Plán robotizace a umělé inteligence

Účel a rámec plánu robotizace/AI

Plán robotizace a umělé inteligence (AI) je řízený program zavádění technologií, které automatizují, augmentují nebo transformují firemní procesy. Cílem je měřitelně zlepšit náklady, rychlost, kvalitu, bezpečnost a zákaznickou zkušenost – a to při jasném řízení rizik, dat a změn v kompetencích lidí. Plán propojuje byznys strategii s portfoliem „use cases“, architekturou dat a technologií, modelem ROI, změnou rolí a governance.

Strategické ukotvení: od vize po KPI

• Vize: jaké místo mají roboti, automatizace a AI v budoucím provozu (např. „digitální závod“, „AI-first backoffice“, „asistovaná péče o zákazníka“).
• Ambice: 30–50 % zkrácení průběžné doby (lead time), 20–30 % snížení chyb, 10–15 % úspora OPEX, zvýšení NPS o 5–10 p.b.
• KPI: jednotkové náklady, OEE/OLE, first-contact resolution, AHT, přesnost predikcí, míra automatizace, compliance incidenty, využití robotů/agentů, čas zavádění změn (MTTR pro modely/roboty).

Audit procesů a připravenosti (maturity)

Před investicemi je nezbytná inventura procesů, dat a nástrojů. Minimalizujte plýtvání (Lean), zjednodušte tok práce a až poté robotizujte. Hodnoťte:

• Stabilitu a standardizaci procesů (SOP, měření kvality, variability).
• Datovou připravenost (kvalita, vlastnictví, přístup, citlivost).
• IT/OT integrace (API, eventy, MES/ERP, bezpečnost, edge/IoT).
• Právní a compliance požadavky (GDPR, odvětvové normy, zásady EU AI Act – klasifikace rizika, transparentnost, lidský dohled).
• Lidské kapacity (digitální dovednosti, ochota měnit způsob práce, odbory/employee relations).

Typologie use cases: spektrum příležitostí

• Robotizace výroby a logistiky: kolaborativní roboti (coboty) pro montáž, paletizaci, pick & place; počítačové vidění pro kontrolu kvality; autonomní mobilní roboti (AMR) ve skladech; prediktivní údržba strojů.
• Administrativní automatizace: RPA/IPA pro zpracování faktur, objednávek, reklamací; extrakce dat z dokumentů (OCR + NLP); automatizované závěrky a sladění.
• Zákaznická péče: AI asistenti (chat/voice) s propojením na CRM, human-in-the-loop eskalace, sumarizace hovorů, doporučení dalšího nejlepšího kroku.
• Obchod a marketing: scoring leadů, personalizace obsahu, generativní návrhy kampaní s lidskou revizí, analýza sentimentu.
• Řízení poptávky a zásob: predikce poptávky, dynamické doplňování, optimalizace portfolia a cen.
• Bezpečnost a rizika: odhalování anomálií (podvody, AML), monitoring kybernetické bezpečnosti, video-analytika BOZP.
• IT a provoz: AIOps (detekce incidentů, predikce kapacity), generování skriptů se sandbox kontrolou, automatizované testy.
• Generativní AI (LLM) copiloty: vyhledávání v interních dokumentech (RAG), sumarizace, psaní návrhů a analýz s ověřováním zdrojů a schvalováním.

Portfolio use cases: výběr, hodnocení, prioritizace

Pro prioritizaci použijte bodovací model s váhami. Příklad kritérií a vah:

Každý use case vyplňte ve „Use Case Canvas“: problém, vstupy/výstupy, KPI, vlastníci, data, integrace, HIL (human-in-the-loop), bezpečnostní kontroly, TCO, plán pilotu, kritéria „go/no-go“.

Architektura: data, modely, roboti a orchestraci

• Datová vrstva: data lakehouse, katalog, správa kvality, přístupové politiky, PII pseudonymizace, data lineage.
• Integrace: API-first, event-driven (streaming), konektory na ERP/MES/CRM/DMS, edge brány pro OT a robotiku.
• MLOps/LLMOps: verzování dat a modelů, CI/CD pipeline, automatické hodnocení, monitoring driftu, rollback, model registry.
• Robotická vrstva: programování a bezpečnost cobotů, kamerové systémy, PLC/MES integrace, plánování trajektorií, HSE normy.
• Orchestrace: RPA orchestrátor, plánovače úloh, fronty, SLA/SLO definice, observabilita (telemetrie kroků a agentů).
• Bezpečnost: zero-trust, segmentace sítí (IT/OT), tajemství v trezorech, audit trail, šifrování „at rest/in transit“.

Generativní AI: specifika návrhu a provozu

• RAG (retrieval-augmented generation) pro odpovědi z interních zdrojů, citace a kontextová okna.
• Prompt a systémové politiky: guardrails, povolené/zakázané zdroje, styl výstupu, omezení akcí.
• Hodnocení: metriky faktickosti, toxicity, bezpečnostní testy, golden datasets, lidská hodnocení (RH/FH).
• Human-in-the-loop: schvalování právních textů, finančních výstupů či HR rozhodnutí.
• Cache a náklady: prompt caching, opětovné využití embeddingů, strukturované výstupy (JSON) pro snazší post-processing kroky.

Byznys case a ROI: metodika a příklad

Posuzujte celkové náklady vlastnictví (TCO) a benefity ve třech koších: úspory (pracovní čas, scrap, reklamace), růst (konverze, upsell), riziko (pokuty, výpadky). Používejte NPV/IRR pro víceroleté projekty a zohledněte nejistotu (scénáře, citlivostní analýza).

