Gartner a budoucnost AI: prognózy, měření a kritický pohled
Co předpovídá Gartner a jak se jeho odhady mění v čase? Historické srovnání, růst schopností podle METR, pracovní úlohy podle Anthropic a naše kritická reflexe v přehledných grafech.
Tři různé otázky o budoucnosti AI
Schopnosti, firemní produktivita a pracovní místa mají odlišná měřítka. Jediná křivka je nevystihne.
Naše stanovisko: Gartner pomáhá uspořádat témata. Časové odhady potřebují historické ověření a srovnání s měřenými výsledky.
Gartnerovy křivky sleduji už několik let. Pomáhají mi uspořádat si technologická témata, ale postupně se u nich vracím k jedné otázce: když má určitý přístup opakovaně dospět za dva až pět let, přibližuje se skutečně k cíli, nebo se posouvá samotný termín? Letos mě tak zaujala především kombinovaná AI. Její název zní aktuálně, spojování různých metod umělé inteligence však známe už dlouho.
Podobné napětí vidím mezi rychlým růstem schopností modelů a opatrnějšími prognózami podnikového nasazení. Obojí může být současně pravda: AI může zvládat stále náročnější úlohy a konkrétní firma přesto nemusí dosáhnout očekávaného přínosu. Abychom poznali, kdy je opatrnost namístě a kdy už za vývojem zaostává, potřebujeme vedle prognóz také měření a pohled do historie.
Gartner v přehledu z října 2026 zdůrazňuje přesun pozornosti k odpovědnosti za chování AI, jejím nákladům a řízení. Agenti, robotika a nové modely dál přitahují zájem, ale zároveň odhalují slabá místa firemních dat, bezpečnosti a organizace práce. Gartner o hlavním posunu v AI v roce 2026.
Pro pochopení tohoto vývoje je potřeba rozlišovat několik různých map. Obecná křivka umělé inteligence zachycuje technologické směry. Další přehledy se věnují generativní AI, agentním systémům a AI ve fyzickém světě. Samostatná křivka budoucnosti práce zkoumá také dovednosti, vedení lidí a vztah člověka s automatizací. Jejich témata se překrývají, ale neodpovídají na stejnou otázku.
Nejprve vysvětlím Gartnerovy kategorie a porovnám je s odhady IDC, Forresteru, Deloitte, McKinsey a výrobců AI. Potom přidám měření METR, výzkum pracovních úloh od Anthropic a osm historických příkladů z období 2011–2026; u kombinované AI porovnám roky 2020, 2023 a 2026. Na konci oddělím vlastní kritickou reflexi od tvrzení jednotlivých institucí.
Článek byl zveřejněn 10. listopadu a rozšířen 11. listopadu 2026. Vychází z veřejných zpráv, dat a grafů; u let 2011, 2020 a 2023 také z veřejně dostupných přetisků původních zpráv. Úplné placené profily Gartneru pro rok 2026 nejsou podkladem této analýzy. Technická vysvětlení, vlastní členění a autorská reflexe jsou od prognóz zdrojů odlišeny.
Jak číst křivku očekávání
Gartnerův model má pět fází. Jejich český význam lze shrnout následovně:
| Fáze | Co vyjadřuje |
|---|---|
| Inovační impuls | Objeví se nové možnosti, první pokusy a výrazný zájem. Praktická využitelnost je nejistá. |
| Vrchol přehnaných očekávání | Úspěšné ukázky vytvářejí představu rychlé a rozsáhlé proměny. Očekávání předbíhají zkušenost z provozu. |
| Údolí vystřízlivění | Projeví se limity, náklady a neúspěšné projekty. Část dodavatelů i uživatelů odpadá. |
| Svah porozumění | Přibývají opakovatelné postupy a jasnější představa, kde technologie přináší hodnotu. |
| Plošina produktivity | Rozšiřuje se zavedené používání a lépe známé podmínky ekonomického přínosu. |
Jde o manažerský rámec pro uvažování o vyspělosti a adopci. Svislá osa zobrazuje očekávání; vodorovná představuje postup vývoje bez pravidelné kalendářní stupnice. Konkrétní časový odhad vyjadřuje značka u položky. Oficiální vysvětlení metodiky Gartneru.
