AI produktivita: čo o nej hovoria štúdie z firiem

V skratke

• V zákazníckej podpore stúpol počet vyriešených prípadov za hodinu o 15 %, u vývojárov počet dokončených úloh o 26 %, pričom obe čísla pochádzajú z terénnych experimentov v reálnych firmách.
• Naprieč celou ekonomikou je efekt zatiaľ oveľa menší, lebo pracujúci ľudia hlásia úsporu času vo výške 1,4 % všetkých odpracovaných hodín.
• Najviac získavajú menej skúsení pracovníci, kým tým najskúsenejším sa v jednej zo štúdií mierne zhoršila kvalita výstupu.
• Zmerať si to viete aj v malej firme, pretože na to stačí jedna úloha, dva týždne a jeden ukazovateľ, ktorý už dnes sledujete.

AI produktivita je merateľná, no rozdelená veľmi nerovnomerne. Recenzované terénne experimenty publikované v rokoch 2025 a 2026 ukazujú nárast výkonu o 15 % v zákazníckej podpore a o 26 % pri vývoji softvéru, kým úspora času naprieč celou pracovnou silou zodpovedá 1,4 % odpracovaných hodín. Rozhoduje teda to, ktorú úlohu firma umelej inteligencii zverí a kto ju robí.

Zvyšuje AI produktivitu? Čo namerali priamo vo firmách

Najsilnejší doklad pochádza zo zákazníckej podpory, kde Brynjolfsson, Li a Raymond sledovali 5 172 operátorov počas postupného zavádzania asistenta založeného na generatívnej AI (Brynjolfsson a kol., 2025). Prístup k asistentovi zvýšil počet vyriešených prípadov za hodinu v priemere o 15 %, takže ide o jeden z mála prípadov, keď je prínos meraný na skutočnej prevádzke a nie na umelej úlohe v laboratóriu.

Druhé meranie prišlo z troch terénnych experimentov v Microsofte, Accenture a jednej ďalšej veľkej firme, kde náhodne vybraná časť zo 4 867 vývojárov dostala prístup k asistentovi na písanie kódu (Cui a kol., 2026). Po spojení dát zo všetkých troch pokusov vyšiel nárast dokončených úloh o 26,08 %, pričom autori sami upozorňujú na štandardnú chybu 10,3 % a na to, že jednotlivé experimenty sa navzájom líšili.

Obe čísla znejú lákavo, lenže obe sa týkajú úzko vymedzenej práce s jasne merateľným výstupom. Vyriešený prípad a dokončená úloha sa dajú spočítať, zatiaľ čo „lepšia ponuka" alebo „rýchlejšia porada" sa spočítať nedajú, a práve tam väčšina malých firiem AI používa.

Prečo AI produktivita vyzerá inak v experimente a inak vo výkaze práce

Reprezentatívne prieskumy v Spojených štátoch ukazujú oveľa striedmejší obraz. Koncom roka 2024 používalo generatívnu AI 45 % ľudí vo veku 18 až 64 rokov, v práci ju za predchádzajúci týždeň aspoň raz použilo 27 % zamestnaných a denne s ňou pracovalo 10 % (Bick a kol., 2026). Rozšírenie v práci bolo rýchlejšie než kedysi pri osobnom počítači, čo o technológii niečo hovorí.

Zaujímavejší je však druhý údaj z tej istej štúdie: generatívna AI asistovala len pri 1 až 7 % všetkých odpracovaných hodín a respondenti hlásili úsporu času zodpovedajúcu 1,4 % celkového pracovného času. Medzi pätnástimi percentami v experimente a jedným a pol percentom v ekonomike nie je rozpor, pretože každé číslo meria niečo iné. Experiment meria jednu úlohu u ľudí, ktorí ju robia celý deň, kým prieskum meria celý pracovný čas vrátane porád, ciest a práce, do ktorej AI nevstupuje.