• Jednoduché ROI (1. rok): (benefity − OPEX − CAPEX) / CAPEX.
• Payback: CAPEX / (roční čisté benefity).
• NPV: diskontované cash flow v horizontu 3–5 let.
• IRR: vnitřní výnosové procento projektu.

Příklad: CAPEX 500 000 €, roční benefity 350 000 €, roční OPEX 80 000 €.

• Čisté roční benefity: 270 000 €.
• Payback: přibližně 22,2 měsíce.
• NPV (3 roky, 10 % diskont): ≈ 171 450 €.
• IRR (3 roky): ≈ 28,6 %.

Výsledky prezentujte jako pásmo (konzervativní–realistický–optimistický scénář) a uveďte předpoklady (využití, inflace, ceny licencí, produktivita).

Změna rolí: automatizovat, augmentovat, transformovat

AI a robotizace nahrazuje rutinu, ale přináší nové, vyšší hodnoty úkoly. Doporučená typologie dopadu práce:

• Automatizace: opakované, deterministické kroky (zadání objednávek, validace náležitostí).
• Augmentace: člověk rozhoduje, AI připravuje podklady (sumarizace, doporučení, návrhy).
• Transformace: vznikají nové role a služby (AI produktový manažer, správce znalostní báze, supervizor robotů).

Nové role a kompetence:

• AI Product Owner, Data/ML Engineer, MLOps/LLMOps, Prompt/Interaction Designer, Data Steward, RPA Developer, Robot/OT Engineer.
• Upskilling v oblasti datové gramotnosti, bezpečného používání AI, procesního myšlení a experimentování.

Plán práce s lidmi: mapování dopadu na FTE, reskilling a redeployment, komunikační plán, školení, dohody se zástupci zaměstnanců, etické zásady (transparentnost, vysvětlitelnost, nediskriminace).

Governance, právo a rizika

• AI/Automation Board s mandátem na prioritizaci, rozpočty a politiku používání AI; RACI pro byznys, IT, právní a bezpečnost.
• Zásady a standardy: klasifikace rizika use caseů, zásady datové minimalizace, zpracování osobních údajů, auditovatelnost, logging.
• Model Risk Management: registrace modelů, validační protokoly, periodické revalidace, testy robustnosti, monitoring driftu.
• Compliance s regulacemi: požadavky EU (včetně AI Act) a odvětvových norem; dokumentace účelu, omezení a lidského dohledu.

Bezpečnost a spolehlivost: od návrhu po provoz

• Bezpečnostní kontroly: RBAC/ABAC, šifrování, DLP, izolovaná prostředí pro trénink/modely, bezpečná tajemství.
• Bezpečnostní testy a red teaming generativních asistentů (prompt injection, data leakage, model abuse), politika citlivých témat.
• Observabilita: telemetrie výkonu, kvality a nákladů; SLO pro latenci, dostupnost, přesnost; alerting a runbooky.

Realizace: od PoC k škálování

1. Identifikace a výběr (1–2 měsíce): workshop portfolia, bodování, výběr 3–5 rychlých PoC.
2. PoC (4–8 týdnů): technická realizovatelnost, kvalita dat, první KPI, definice HIL, bezpečnostní kontroly.
3. Pilot (8–12 týdnů): v produkčním prostředí na omezené vzorce, definované SLA/SLO, školení uživatelů.
4. Scale (3–6 měsíců): robustní integrace, automatizované nasazení, monitoring, FinOps/CostOps, rozšíření na další jednotky.

Stage-gates: jasná kritéria „go/no-go“ (byznys dopad, bezpečnost, compliance, UX/adopce, stabilita), ownership a převzetí do BAU.

Výběr vendorů a smluvní rámce

• RFP kritéria: reference v oboru, otevřenost integrací, garance kvality, roadmapa, TCO, podpora a školení.
• Smlouvy: SLA/SLO, sankce, bezpečnostní a compliance přílohy, DPA (zpracovatelské smlouvy), IP a práva k výstupům.
• Lock-in a přenositelnost: export dat a artefaktů, kompatibilita standardů, možnost vícemodelovosti (multi-model).

Měření, reporting a „single source of truth“

• Dashboard hodnoty: úspory času, procento automatizace, kvalita výstupů, NPV/IRR portfolia, incidenty a reklamace, adopce uživatelů.
• Provázanost s finančním plánem: vazba na rozpočet, amortizace, nákladová střediska, FinOps pro AI (spotřeba výpočetního výkonu, licence).
• Audit trail: záznam rozhodnutí AI/robotů, podklady pro vysvětlení a forenzní analýzy.

Check-listy a artefakty

• Use Case Canvas: problém, KPI, data, integrace, rizika, HIL, TCO, pilot, kritéria úspěchu.
• Data Readiness Sheet: zdroje, kvalita (completeness, accuracy), PII klasifikace, steward, retention, sharing.
• Model Card/Robot Cell Card: účel, tréninková data, metriky, limity, bezpečnostní a etické upozornění.
• Runbook: postupy při chybách, eskalace, rollback, incident management.
• Risk Register: technická, právní, etická, provozní rizika, vlastník, mitigace, reziduální riziko.

Časté omyly a jak se jim vyhnout

1. Technologie před procesem: robotizace chaos nezachrání. Nejprve proces zjednodušit a stabilizovat.
2. Podcenění dat: bez kvality dat AI degraduje. Investujte do správy dat dříve než do modelů.
3. Ignorování lidí: adopce rozhoduje o ROI. Zahrňte uživatele do designu a měřte spokojenost.
4. Bez governance: bez politik, auditů a monitoringu rostou rizika a náklady.
5. Jednorázové projekty: budujte platformu a znovupoužitelné komponenty (konektory, evaluace, prompt politiky).

Příklad 12měsí