Za necelé tři roky od spuštění veřejného ChatGPT na konci roku 2022 se z generativní AI stala univerzální odpověď na všechno. V prezentacích má řešit produktivitu, v médiích zachraňuje ekonomiku a na sociálních sítích je z ní klíč k osobní svobodě i pasivnímu příjmu. Skoro to vypadá, jako by bez „AI strategie“ neměla firma v roce 2026 právo existovat.
Zároveň čísla rostou tempem, které nemá obdoby. Gartner dnes odhaduje, že celosvětové výdaje na AI v roce 2025 dosáhnou zhruba 1,5 bilionu dolarů a dál porostou, zejména díky investicím do infrastruktury a datových center. UNCTAD mluví o tom, že samotný AI trh se má během jediné dekády zvětšit zhruba z 189 miliard dolarů (2023) na 4,8 bilionu v roce 2033.
O to drsněji působí letošní zpráva MIT The GenAI Divide: State of AI in Business 2025: podle ní investovaly firmy do generativní AI už 30–40 miliard dolarů, ale u 95 % zkoumaných projektů se to v hospodářském výsledku neprojevilo vůbec nic – žádný růst tržeb, žádné úspory nákladů, žádná viditelná změna produktivity.
Jinými slovy: do AI teče rekordní množství peněz, ale ve výsledovce se to zatím objevuje jen výjimečně. V tomhle článku se podíváme na to, proč je současný AI hype z velké části přehnaný a možná až falešný a taky kde dnešní vlajkové modely narážejí na své limity, proč většina byznys implementací končí fiaskem a především co z toho realisticky plyne pro rok 2026.
Hype je obrovský, praxe mnohem nudnější
Pokud se dnes člověk podívá na hlavní zdroje informací o AI, čte a slyší hlavně influencery: youtubery, kteří žijí z dramatických thumbnailů, LinkedIn „AI stratégy“, kteří ještě před rokem prodávali krypto, a autory článků, kteří mají zkušenost s několika prompty v ChatGPT, ale nikdy nic reálně neprovozovali v produkci.
Svět produkčního nasazení AI přitom vypadá úplně jinak. Každý větší projekt se netočí kolem toho, co všechno AI dokáže, ale kolem toho, jak spolehlivě to dokáže udělat znovu a znovu. Řeší se latence, spolehlivost, chybovost modelu, to, jak často si něco vymyslí a jak to poznat. K tomu fallback scénáře, když selže integrace, monitoring, logování, auditovatelnost, soulad s regulací a hlavně to, jak to celé zapadá do existujících systémů a procesů. To jsou témata tiketů, incident reportů a SLA, ne virálních videí.
McKinsey ve svém letošním reportu The State of AI in 2025 konstatuje, že téměř všechny firmy už nějak AI používají, často i tzv. agentické systémy – tedy AI, která si úkol rozdělí na kroky a sama si volá nástroje, API apod. Většina organizací je ale pořád ve fázi experimentů a lokálních pilotů. V plném měřítku, tj. napříč procesy a s měřitelným dopadem na hospodářský výsledek, AI škáluje jen menší část firem. Stejný obraz maluje i MIT: adopce je vysoká, reálná transformace nízká.
To je první trhlina v příběhu o všemocné AI – nejviditelnější hlas mají lidé, kteří s ní neřeší dlouhodobý provoz, ale krátkodobou pozornost.
Halucinace a nedeterminismus: proč současná AI není spolehlivý systém
Velké jazykové modely nesbírají fakta do nějaké databáze pravdy, ale odhadují, co nejspíš následuje. Zní to abstraktně, ale má to dva velmi konkrétní důsledky: halucinace a nedeterminismus.
Halucinace znamenají, že model sebevědomě generuje nesmyslné nebo nepravdivé informace a někdy dokonce o tom i následně lže. OpenAI to ve svém vlastním textu Why language models hallucinate říká přímo: i nejnovější vlajkové modely pořád halucinují, jen o něco méně často než dřívější generace. U marketingového textu to nevadí, pro medicínu nebo právo je to zásadní problém.
Výzkum z posledních dvou let navíc ukazuje, že nejde o okrajový jev. Stanford HAI v roce 2024 zjistil, že běžné chatovací modely halucinují na právních dotazech v 58–82 % případů. Novější studie v Nature Medicine z roku 2025 testovala několik špičkových modelů na klinických scénářích, kde byl do zadání nenápadně vložen falešný detail. Výsledek: podlehnutí tomuto „triku“ v rozmezí zhruba 50–82 % odpovědí, v závislosti na modelu a nastavení. V praxi to znamená, že model nejen že chybu neodhalí, ale ještě ji rozvine a zdůvodní.
