zkoušejte úkoly opakovaně, dokud nedosáhnete mistrovství, podobně jako při obchodních simulacích nebo certifikačních zkouškách.
• Získávejte odznaky za dovednosti namísto známek, čímž vytvoříte viditelné ukazatele úspěchu podobné profesnímu mikrokreditování (Kohn, 1999).
• Postupujte po úrovních kompetencí podobně jako při strukturovaném nástupu do zaměstnání v podnikovém prostředí.
• Využívejte výzvy s umělou inteligencí k ověřování skutečných obchodních kompetencí a umožněte studentům uplatnit dovednosti v simulovaných obchodních problémech.

V tomto modelu není neúspěch konečnou záležitostí, ale příležitostí k opakování - aby si studenti osvojili látku do hloubky a nesnažili se pouze o získání známky.

3. Budoucnost podnikového vzdělávání: Vycházející z dovedností, asistované umělou inteligencí a agilní.

Vzdělávání jako simulace budoucí pracovní síly

Začleněním umělé inteligence jako asistenta a agilních metodik do výuky by studenti byli lépe připraveni na skutečné požadavky pracovní síly. Budoucnost práce je stále více projektová, interdisciplinární a adaptivní - náš vzdělávací systém by to měl odrážet.

• Hodnocení dovedností na základě umělé inteligence pro nábor zaměstnanců: Zaměstnavatelé jako Google a Tesla upouštějí od přijímání zaměstnanců na základě průměrného studijního průměru a upřednostňují hodnocení dovedností. Umělá inteligence může usnadnit ověřování kompetencí prostřednictvím pohovorů poháněných umělou inteligencí, kódovacích výzev nebo hodnocení případových studií, a nahradit tak zastaralé výpisy z rejstříku a průměrné známky.
• Umělá inteligence a rozvoj měkkých dovedností: Kromě technického vzdělávání pomáhají nástroje s umělou inteligencí, jako je trénink empatie ve virtuální realitě a konverzační hraní rolí s umělou inteligencí, studentům rozvíjet emoční inteligenci, vůdčí schopnosti a vyjednávací dovednosti, které jsou klíčové pro úspěch v podnikání.

Nahrazení pevných časových plánů kontinuálním růstem

Místo pevně stanoveného tříletého nebo čtyřletého studia by studenti měli mít možnost:

• Procházejte výukovými moduly vlastním tempem a získávejte odznaky dovedností.
• Učte se v mezioborových týmech a řešte problémy v oblasti marketingu, prodeje, financí a analytiky založené na umělé inteligenci v rámci mezioborových projektů.
• Uplatňujte získané poznatky okamžitě v reálném prostředí, stejně jako agilní podniky zavádějí průběžnou zpětnou vazbu a iteraci, místo aby čekaly na hodnocení výkonnosti na konci roku.

Od známek k růstu, s podporou umělé inteligence a agilně

Argument Daniela Pinka (2025) o zrušení známkování je přesvědčivou výzvou k reformě vzdělávání, která se přirozeně shoduje s principy personalizace a agility podnikání založenými na umělé inteligenci.

Odklonem od rigidních systémů známkování můžeme:

• Přechod od výkonnostních cílů (získání jedničky) k cílům učebním (dosažení skutečného mistrovství).
• Nahraďte zastaralé výpisy hodnocením založeným na kompetencích, obohaceným o sledování dovedností pomocí umělé inteligence a popisnou zpětnou vazbu.
• Přechod od statického, časově omezeného modelu studia k agilnímu, na projektech založenému a umělou inteligencí podporovanému vzdělávacímu ekosystému.

Tento přístup nejen zlepšuje vzdělávání - připravuje studenty na budoucí svět podnikání, kde budou úspěch určovat přizpůsobivost, kritické myšlení a znalost umělé inteligence.

Odkazy

Deci, E. L., & Ryan, R. M. (1985). Vnitřní motivace a sebeurčení v lidském chování. Plenum Press.

Dweck, C. S. (2006). Myšlení: Nová psychologie úspěchu. Random House.

Goodhart, C. A. E. (1975). "Problems of Monetary Management: The U.K. Experience." Papers in Monetary Economics, svazek I, Reserve Bank of Australia.

Kohn, A. (1999). Školy, které si naše děti zaslouží: Překročení tradičních tříd a "přísnějších standardů". Houghton Mifflin.