Z toho vyplývají důležitá omezení interpretace. Pokles na křivce neznamená pokles výpočetního výkonu ani zhoršování všech produktů. Technologie v údolí může být pro určitou úlohu velmi užitečná. Technologie na vrcholu zase nemusí být připravena na plošné nasazení. Výška bodu neudává míru nebezpečnosti, tržby ani pravděpodobnost úspěchu.
Stejně opatrně je třeba číst čas. „Dva až pět let do produktivity“ není datum vynálezu, prvního produktu nebo první návratné zakázky. Je to odhad zbývající cesty k širší vyspělosti příslušné kategorie. Pro srpnový graf z roku 2026 lze intervaly orientačně převést takto:
| Značka v grafu | Orientační kalendářní význam |
|---|---|
| Méně než dva roky | Výhled přibližně do druhé poloviny roku 2028 |
| Dva až pět let | Přibližně roky 2028 až 2031 |
| Pět až deset let | Přibližně roky 2031 až 2036 |
| Více než deset let | Za horizontem roku 2036 |
Tento převod je prostý přepočet intervalů, nikoli další předpověď. Intervaly nejsou statistickými intervaly spolehlivosti. U konkrétního podniku se výsledek může dostavit podstatně dříve, později, nebo vůbec.
Proto ani značka u základních modelů neznamená, že je firmy začnou používat až za dva roky. Už průzkum McKinsey zveřejněný v březnu 2025 uváděl, že 71 procent respondentů hlásí pravidelné používání generativní AI alespoň v jedné podnikové funkci. Jde o dotazované organizace, nikoli o sčítání všech firem. Rozšířené používání a předvídatelný ekonomický přínos jsou různé věci. Zároveň by měl analytik vysvětlit, podle jakého pozorovatelného kritéria už bude plošina dosažena. Bez něj se odhad obtížně ověřuje. McKinsey: používání generativní AI v organizacích.
Kdy Gartner očekává širší produktivitu
Odhady ze srpna 2026. Technologie se mohou používat už dnes; graf neříká, kdy budou vynalezeny.
Termín produktivity není termín vynálezu. Jde o orientační přepočet intervalů od srpna 2026. U obecné AI to není předpověď data jejího vzniku.
Vlastní infografika podle Gartnerova grafu 2026, strana 3.Co přesně obsahuje technologická mapa pro rok 2026
Obecná zpráva o AI byla zveřejněna 28. srpna 2026. Samotný graf zachycuje srpnový stav. To je důležité odlišit od říjnového článku, který zprávu popularizuje. Veřejný záznam zprávy Gartneru.
Původní graf Gartneru pro rok 2026. Poloha ukazuje fázi očekávání. Pro přesné časové intervaly slouží legenda původního přehledu a následující česká tabulka. Zdroj a úplný přehled.
Na grafu je 27 položek. Následující tabulka překládá jejich názvy a přidává stručné věcné vysvětlení. Časové odhady jsou přepsané ze značek v původním grafu; vysvětlení pojmů slouží jako čtenářský slovník a nenahrazují licencované definice Gartneru.