Pre majiteľa firmy z toho plynie jednoduchý záver. Sľub typu „ušetríte desať hodín týždenne" nemá oporu v dátach, no úspora na konkrétnej opakovanej úlohe oporu má, a preto sa oplatí vyberať úlohy, nie nástroje.

Komu AI produktivita rastie najviac a komu naopak klesá kvalita

Obe experimentálne štúdie sa zhodujú v tom, že prínos nie je rozdelený rovnomerne. V zákazníckej podpore sa menej skúseným a slabšie hodnoteným operátorom zlepšila rýchlosť aj kvalita odpovedí, kým najskúsenejší zrýchlili len mierne a kvalita ich výstupu sa mierne zhoršila (Brynjolfsson a kol., 2025). Pri vývojároch platilo to isté v inej podobe, lebo menej skúsení asistenta používali častejšie a získali z neho viac (Cui a kol., 2026).

Táto nerovnosť má pre firmu praktický dôsledok. Ak nasadíte AI plošne a očakávate rovnaký prínos od každého, výsledok vás sklame, pretože najväčší skok urobia noví ľudia a ľudia na úlohách, ktoré ešte nemajú zabehnuté. Skúsený človek na svojej hlavnej úlohe naopak nemusí získať nič.

Zo štúdie v zákazníckej podpore vyšlo aj to, že asistent najviac pomohol pri stredne zriedkavých problémoch, teda tam, kde má človek málo vlastných skúseností, no systém má z podobných prípadov ešte dosť podkladov. Pri každodennej rutine už skúsený operátor nič nezískal a pri úplne výnimočných prípadoch nemal z čoho čerpať ani systém.

Koľko slovenských firiem umelú inteligenciu naozaj používa

Štatistiku za celú Európsku úniu zbiera Eurostat a rozdiely podľa veľkosti podniku sú výrazné. V roku 2025 používalo aspoň jednu technológiu AI 18,0 % slovenských podnikov s desiatimi a viac zamestnancami, pričom priemer Európskej únie bol 20,0 % (Eurostat, 2025). Oproti roku 2024, keď bol priemer únie 13,5 %, ide o citeľný posun za jediný rok.

Čísla za jednotlivé veľkostné kategórie sú v databáze Eurostatu isoc_eb_ai a ukazujú, že veľký podnik používa AI takmer trikrát častejšie než malý (Eurostat, databáza isocebai). Na marketing alebo predaj nasadilo AI 4,85 % slovenských podnikov oproti 6,92 % v únii, takže práve tu má menšia firma priestor odlíšiť sa skôr, než to urobí konkurencia.

Jedna položka je pritom na Slovensku nad priemerom únie. Technológie generujúce písaný alebo hovorený jazyk používa 9,34 % slovenských podnikov oproti 8,76 % v únii, čo zodpovedá tomu, že písanie textov je najdostupnejšia úloha a nevyžaduje ani zmenu procesov, ani nový softvér.

Ako si AI produktivitu zmerať vo vlastnej firme

Merať sa dá aj bez analytika a bez nákladu navyše, pokiaľ si vopred vyberiete jednu úlohu a jeden ukazovateľ. Postup, ktorý zvládne firma s piatimi ľuďmi, vyzerá takto:

1. Vyberte úlohu, ktorá sa opakuje aspoň päťkrát týždenne. Odpovede na dopyty, texty produktov, zápisy z porád alebo príprava ponuky sú dobrí kandidáti, zatiaľ čo jednorazové projekty sa merať nedajú.
2. Určte jeden ukazovateľ, ktorý viete spočítať. Počet vybavených dopytov za hodinu, počet dokončených textov za deň alebo čas od dopytu po odoslanú ponuku, vždy len jeden.
3. Dva týždne merajte bez AI. Bez tohto kroku nebudete mať s čím porovnávať a akékoľvek neskoršie číslo bude iba dojem.
4. Dva týždne merajte s AI na tej istej úlohe a s tým istým človekom. Ak medzitým zmeníte ešte niečo iné, napríklad šablónu alebo systém, výsledok už nebudete vedieť komu pripísať.
5. Skontrolujte kvalitu, nielen rýchlosť. Zoberte desať náhodných výstupov z každého obdobia a nechajte ich posúdiť niekoho, kto nevie, ktoré sú z ktorého týždňa.
6. Rozhodnite podľa oboch čísel naraz. Rýchlejšia práca s horším výsledkom nie je zlepšenie a v zákazníckej podpore sa presne tento efekt u najskúsenejších ľudí ukázal.