Rozsah problému ilustruje i aféra kolem zdravotnického modelu Med‑Gemini od Googlu. V jednom z výzkumných článků model sebevědomě popisoval old left basilar ganglia infarct – tedy infarkt v části mozku, která v reálné anatomii neexistuje, protože zaměnil basal ganglia a basilar artery. Chyba prošla recenzním procesem a dočasně i blogpostem firmy, než na ni upozornil lékař z praxe. Krásná ukázka toho, jak snadno můžeme halucinaci přehlédnout, pokud výstup vypadá odborně.
Druhý problém je nedeterminismus. Stejný prompt může dát mírně (a někdy i nemírně) odlišné odpovědi, drobné změny v zadání nebo kontextu vedou k jiným závěrům. U kreativního psaní je to výhoda, u generování dokumentace k bezpečnostním systémům nebo při rozhodování o dávkách léků zásadní riziko.
V jednoduchých scénářích – shrnutí meetingu, návrh textu, hrubý návrh kódu – se s tím dá žít. Ale všude tam, kde potřebujeme spolehlivost blízkou stoprocentní, nebo alespoň na úrovni sehraného lidského týmu, je dnešní AI bez lidského dozoru nepoužitelná. A to i v případě těch nejlepších vlajkových modelů.
Ekonomika vlajkových modelů: velké příjmy, ještě větší ztráty
Když se mluví o „AI revoluci“, nejčastěji se má na mysli několik maloobchodně přístupných vlajkových modelů: OpenAI, Google, Anthropic a pár dalších. Jejich rozvoj ale není levná softwarová evoluce – je to opravdu gigantický projekt, zejména po stránce infrastruktury.
OpenAI je dobrý případ. Podle Reuters dosáhla firma v červnu 2025 anualizovaných tržeb 10 miliard dolarů a míří k tomu, aby za celý rok utržila zhruba 12–13 miliard dolarů. Zvenku to vypadá skvěle, dokud se člověk nepodívá na druhou stranu výsledovky. OpenAI v roce 2024 podle několika analýz prodělala přes 5 miliard dolarů a Financial Times letos spočítaly, že jen v první polovině 2025 firma utržila 4,3 miliardy, ale zároveň vykázala provozní ztrátu 7,8 miliardy dolarů. Další zveřejněné finanční dokumenty naznačují, že za celý rok 2025 firma počítá s tržbami kolem 13 miliard a roční ztrátou kolem 9 miliard dolarů.
Zjednodušeně řečeno za každý vydělaný dolar OpenAI zatím utratí zhruba dva. Peníze jdou na trénink a provoz modelů, datová centra, výzkum, marketing i akciové odměny. K tomu se přidává plán na projekty typu Stargate – obří datacentra v řádu stovek miliard dolarů.
Nejde přitom jen o OpenAI. Citigroup letos odhadla, že kapitálové výdaje velkých tech firem na AI infrastrukturu – především datacentra, specializované čipy a energii – přesáhnou do roku 2029 částku 2,8 bilionu dolarů, přičemž už do konce roku 2026 mají dosáhnout zhruba 490 miliard ročně. Velká část této investice je financovaná dluhem, nikoli z aktuálních zisků, a podobná čísla přinášejí i další analýzy zaměřené na soukromé úvěrové fondy.
Z makro pohledu to znamená, že dnes nestavíme jen novou vrstvu IT. Probíhá jedna z největších kapitálových alokací v historii – kombinace cloudových megaprojektů, nových elektráren a čipových továren – a její návratnost je zatím spíš vírou než doloženým faktem.
Hinton: aby se AI zaplatila, musí nahradit lidskou práci
Geoffrey Hinton, držitel Turingovy ceny a jeden z otců moderních neuronových sítí, se poslední rok dost často objevuje v médiích jako „kmotr AI“. Není typickým techno‑skeptikem, o benefitech AI mluví roky. Ale jeho poslední veřejná vyjádření k ekonomice AI jsou poměrně přímočará.
V rozhovoru pro Bloomberg, dostal Hinton otázku, zda se současné, biliony dolarů vysoké investice do AI mohou zaplatit, aniž by masově ničila pracovní místa. Jeho odpověď: „Myslím, že nemohou. Myslím, že aby se na tom dalo vydělat, budete muset nahradit lidskou práci.“
Velké firmy právě na tohle sází – zvyšování zisků skrze nahrazování lidí levnějším digitálním otrokem.
Podstatný je rámec. Hinton netvrdí, že AI je k ničemu. Tvrdí, že pokud se má investiční sázka na AI z finančního hlediska vyplatit v měřítku, o kterém mluvíme, je pravděpodobně nezbytné, aby AI ve velkém nahrazovala lidskou práci – a tím pádem i kupní sílu těch, kdo dnes financují poptávku.
