Adopce AI ve firmě: co dělat, aby licence na Copilot nebyly vyhozené peníze

Co ukazují zahraniční data

Podle dostupných analýz firmy licence nakupují mnohem rychleji, než je dokážou zaměstnanci reálně využít. Rozdíl mezi počtem zakoupených licencí a jejich skutečným využitím patří mezi nejčastěji zmiňovaná čísla v souvislosti s adopcí Microsoft 365 Copilotu.

Co za tím stojí, potvrzuje i výzkum zaměřený přímo na training gap: podle McKinsey nabízí strukturované školení v generativní AI jen jedna ze tří organizací, přestože téměř polovina firem uznává, že je pro úspěšnou adopci nezbytné.

Jak na tom jsou české firmy

Situace v Česku kopíruje globální trend, jen s časovým zpožděním. Zájem o AI roste rychleji než reálná připravenost lidí ji používat – a přesně tady vzniká mezera, o které je tento článek.

České firmy, které se zavedením Copilotu prakticky zabývají, popisují stejný vzorec jako zahraniční studie: zaměstnanci firemní licence dobře nevyužijí, nebo raději dál používají nefiremní AI nástroje na vlastní pěst, což je z pohledu bezpečnosti a etiky problematické. Tomuto jevu se říká shadow AI – používání neschválených AI nástrojů mimo dohled a pravidla firmy, často proto, že firemní nástroj je pro zaměstnance méně srozumitelný nebo méně dostupný.

1) Chybí strukturované školení

Nejčastější příčina je nejjednodušší: firma koupí licence, pošle jeden e-mail s odkazem na návod a předpokládá, že si zaměstnanci poradí sami. Podle dostupných analýz je právě chybějící odborně vedené školení nejčastější příčinou zaseknuté nebo neúspěšné adopce Copilotu – licence se nakoupí, proběhne oznámení a zbytek se nechá na náhodě.

Bez tréninku lidé nevědí, jak formulovat efektivní dotaz (tzv. prompt). Kvalita výstupu přitom přímo závisí na kvalitě zadání – většina zaměstnanců bez školení zadává vágní, obecné dotazy, které vrací mělké výsledky. Důvěra v nástroj po pár slabých zkušenostech klesá a používání se postupně vytrácí.

2) Nedůvěra a nejasná bezpečnostní pravidla

Druhou velkou brzdou adopce je nejistota kolem dat. Zaměstnanci váhají používat nástroj, kterému nerozumí – a pokud firma otázky kolem bezpečnosti dat aktivně nevysvětlí, nedůvěra tiše potlačuje používání nástroje, i když k tomu není reálný důvod.

Tyto obavy přitom lze poměrně jednoduše vysvětlit a odstranit – jde spíš o chybějící komunikaci ze strany firmy než o skutečné bezpečnostní riziko. Firma, která jasně řekne, jaká data smí Copilot vidět a kdo za výstupy odpovídá, tuto bariéru u zaměstnanců většinou odstraní hned na začátku.

3) Generický přístup místo školení podle role

Třetí problém je, že firmy často školí „Copilot obecně", místo aby ukázaly, co nástroj znamená konkrétně pro danou roli. Generické školení má svoje místo – dá lidem základní přehled a orientaci v nástroji – ale samo o sobě nestačí pro každý scénář. Marketér, HR specialista nebo manažer potřebují úplně jiné use case než bezpečnostní analytik. Bez tohoto rozlišení si zaměstnanec nedokáže představit, jak by mu Copilot pomohl v jeho vlastní agendě – a proto ho po pár pokusech přestane používat.

Školení podle role, ne podle nástroje

Nejúčinnější přístup není naučit lidi „co je Copilot", ale ukázat konkrétní roli konkrétní use case z jejího vlastního pracovního dne – HR specialistovi přípravu podkladů pro nábor, projektovému manažerovi shrnutí porad a rizik, marketingovému specialistovi přípravu obsahu. Teprve tehdy si zaměstnanec dokáže představit reálný přínos a nástroj začne používat sám od sebe, ne proto, že mu to bylo nařízeno.

Měření reálného využití, ne jen počtu licencí

Vedení firmy by mělo sledovat, kolik lidí Copilot skutečně otevírá a jak s ním pracuje – ne jen kolik licencí bylo zakoupeno. Bez tohoto přehledu se problém s nevyužitou investicí odhalí až s výrazným zpožděním, kdy je náprava dražší.

O těchto dvou číslech by měl mít přehled každý, kdo o AI ve firmě rozhoduje – bez pravidelného měření zůstává rozhodování o dalších investicích jen odhadem.

Jasná pravidla a bezpečnostní rámec

Firma by měla mít jasně nastaveno, jaká data smí Copilot vidět, kdo za výstupy odpovídá a kdy je nutná lidská kontrola. Tahle pravidla nemusí být složitá, ale musí být komunikovaná – jinak zaměstnanci raději nástroj vůbec nepoužijí, než aby riskovali chybu.