| Oblast | Co si pod ní představit | Odhad k plošině produktivity |
|---|---|---|
| Kombinovaná AI | Spojení více přístupů, například učení z dat, pravidel, optimalizace a znalostních struktur. | Méně než 2 roky |
| Základní modely | Rozsáhle předtrénované modely použitelné jako základ mnoha specializovaných aplikací. | Méně než 2 roky |
| AI přímo v zařízeních | Vyhodnocování na telefonu, stroji, vozidle či místním zařízení blízko zdroje dat. | Méně než 2 roky |
| Generativní AI | Systémy vytvářející text, obraz, zvuk, kód a další obsah. | Méně než 2 roky |
| AI vycházející ze základních principů | Propojování učení s fyzikálními zákony, oborovými pravidly a další známou strukturou problému. | 2 až 5 let |
| Kauzální AI | Modelování příčinných vztahů a důsledků zásahů. | 2 až 5 let |
| Identita AI agentů | Rozpoznání konkrétního agenta, jeho oprávnění, zastupované osoby a odpovědnosti. | 2 až 5 let |
| Vývoj softwaru od základu postavený na AI | Vývojový proces, v němž je AI součástí návrhu, implementace, ověřování i údržby. | 2 až 5 let |
| Rozhodovací inteligence | Propojení dat, modelů, rozhodovacích pravidel a zpětné vazby o výsledcích. | 2 až 5 let |
| Finanční řízení provozu AI | Průběžné sledování a optimalizace nákladů AI vzhledem k dosažené hodnotě. | 2 až 5 let |
| Suverénní AI | Kontrola nad daty, modely, infrastrukturou a závislostmi na dodavatelích či jurisdikcích. | 2 až 5 let |
| Inženýrství AI | Postupy pro spolehlivou stavbu, nasazování, hodnocení a provoz AI systémů. | 2 až 5 let |
| AI agenti | Systémy, které v rámci svěřeného cíle vybírají kroky a používají nástroje. | 2 až 5 let |
| Multimodální AI | Modely propojující více typů vstupů nebo výstupů, například text, obraz a zvuk. | 2 až 5 let |
| Data připravená pro AI | Data dostatečně kvalitní, dostupná, popsaná a oprávněně použitelná pro danou úlohu. | 2 až 5 let |
| Syntetická data | Uměle vytvořené příklady pro trénování, testování nebo simulaci. | 2 až 5 let |
| Znalostní grafy | Strukturované zachycení objektů, jejich vlastností a vzájemných vztahů. | 2 až 5 let |
| Pozorovatelnost AI | Zjišťování, co systém skutečně dělá, kde chybuje a jak se mění jeho chování. | 5 až 10 let |
| Továrny na AI | Výpočetní, datové a provozní celky pro soustavnou tvorbu a poskytování AI. | 5 až 10 let |
| Kvantové výpočty pro AI | Využití kvantových výpočetních metod v úlohách souvisejících s AI. | 5 až 10 let |
| Obchodování prostřednictvím agentů | Výběr, porovnávání nebo uskutečňování obchodních kroků softwarovými agenty. | 5 až 10 let |
| Řízení kybernetické bezpečnosti AI | Pravidla, odpovědnosti a kontrola kybernetických rizik spojených s AI. | 5 až 10 let |
| AI ve fyzickém světě | Systémy, které vnímají prostředí a zasahují do něj prostřednictvím strojů a zařízení. | 5 až 10 let |
| Simulace využívající AI | Propojování AI a simulací při modelování, zkoušení a hledání vhodných postupů. | 5 až 10 let |
| Technologie pro správu a dohled nad AI | Nástroje pro evidenci systémů, uplatňování pravidel, dohled a řízení rizik. | 5 až 10 let |
| Modely světa | Modely reprezentující prostředí a předvídající jeho možné další stavy. | 5 až 10 let |
| Obecná umělá inteligence | Široce zobecnitelné intelektuální schopnosti přesahující úzce vymezené úlohy. | Více než 10 let |
Zdroj časových značek: původní přehled Gartneru, strana 3. Součet představuje čtyři položky v nejkratším horizontu, třináct v intervalu dva až pět let, devět v intervalu pět až deset let a jednu za desetiletým horizontem.
Zvláštní pozornost si zaslouží poslední řádek. Značka u obecné umělé inteligence vyjadřuje vzdálenost k plošině produktivity v Gartnerově modelu. Není to přímo předpověď data vzniku první obecné umělé inteligence. Navíc se liší samotné definice toho, co by takový systém musel splňovat.
Také u znalostních grafů nebo kombinování metod může horizont překvapit: jejich principy jsou starší než současná vlna generativní AI. Stáří metody, vyspělost produktu a rozšíření konkrétního nasazení se liší. Tím ale otázka nekončí. Pokud se opakuje stejný název i podobný časový odhad, potřebujeme porovnat původní definici s novou a zjistit, co se změnilo. Historické srovnání uvádím níže.
