Autor: DataTip · Publikováno 14. září 2026

Demo AI v prvním roce může drahé rozhodnutí zdánlivě zjednodušit. Pro CIO, CTO nebo finančního ředitele je skutečnou otázkou, co by měl podnik vlastnit, co by měl nakupovat a jak se tato rozhodnutí projeví v horizontu tří až pěti let.

Podniky by měly vyspělé, standardizované schopnosti AI kupovat a samy vyvíjet vrstvy, které závisí na proprietárních datech, workflow, governance a provozních znalostech. Největší kontrolu často nabízí kombinovaný model: využívat komerční nebo open-weight foundation modely a přitom vlastnit routing, retrieval, agenty, evaluaci a aplikace. Tyto volby porovnávejte v horizontu tří až pěti let, včetně nákladů na využití, údržbu, bezpečnost a změnu dodavatele.

Nejsilnější odpovědí bude často kombinace: kupovat standardizovanou inteligenci a pak vyvíjet data, workflow, governance a aplikace, které odlišují vaše podnikání.

Má podnik schopnosti AI vyvíjet, kupovat, nebo kombinovat?

Podniky by obecně měly kupovat vyspělé schopnosti, které nevytvářejí významnou odlišitelnost, vyvíjet vrstvy závislé na proprietárních datech nebo procesech a kombinovat komerční nebo open-weight modely s interně řízenou podnikovou technologií. Volba není binární, protože přístup k foundation modelům a vlastnictví podnikové AI jsou samostatná rozhodnutí.

Užitečné rozhodnutí o zdrojích podnikové AI rozděluje schopnost do vrstev:

• Základní inteligence: přístup k modelům GPT, Claude, Gemini nebo k open-weight modelům.
• Podniková data a retrieval: informace, které systému dávají obchodní kontext.
• Agenti a workflow: jak schopnost vykonává práci uvnitř organizace.
• Orchestrace a routing: jak se požadavky přidělují modelům nebo službám.
• Evaluace, governance a nasazení: jak se udržuje kvalita, řízení rizik a provozní kontrola. Otázkou není jen to, zda tým dokáže schopnost vyvinout. Jde o to, zda daná vrstva vytváří dost strategické hodnoty, aby ospravedlnila průběžné náklady na její vlastnictví.

Kdy dává nákup AI větší smysl než vlastní vývoj?

Nákup je obecně vhodnější, když je schopnost vyspělá, široce dostupná a pravděpodobně nevytvoří významnou konkurenční odlišitelnost. Do tohoto vzorce zapadají asistenti pro programování, přepis schůzek, zpracování dokumentů, nástroje pro produktivitu a základní aplikace zákaznického servisu.

Nákup není automaticky levnější. Nakoupené schopnosti mohou přinést předplatné, poplatky za API, spotřebu tokenů, podnikové licence, integrační práci a závislost na roadmapě dodavatele. Přesto mohou být lepší volbou, pokud by interní týmy jinak musely udržovat funkci, která není pro konkurenční výhodu firmy klíčová.

Vlastní vývoj je atraktivnější, když výkon závisí na proprietárních datech, duševním vlastnictví, specializovaných provozních znalostech nebo jedinečných obchodních procesech. Neznamená to ani nutně trénovat foundation model od nuly. Podnik může nakupovat přístup ke komerčním nebo open-weight modelům a přitom vyvíjet vlastní retrieval systémy, datové pipeline, agenty, orchestraci, evaluační systémy a aplikace.

Tato okolní vrstva může mít ke zdroji konkurenční výhody blíž než samotný model.

Jak příklady z podniků ukazují hodnotu kombinování schopností AI?

AT&T uvádí zhruba pětinásobnou návratnost svých investic do AI v rámci jednoho roku a úspory 80–90 procent u některých aplikací díky otevřeným modelům. Jde o výsledky uváděné samotnou firmou, nikoli o typické výsledky, které by měl očekávat každý podnik. Širší ponaučení je architektonické: AT&T nemusí vyvíjet každý model, protože vlastní vrstvu, která řídí výběr modelů, podniková data a nasazení.