Krehbiel, T. C. a další (2017). Agilní manifest pro výuku a učení. Journal of Effective Teaching, 17(2), 90-111.

Pink, D. (2025). Proč se nezbavit známek? The Washington Post. https://www.washingtonpost.com/opinions/2025/03/03/grade-inflation-why-not/

Fotografie od Element5 Digital

Spolupráce prodeje a marketingu ve věku umělé inteligence a obchodní agility

Realita napětí mezi prodejem a marketingem

Jedním z největších omylů ve světě podnikání je, že sladění prodeje a marketingu znamená, že musí být dokonale synchronizované, pracovat bez napětí a na všem se naprosto shodnout. Ve skutečnosti je to nepraktické. Tyto dva týmy mají odlišné cíle, pobídky a provozní přístupy. To však neznamená, že nemohou efektivně spolupracovat.

Namísto vynucování harmonie by společnosti měly vytvořit strukturované systémy, které umožní oběma týmům fungovat jako doplňující se síly, nikoli jako soupeři. Klíčem k tomu nejsou týmová cvičení ani umělá spolupráce - jde o využití umělé inteligence, přijetí principů obchodní agility a podporu kultury založené na datech, aby bylo možné dosáhnout měřitelných výsledků.

Proč jsou prodej a marketing přirozeně v rozporu

- Prodejci se zaměřují na krátkodobé příjmy → Potřebují okamžité výsledky, chtějí vysoce kvalitní potenciální zákazníky, kteří se rychle uzavřou, a často se potýkají s nepředvídatelným chováním zákazníků.
- Marketing se zaměřuje na dlouhodobý růst značky → Zaměřuje se na umístění na trhu, zvyšování povědomí, generování poptávky a strategie, které mohou přinést výsledky až po několika měsících.
- Prodejci vnímají marketing jako odtržený od reality → Obchodní zástupci si často stěžují, že marketingové úsilí produkuje nekvalitní potenciální zákazníky nebo se příliš zaměřuje na abstraktní sdělení o značce namísto skutečných bolestí kupujících.
- Marketing vnímá prodej jako taktický a krátkozraký → Marketéři se často cítí frustrovaní z toho, že prodejci dostatečně rychle nesledují potenciální zákazníky nebo je příliš rychle odmítají, aniž by o ně pečovali.

Jak tento problém řeší umělá inteligence a obchodní agilita

1. AI pro Lead Scoring a prediktivní analytiku → Skórování potenciálních zákazníků řízené umělou inteligencí může pomoci určit, které potenciální zákazníky se vyplatí sledovat, a snížit tak tření mezi prodejem a marketingem.
2. Agilní rámce pro prodej a marketing → Zásady agility podnikání podporují iterativní spolupráci, časté smyčky zpětné vazby a sdílenou odpovědnost.
3. Umělá inteligence pro personalizaci obsahu a cílení → Umělá inteligence může v reálném čase poskytnout přehled o chování zákazníků, což umožňuje marketingu vytvářet relevantnější sdělení a prodejní nabídky.
4. Podpora prodeje řízená umělou inteligencí → Automatizované koučovací nástroje, chatboti a virtuální asistenti pomáhají obchodním zástupcům spolupracovat s potenciálními zákazníky v reálném čase, aniž by byli závislí pouze na marketingu.

Úskalí nefunkčního vztahu mezi prodejem a marketingem

1. Špatná správa vedení a míra konverze
- Řešení AI: Prediktivní analytika pomáhá zajistit, aby se k prodejcům dostaly jen ty nejzajímavější potenciální zákazníky.
- Agilní řešení: Každodenní porady mezi prodejci a marketingem zajišťují neustálé zlepšování kvality leadů.
2. Smíšená sdělení a zmatek u zákazníků
- Řešení AI: Nástroje CRM poháněné umělou inteligencí zajišťují konzistentní zasílání zpráv sledováním každé interakce se zákazníkem.
- Agilní řešení: Pravidelné sprintové revize mezi marketingem a prodejem za účelem sladění sdělení a strategie.
3. Plýtvání rozpočtem a zdroji
- Řešení AI: Umělá inteligence dokáže analyzovat návratnost investic do kampaní v reálném čase, což umožňuje marketingu rychle se přizpůsobit.
- Agilní řešení: Retrospektiva identifikuje zbytečně vynaložené úsilí a zlepšuje budoucí investice do marketingu.
4. Nedostatek odpovědnosti a ukazování prstem
- Řešení AI: Umělou inteligencí řízené výkonnostní panely upozorňují na to, kde v trychtýři klesá počet potenciálních zákazníků, čímž je zajištěna transparentnost odpovědnosti.
- Agilní řešení: Sdílené cíle a klíčové výsledky (OKR) pro prodej a marketing zabraňují vzniku sil.

