Kdo poprvé nasadí schopnou umělou inteligenci na vlastní práci, zažije zvláštní pocit. Napíše pár vět, stiskne tlačítko a za chvíli má před sebou třístránkové memorandum, analýzu nebo kus kódu, nad kterým by jinak strávil celé odpoledne. Najednou má dojem, že dostal kouzelnou hůlku. Pak se ale rozhlédne po firmě, po týmu a po výsledcích za celé čtvrtletí a napadne ho jednoduchá otázka: když tu hůlku má každý, proč není všechno hotové dvakrát rychleji?
Kouzelná hůlka, která firmu nezrychlí
Jde o jeden z nejzajímavějších paradoxů dnešní práce s umělou inteligencí. Zrychlení jednotlivých úkolů není jen dojem, je změřené. AI píše kód podstatně rychleji než lidé, rychleji analyzuje finanční výsledky, zpracovává a propojuje tabulky a vyhledává klíčové informace v dokumentech. Během roku 2026 navíc přibývá oborů, kde to zvládá i přesněji než člověk. Kde přesně AI chybuje, tu není podstatné; stačí přijmout, že věcí, které dělá lépe než lidé, není málo. Kdo si to nemyslí, žije trochu v iluzi.
Přesto se ta rychlost nepromítá do výkonu celých organizací. Každému jednotlivci AI zjevně šetří čas, firma jako celek ale dvojnásobný výkon nemá. Vysvětlení nabízí Amdahlův zákon.
Co říká Amdahlův zákon
Amdahlův zákon v jádru říká, že celkové zrychlení systému vždycky omezuje ta část práce, kterou zrychlit nejde. Názorně to ukazuje projekt na sto hodin: třicet hodin zabere programování, třicet revize kódu a čtyřicet plánování, řízení a další režie. Když umělá inteligence zrychlí programování na dvojnásobek, z třiceti hodin je patnáct. Celý projekt se ale nezkrátí na polovinu, jen zhruba o patnáct procent.
Víc výstupů znamená víc kontroly
Právě tohle se dnes děje ve firmách, které umělou inteligenci používají. Zrychlí se tvorba: vznikne víc kódu, víc analýz, víc zpracovaných dokumentů, víc návrhů a vyhodnocených chyb. Všechno to ale musí někdo přečíst, ověřit, zkontrolovat a lidsky posoudit. Někdo to musí podepsat, převzít za to odpovědnost a začlenit do zbytku organizace.
U softwaru je to vidět nejlépe. Programátoři netráví většinu času psaním nového kódu, podle dostupných dat zhruba třicet procent. Zbytek padne na testování, architekturu, řešení problémů, komunikaci a kontrolu kódu. Kdyby AI těch třicet procent zrychlila třeba nekonečně a kód byl napsaný okamžitě, do zbytku systému se začne tlačit nový problém: obrovský kus další práce, protože původní třetina najednou chrlí mnohem víc výstupů.
Když chybuje juniorní programátor, senior ví, jak lidé zhruba chybují, protože stejné chyby kdysi dělal sám. Zná jejich zkratky, špatné návyky a typické omyly a může si s nimi promluvit. Kód od AI může vypadat fantasticky, a přitom hluboko uvnitř rozbít něco, na čem stojí celý systém. Může špatně pochopit architekturu, napsat něco, co samo o sobě funguje, ale poškodí jinou část kódu, nebo usoudit, že staršího zákazníka v databázi nepotřebuje, a vynechat ho. Senior pak nedělá běžnou kontrolu, ale rekonstruuje, proč tam daná věc je, co všechno ovlivní a jestli vůbec řeší původní problém.
Výsledek je nerovný. Tomu, kdo práci s umělou inteligencí začíná, opravdu ušetří spoustu času, jeho úsek se může zkrátit klidně o devadesát procent. V nejlepším případě AI udělá přesně to, co by udělal sám. V jiných případech ale přidá práci tomu, kdo v procesu přichází po něm: musí víc kontrolovat, je přetížený a natahuje se právě ta část, kterou AI nedělá. Dřív nebo později, spíš dřív, narazí každá firma na krok, který kvůli dohledu, bezpečnosti nebo odpovědnosti vůči klientovi automatizovat nejde.