Pokud si to spojíme s výše uvedenými čísly z MIT a McKinsey, dostáváme nepohodlnou otázku: Nejsme v situaci, kdy ekonomika AI stojí spíš na očekávání budoucího masového nahrazování práce než na současných produktivních přínosech?
Limity prediktivních LLM a role „harnessů“
Velké jazykové modely se očividně zlepšují – umí lepší kód, lépe se drží instrukcí (alespoň GPT 5 Codex, Claude Sonnet 4.5 má sále v tomto ohledu co dohánět), zvládají složitější úlohy. Zároveň ale začíná být vidět, že čisté „nafukování“ modelů naráží na limity.
Přehledové studie o halucinacích v LLM z let 2023–2025 docházejí k podobnému závěru: hrubá míra halucinací sice u nových generací klesá, ale ani u nejlepších modelů není nulová a u náročnějších úloh se stále pohybuje v desítkách procent. Novější dataset DefAn, zaměřený čistě na měření halucinací, ukazuje, že modely si v určitém typu dotazů vymýšlejí systematicky – jen jinak, než bychom čekali podle běžných benchmarků.
Výzkumníci proto čím dál častěji mluví o tom, že další velký krok vpřed se nebude odehrávat uvnitř samotného modelu, ale v tom, co je kolem něj. Často se používá termín harness – tedy způsob, jak model „obalit“ nástroji, pracovními postupy a pravidly tak, aby byl v praxi použitelný. V takovém harnessu model nesmí odpovídat mimo oblast, kde máme data, místo toho sahá do vyhledávání nebo databází, má definované kroky, kdy se raději zeptá člověka, a jeho výstupy se průběžně validují.
V praxi to znamená, že spolehlivost už nedělá samotný model, ale celý zpracovatelský řetězec kolem něj. A také to na rozdíl od LLM není black box, na který se připojíme přes API.
To je možná největší rozdíl oproti marketingovému narativu. AI se často prezentuje jako mozek, který stačí zapojit, ale tak to rozhodně není. Reálný posun vypadá spíš tak, že kolem nedokonalého modelu budujeme stále sofistikovanější systémy, aby z něj šlo dostat něco, co se dá použít v běžném byznysu.
Proč tolik firem v implementaci AI selhává
Z pohledu firem je nejdůležitější otázka jednoduchá: kde se to projeví v číslech? Jak jsem napsal v úvodu čllánku, MIT ve zprávě The GenAI Divide: State of AI in Business 2025 shrnuje, že po 30–40 miliardách dolarů investovaných do generativní AI vidí 95 % zkoumaných organizací nulový měřitelný dopad na svou výsledovku. Jinými slovy – spousta pilotů, skoro žádný hmatatelný přínos.
Detailnější rozbory tohoto reportu (Fortune, Forbes, různé analytické blogy i univerzitní shrnutí) ukazují, že typický vzorec vypadá takto: firma nasadí „chytrý“ generátor textu nebo kódu, udělá několik demo ukázek, možná postaví interní chatbot, ale pracovní postupy nechá víceméně beze změny a nikdo pořádně neměří dopad na tržby, marži ani produktivitu. Výsledkem jsou projekty, které vypadají dobře na slidové prezentaci, ale v praxi spíš přidávají další vrstvu složitosti.
McKinsey v listopadovém reportu ke stavu AI v roce 2025 dochází k podobnému závěru: téměř všechny firmy sice AI nějak používají, ale jen malá menšina je ve fázi, kdy ji má opravdu integrovanou do klíčových procesů a dokáže systematicky zachycovat hodnotu. Firmy, kterým se to daří, mají společné dvě věci – přepsaly pracovní postupy kolem AI a dokážou průběžně měřit efekt, ne jen „dělat piloty“.
To mimo jiné vysvětluje, proč tak často slyšíme větu „AI nám zatím moc nepomáhá“ i z firem, které do ní investovaly miliony. Technologický základ je silný, ale organizační změna je těžká – a bez ní se AI v číslech neprojeví.
AWS jako varování: co ukázal výpadek v říjnu 2025
Dobrou ilustrací křehkosti i těch nejvyspělejších digitálních systémů je říjnový výpadek Amazon Web Services. V noci z 19. na 20. října 2025 došlo v regionu us‑east‑1 k poruše v automatizovaném systému správy DNS záznamů pro databázi DynamoDB. Automatizace vytvořila chybný (prázdný) DNS záznam, který se rozšířil po infrastruktuře a přerušil komunikaci se službami závislými na DynamoDB.
Podle oficiálního shrnutí AWS a analýz firem jako ThousandEyes trval celý incident zhruba patnáct hodin, zasáhl 141 dalších služeb AWS a nepřímo vyřadil z provozu tisíce aplikací po celém světě – od herních serverů přes fintech až po interní systémy bank, univerzit a nemocnic. Zpravodajství AP, Wired nebo The Guardian popisovalo, jak se během jednoho dne rozpadla velká část „neviditelné“ infrastruktury internetu, a přidávalo desítky konkrétních příkladů – nefunkční platební brány, nedostupné cloudové CRM, výpadky hlasových služeb i chytrých domácích zařízení (například někteří lidé museli spát na svých chytrých postelích v polosedě).