Podobně nelze automaticky ztotožnit používání generátorů kódu s vývojem softwaru od základu postaveným na AI. Druhý pojem může zahrnovat změnu celého procesu: zadávání požadavků, návrh, ověřování, nasazení a údržbu. Výzkumná vize publikovaná v roce 2026 popisuje nástroje pro konverzační tvorbu aplikací jako raný projev širší proměny. Samotné používání asistenta tedy nerozhoduje o vyspělosti celého procesu; pro hodnocení prognózy však musí být tento rozdíl stanoven předem. Výzkumná vize vývoje softwaru založeného na AI.
Šest technologických okruhů a jejich skutečné překážky
Silný model ještě nezaručí přínos.
Čtyři místa, kde se slibná ukázka může změnit v nákladný provoz. A co při zavádění ověřit.
Přesvědčivá, ale chybná odpověď
Ověřit zdroje, aktuálnost a význam dat.
Chyby se mohou řetězit
Omezit oprávnění a kontrolovat důležité kroky.
Levná odpověď, drahý výsledek
Započítat opakování, opravy i lidskou kontrolu.
Ztráta zkušeností a úsudku
Zachovat úsudek, učení a znalost výjimek.
Vlastní syntéza rizik rozebraných v článku. Nejde o žebříček pravděpodobnosti selhání.
Pro orientaci lze 27 položek rozdělit do šesti věcných okruhů. Toto členění je vlastní syntézou pro čtenáře, nikoli další oficiální klasifikací Gartneru. Kategorie se překrývají: například multimodální model může být součástí robota i kancelářského asistenta.
Modely a reprezentace znalostí. Patří sem základní, generativní a multimodální modely, znalostní grafy, kombinovaná a kauzální AI, modely světa či AI vycházející ze základních principů. Společnou otázkou je, jak spojit pružnost učení s ověřitelnými informacemi a omezeními konkrétního oboru.
Technické riziko spočívá v záměně přesvědčivosti za správnost. Jazykový model může navrhnout uvěřitelné vysvětlení, aniž by správně zachytil příčinu. Znalostní graf může zpřehlednit vztahy, ale obsahovat zastaralé údaje. Fyzikální omezení může zlepšit modelování stroje, pokud odpovídá skutečnému provoznímu režimu. Každá z těchto metod mění povahu chyb; žádná sama o sobě nedokazuje správnost celého systému.
Agenti a automatizace práce. AI agent přidává k vytváření odpovědí schopnost jednat: vyhledávat, vybírat nástroje, provádět operace a reagovat na průběžný výsledek. Patří sem také agentní obchodování a proměna vývoje softwaru.
S rostoucím počtem kroků se však zvětšuje prostor pro chybu. Uvažujme čistě ilustrační model: každý z dvaceti nezávislých kroků se podaří s pravděpodobností 98 procent a všechny jsou pro výsledek nezbytné. Pravděpodobnost bezchybného celku je potom 0,98 na dvacátou, tedy přibližně 67 procent. Skutečné chyby nebývají nezávislé a agenti mohou některé opravit, takže nejde o měření jejich současné spolehlivosti. Příklad ukazuje nárok na spolehlivost vícekrokového postupu, nikoli dlouhodobou hranici schopností AI. Pracuje s pevnou chybovostí; skutečné systémy se zlepšují, využívají testy a opravují neúspěšné pokusy. Právě měření METR níže ukazují, že délka samostatně zvládnutelných úloh rychle roste. Současný problém proto nelze bez dalšího promítnout o pět let dopředu. Přejít na graf METR.
Data a simulace. Kvalita dat zahrnuje správnost, aktuálnost, reprezentativnost i význam v konkrétním procesu. Tabulka může být bez technických vad, ale pro rozhodnutí nevhodná: například obsahuje historická pravidla, která už firma nepoužívá. Syntetická data mohou doplnit vzácné situace, zároveň však mohou opakovat slepé skvrny modelu, který je vytvořil.
Výzkum Shumailova a spoluautorů publikovaný v časopise Nature v roce 2024 ukazuje riziko degradace při opakovaném učení z modelově generovaných dat, včetně ztrácení vzácných částí původního rozdělení. Jde o varování před konkrétním způsobem opakovaného trénování, nikoli důkaz, že všechna syntetická data škodí. Pro praxi z toho plyne potřeba sledovat původ příkladů a ověřovat výsledky na nezávislých skutečných datech. Studie o kolapsu modelů při rekurzivním trénování.