Goldman Sachs ukazuje jinou podobu přístupu „vyvíjet i kupovat“. Banka zaměstnává celosvětově více než 12 000 inženýrů, což představuje zhruba čtvrtinu jejích zaměstnanců, a má tak značnou kapacitu přizpůsobit AI finančním a inženýrským workflow. Integruje komerční technologie včetně Anthropic Claude a Devin od společnosti Cognition, místo aby se snažila vyvinout každý model interně.

Se inženýrskou organizací Goldman Sachs spolupracovaly stovky AI agentů. Devin podle zpráv u některých agentních inženýrských úloh dosáhl trojnásobné až čtyřnásobné produktivity oproti předchozím vývojářským nástrojům AI. CIO Goldman Sachs Marco Argenti rovněž tvrdí, že firmy by neměly automaticky odmítat open-weight modely, pokud jsou k dispozici odpovídající kybernetické kontroly.

Model Goldman Sachs kombinuje externí nástroje s interním inženýrstvím, integrací, governance a finanční odborností. Tuto flexibilitu musí podporovat průběžně udržovaná interní kapacita; nákup nástroje neodstraňuje práci potřebnou k tomu, aby byl užitečný a pod kontrolou.

Které vrstvy podnikové AI se může vyplatit vyvíjet?

EY poskytuje jasný příklad vývoje kolem modelu namísto vývoje samotného modelu. Ve spolupráci se společností 8090, zaměřenou na vývoj nativně postavený na AI, vytvořilo EY.ai PDLC – životní cyklus vývoje produktu nativně postavený na AI, který kombinuje architekturu, automatizované testování, governance a lidský dohled.

Analýza TechTarget zabývající se strategiemi „vyvíjet, nebo koupit“ u podnikové AI uvedla, že přístupy tohoto druhu mohou zkrátit procesy vývoje softwaru, které tradičně trvaly měsíce, na dny nebo týdny. Podstatou není, že by každý podnik měl očekávat stejný výsledek. Jde o to, že EY se rozhodlo vlastnit způsob, jakým se aplikace s pomocí AI navrhují, testují, řídí a dodávají, místo aby vyvíjelo špičkový foundation model.

Athena Intelligence ukazuje druhou stranu téže strategie. Pro podnikové znalostní workflow využívá Claude od Anthropic a své vývojové zdroje soustřeďuje na agenty, workflow a uživatelskou zkušenost. Podle případové studie zákazníka Anthropic může tento přístup uvést podniková AI workflow do produkce během čtyř až osmi týdnů, zatímco oborový benchmark činí šest až dvanáct měsíců.

Tento časový rámec pochází z případové studie, nejde o nezávisle ověřený benchmark. Přesto ilustruje logiku výběru zdrojů: kupovat základní inteligenci a interní úsilí soustředit na vrstvu specifickou pro dané podnikání.

Kdy by firma měla koupit specializovanou AI aplikaci?

Specializované aplikace mohou být vhodnější, když výchozí proces nevytváří dostatečnou konkurenční odlišitelnost, aby ospravedlnil interní vývoj a údržbu. AI agenti společnosti HyperVerge pro úvěrování MSME automatizují finanční analýzu, vícejazyčné videorozhovory a úvěrovou due diligence.

V pilotních projektech s 10 středně velkými věřiteli se finanční kontroly podle zpráv zkrátily ze dvou až tří hodin na zhruba pět minut. Příprava memoranda k úvěrovému posouzení se zkrátila z přibližně čtyř hodin na méně než 10 minut a dokumentace osobních rozhovorů ze 45–60 minut na pět minut. Tři věřitelé převedli agenta pro videorozhovory do produkce.

Jde o uváděné výsledky pilotních projektů, nikoli o univerzální benchmarky. Banka by mohla podobnou technologii vyvinout interně, ale nákup specializovaného systému a integrace vlastních úvěrových zásad mohou dávat větší smysl, pokud automatizovaný underwriting sám o sobě nepředstavuje významnou odlišitelnost.

