Studie: jen 34 procent projektů agentické AI se dostane do produkčního nasazení

Nová studie MIT Technology Review Insights, vypracovaná ve spolupráci se společností Neo4j a zveřejněná 5. října 2026, ukazuje, že většina organizací zatím nedokáže naplno využít potenciál agentické umělé inteligence. Průzkum mezi 300 technologickými vedoucími pracovníky zjistil, že v průměru se do produkčního nasazení dostane pouze 34 procent projektů agentického AI. Zbytek zůstává uvězněn v pilotní fázi nebo je zcela zastaven, aniž by přinesl organizacím očekávanou hodnotu.

Autoři studie se zaměřili na to, jak firmy zvládají propojení AI agentů s podnikovými znalostmi, a identifikovali hlavní bariéry, které brání úspěšnému škálování. Mezi nejčastěji zmiňované patří zastaralé datové systémy, které nejsou přizpůsobené potřebám moderních AI aplikací, dále obavy týkající se bezpečnosti a ochrany soukromí dat a také nedostatek relevantních znalostí a kontextu, který by agentům umožnil činit spolehlivá rozhodnutí.

Zvlášť výrazným problémem je podle respondentů fragmentace dat – tuto výzvu jako nejzávažnější označilo 55 procent dotázaných. Firmy často spravují informace roztříštěné napříč desítkami systémů a databází, což AI agentům znemožňuje získat ucelený obraz o podnikových procesech a znalostech. Bez konsolidovaného přístupu k datům tak agenti fungují s omezeným kontextem, což snižuje jejich přesnost i důvěryhodnost.

Studie ovšem také ukazuje, že existuje malá skupina organizací, která si v této oblasti vede výrazně lépe než zbytek trhu. Tito takzvaní vedoucí výrobci dosahují v průměru 61procentní úspěšnosti při převádění agentických projektů do produkčního provozu – téměř dvojnásobek oproti celkovému průměru. Klíčovým rozdílem mezi úspěšnými a méně úspěšnými firmami je právě přístup ke správě a propojování znalostí.

Silné znalostní schopnosti korelují s úspěchem agentů, uvádí zpráva, což podle autorů naznačuje, že investice do infrastruktury pro získávání a organizaci znalostí by měly být prioritou pro firmy, které chtějí agentickou AI skutečně nasadit ve velkém měřítku.

Mezi konkrétní technologie, do nichž úspěšné organizace investují, patří takzvané ingestion pipelines umožňující systematické a strukturované načítání dat z různých zdrojů, dále AI-ready rozhraní API, která usnadňují agentům přístup k relevantním informacím v reálném čase, a také znalostní grafy (knowledge graphs), jež umožňují propojovat data a vztahy mezi nimi způsobem, který lépe odpovídá tomu, jak AI modely uvažují a vyhodnocují kontext.

Zpráva naznačuje, že bez systematického řešení problému fragmentace dat a investic do znalostní infrastruktury zůstane agentická AI pro většinu firem spíše experimentem než plnohodnotným nástrojem integrovaným do klíčových podnikových procesů. Zatímco technologie samotných AI agentů se rychle vyvíjí, skutečným limitujícím faktorem se stává schopnost organizací poskytnout jim přístup ke kvalitním, strukturovaným a bezpečně spravovaným datům.

Autoři studie doporučují, aby firmy při budování agentických systémů nekladly důraz pouze na výběr modelů nebo platforem, ale věnovaly srovnatelnou pozornost i datové strategii. To zahrnuje audit existujících datových silosů, investice do nástrojů pro jejich propojení a také nastavení jasných bezpečnostních a governance rámců, které zmírní obavy související s ochranou soukromí a citlivých informací.

Zpráva rovněž upozorňuje, že úspěšné nasazení agentické AI není jen technologickou otázkou, ale vyžaduje i organizační změny – including user ability provozního modelu, jak firmy spravují a sdílejí data napříč odděleními. Bez takové strategické proměny budou podle studie i nadále dvě třetiny projektů agentické AI zůstávat mimo produkční provoz, bez ohledu na to, jak sofistikované modely budou organizace používat.

Výsledky studie tak přicházejí v době, kdy mnoho firem intenzivně experimentuje s nasazením AI agentů napříč různými obchodními funkcemi, od zákaznické podpory přes analýzu dat až po automatizaci interních procesů. Zpráva MIT Technology Review Insights a Neo4j naznačuje, že klíčem k úspěchu nebude jen výkonnost samotných modelů, ale především kvalita a dostupnost znalostí, se kterými tito agenti pracují.