• Rostoucí náklady bez jasného modelu návratnosti – do rozpočtu se započítává výpočetní výkon, používání API, integrace, údržba i lidský dohled. Devadesát procent CIO uvádí, že náklady na AI už omezují schopnost jejich organizace naplno využít její přínosy .
• Nejasná obchodní hodnota – mnoho projektů skončí už po ověření konceptu, protože firma nedokáže prokázat dopad na zisk, náklady nebo kvalitu .
• Nekvalitní data a slabé řízení rizik – roztříštěná data, nedostatečná správa a chybějící kontrolní mechanismy mohou projekt zablokovat ještě před nasazením ve větším měřítku . Gartner předpovídá, že do konce roku 2026 organizace opustí 60 % AI projektů, které nebudou mít k dispozici data připravená pro AI .
• Takzvaný „agent washing“ a odklon od původního účelu – firmy někdy používají AI jen proto, že je to trend, místo aby řešily konkrétní problém. Podle analytičky Gartneru Anushree Verma někteří dodavatelé pouze přejmenovali stávající chatboty na AI agenty, aniž by nabídli podstatně lepší výsledek .

Podobný obrázek nabízí i samostatný odhad Gartneru z dubna 2026: 57 % manažerů IT infrastruktury a provozu už má za sebou nejméně jeden neúspěšný AI projekt a v této oblasti zcela ztroskotá přibližně každý pátý projekt .

Investice rostou, návratnost zaostává

Zjištění Gartneru zapadají do širšího obrazu, který vykreslují Goldman Sachs, McKinsey, MIT a Sequoia Capital.

Goldman Sachs: firmy zatím zisky z AI většinou nevidí

Stratég Goldman Sachs Ben Snider v srpnu 2026 uvedl, že firemní výdaje na AI prudce rostou, technologie však u většiny společností zatím nepřinesla významné zlepšení hospodářských výsledků. Dopad AI na své zisky vyčíslila pouze 2 % firem z indexu S&P 500 a většina podniků hlásí jen malý, nebo žádný okamžitý přínos .

Analytická skupina Goldman Sachs zároveň odhaduje, že americké investice do AI v roce 2026 dosáhnou téměř 600 miliard dolarů, což odpovídá téměř 2 % amerického HDP. Důkazy o srovnatelných ekonomických přínosech jsou však zatím omezené .

Analytik Jim Covello v květnu upozornil, že většina podniků ze svých investic do AI stále nevytváří žádnou návratnost. Odkázal přitom na studii MIT, podle níž 95 % podnikových AI pilotních projektů nepřineslo měřitelný dopad do hospodářského výsledku . Ekonomiku AI označil za „problematičtější než před dvěma lety“ .

Produktivita se může dostavit až za několik let

Goldman Sachs zároveň varuje, že trhy mohou očekávat přínosy AI příliš brzy. Analýza ekonoma Jana Hatziuse a analytika Davida Penga popisuje takzvanou J-křivku produktivity: během prvních čtyř let může být dopad mírně negativní, statisticky významné zisky se mají projevit až po osmi letech a vrcholu kolem 0,6 procentního bodu dosáhnout přibližně ve dvanáctém roce .

Pokud bychom uvedení ChatGPT v roce 2022 přirovnali k uvedení osobního počítače v roce 1981, výraznější hospodářský přínos AI může být stále řadu let vzdálený .

Další odhady potvrzují stejný trend

• McKinsey uvádí, že měřitelný obchodní dopad vykazuje méně než 20 % podnikových nasazení AI .
• Sequoia Capital upozornila na přibližně 600miliardový rozdíl mezi příjmy očekávanými od AI a dosavadními výnosy z investic do této technologie .
• Goldman Sachs varuje, že čtyři dominantní cloudové společnosti – Amazon, Alphabet, Microsoft a Meta – směřují k tomu, že na AI infrastrukturu společně vynaloží více než celý svůj provozní cash flow. Přitom stále chybí prokázaná návratnost podnikových AI projektů . Jejich společné kapitálové výdaje pro rok 2026 se odhadují přibližně na 650 miliard dolarů .