Jak vypadá skutečné sladění v éře umělé inteligence a agilního přístupu?

1. Společné definice a jasná kritéria úspěchu
- Kvalifikace potenciálních zákazníků řízená umělou inteligencí → Skórovací modely umělé inteligence zajišťují, že se k prodeji dostanou pouze zákazníci s vysokým konverzním potenciálem.
- Agilní spolupráce napříč funkcemi → Marketingové a prodejní týmy se účastní společných plánování sprintů.
2. Spolupráce na prodejních a marketingových sděleních
- AI pro analýzu sentimentu → AI může analyzovat zpětnou vazbu od zákazníků a vylepšit tak prodejní nabídky a marketingové kampaně.
- Agilní workshopy o sděleních → Společné workshopy umožňují oběma týmům vylepšit sdělení na základě opakované zpětné vazby.
3. Rámec pro testování prodejních nabídek
- Testování s využitím umělé inteligence → Analytika s využitím umělé inteligence sleduje, které prodejní nabídky mají u potenciálních zákazníků největší ohlas.
- Agilní smyčky zpětné vazby → Obchodní zástupci testují nová sdělení v reálném čase a poskytují okamžitou zpětnou vazbu.
4. Rozhodování založené na datech
- AI Predictive Insights → Nástroje AI předpovídají, které marketingové strategie budou generovat nejlepší potenciální zákazníky.
- Agilní iterační cykly → Cykly neustálého zlepšování zajišťují rozhodování založené na datech.
5. Odpovědnost na úrovni výkonné moci
- Sledování výkonu řízené umělou inteligencí → Dashboardy poskytují přehled o tom, jak si prodej a marketing vedou v reálném čase.
- Agilní sdílené klíčové ukazatele výkonnosti → Oba týmy sdílejí odpovědnost za růst tržeb a úspěch zákazníků.

Přechod od dysfunkce ke spolupráci

Nejlepší společnosti zajišťují soulad tím, že znemožňují, aby jeden tým uspěl bez druhého. Umělá inteligence a obchodní agilita vytvářejí samoposilující se systém, v němž se prodej a marketing přirozeně slaďují.

Kroky k agilnímu sladění prodeje a marketingu na bázi umělé inteligence

Krok 1: Zapojte prodejce do tvorby pozice včas
- Umělá inteligence analyzuje minulé obchody a poskytuje informace o tom, které segmenty zákazníků jsou nejziskovější.
- Agilní spolupráce zajišťuje vstupy obou týmů v reálném čase, aby bylo možné upřesnit umístění.

Krok 2: Spoluvytváření prodejní nabídky pomocí AI Insights
- Nástroje pro optimalizaci obsahu poháněné umělou inteligencí pomáhají upřesnit nejúčinnější sdělení.
- Agilní iterace zajišťuje, že marketing a prodej neustále testují a zdokonalují prodejní nabídku.

Krok 3: Vytvoření kontinuální smyčky zpětné vazby
- Umělá inteligence poskytuje automatizované poznatky o výkonnosti na základě CRM, sociálních médií a zpětné vazby od zákazníků.
- Agilní cykly zpětné vazby zajišťují rychlou iteraci prodeje a marketingu s cílem maximalizovat efektivitu.

Krok 4: Zodpovědnost obou týmů prostřednictvím AI a agilních metrik
- Umělá inteligence poskytuje atribuční modely, které přesně ukazují, které úsilí vede k příjmům.
- Agilní sdílené klíčové ukazatele výkonnosti zajišťují vzájemnou odpovědnost a úspěch.

Závěr: Budoucnost spolupráce v oblasti prodeje a marketingu

Sladění prodeje a marketingu neznamená, že se z nich stanou nejlepší přátelé, ale že se vytvoří systém, v němž oba týmy pracují ve vzájemné závislosti. Využitím umělé inteligence, integrací obchodní agility a podporou kultury neustálé spolupráce mohou společnosti odbourat sila, odstranit neefektivitu a maximalizovat potenciál příjmů.

Fotografie od Vardan Papikyan