Provoz, dohled a bezpečnost. Tato skupina zahrnuje inženýrství AI, pozorovatelnost, správu modelů a aplikací, identitu agentů a kybernetickou bezpečnost. Gartner označuje pozorovatelnost za významné nové téma: běžný monitoring dostupnosti nemusí odhalit systém, který odpovídá rychle, ale nesprávně. Současný trh nástrojů podle něj zůstává roztříštěný. Gartner k pozorovatelnosti a řízení AI.
Praktický rozdíl lze ukázat na agentovi pracujícím s fakturami. Potřebujeme vědět, který dokument četl, jaké údaje z něj převzal, s jakým oprávněním změnil záznam a kdo smí změnu schválit. Záznam, že „model úspěšně odpověděl“, tyto otázky neřeší. Podobně je nutné rozlišit nebezpečný pokyn vložený do cizího dokumentu od legitimního zadání uživatele. Větší autonomie rozšiřuje důsledky takové záměny.
Ekonomika, infrastruktura a suverenita. Továrny na AI, finanční řízení jejího provozu, místní výpočty, kvantové metody a suverénní infrastruktura řeší různé stránky otázky, za jakých podmínek lze AI dlouhodobě provozovat.
Z ekonomického hlediska je vhodnější měřit cenu přijatého výsledku než cenu jedné odpovědi. Levný model může vyžadovat mnoho opakování a lidských oprav. Nákladnější model může mít nižší celkové náklady, pokud úlohu dokončí správně napoprvé. U suverenity je zase potřeba oddělit umístění dat, kontrolu nad jejich zpracováním, dostupnost výpočtů a možnost změnit dodavatele. Samotná adresa datového centra neřeší všechny tyto závislosti.
Gartner proto u nákladů doporučuje volit úroveň modelu podle potřeby, zavádět rozpočty jednotlivých běhů a automatické zastavení při překročení limitů. Jeho argument je provozní: spotřebu je třeba ovlivnit už během činnosti systému. Gartner k řízení nákladů AI.
Fyzické systémy. Robotika a další AI působící v reálném světě propojují model s čidly, řízením pohybu, mechanikou a okolním provozem. Chyba se může projevit poškozeným předmětem nebo nebezpečným pohybem. Zde se potkává pravděpodobnostní chování AI s požadavkem předvídatelné bezpečnosti.
Důvod delšího horizontu lze pochopit na robotovi ve skladu. Musí rozpoznat balík, bezpečně jej uchopit, odlišit překážku od člověka, reagovat na výpadek senzoru a spolupracovat s dalšími stroji. Lepší jazykový model může zlepšit porozumění pokynu, ale sám nevyřeší všechna tato omezení. Následující Gartnerovo členění ukazuje, proč je potřeba hodnotit celý systém.
Proč Gartner vydává samostatné přehledy pro generativní, agentní a fyzickou AI
U generativní AI Gartner ve veřejném výkladu rozlišuje čtyři oblasti: modely, inženýrství, agenty a aplikace, infrastrukturu a podpůrné metody. Jejich smyslem je odlišit schopnost modelu od schopnosti dodat funkční službu. Stejný přehled obsahuje prognózu, že do roku 2028 nejméně polovina projektů generativní AI překročí plánované náklady kvůli nevhodné architektuře a nedostatečným provozním zkušenostem. Gartnerův přehled generativní AI z 22. července 2026.
Příkladem architektonického rozhodnutí je, zda každou otázku posílat největšímu modelu, nebo rozlišovat mezi jednoduchým vyhledáním, pravidlovým výpočtem a složitou analýzou. Dalším je rozsah informací přikládaných ke každému požadavku. I při klesající ceně výpočtu může celková spotřeba růst, jestliže se aplikace rozšíří na více úloh, více uživatelů a více opakovaných kroků.
