Proč velké organizace utrácejí za umělou inteligenci stovky milionů a většina zaměstnanců ji nepoužívá ani hodinu a půl týdně. A proč je to hlavně UX problém, ne technologický.
Otevřete ChatGPT nebo Microsoft Copilot. Co vidíte? Bílé pole, blikající kurzor a nápovědu „Na čem budeme pracovat?" Přesně tady vidíte důvod, proč je pro normální lidi tak těžké používat AI jinak než jako vyhledávač.
Čísla, která se v prezentacích o AI neobjevují
Zprávy o AI znějí impozantně. 87 % velkých podniků dnes říká, že AI „implementuje". Jenže McKinsey ve svých datech rozlišuje mezi implementací a skutečným nasazením, které přináší hodnotu. Do té druhé kategorie patří jen asi 1 % organizací.
Microsoft Copilot je nejrozšířenějším firemním AI nástrojem na světě. Microsoft 365 používá 440 milionů platících uživatelů. Copilot si z nich ke konci roku 2025 kupovalo 8 milionů, tedy 1,8 %. A to po dvou letech dostupnosti na trhu. Když mohou zaměstnanci volit mezi Copilotem a ChatGPT, 76 % sahá po ChatGPT, pouze 18 % po Copilotu.
Podle průzkumu S&P Global Market Intelligence z roku 2025 vzrostl podíl firem, které ukončily většinu svých AI iniciativ ještě před nasazením do produkce, meziročně ze 17 na 42 %. Organizace v průměru zastavily 46 % projektů mezi fází proof of concept a širším nasazením.
Gartner předpověděl, že do konce roku 2025 bude nejméně 30 % projektů generativní AI ukončeno už po fázi proof of concept. Mezi hlavní důvody zařadil nízkou kvalitu dat, rostoucí náklady, nedostatečné řízení rizik a nejasnou obchodní hodnotu.
Průměrný manažer ve velké firmě tráví s AI zhruba hodinu a půl týdně. To je méně než běžný scrollovací zvyk na LinkedIn.
Kde to vázne: rozhraní, které nic nenabízí
V oblasti designu produktů existuje pojem, který většina lidí nezná, ale každý den ho prožívá. Říká se mu affordance a znamená to, co objekt nebo rozhraní svým vzhledem napovídá o tom, jak se dá použít. Tlačítko vypadá jako tlačítko, protože se zmáčkne. Posuvník vypadá jako posuvník, protože se táhne. Dveřní klika napovídá, že byste měli táhnout, nebo tlačit.
Prázdné textové pole jazykového modelu nemá téměř žádnou affordance. Nenapovídá nic. Nezobrazí seznam toho, co v něm lze dělat. Neukazuje příklady konkrétních pracovních situací, kde pomůže. Neurčí hranice svých schopností. Prostě čeká na pokyn od uživatele.
Pro člověka, který s AI ještě nepracoval, je toto rozhraní v podstatě neprostupné. Víte, že tam něco je, ale nevíte, co se tam vlastně dělá. Je to jako dostat do ruky profesionální hudební nástroj bez not, bez učitele a bez toho, aby kdokoliv řekl, jakou muziku z něj lze vůbec hrát.
Výsledkem je, co vidíme ve firmách opakovaně: zaměstnanci nástroj otevřou, nevědí, co napsat, a zavřou ho. Po třech pokusech přestanou úplně.
Čtyři slepá místa dnešního AI rozhraní
Problém ale nejde jen po povrchu. Pokud se na dnešní LLM rozhraní podíváme optikou designu, odhalíme čtyři systematické mezery, které dohromady vysvětlují, proč selhává i u motivovaných uživatelů.
Chybí orientace v mentálním prostoru. Rozhraní chatu je nekonečný scroll konverzace. Uživatel v každém momentu neví, kde v procesu je, co už bylo rozhodnuto, co je hypotéza a co finální závěr, co model ví a z čeho vychází. Celé kognitivní břemeno orientace se přesouvá zpátky na člověka. Říkáme tomu únava z kontextového managementu.
Chybí affordance pro důvěru. Model odpoví sebevědomě téměř na všechno. Jenže rozhraní většinou neumí ukázat míru jistoty, kvalitu zdrojů ani to, kde jde o inference a kde o ověřená fakta. Uživatel potřebuje vědět, na čem závěr stojí a co by ho mohlo vyvrátit. To není modelový problém. Je to UX problém. Dnešní rozhraní ho neřeší.
Chybí viditelnost myšlení. Lidé v komplexní práci nepotřebují jen odpověď. Potřebují vidět, jak AI uvažovala, jaké varianty zvažovala a co ignorovala. Bez toho vzniká efekt černé skříňky: výstup přijde, ale není jasné, jak k němu model došel. Budoucí rozhraní budou muset umožnit tzv. inspectable cognition, tedy myšlení, do kterého lze nahlédnout a které lze editovat.
Chybí kalibrace. S nástupem agentních AI systémů vstupuje do hry nová dimenze. Dnes často není zřejmé, kdy AI jen navrhuje, kdy rozhoduje a kdy přímo jedná. S rostoucí autonomií modelů bude rozhraní muset jasně komunikovat hranice oprávnění a reverzibilitu každé akce. Jinak se důvěra v AI systémy rychle rozpadne.