Keď máte dáta z oboch období, vyhodnotenie si viete nechať pripraviť aj samotným nástrojom. Tento prompt funguje v Claude, ChatGPT aj Gemini a pýta si presne to, čo pri rozhodovaní potrebujete:

Si analytik, ktorý vyhodnocuje interný test. Nižšie sú dáta z dvoch období
rovnakej úlohy v našej firme: obdobie A bez AI asistenta, obdobie B s ním.
Rovnaký človek, rovnaká úloha, každé obdobie dva týždne.

Obdobie A: [vlož počty za jednotlivé dni]
Obdobie B: [vlož počty za jednotlivé dni]
Hodnotenie kvality (1 až 5) od nezávislého posudzovateľa:
Obdobie A: [vlož známky]  Obdobie B: [vlož známky]

Sprav toto:
1. Spočítaj priemer a rozptyl pre každé obdobie zvlášť.
2. Napíš percentuálnu zmenu výkonu aj zmenu priemernej kvality.
3. Vymenuj najmenej tri dôvody, prečo rozdiel nemusí spôsobiť AI asistent
   (sezónnosť, počet pracovných dní, zloženie úloh, efekt novosti).
4. Napíš jednou vetou, či je rozdiel pri tejto veľkosti vzorky presvedčivý,
   alebo treba merať dlhšie.
5. Ak ti chýba údaj, ktorý by si na záver potreboval, povedz ktorý
   a nedopĺňaj ho odhadom.

Nepoužívaj žiadne čísla okrem tých, ktoré som ti dal.

Posledný riadok promptu tam nie je náhodou. Výrobcovia sami upozorňujú, že jazykové modely dokážu vytvoriť text, ktorý je vecne nesprávny alebo nesúhlasí s podkladmi, a odporúčajú modelu výslovne dovoliť odpoveď „neviem" a vyžadovať citáciu zdroja ku každému tvrdeniu (Anthropic, Reduce hallucinations). Tá istá stránka dodáva, že ani tieto techniky halucinácie neodstránia úplne a dôležité informácie treba overiť.

Kde AI produktivitu nezvýši

Rozdiel medzi firmami, ktoré z AI niečo majú, a firmami, ktoré ju po mesiaci odložia, nerobí nástroj. Štúdia metódou Delphi medzi odborníkmi a manažérmi zistila, že prevádzková automatizácia a práca s dátami sa viažu skôr na ciele úspory, kým prieskum trhu, testovanie ponuky, jazykové rozšírenie a generovanie nápadov sa viažu skôr na ciele rastu, a že výsledok závisí od pripravenosti podniku po technologickej i organizačnej stránke a od podmienok v jeho okolí (Bitetti a kol., 2026).

Kvalitatívny výskum medzi 31 rozhodovateľmi z malých a stredných podnikov popísal, ako prechod od skúšania k bežnému používaniu prebieha v troch fázach: najprv sa aktivuje dôvera a záujem jednotlivca, potom prichádza legitimizácia a určenie smeru zo strany vedenia a až nakoniec sa nástroj zabuduje do procesov (Siljeur a kol., 2026). Trvalé používanie podľa autorov vzniká vtedy, keď sa experimentovanie zdola a rozhodnutie zhora vedome prepoja, takže samotné zakúpenie licencií nestačí.

