Mám to šťastie a privilégium sa často rozprávať. S majiteľmi, rozhodovateľmi, seniornými marketérmi aj programátormi. Z veľkých, stredných aj malých firiem. A už viac ako dva roky vnímam, že vždy keď sa začneme rozprávať o AI (a takmer vždy na túto tému dôjde), tak prevládajú dva pocity.
Strach a neistota.
„Čo ak mi už uteká vlak? Čo ak to v inej firme (alebo agentúre) robia lepšie a dokážu AI efektívnejšie implementovať do procesov? Ide nám to s AI veľmi pomaly. Inde to už určite robia lepšie!“
Poznám to z vlastnej skúsenosti. Mám na starosti performance marketingový team vo veľkej mediálnej agentúre. Odo mňa a môjho teamu sa očakáva, že budeme prinášať AI inovácie.
Minul som už stovky, ak nie tisícky hodín s ChatGPT a Codexom, Claude a Claude Code, s Obsidianom, n8n a Make.com a ďalším kvatriliónom relevantných nástrojov. Prečítal stovky strán a napozeral desiatky hodín múdrych videí.
A na čo som došiel? Že najhoršie, čo môžem robiť (pre seba aj vzhľadom na tím a firmu), je bezhlavo prepadnúť AI FOMO efektu. Pretože ja som mu prepadol. A spálil veľa času. Lebo som konal pod FOMO efektom, nie racionálne. Viď záver článku pre odporúčania, ako k AI pristupujem dnes.
Najprv ale štyri dôvody, prečo nemusíte prepadať FOMO efektu a konať bezhlavo, pretože stále je čas naskočiť na vlak a vyhnúť sa mojim FOMO chybám.
1) 90 % LinkedIn postov, kde sa niekto chváli, aký super AI tool spravil, je v skutočnosti len pozlátko bez reálnej pridanej hodnoty.
Vzhľadom na objem času, ktorý som venoval práci s AI a testovaniu (najmä Codex a Claude Code v kombinácii s Obsidianom), viem s veľkou mierou istoty povedať, že dosiahnuť konzistentné výstupy v dobrej kvalite je náročné.
Jeden môj konkrétny prípad: automatické auditovanie klientov pomocou AI (pre znalých – v tech stacku máme Make.com, APIFY, Moz API, MarketingMiner API a Claude Code + OpenAI API). Napriek množstvu scrapovaných dát o konkrétnej doméne sme dlho dostávali všeobecné a general „slop“ závery. Je jedno, ako dobre sme promptovali, používali vektorové databázy a neviem čo ešte – na konci dňa sme pri rôznych doménach s absolútne rôznymi parametrami dostali nedostatočné, povrchné, všeobecné závery vychádzajúce z malého kontextového okna a obmedzeného trénovacieho setu, ktorý nie je zjavne na tieto účely good enough.
Preto viem, že dosiahnuť excelentné výsledky bez toho, aby ste mali vlastné dáta alebo stovky hodín času, je extrémne náročné. Z toho vychádza aj moje presvedčenie, že 90 % chvastania sa „spravili sme AI toto a hento“ v PR článkoch, na LinkedIne alebo na sociálnych sieťach je len niečo, čo dokáže ktokoľvek schopnejší super rýchlo reprodukovať. No real value.
Mohli by ste protiargumentovať, že tých zvyšných 10 % budú práve tí, ktorí prevalcujú trh, ale na prevalcovanie trhu potrebujete nielen dobrý produkt, ale aj veľa peňazí, DLHODOBÚ cieľavedomú snahu alebo unikátne dáta (ktoré LLM nemali vo svojom poole dát, na ktorých sa trénovali).
Preto ak dnes začnete racionálne nad implementáciou AI rozmýšľať a pracovať, FOMO nie je na mieste. Vlak vám ešte neušiel.