Klíčové je, co z toho plyne pro budoucnost AI. AWS už dnes používá rozsáhlou automatizaci a strojové učení pro škálování, monitoring i reakci na incidenty. Přesto se z poměrně nenápadné chyby v DNS automatizaci stal globální problém, který nevyřešil žádný chytrý algoritmus, ale až manuální zásah a postupné „ruční“ narovnání stavu.
Přeneseně to říká totéž, co vidíme u generativní AI: i extrémně sofistikovaný systém může v kritickém bodě selhat tak, že pomůže jen člověk, který rozumí tomu, co se děje pod kapotou. Představa, že „AI dohlédne na AI a všechno vyřeší sama“, je s tímhle v přímém rozporu.
Co z toho plyne pro rok 2026
Když spojím dohromady technologické limity, ekonomiku vlajkových modelů a čísla z firem, vycházejí mi pro rok 2026 dva realistické scénáře.
První možností je prasknutí AI bubliny ve stylu dot.com. Tenhle scénář počítá s tím, že trh začne víc věřit datům z MIT a McKinsey než marketingu, kapitál bude dražší a velké firmy omezí kapitálové výdaje na AI. Citigroup a další domy dnes varují, že valuace indexů jako S&P 500 jsou na AI příběhu výrazně závislé – zpomalení investic by podle nich mohlo přinést dvoucifernou korekci. Pokud by se zároveň ukázalo, že vlajkové modely mají dlouhodobě mizernou ekonomiku, nejsou vyloučené ani nepříjemné pády jednotlivých hráčů.
Druhou variantou je řízené splasknutí. Hype postupně odezní, AI přestane být všudypřítomým kouzelným buzzwordem a začne se posuzovat stejně jako jiné technologie: podle nákladů, rizik a návratnosti. Část startupů skončí nebo se nechá koupit, velké firmy přeskupí investice – méně do budování stále větších modelů, víc do robustních harnessů, integrací a vertikálních řešení. Vlajkové modely přežijí, ale s mnohem střízlivějšími maržemi, než jaké si dnes investoři kreslí v tabulkách. AI zůstane všude kolem nás, ale přestane být středem pozornosti. Generativní modely se zabydlí v nástrojích, kde dávají smysl – vývojářská prostředí, kancelářské balíky, specializované procesy – a rozvinou se další oblasti (biotech, energetika, robotika). Hodně peněz se v AI navždy „utopí“, ale nedojde k jednorázovému výbuchu.
Oba scénáře ale mají společné jedno: AI nikam nezmizí. Rozdíl je v tom, jak bolestivé bude přizpůsobení očekávání realitě.
Můj odhad: vystřízlivění
Osobně čekám, že 2026 bude spíš rokem vystřízlivění než katastrofy. Nevidím důvod věřit v totální kolaps AI – technicky je užitečná, už dnes šetří čas milionům lidí a v některých oblastech (například u vývoje software) přináší reálné a měřitelné zisky. Zároveň ale nevidím, že by čerstvá data podporovala představu rychlé a všeobecné ekonomické revoluce.
Pravděpodobné je, že AI projekty ve firmách projdou tvrdším čištěním. Přežijí ty, které dokážou prokázat konkrétní dopad na výsledovku, snížení rizika nebo jasnou úsporu času, a zaniknou projekty, které existují jen proto, aby se dalo říct, že „máme AI“. Tohle čištění dopadne nejen na startupy, ale i na velké hráče – tlak na ziskovost vlajkových modelů poroste.
Z technologického pohledu čekám, že hlavním trendem bude přesun pozornosti od „ještě většího modelu“ k „chytřejšímu systému“. Mluvit se bude méně o samotném modelu a víc o návrhu harnessů, pracovních postupů, integrací a governance. Zní to nudně, ale právě to je cesta k tomu, aby AI přestala být silně nespolehlivým kolegou a stala se použitelným nástrojem v seriózním provozu.
A možná to nejpodstatnější: AI začne být měřená stejným metrem jako všechno ostatní. Ne podle toho, kolik kolem ní je videí a tweetů, ale podle toho, jak se promítá do kvality služeb, spolehlivosti systémů a konečného účtu, který firmy předkládají akcionářům a bankám. Jestli tomu budeme říkat „prasknutí bubliny“, nebo jen „konec opojení“, je nakonec jedno. Důležité je, aby po roce 2026 zůstala AI méně nafouknutá v prezentacích a o to víc užitečná v praxi.