Je to situace, kterou jsme zažili několikrát v historii technologií. Příchod grafického rozhraní nad příkazovým řádkem. První prohlížeče internetu. iPhone a mobilní web. Vždy existoval moment, kdy technologie předběhla rozhraní a bylo potřeba vynalézat nový způsob práce. LLM jsou v tomto momentě právě teď. Modely už dnes umí generovat inteligenci na úrovni, která by ještě před třemi lety působila jako sci-fi. Prostředí, ve kterém se s touto inteligencí přirozeně pracuje, ale teprve vzniká.
Problém není motivace, je to křivka adopce
Technologové znají model Everetta Rogerse, který popisuje, jak se nové technologie šíří společností. Na začátku jsou nadšenci a vizionáři, tzv. early adopters. Jsou to lidé, kteří si sami dokážou domyslet, jak nový nástroj použít, kteří experimentují, tolerují nefunkčnost a nacházejí si vlastní use cases. Ve firmách je to typicky 10 až 15 % zaměstnanců.
Po nich přichází tzv. early majority, tedy včasná většina. To jsou pragmatici. Nehledají technologii jako takovou. Hledají řešení konkrétního problému, který je dnes brzdí. Chtějí vidět, že to funguje, že to šetří čas a že to zvládnou bez extra úsilí. Tato skupina tvoří dalších 34 % trhu a bez ní se žádná technologie nestane standardem.
Prázdné textové pole je navrženo pro early adopters. Pro člověka, který sám aktivně hledá, co by s nástrojem dělal. Early majority tuto ochotu nemá a ani mít nemusí. Není to lenost. Je to racionální chování. Proč investovat čas do hledání něčeho, co vám nikdo nedokázal ukázat jako jasné řešení vašeho konkrétního problému?
Školení na AI nestačí. Potřebujete konkrétní řešení konkrétního problému.
Většina firemních AI programů vypadá takto: nakoupí se licence, uspořádají se workshopy o promptování a zaměstnancům se řekne, že mají AI začít používat. Pak se čeká na výsledky.
Výsledky nepřijdou. Lidé uvnitř organizací nemají kapacitu ani čas sami vymyslet, jak AI zapojit do svých každodenních procesů. Jejich práce není experimentovat s technologií. Jejich práce je zpracovat smlouvy, připravit reporty, odpovědět na e-maily a stihnout schůzky.
Investice do adopce AI nefunguje jako investice do školení na nový software. Nefunguje to jako v roce 2000, kdy firmy posadily lidi k počítačům a řekly: od teď budeme pracovat takhle. Počítač uměl jasně ohraničenou věc. Dával jasně najevo, co v něm lze dělat. Jazykový model umí tisíce věcí a neukáže vám žádnou z nich, dokud si ji sami nevymyslíte.
Přístup, který funguje, vypadá jinak. Namísto školení dostane tým hotové řešení konkrétního problému, který ho skutečně zdržuje. Přepis a shrnutí zápisů z porad. Automatická příprava podkladů před schůzkou s klientem. Generování prvního draftu nabídky z interní šablony. Analýza sady dokumentů s výstupem do předem daného formátu.
Zaměstnanec nepotřebuje pochopit, co AI umí obecně. Potřebuje vidět, že konkrétní úkon, který ho dnes stojí dvě hodiny, teď zvládne za deset minut.
Proč to nemůžete vyřešit jednou provždy
Prostředí se mění tempem, které nemá v historii podnikového softwaru precedens. Nové funkce, nové modely, nové možnosti integrace přicházejí každé týdny, ne každé roky.
Use case, který byl před šesti měsíci nemožný nebo příliš komplikovaný, je dnes rutinní záležitostí. Zaměstnanci firem ztrácejí čas tím, že se snaží znovu vynalézat kolo, protože nevědí, co se dá udělat dnes oproti tomu, co šlo udělat loni.
To je důvod, proč je pro organizace kritické mít partnera, jehož práce je sledovat tempo těchto změn. Partnera, který dokáže přijít a říct: toto se dnes dělá takto, toto ještě nejde ale za tři měsíce půjde, a na toto konkrétní vaše téma existuje řešení, o kterém možná nevíte.
Rolí AI poradce dnes není naučit lidi promptovat. Je to průběžně mapovat, co nové nástroje umí, překládat tuto znalost do konkrétních situací klienta a navrhovat, kde nasadit hotové řešení tam, kde přinese měřitelnou úsporu času.
Co z toho plyne
Nízká adopce AI v korporacích není technický problém. Je to problém rozhraní, které neposkytuje žádnou nápovědu, a přístupu, který klade zodpovědnost za experimentování na lidi, kteří k tomu nemají ani čas, ani mandát.
Early majority, tedy ta část organizace, která rozhoduje o tom, zda se AI stane standardem nebo zůstane u pilotů, potřebuje vidět hotové řešení svého konkrétního každodenního problému. Potřebuje, aby to fungovalo hned a bez nutnosti domýšlet si, jak ho zapojit.
Organizace, které tohle pochopí dříve než konkurence a přestanou investovat do obecných školení ve prospěch cílených implementací, získají v příštích dvou letech náskok, který se bude velmi těžko dohánět.
Kogi CON pomáhá středním a velkým organizacím identifikovat konkrétní místa, kde AI reálně ušetří čas, a zavést funkční řešení, aniž by bylo nutné vzdělávat celou firmu v promptování. Pokud vás zajímá, kde ve vaší organizaci leží nevyužité příležitosti, ozvěte se nám.