Meta a Klarna brzdí AI revoluci: automatizace bez lidí naráží na limity

Umělá inteligence mění, jak firmy skládají týmy. Příklady Mety a Klarny ale ukazují, proč je mnohem obtížnější nahradit AI celé pracovní funkce než automatizovat jednotlivé úkoly. Meta po první redukci počtu zaměstnanců zastavila přípravy druhé vlny restrukturalizace Project OT. Klarna zase obnovila nábor lidí do zákaznické podpory poté, co model postavený hlavně na AI přinášel horší výsledky. 218

Společné poučení není ideologické, ale praktické: AI dokáže ve velkém převzít strukturované a opakovatelné činnosti. Firmy však stále potřebují lidi, kteří vyhodnotí nejasné situace, zkontrolují výstupy, řeší výjimky a ochrání zákaznickou zkušenost.

Meta: představa menších týmů narazila na realitu

Reuters uvedl, že Project OT — zkratka pro Organization Transformation — měl být dvouvlnnou restrukturalizací. Meta uskutečnila první kolo v květnu 2026, kdy snížila počet zaměstnanců přibližně o 10 %, ale přípravy pozdější listopadové vlny zrušila. Firma existenci Project OT potvrdila a označila jej za roční projekt zaměřený na snižování nákladů, přepracování týmové struktury a přesun pracovníků do prioritních oblastí. 2

Na tomto kroku záleží, protože nešlo jen o běžné šetření nákladů. Plán počítal s podstatně menšími skupinami lidí, které by podporovali AI agenti. Zkušenost naznačuje zásadní rozdíl: větší objem vytvořených návrhů, kódu nebo jiných výstupů se automaticky nerovná spolehlivému dodání produktu.

V komplexních pracovních postupech musí lidé nadále určovat cíle, propojovat práci napříč systémy, testovat výsledky, odhalovat chyby a nést odpovědnost, když se něco pokazí.

Meta neukončila investice do AI ani využívání AI při práci. Změnila se však důvěra v to, že schopnosti agentů mohou v původním harmonogramu ospravedlnit další plošné snižování počtu zaměstnanců. 2

Klarna: velký objem automatizace nezaručil kvalitu služby

Zkušenost švédské fintech společnosti Klarna ukazuje stejný problém v zákaznické péči. Její AI asistent vyřizoval podstatnou část standardních konverzací, například rutinní dotazy k platbám, refundacím a vrácení zboží. Firma se však následně vzdálila přístupu založenému výhradně na AI a znovu začala nabírat pracovníky podpory. 1720

Podle dostupných zpráv generální ředitel Sebastian Siemiatkowski uznal, že firma lidské kapacity omezila příliš agresivně. Nešlo o to, že by AI neměla přínos. Potíž spočívala v tom, že automatizovaná podpora hůře zvládala složité, nejednoznačné nebo emočně citlivé případy — tedy situace, v nichž zkušení lidé přinášejí schopnost prověřovat, rozhodovat s rozvahou a jednat empaticky. Klarna proto začala vedle automatizace znovu budovat lidskou podporu. 1819

Právě u podpory zákazníků je tento rozdíl podstatný. Systém může rychle vyřešit běžný požadavek, ale zároveň poškodit důvěru, pokud se člověk se spornou platbou, nestandardní situací nebo eskalujícím problémem nedostane včas ke kompetentnímu pracovníkovi. Automatizace má hodnotu tehdy, když je její součástí jasná cesta k předání případu člověku a lidská odpovědnost.