Problém není v modelu, ale v nasazení

Napříč uvedenými analýzami se opakuje jedno zjištění: AI projekty obvykle nekončí proto, že by samotný model nedokázal požadovaný úkol. Selhává spíše obchodní případ, datový základ, řízení rizik nebo kontrola nákladů.

Problémem může být například použití drahého AI agenta tam, kde by stačil klasický automatizovaný postup nebo jednodušší vyhledávací nástroj. Jindy firmy projekt spustí bez předem stanovených metrik, takže po několika měsících nedokážou říct, zda skutečně šetří čas nebo peníze.

Gartner mezi hlavní příčiny řadí právě nekontrolovaný růst nákladů, nejasnou obchodní hodnotu a nedostatečné řízení rizik . Analytici také upozorňují, že řada projektů v oblasti autonomních AI agentů zůstává ve fázi experimentu nebo ověřování konceptu a je poháněna spíše módní vlnou než jasným využitím .

Gartner navíc předpovídá, že do roku 2028 bude 70 % AI iniciativ vyřazeno v organizacích, které nedokážou řídit prudký růst nákladů a postupný odklon projektu od původní hodnoty .

Co z toho plyne pro firmy

Souhrnný obraz je poměrně konzistentní: investice do AI dosahují rekordních úrovní, ale většina organizací stále neumí doložit měřitelný dopad na hospodářský výsledek. Některé projekty proto nepřekročí fázi pilotu, jiné budou omezeny nebo zcela ukončeny.

Pro firmy z toho vyplývá praktický postup:

1. Najít konkrétní provozní problém, u něhož lze změřit náklady, čas nebo kvalitu.
2. Navrhnout AI řešení přímo pro tento problém, nikoli zavádět AI obecně „pro jistotu“.
3. Přesně porovnat stav před nasazením a po něm.
4. Rozšiřovat pouze projekty, které prokážou přínos, a ostatní ukončit .

AI tak nejspíš nezmizí z firem. Zmizí ale část projektů, které nedokážou odpovědět na základní otázku: Co přesně tato technologie firmě přináší a vyplatí se za to platit?

• Rostoucí náklady bez jasného modelu návratnosti – do rozpočtu se započítává výpočetní výkon, používání API, integrace, údržba i lidský dohled. Devadesát procent CIO uvádí, že náklady na AI už omezují schopnost jejich organizace naplno využít její přínosy .
• Nejasná obchodní hodnota – mnoho projektů skončí už po ověření konceptu, protože firma nedokáže prokázat dopad na zisk, náklady nebo kvalitu .
• Nekvalitní data a slabé řízení rizik – roztříštěná data, nedostatečná správa a chybějící kontrolní mechanismy mohou projekt zablokovat ještě před nasazením ve větším měřítku . Gartner předpovídá, že do konce roku 2026 organizace opustí 60 % AI projektů, které nebudou mít k dispozici data připravená pro AI .
• Takzvaný „agent washing“ a odklon od původního účelu – firmy někdy používají AI jen proto, že je to trend, místo aby řešily konkrétní problém. Podle analytičky Gartneru Anushree Verma někteří dodavatelé pouze přejmenovali stávající chatboty na AI agenty, aniž by nabídli podstatně lepší výsledek .

Podobný obrázek nabízí i samostatný odhad Gartneru z dubna 2026: 57 % manažerů IT infrastruktury a provozu už má za sebou nejméně jeden neúspěšný AI projekt a v této oblasti zcela ztroskotá přibližně každý pátý projekt .

Investice rostou, návratnost zaostává

Zjištění Gartneru zapadají do širšího obrazu, který vykreslují Goldman Sachs, McKinsey, MIT a Sequoia Capital.

Goldman Sachs: firmy zatím zisky z AI většinou nevidí

Stratég Goldman Sachs Ben Snider v srpnu 2026 uvedl, že firemní výdaje na AI prudce rostou, technologie však u většiny společností zatím nepřinesla významné zlepšení hospodářských výsledků. Dopad AI na své zisky vyčíslila pouze 2 % firem z indexu S&P 500 a většina podniků hlásí jen malý, nebo žádný okamžitý přínos .