2) Pokiaľ nerobíte small business klientov, vibe-kódené riešenia pre klientov stále nie sú good enough
Už aj vy určite poznáte minimálne jedného marketéra (alebo ešte horšie C-level manažéra), ktorý objavil Claude Code a nadobudol sebavedomie, že nepotrebuje programátorov, dizajnérov, atď. Lebo po tom, čo si „vyklódil“ vlastnú appku na počítanie kalórií mu už nič nebráni, aby vlastnoručne „vyklódil“ SaaS produkt, ktorý mu zarobí milióny.
Heh.
Nie je nič horšie, ako keď sa niekto, kto nevie ani mäkké „ň“ o programovaní, dizajnovaní, marketingu, [doplňte si ďalšie], začne programovať, dizajnovať, marketovať, [doplňte si ďalšie]. Keďže toho veľa nevie o danom obore, s veľkou pravdepodobnosťou dostane vo výsledku opäť niečo, čo by skutoční špecialisti v danom obore nazvali v tom lepšom prípade “veľmi priemerné”. AI z nikoho experta (na nič, v čom už expert nie je) nespraví. Stanford a Harvard k tomu pripravili aj pomerne hutnú štúdiu: https://hbr.org/2026/03/gen-ai-wont-make-your-employees-experts
Týmto ľuďom je pritom náročné vysvetliť, že to, čo tvoria, je v lepšom prípade len niečo veľmi priemerné, pretože to tvoria oni. A klasický IKEA efekt: to, čo si postavím sám, vnímam ako niečo lepšie a hodnotnejšie.
Skromne priznávam, že toto presne platilo aj pre mňa. Dlho.
Očarovanie z prvého používania Claude Code je totiž obrovské. Našťastie, takmer všetci naši klienti sú firmy, pre ktoré sú kvalita, spoľahlivosť a výsledky minimálne rovnako dôležité ako cena. A narýchlo vibe-kódené one-man (alebo small team) riešenia pre nich nie sú dostatočné. Potrebujú expertízu. Potrebujú komplexnejšiu starostlivosť. Potrebujú spoľahlivosť a bezpečnosť.
Ak oslovujete klientov, pre ktorých cena nie je jediný faktor, tak zatiaľ nie je veľa firiem, ktoré by boli zásadne vďaka AI pred vami. Expertíza a spoľahlivosť v doručovaní kvality a výsledkov majú stále navrch.
Ak náhodou robíte primárne pre malých klientov, takých, ktorí idú po cene a “good enough“ je pre nich “good enough“, ak je cena nízka, tak vám práve vyrástla brutálna konkurencia vibe-kóderov, ktorí budú SMB segment oslovovať.
Tzn. ani by som v tomto prípade neriešil FOMO z AI, ale aktívne hľadal, ako osloviť inú ako small business cieľovku – lebo pri nej bude riadny pretlak.
3) Veľa firiem (a jednotlivcov) zbytočne mrhá čas a tokeny na čisto deterministické procesy, ktoré vy viete vyriešiť oveľa spoľahlivejšie a bez AI
Aj tu skromne priznám, že po prvom očarovaní Claude Codom sa to dialo aj mne. Potreba AI vraziť všade. Lebo AI.
Pravdou ale je, že väčšina procesov (alebo aspoň veľká časť) vo firmách nepotrebuje žiaden reasoning. Ide o priamočiare IF-ELSE procesy, kde AI nie je vôbec treba. A dokonca bez AI ich viete automatizovať lacnejšie, ľahšie, spoľahlivejšie. Stačí n8n, Make.com alebo Zapier.
V mojom prípade ale aspoň bolo výhodou, že som vďaka nadšeniu zo svojej prvej “vyklódenej” kalkulačky kalórií začal cieľavedomo hľadať procesy, ktoré sa dajú automatizovať. Najprv som sa do týchto procesov snažil narvať AI a keď som zistil, že to nie je až také jednoduché a vždy spoľahlivé (viď bod 1 článku), tak sme ich automatizovali bez AI.