Půl týdne nad výstupy agentů
Nejde jen o programátory. Podobný jev podle vlastních interních zjištění popisuje i společnost Anthropic u běžné kancelářské práce: kdyby její netechničtí zaměstnanci opravdu četli a ověřovali všechno, co pro ně vytvoří interní AI agent, zabralo by jim to zhruba polovinu pracovního týdne.
AI tedy generuje e-maily, reporty, analýzy a podklady pro rozhodnutí, a místo volnějšího týdne člověk sedí a kontroluje, jestli je všechno správně a dává smysl. To není časová úspora, kterou si lidé slibovali. A kdo kontrolu vynechá, riskuje, že ten, komu práci předává, se utopí v kontrole nebo v nesmyslech. Co jeden ušetřil, druhý zpracuje jinde, a celý proces se nezrychlí.
Proč nestačí, aby AI kontrolovala AI
Nabízí se logická otázka: proč výstupy AI nenechat kontrolovat jinou AI? Děje se to, existují nástroje na kontrolu kódu, ověřování textů i testování modelů. Jenže každá kontrola potřebuje kontext. Stroj najde syntaktickou chybu, bezpečnostní díru nebo rozpor v dokumentu, ale pořád špatně chápe, jestli nová funkce opravdu řeší to, co klient chtěl na schůzce před dvěma týdny. Jestli sedí na stávající databázi, nad kterou běží starý systém. Jestli se má konkrétní položka zaúčtovat, jestli patří na dané středisko, nebo jestli měla věta ve scénáři zaznít s nadsázkou, či bez ní. Na takové věci se dlouhodobě slibuje, že je AI umí nebo brzy umět bude, ve skutečnosti tam ale pořád nejsou a ještě dlouho nebudou.
Firma tak naráží na zeď Amdahlova zákona. Má desetiproudovou dálnici, po které každý jednotlivec jezdí rychleji než kdy dřív, jenže na jejím konci čeká jednoproudý sjezd s padesátkou a hodinová zácpa. Podobně jako když člověk odjíždí z Brna: po dálnici to jde hladce, pak ale skončí na jednoproudé silnici se čtyřmi semafory za sebou a stojí hodinu.
Spolehlivý proces místo doufání
První cestou z pasti je, aby to, co dělá AI, bylo stoprocentně spolehlivé a nemuselo se kontrolovat. U všeho se to nepovede. U práce, které člověk opravdu rozumí, ví, jak a proč se dělá a kde má úskalí, ale dokáže určit i okrajové případy, které má AI okamžitě odložit a předat člověku. Pak lze plnohodnotně automatizovat třeba devadesát procent konkrétní činnosti a nemuset se o ni starat.
Klíčem je nezadávat úkol a nedoufat v dobrý výsledek, ale popsat ho jako logický proces rozložený na co nejmenší kroky: kudy putuje dokument, jak se analyzuje, co se s ním děje dál a jak se formátuje. V takovém rozpadu se ukáže, že většinu práce umělá inteligence vůbec dělat nemusí. Zvládne ji obyčejný počítačový program, který je nesrovnatelně spolehlivější, a AI se nasadí jen tam, kde je opravdu nezbytná. Proces pak není potřeba kontrolovat.
Má to i další výhody. Malá jednoduchá rozhodnutí zvládne malý model, který může běžet i na vlastním počítači, a jednoduché kroky se dají důkladně otestovat, takže je jisté, že v nich AI udělá vždy přesně to, co má. Do procesu lze zabudovat i místa, kde se automat zastaví a zavolá člověka. I v cloudu je takové řešení levné, protože nepotřebuje nejvýkonnější modely. Dobře navržený proces je navíc odolný: když model zdraží, zmizí nebo přestane fungovat, lze ho snadno nahradit jiným. Práce se dá udělat, automaticky odevzdat a pokračovat dál, aniž by zahltila dalšího v řadě. Úspora se ovšem pořád týká jen oné třetiny práce.
Měřit dokončenou práci, ne vygenerovaný objem
Na všechno se takový proces nasadit nedá. Další vodítko dává výzkum DORA (DevOps Research and Assessment). Podle něj dnes nerozhoduje, kdo vyrobí první nástřel architektury nebo návrhů, protože to s umělou inteligencí zvládne kdokoli a v libovolném množství. Rozhoduje úsudek: schopnost poznat, co je nesmysl, co chybí, co bude mít následky a co je opravdu potřeba dotáhnout.
