S příchodem roku 2026 se podniky přesouvají od experimentování s umělou inteligencí k plnění náročných požadavků na dosahování reálné hodnoty v produkčním měřítku. Nedávný průzkum společnosti Red Hat ukazuje, že 76 % organizací se zatím nedostalo dál než k prozkoumávání možností využití AI, ale v příštím roce plánují investovat do AI v průměru o 32 % více svých prostředků. Navzdory významným investicím nepřinesla většina pilotních projektů generativní AI měřitelné výnosy, což vytváří tlak na prokázání návratnosti investic prostřednictvím provozního nasazení.
Klíčovým posunem, který pozorujeme, je přechod k autonomním systémům agentní AI, které mohou plánovat a provádět vícestupňové pracovní postupy s podnikovými aplikacemi. Začleňování rámců pro specializované agenty, jako je MCP (Model Context Protocol), výrazně urychluje zavádění v této oblasti. Přináší to však i výzvu: podle prvních údajů společnosti Gartner mnoho těchto agentních projektů selže kvůli nedostatečnému řízení a nejasné obchodní hodnotě. Úspěch bude vyžadovat, aby byli AI agenti vnímáni jako digitální kolegové s jasnými hranicemi a odpovědností, nikoli za magická řešení špatně definovaných problémů.
Ekonomika AI nutí firmy k zásadnímu přehodnocení efektivní inference a datové gravitace. Spouštění každého příkazu prostřednictvím prémiových modelů je jako pronájem soukromých letadel pro místní dojíždění – technicky možné, ale ekonomicky neudržitelné. Vidíme, jak inovativní organizace implementují multimodelové strategie, kdy jednoduché úkoly směrují do efektivních modelů s menším počtem parametrů a nákladné pokročilé modely si vyhrazují pro komplexní uvažování.
Přesun AI blíže k datům
Dochází však k hlubší architektonické změně – namísto přesunu podnikových dat do centralizovaných GPU (grafické procesory používané pro akceleraci výpočtů v AI) klastrů přibližujeme inferenci AI blíže k místu, kde se data nacházejí. To zahrnuje RAG postupy (Retrieval-Augmented Generation, AI postup kombinující vyhledávání dat a generování odpovědí) přímo u zdroje dat, edge inferenci pro výrobní haly a distribuované nasazení modelů v regionálních datových centrech. Tento přístup zabraňuje nákladnému přesunu dat a zároveň řeší požadavky na suverenitu a latenci. Kombinace inteligentního směrování modelů s distribuovaným zpracováním může dramaticky snížit náklady na inferenci i režii přenosu dat a zároveň zlepšit kvalitu odezvy.
Observabilita a MLOps jako klíčové prvky AI provozu
Platformní a provozní výzvy roku 2026 se budou soustředit na orchestraci a pozorovatelnost. Agentní AI vyžaduje sofistikované schopnosti MLOps (Machine Learning Operations), monitorování interakcí agentů v distribuovaných systémech, správu trvalého kontextu a paměti napříč relacemi a implementaci ochranných opatření, která dokážou zasáhnout ve chvíli, kdy autonomní systémy překročí své hranice. Vidíme, že podniky požadují platformy, které zvládnou celý životní cyklus, od verzování modelů a A/B testování až po sledování souladu s předpisy a přiřazování nákladů. Úspěšné organizace budou stavět na jednotných platformách, které zacházejí s úlohami AI jako s rovnocennými komponentami vedle tradičních aplikací, což umožní hladkou integraci se stávajícími podnikovými systémy a zároveň zachová flexibilitu pro přijetí nových modelů a rámců.
Realizace hodnoty AI
Trh odměňuje pragmatismus více než sliby – štíhlá portfolia modelů optimalizovaných pro konkrétní úkoly, rozhodnutí o infrastruktuře založená na tom, kde se data nacházejí, spíše než na preferencích dodavatelů, a kontrolní rámce, které propojují výstupy AI s obchodními výsledky. Otázkou není, zda AI transformuje podniky, protože podle prvních důkazů ano, ale zda jsou podniky schopny dosáhnout provozní zralosti, aby mohly realizovat hodnotu AI ve velkém měřítku.
Autor: Robbie Jerrom, vedoucí technolog AI, Red Hat