A to viete robiť aj vy pri väčšine vašich firemných procesov. 😊
4) Zatiaľ len málo firiem z investícií do AI získalo priamy boost ich obchodných výsledkov
U nás v agentúre som po prvých pár sto hodinách zlepšovania procesov pomocou AI musel priznať, že vlastne netuším, aký majú vplyv na bottom line firmy. Lebo kvôli FOMO efektu som najprv pálil čas a potom začal rozmýšľať, že možno by sme efekty mohli aj skúsiť empiricky merať. Pocitovo zatiaľ obrat zázračne nestúpol. Ale s meraním len začíname. Uvidíme.
Nedávna štúdia od MIT prišla k záveru, že to platí pre veľa firiem: https://finance.yahoo.com/news/mit-report-95-generative-ai-105412686.html (poznámka: k danej štúdii dnes existuje veľa kritiky k metodike aj definovaniu, čo znamená “zlyhanie”).
Z rozhovorov s rozhodovateľmi vo firmách a agentúrach tiež nemám veľa príkladov, že by (zatiaľ) niekto vyslovene vďaka AI zvýšil zásadne obrat. Výnimkou sú firmy, ktoré začali ponúkať AI školenia a workshopy pre SMB (a teda skôr vyťažili z FOMO efektu v daných firmách a šikovne využili časovo obmedzenú príležitosť. V tomto priznám ušiel trošku vlak aj mne :D).
Je toto dôvod na FOMO? Nie. Aj SMB klientov na workshopy a školenia je a dlho bude veľa (ak sa chcete vydať týmto smerom).
Ako teda na AI s rozumom?
Rozdeľme to na dve roviny. Prínos AI na úrovni konkrétnej osoby a prínos AI na úrovni firemných procesov.
Osobná rovina je jasná. Ak ste dnes dobrý marketér, s AI budete o triedu lepší marketér. Ak ste dnes dobrý obchodník, s AI budete o triedu lepší obchodník. Firmy by preto mali venovať čas aj prostriedky, aby motivovali ľudí skúšať a používať AI. U nás v agentúre sme to riešili prostredníctvom školení a workshopov. Ideál je, ak by sa na každom oddelení našiel jeden “AI líder“, ktorý bude pomáhať ostatným kolegom a kolegyniam a motivovať ich k efektívnemu používaniu AI.
Motivácia ľudí k testovaniu a používaniu AI je dvojnásobne dôležitá kvôli tomu, že ak tak vy nebudete robiť, ale konkurent áno, tak za tri roky budete buď dobiehať alebo meniť ľudí vo firme.
Na úrovni individuálneho používania AI preto jednoznačne odporúčam školiť, podporovať, vytvárať priestor. Je to nevyhnutné.
Na úrovni firemných procesov je to náročnejšie. Neviem, či tu mám zázračný správny postup, no snažíme sa o nasledovný mentálny rozhodovací proces:
- Vidíme niekde príležitosť, že nám niečo trvá veľa času a dalo by sa to automatizovať?
- Ak áno, je to nedeterministický proces?
- Ak áno, vieme vypočítať, koľko času (= peňazí) ušetríme a koľko času a tokenov (= peňazí) nás to bude stáť?
V skratke, každému, kto sa chce hrať s AI, jeho snahu podporujeme a vytvárame bezpečnostný rámec, aby AI mohol používať (samostatná téma). Očakávame, že to prinesie experimentovanie v malom. Drobné zlepšenia aktuálnych procesov alebo novú hodnotu pre našich klientov.
Keď sa na seba nabalí veľa malých zlepšení, veríme, že sa to prejaví aj na našej marži. Dobrým predpokladom je, ak si dopredu spíšete hypotézy, v akých KPIs vám má konkrétny experiment pomôcť, a následne si to skúsiť aj zmerať.
Pri väčších investíciách do firemných procesov najprv počítame, či implementácia AI má zmysel a zvýši našu ziskovosť. Tu sme nekompromisnejší. Ak pri veľkej investícii nevieme dopredu jednoznačne vypočítať prínos, tak do nej nejdeme. Ak do toho ideme, tak už teraz dbáme, aby sme vedeli exaktne vyhodnocovať dlhodobý ROI (alebo efekt v inej metrike, ktorú sme si stanovili).
Držím palce v nepanikárení. 😊
