Investice do AI rostou na biliony dolarů, firmám ale chybí kvalitní data

Globální investice do umělé inteligence dosáhly v roce 2026 částky 2,5 bilionu dolarů, což představuje meziroční nárůst o 44 procent. Navzdory tomuto raketovému tempu financování však podle nové analýzy MIT Technology Review Insights většina podniků z nasazení AI zatím netěží tak, jak by si přály – konkrétně se jim nedaří zvyšovat příjmy. Zpráva, zveřejněná 2. října 2026, byla vypracována týmem Insights, nikoli redakční částí MIT Technology Review, a vychází z analýzy firemních přístupů k nasazování umělé inteligence.

Podle autorů analýzy tkví hlavní problém v tom, čemu říkají fragmentace informací uvnitř podniků. Firmy sice do AI nástrojů a modelů investují obrovské prostředky, ale jejich interní data zůstávají roztříštěná napříč odděleními, systémy a formáty. Výsledkem je, že samotné modely sice existují a fungují, ale nemají přístup ke konzistentním, kvalitním a dobře strukturovaným datům, která by jim umožnila generovat skutečnou obchodní hodnotu.

Zpráva zdůrazňuje, že klíčovým faktorem úspěchu není výběr konkrétního modelu umělé inteligence, ale připravenost dat a přístup k nim. Firmy, které investovaly do AI bez toho, aby nejprve vyřešily otázku kvality a dostupnosti svých dat, se podle analýzy často potýkají s tím, že nasazené systémy nedokážou naplnit očekávání. Data roztroušená v desítkách interních aplikací, tabulek a databází bez jednotné struktury brání modelům v tom, aby poskytovaly přesné a use­čitelné výstupy.

Analytici proto upozorňují na potřebu zcela nových podnikových architektur a provozních modelů, které by umožnily efektivnější využití AI. Nestačí podle nich pouze nasadit nejnovější technologii na existující, nezměněnou infrastrukturu. Firmy musí přehodnotit, jak jsou jejich data organizována, kdo k nim má přístup a jak jsou propojena napříč jednotlivými odděleními a procesy.

Dalším tématem, které zpráva zmiňuje, je otázka takzvané suverénní kontroly nad daty a modely umělé inteligence. Jde o schopnost podniků i států udržet si kontrolu nad tím, kde a jak jsou jejich data zpracovávána a kdo má přístup k výsledným modelům. Tato otázka nabývá na významu s tím, jak firmy stále více spoléhají na externí poskytovatele AI infrastruktury a cloudových služeb, což přináší obavy o bezpečnost dat a nezávislost na konkrétních dodavatelích.

Zpráva zároveň identifikuje rozdíl mezi firmami, kterým se daří z AI těžit, a těmi, které zůstávají pozadu. Společnosti, jež dosahují úspěchu, podle analýzy nejprve přistupují k redesignu svých vnitřních procesů a teprve poté vybírají konkrétní modely umělé inteligence, které mají tyto procesy podpořit. Opačný postup – tedy nejprve nákup technologie a až následně snaha přizpůsobit jí firemní fungování – se podle zjištění ukazuje jako méně efektivní a často vede k promarněným investicím.

Autoři zprávy tak naznačují, že současná vlna masivních investic do AI nemusí sama o sobě zaručovat odpovídající návratnost. Bez systematického přístupu k datové infrastruktuře a bez ochoty přehodnotit zavedené podnikové procesy zůstává potenciál umělé inteligence z velké části nevyužit. Fragmentace dat tak představuje jednu z hlavních bariér, která brání firmám v tom, aby z miliardových investic do AI technologií reálně profitovaly formou vyšších příjmů.

Zpráva MIT Technology Review Insights tak doplňuje širší diskusi o tom, zda současný boom investic do umělé inteligence odpovídá skutečným obchodním přínosům, které tato technologie podnikům přináší. Zatímco objem financování prudce roste, schopnost organizací přeměnit tyto investice do měřitelného obchodního úspěchu podle všeho zaostává – a klíčem k nápravě má být právě práce s daty a reorganizace vnitřních procesů ještě před samotným zaváděním AI nástrojů.