Analytická skupina Goldman Sachs zároveň odhaduje, že americké investice do AI v roce 2026 dosáhnou téměř 600 miliard dolarů, což odpovídá téměř 2 % amerického HDP. Důkazy o srovnatelných ekonomických přínosech jsou však zatím omezené .

Analytik Jim Covello v květnu upozornil, že většina podniků ze svých investic do AI stále nevytváří žádnou návratnost. Odkázal přitom na studii MIT, podle níž 95 % podnikových AI pilotních projektů nepřineslo měřitelný dopad do hospodářského výsledku . Ekonomiku AI označil za „problematičtější než před dvěma lety“ .

Produktivita se může dostavit až za několik let

Goldman Sachs zároveň varuje, že trhy mohou očekávat přínosy AI příliš brzy. Analýza ekonoma Jana Hatziuse a analytika Davida Penga popisuje takzvanou J-křivku produktivity: během prvních čtyř let může být dopad mírně negativní, statisticky významné zisky se mají projevit až po osmi letech a vrcholu kolem 0,6 procentního bodu dosáhnout přibližně ve dvanáctém roce .

Pokud bychom uvedení ChatGPT v roce 2022 přirovnali k uvedení osobního počítače v roce 1981, výraznější hospodářský přínos AI může být stále řadu let vzdálený .

Další odhady potvrzují stejný trend

• McKinsey uvádí, že měřitelný obchodní dopad vykazuje méně než 20 % podnikových nasazení AI .
• Sequoia Capital upozornila na přibližně 600miliardový rozdíl mezi příjmy očekávanými od AI a dosavadními výnosy z investic do této technologie .
• Goldman Sachs varuje, že čtyři dominantní cloudové společnosti – Amazon, Alphabet, Microsoft a Meta – směřují k tomu, že na AI infrastrukturu společně vynaloží více než celý svůj provozní cash flow. Přitom stále chybí prokázaná návratnost podnikových AI projektů . Jejich společné kapitálové výdaje pro rok 2026 se odhadují přibližně na 650 miliard dolarů .

Problém není v modelu, ale v nasazení

Napříč uvedenými analýzami se opakuje jedno zjištění: AI projekty obvykle nekončí proto, že by samotný model nedokázal požadovaný úkol. Selhává spíše obchodní případ, datový základ, řízení rizik nebo kontrola nákladů.

Problémem může být například použití drahého AI agenta tam, kde by stačil klasický automatizovaný postup nebo jednodušší vyhledávací nástroj. Jindy firmy projekt spustí bez předem stanovených metrik, takže po několika měsících nedokážou říct, zda skutečně šetří čas nebo peníze.

Gartner mezi hlavní příčiny řadí právě nekontrolovaný růst nákladů, nejasnou obchodní hodnotu a nedostatečné řízení rizik . Analytici také upozorňují, že řada projektů v oblasti autonomních AI agentů zůstává ve fázi experimentu nebo ověřování konceptu a je poháněna spíše módní vlnou než jasným využitím .

Gartner navíc předpovídá, že do roku 2028 bude 70 % AI iniciativ vyřazeno v organizacích, které nedokážou řídit prudký růst nákladů a postupný odklon projektu od původní hodnoty .

Co z toho plyne pro firmy

Souhrnný obraz je poměrně konzistentní: investice do AI dosahují rekordních úrovní, ale většina organizací stále neumí doložit měřitelný dopad na hospodářský výsledek. Některé projekty proto nepřekročí fázi pilotu, jiné budou omezeny nebo zcela ukončeny.

Pro firmy z toho vyplývá praktický postup:

1. Najít konkrétní provozní problém, u něhož lze změřit náklady, čas nebo kvalitu.
2. Navrhnout AI řešení přímo pro tento problém, nikoli zavádět AI obecně „pro jistotu“.
3. Přesně porovnat stav před nasazením a po něm.
4. Rozšiřovat pouze projekty, které prokážou přínos, a ostatní ukončit .

AI tak nejspíš nezmizí z firem. Zmizí ale část projektů, které nedokážou odpovědět na základní otázku: Co přesně tato technologie firmě přináší a vyplatí se za to platit?