Jak změřit proces před nasazením AI, aby šel později doložit přínos?

Rozhodnutí, které záznam výchozího stavu řeší

Než se AI nástroj v procesu poprvé použije, existuje jediný způsob, jak později doložit, že se něco skutečně změnilo: zaznamenat současný stav dřív, než k nasazení dojde. Rozhoduje se tím, jestli bude po měsíci provozu k dispozici srovnatelné číslo, nebo jen dojem, že je práce rychlejší či pohodlnější. Vlastník procesu, období měření a přesná definice jednotky práce se domlouvají předem, protože zpětně je výchozí stav nedohledatelný.

Tento text neřeší, jaký nástroj vybrat. Tomu se věnuje jak vybrat AI nástroj pro firmu. Řeší jen to, co je potřeba zaznamenat, než se jakýkoli nástroj poprvé zapojí do práce.

Jednotka práce a co u ní zaznamenat

Prvním krokem je pojmenovat jednotku práce tak konkrétně, aby ji šlo spočítat: jedna zpracovaná faktura, jedna odpověď na dotaz klienta, jeden návrh smlouvy, jeden zápis ze schůzky. Obecná jednotka jako “práce na projektu” se srovnává špatně, protože každý projekt má jinak velký rozsah.

Pro každou jednotku se zaznamenávají čtyři veličiny:

• Úplný čas. Od převzetí zadání po výstup připravený ke standardní kontrole, včetně čekání na podklady, schválení nebo odpověď kolegy a včetně případného přepracování. Čas jen aktivní práce podhodnocuje reálnou délku procesu, a právě čekání po nasazení AI nástroje často mizí jako první.
• Kvalita podle stálého měřítka. Použije se existující kritérium přejímky. Pokud stálé kritérium chybí, vznikne jednoduchá škála se třemi stupni, například bez úprav, s drobnou úpravou, vrácen k přepracování.
• Počet oprav. Kolikrát se k výstupu někdo vrátil, než byl uznán za hotový, a kdo opravu provedl.
• Závažná selhání. Případy, kdy výstup obsahoval věcnou chybu, kterou by běžná přejímka bez důkladné kontroly nemusela odhalit, nebo kdy proces úplně selhal a musel se opakovat od začátku.

Kolik vzorků a za jaké období

Přesný počet vzorků nejde určit univerzálně, protože závisí na tom, jak často se jednotka práce opakuje a jak moc kolísá její obtížnost. Pro úkol, který tým řeší denně, bývá reálné zaznamenat případy za dva až čtyři týdny běžného provozu. Pro úkol, který se opakuje jen několikrát měsíčně, je nutné počítat s delším obdobím, jinak vzorek obsáhne jen jeden typ situace.

Vybrané období má pokrývat běžný rozsah obtížnosti, čili směs jednoduchých i náročných případů z běžného provozu. Pokud tým řeší sezónní špičky nebo mimořádně náročné případy jen výjimečně, zaznamená se to jako poznámka k datům, aby pozdější srovnání bralo tento kontext v úvahu.

Krátké období s malým počtem vzorků funguje dobře jako první orientační test toho, zda jde záznam v praxi vůbec vést. Pro rozhodnutí o pokračování nebo rozšíření je potřeba delší a reprezentativnější sběr dat.

Co musí zůstat beze změny, aby srovnání dávalo smysl

Srovnání výchozího stavu se stavem po nasazení AI nástroje má smysl jen tehdy, když se mezi oběma měřeními nezmění nic dalšího podstatného. Platí to zejména pro:

• Definici jednotky práce a kritéria kvality. Pokud se mezitím změní, co se počítá za hotový výstup, nebo se zpřísní přejímka, čísla přestávají být srovnatelná.
• Okruh lidí, kteří úkol vykonávají. Výměna zkušeného člena týmu za nováčka změní výsledek bez ohledu na nástroj.
• Vstupní podklady a jejich kvalitu. Pokud se v mezidobí změní zdroj dat, formulář nebo systém, ze kterého tým čerpá, srovnání zachytí i tuto změnu.
• Rozsah kontroly. Pokud po nasazení AI nástroje přibude nebo ubude krok schválení, promítne se do naměřeného rozdílu i tato změna, nejen účinek samotného nástroje.

Širší otázku, jak AI do firemních procesů zavádět organizačně, shrnuje zavedení AI ve firmě. Tento text se soustředí na samotný záznam čísel před tímto krokem.