Z toho vyplývajú tri situácie, v ktorých meranie nemá zmysel začínať:

• Úloha sa opakuje zriedka. Pri dvoch prípadoch mesačne sa rozdiel stratí v šume a rozhodnutie spravíte na základe náhody.
• Výstup nikto nekontroluje. Bez kontroly kvality viete iba to, že práca ide rýchlejšie, nie či je ešte použiteľná.
• Vo firme nie je jasné, čo sa smie do nástroja vložiť. Kým nemáte pravidlá používania AI vo firme, meriate niečo, čo môžete musieť zajtra zastaviť.

Rozhodovacia tabuľka nižšie zhŕňa, kde sa meranie oplatí a kde nie:

Pri kampaniach sa meranie výkonu robí inak, pretože tam už čísla existujú a ide o to, ako ich prečítať. Mechanika ponúk, konverzií a atribúcie patrí k téme PPC reklama, zatiaľ čo samotnú prácu s exportom dát rozoberá článok o tom, čo zvládne AI analýza dát a kde začína práca človeka.

Čo s tým urobiť v najbližšom mesiaci

Začnite jednou úlohou z hornej časti tabuľky a merajte ju štyri týždne podľa postupu vyššie. Ak vyjde zlepšenie aspoň o desatinu pri nezhoršenej kvalite, má zmysel pýtať sa, ktorý ďalší krok v tom istom procese sa dá zrýchliť, čomu sa venuje článok o tom, ako vyzerá automatizácia procesov vo firme v poradí podľa rizika. Ďalšie texty k nástrojom, pravidlám a kampaniam nájdete v sekcii AI v podnikaní.

Ak zlepšenie nevyjde, nie je to dôkaz, že AI nefunguje. Znamená to len, že ste vybrali úlohu, kde váš človek robí prácu, ktorú už má zabehnutú, a presne tento výsledok zodpovedá tomu, čo vyšlo najskúsenejším operátorom v americkej štúdii.

Časté otázky

O koľko percent zvyšuje AI produktivitu? Podľa recenzovaných terénnych experimentov o 15 % pri vyriešených prípadoch v zákazníckej podpore a o 26,08 % pri dokončených úlohách vývojárov softvéru, no naprieč celou pracovnou silou zodpovedá hlásená úspora času len 1,4 % odpracovaných hodín, takže jedno univerzálne číslo neexistuje.

Pomôže AI skôr skúseným alebo menej skúseným zamestnancom? V oboch veľkých experimentoch získali viac menej skúsení pracovníci, pričom v zákazníckej podpore sa najskúsenejším operátorom kvalita výstupu dokonca mierne zhoršila, preto sa oplatí nasadzovať AI najprv tam, kde ľudia ešte nemajú úlohu zabehnutú.

Koľko slovenských firiem už AI používa? V roku 2025 používalo aspoň jednu technológiu AI 18,0 % slovenských podnikov s desiatimi a viac zamestnancami, konkrétne 15,6 % malých, 23,1 % stredných a 43,7 % veľkých podnikov.

Ako dlho treba merať, kým sa dá povedať, či AI pomohla? Dva týždne bez nástroja a dva týždne s ním na tej istej úlohe a s tým istým človekom sú rozumné minimum, pričom pri úlohe, ktorá sa opakuje menej než päťkrát týždenne, je aj mesiac krátky.

Prečo sa výsledky štúdií tak líšia od toho, čo sľubujú dodávatelia? Štúdie merajú jednu presne vymedzenú úlohu s počítateľným výstupom, zatiaľ čo marketingové sľuby prepočítavajú tento zisk na celý pracovný čas, hoci veľkú časť dňa tvoria porady, cesty a rozhodovanie, do ktorých AI nevstupuje.

Musím kvôli meraniu kupovať platenú licenciu? Na prvé meranie nie, lebo ide o to, či sa daná úloha vôbec zrýchli, a rozhodnutie o platenej verzii dáva zmysel až vtedy, keď máte čísla z oboch období a viete, ktorú úlohu chcete zrýchliť natrvalo.