Co by mělo zahrnovat porovnání celkových nákladů na AI na pět let?

Celkové náklady na vlastnictví AI (TCO) daleko přesahují předplatné na první rok nebo srovnání poplatků dodavatele s platy inženýrů. Vlastní vývoj může vyžadovat AI inženýry, GPU, cloudovou infrastrukturu, datové pipeline, inferenci, bezpečnost, evaluaci a údržbu modelů. Nákup přesouvá mnoho těchto nákladů do předplatného, využití API, spotřeby tokenů, licencí, integrace a režie spojené s řízením dodavatelů.

VYGENEROVÁNO AI

Jakmile systém dosáhne produkčního měřítka, náklady se mohou prudce změnit. Architektura, která podniku umožňuje měnit modely, může získat finanční význam, když se změní ekonomika využití nebo schopnosti modelů. Naopak těsné propojení stovek aplikací s jedním poskytovatelem může vytvořit značné náklady na změnu, pokud se změní schopnosti, ceny tokenů nebo smluvní podmínky.

Proto nejlépe obhajitelným interně vyvinutým aktivem nemusí být model AI. Může jím být vrstva routingu, proprietárních dat, návrhu workflow, evaluace, governance a nasazení kolem modelu. Rozsah předpokládaných výdajů na AI infrastrukturu také vysvětluje, proč je pro většinu podniků nerealistické vytvářet vlastní špičkovou infrastrukturu.

Praktické rozhodnutí je proto konkrétní: kupujte standardizované schopnosti, vyvíjejte tam, kde proprietární znalosti a workflow vytvářejí odlišitelnost, a kombinujte obojí tam, kde záleží na kontrole nad daty, architekturou a ekonomikou využití. Demo dokazuje, že schopnost funguje. Pohled na tři až pět let ukazuje, kdo ji bude muset udržovat, jak snadno ji lze změnit a zda podnik buduje aktivum, které může kontrolovat.

Klíčové poznatky

• Přístup k foundation modelům a vlastnictví podnikové AI berte jako samostatná rozhodnutí; nákup modelu neznamená outsourcing vrstvy, která vás odlišuje.
• Kupujte vyspělé schopnosti, jako je přepis řeči, zpracování dokumentů, nástroje pro produktivitu a základní zákaznický servis, pokud nevytvářejí významnou odlišitelnost.
• Vyvíjejte tam, kde výkon určují proprietární data, duševní vlastnictví, specializované znalosti nebo jedinečné procesy.
• Posuzujte provozní náklady na pět let napříč infrastrukturou, inferencí, datovými pipeline, bezpečností, evaluací, údržbou, licencemi a závislostí na dodavateli.
• Využívejte routing a architekturu s více modely, abyste snížili riziko, že každou aplikaci svážete s jedním poskytovatelem.

Praktické tipy

• Oddělte business case pro foundation model od business case pro retrieval, agenty, workflow, governance a kontroly nasazení.
• Než uváděný výsledek výkonu použijete v investičním rozhodnutí, zaznamenejte, zda pochází z prohlášení firmy, z případové studie zákazníka, nebo z nezávislého benchmarku.
• Modelujte náklady na změnu poskytovatele, včetně integrací aplikací a provozního přeškolení, místo abyste změnu dodavatele považovali za bezproblémovou.
• Standardizované schopnosti posuzujte odděleně od podnikových vrstev, které vás odlišují; neměly by sdílet stejný předpoklad „vyvíjet, nebo koupit“.

Udělejte z rozhodnutí o vlastnictví explicitní volbu

Rozdělte každou schopnost AI do vrstev základní inteligence, podnikových dat, workflow, orchestrace a governance. Poté porovnejte dopady na provozní náklady a kontrolu, pokud každou vrstvu budete vlastnit, nebo nakupovat, v horizontu tří až pěti let.

VYGENEROVÁNO AI