Karta pro záznam výchozího stavu

Následující list slouží k jednotnému záznamu. Vyplňuje se samostatně pro každou zaznamenanou jednotku práce, což umožní později spočítat i rozptyl výsledků, nejen průměr.

Pole	Co zaznamenat
Datum a jednotka práce	Konkrétní identifikace zpracovávané jednotky, například číslo faktury nebo označení dotazu.
Kdo úkol vykonal	Role nebo jméno, podle interní dohody o anonymizaci záznamu.
Čas zahájení a předání	Přesný čas převzetí zadání a čas předání výstupu ke kontrole.
Úplný čas v minutách	Součet aktivní práce, čekání a případného přepracování.
Hodnocení kvality	Stupeň podle dohodnuté škály, například bez úprav, drobná úprava, vráceno k přepracování.
Počet oprav	Kolikrát se k výstupu někdo vrátil před uznáním za hotový.
Závažné selhání (ano/ne)	Zda výstup obsahoval věcnou chybu nebo proces musel začít znovu.
Poznámka k okolnostem	Cokoli neobvyklého v tomto případě, například chybějící podklad nebo mimořádný termín.

Následující řádek je smyšlený ilustrativní příklad vyplnění, ne skutečně naměřená data:

Pole	Ukázková hodnota (ilustrativní, nikoli reálná data)
Datum a jednotka práce	3. 3. · faktura č. 118
Kdo úkol vykonal	účetní A
Čas zahájení a předání	9:14 až 10:02
Úplný čas v minutách	48 (z toho 12 minut čekání na potvrzení od dodavatele)
Hodnocení kvality	drobná úprava
Počet oprav	1
Závažné selhání	ne
Poznámka k okolnostem	dodavatel poslal fakturu ve špatném formátu, nutné ruční přepsání položek

Co srovnání výchozího a pozdějšího stavu doloží a co ne

Rozdíl mezi výchozím a pozdějším měřením ukazuje, že se v procesu něco změnilo, a o kolik. Sám o sobě ale neurčuje příčinu. Ve stejném období se mohlo změnit i něco jiného: zaškolení lidí, úprava vstupního formuláře, sezónní pokles objemu práce nebo prostý fakt, že tým úkol zvládá lépe rutinou bez ohledu na nástroj.

Vypovídací hodnotu zvyšuje záznam okolností, které se v mezidobí změnily. Pomáhá také srovnání napříč více lidmi nebo delším obdobím než jediné číslo před a jediné po. I tak jde o pozorování z jednoho procesu a jedné firmy. Slouží jako podklad pro interní rozhodnutí o pokračování, úpravě nebo zastavení pilotu. Obecně platný důkaz, že stejný nástroj přinese stejný efekt i jinde, to samo o sobě není.

Kde končí tento záznam a kde začíná měření dopadu školení

Tento postup se týká výchozího stavu procesu před nasazením AI nástroje do práce. Netýká se úrovně znalostí lidí po školení. Pokud firma především školí zaměstnance a chce vyhodnotit přínos samotné výuky, patří tam jiná metodika a jiná kritéria hodnocení, kterou popisuje jak měřit dopad AI školení. Obě měření se v praxi mohou potkat, pokud se AI nástroj zavádí společně se školením. Záznam popsaný v tomto textu ale slouží samotnému procesu a jeho výstupu. Hodnocení výuky nepokrývá.

Otázku rozpočtu a nákladů nasazení řeší samostatně kolik stojí nasazení AI ve firmě. Tento záznam mu dodává podklad v podobě skutečného výchozího stavu místo odhadu.

Stav zdrojů a omezení

Rámec NIST AI RMF byl ověřen 5. 8. 2026. Podle vlastního rozcestníku NIST dál prochází úpravami. Citované funkce Measure a testovací aktivity TEVV popisují dobrovolný slovník pro řízení rizik. Nejde o povinný postup ani o certifikační normu. Studie Brynjolfsson, Li a Raymond dokládá jen výsledek jednoho nasazení generativního asistenta u zákaznické podpory jedné firmy. Nepředstavuje očekávaný výsledek jiného procesu ani jiné firmy. Postup popsaný v tomto textu je doporučení CIAD pro vlastní interní záznam. Nejde o certifikovanou metodiku ani o právní požadavek na měření.