Nastupující model: AI jako násobič kapacity, ne náhrada každé role

Oba případy ukazují na udržitelnější model fungování:

• Automatizovat předvídatelné úkoly. AI je nejužitečnější tam, kde jsou vstupy standardizované, výstupy se snadno ověřují a chyby lze levně napravit.
• Ponechat lidi v rozhodovacích bodech. Člověk zůstává nezbytný, pokud práce vyžaduje kontext z více systémů, zvažování kompromisů, úsudek, odpovědnost nebo práci se vztahy.
• Navrhnout eskalaci přímo do procesu. Zákaznická podpora i další citlivé procesy potřebují jasné předání kvalifikovanému člověku, nikoli slepou uličku v automatizovaném kolečku.
• Měřit výsledky, ne pouhou aktivitu. Více vygenerovaného kódu, rychlejší první odpověď či větší objem vyřízených úkolů jsou nedostatečné metriky, pokud se zhorší kvalita, vyřešení případu, bezpečnost nebo důvěra zákazníků.

Neznamená to, že pracovní místa zůstanou beze změny. Změna spíše přichází přes přestavbu týmů, proměnu potřebných dovedností a méně pozic zaměřených výhradně na rutinní práci — nikoli přes okamžitý konec lidské práce jako takové.

Nábor se přesouvá k technickým schopnostem

Širší data z technologického trhu práce s tímto výkladem souzní. SignalFire uvedl, že nábor ve velkých technologických firmách byl o 25 % pod úrovní roku 2019, zatímco nábor softwarových inženýrů klesl o 11 %. Softwaroví inženýři tak tvořili 55 % všech náborů v těchto firmách oproti 46 % v roce 2019. 49

Tato čísla sama o sobě nedokazují, že každou změnu v náboru způsobila AI. Technologický trh ovlivňuje i hospodářský cyklus a úpravy stavů po pandemickém náborovém boomu. Přesto naznačují, že štíhlejší organizace neztratily potřebu technických odborníků. Mění se spíše skladba náboru směrem k lidem, kteří dokážou automatizované systémy vytvářet, nasazovat, vyhodnocovat, zabezpečovat a kontrolovat.

Největší krátkodobé riziko: vstupní příčky kariéry

Výzkumníci ze Stanford Digital Economy Lab nenašli v administrativních mzdových datech do června 2026 důkaz plošného vytlačování pracovníků z ekonomiky. U zaměstnanců ve věku 22 až 25 let v profesích silně vystavených AI však zaměstnanost zaostávala o 19 % za úrovní, které by dosáhla, kdyby držela krok s méně exponovanými vrstevníky. U zkušenějších pracovníků se srovnatelná mezera neobjevila a úprava se projevovala hlavně nižším náborem, nikoli vyšším počtem odchodů. 35

Údaj 19 % není počet pracovních míst, která AI přímo zrušila. Jde o relativní zaostání vůči scénáři, v němž by vývoj držel tempo s méně exponovanou skupinou. Přesto upozorňuje na vážný problém: pokud AI převezme část rutinní práce pro začátečníky, mohou firmy nabízet méně příležitostí získat zkušenosti potřebné pro postup na seniornější pozice.

Co si z Met y a Klarny mohou odnést firmy

Užitečná otázka už nezní, zda AI používat. Důležitější je, kde dokáže zlepšit proces, aniž by firma odstranila lidské schopnosti, díky nimž je proces spolehlivý.

Zastavená druhá vlna Project OT v Metě i obnovený nábor podpory v Klarně naznačují, že automatizaci je třeba hodnotit podle skutečných výsledků: úspěšného dodání produktu, správných rozhodnutí, vyřešených případů, důvěry zákazníků a zvládnutelných nákladů na nápravu chyb.

Tam, kde AI funguje dobře, může zvýšit kapacitu menšího týmu. Tam, kde jsou vysoká nejistota nebo důsledky chyby, je obvykle lepším řešením spojení člověka a AI — ne proces bez člověka.

AI tedy mění složení týmů i jejich produktivitu. Nejvíce z ní pravděpodobně získají společnosti, které ji budou chápat jako nástroj pro kvalitnější lidskou práci, ne jako zkratku, jak obejít lidskou práci, již složité produkty a vztahy se zákazníky stále vyžadují.