Proto nemá smysl měřit produktivitu počtem slov, commitů, spotřebovaných tokenů, slajdů nebo rozeslaných návrhů. To jsou auta na dálnici, dají se vyrobit v jakémkoli počtu a za jakkoli krátkou dobu, a na konci stejně uvíznou. Měřit je třeba, jestli se stejná věc ve stejné kvalitě skutečně dokončila rychleji, než by ji udělali samotní lidé.
Funkce není hotová, když ji AI napíše, ale až když ji zákazník otestuje a zaplatí. Finanční report není hotový ve chvíli, kdy ho AI předá, ale až když je rozebraný, vyhodnocený, nese stejnou informační hodnotu jako dřív a ideálně je přizpůsobený svému čtenáři. Daňové přiznání není hotové odesláním, ale až potvrzením finančního úřadu, že je vše v pořádku. A smlouva je hotová, až když ji někdo podepíše, pochopí a naplní, ne když ji vrátí AI.
Kde se práce zastavuje
Kdo chce zjistit, jak moc AI skutečně pomáhá, neměl by se ptát, o kolik rychleji generuje část práce. Má si rozkreslit celý pracovní proces a hledat místa, kde se práce zastavuje, kde se čeká na člověka, kde se lidé musejí domlouvat, kam se kvůli chybám vracejí, kde vzniká riziko, protože někdo věc jen odklikne, a kde se hromadí výstupy, které brzdí další lidi.
Výmluvný příklad uvádějí data společnosti Jellyfish: jeden programátor popsal, že AI napíše novou funkci neuvěřitelně rychle, jenže pak se šest měsíců čeká na právní schválení, než ji může kdokoli pustit ven. Agent, který píše kód, právní oddělení nezrychlí.
Rychlejší jednotlivci, ne rychlejší firmy
Tady leží nejdůležitější poučení z Amdahlova zákona: umělá inteligence nevytváří produktivnější firmy, vytváří rychlejší jednotlivce. Jestli z nich vznikne i rychlejší firma, záleží na tom, zda se podaří přestavět proces kolem nich. Zrychlit lze tvorbu, analýzu, programování i první návrhy, nahradit lze i části koordinace, na které byly dřív potřeba celé týmy. Pokud ale každou věc na konci dne musí zastavit jeden přetížený člověk, vznikla jen větší hromada před jeho stolem.
A tím se otevírá znepokojivá otázka. Pokud už dnes zodpovědná práce s AI vyžaduje půl týdne jen na čtení vlastních výstupů a výstupů vlastní AI, co bude za dva roky? Co se stane, až AI za týden vyrobí tolik práce, že její kontrola zabere dva týdny?
Umělou inteligenci proto nelze brát jako nástroj, který prostě generuje práci. Je to nástroj, který naplňuje určitý proces. Jeho kontrolní mechanismy musí firma buď zvládat v potřebné míře sama, nebo musí být proces navržený tak dobře, že kontrolu nepotřebuje, případně tak, aby krizové situace sám zachytil a předal člověku k posouzení. Anebo je třeba systematicky měnit způsob, jakým lidé s AI pracují, aby nezahlcovali ty, kdo v procesu přicházejí po nich. Jednotlivec pak možná nezrychlí o devadesát procent, ale třeba o čtyřicet, zato všude.
Je to také zřejmý důvod, proč malé firmy a jedno- či dvoučlenné týmy pracují s AI tak neuvěřitelně rychle. Kdo dělá všechno sám, nemá na druhé straně koho zahltit: udělá, odevzdá a je hotovo. Kdo je ale součástí kontrolovaného procesu s větší odpovědností, než nese jednotlivec, potřebuje zásadně změnit fungování firmy. Svět, kde jedna AI kontroluje druhou, aby ji mohla kontrolovat třetí, nefunguje, protože z něj zmizí lidský úsudek a s ním i jakákoli hodnota práce umělé inteligence. Pak AI neušetří vůbec nic, protože práce přestane mít hodnotu.
Závěr
Paradox produktivity má jednoduché jádro: firma je tak rychlá, jak rychlé je její nejužší místo, a tím bývá lidská kontrola, schvalování a odpovědnost. Umělá inteligence zrychluje tvorbu, ale zároveň zvětšuje objem toho, co musí někdo posoudit. Skutečný přínos proto nepřinese další generování, nýbrž přestavba procesů: rozložení práce na spolehlivé kroky, měření dokončených výsledků místo objemu a hledání míst, kde práce stojí.