U agentní AI Gartner upozorňuje na celý ekosystém: vývojové a správní platformy, koordinaci agentů, komunikaci, správu kontextu, vývojový životní cyklus, bezpečnost a náklady. Ve veřejném výkladu uvádí 17 procent organizací s nasazenými agenty a více než 60 procent plánujících nasazení v následujících dvou letech. Údaje pocházejí z jeho průzkumu technologických ředitelů pro rok 2026. Plány respondentů ale nejsou naměřená budoucí adopce. Gartnerův přehled agentní AI.
Pro čtenáře je užitečné rozlišit asistenta, pevně naprogramovanou automatizaci a agenta. Asistent pomáhá s jednotlivými kroky. Automatizace následuje předem určený postup. Agent může další postup vybírat podle cíle a situace. Konkrétní produkt může všechny tři režimy kombinovat. Označení „agent“ proto samo o sobě nevypovídá o rozsahu autonomie ani potřebném dohledu.
U fyzické AI Gartner pojmenovává pět propojených vrstev:
| Vrstva | Co zahrnuje |
|---|---|
| Fyzické systémy | Roboty, drony, autonomní vozidla a další zařízení. |
| Modely a metody inteligence | Vnímání prostředí, plánování a přizpůsobování chování. |
| Data a simulace | Trénovací podklady, simulační dvojčata a modelování prostředí. |
| Výpočty a řízení | Místní zpracování, senzory, odezvu a odolnost infrastruktury. |
| Provozní bezpečnost a koordinace | Dohled nad flotilami, bezpečné selhání a propojení s průmyslovými systémy. |
Podle Gartneru slabina jedné vrstvy omezuje celek. Zvlášť upozorňuje na rozdíl mezi simulovaným a skutečným prostředím a na obtížné ověřování obecnější fyzické autonomie. Gartnerův výklad fyzické AI z 30. září 2026.
Pro nasazení z toho vyvozuji jednoduché měřítko: nehodnotit pouze nejlepší ukázku. Ověřovat také změny osvětlení, neobvyklé předměty, chybějící data, výpadky spojení a chování při nejistotě. Zvládnutý průměrný případ nevypovídá dostatečně o bezpečnosti výjimečných situací.
Budoucnost práce má vlastní mapu
Samostatná křivka budoucnosti práce pro rok 2026 zachycuje stav z července. Gartner ji veřejně představil v září. Obsahuje 40 pojmenovaných témat, z nichž řada není samostatnou technologií: jde také o dovednosti, psychologii, pracovní role a způsoby spolupráce. Původní graf budoucnosti práce.
Budoucnost práce zahrnuje vedle technologií také lidské schopnosti a organizaci práce. Zdroj: Gartner, stav z července 2026.
Gartner k němu popisuje čtyři hlavní posuny:
- Rozšiřovat lidské schopnosti prostřednictvím spolupráce s AI. Pozornost směřuje k úsudku, tvořivosti a odpovědnosti.
- Budovat zaměstnance schopné průběžné adaptace. Nestačí jednou osvojit ovládání nástroje; mění se úkoly i potřebné dovednosti.
- Posilovat kontext, úsudek a smysl práce. Organizace mají zachovat porozumění tomu, proč se určitý postup používá.
- Vytvářet podmínky pro navazující přínosy. Zkušenosti, infrastruktura a dovednosti mají zlevňovat a zlepšovat další použití AI.
Součástí sdělení je prognóza, že do roku 2027 budou tři čtvrtiny organizací zaměřených na proměnu produktivity AI především v úspory předstiženy konkurenty, kteří přínosy vracejí do inovací, modernizace a vzdělávání. Pojem „předstiženy“ však veřejná zpráva nepřevádí na jednoznačnou metriku. Gartner o čtyřech změnách budoucnosti práce, 9. září 2026.
Aby se ve čtyřiceti položkách dalo orientovat, následující tabulka je seskupuje podle praktické souvislosti. Jde opět o vlastní čtenářské členění. České názvy jsou překlady popisků grafu, nikoli nové oficiální názvosloví.
| Okruh | Položky z grafu | Otázka, kterou otevírají |
|---|---|---|
| Spolupráce lidí a agentů | Zkušenost člověka při práci s agentem; společné pracovní prostředí lidí a agentů; AI jako pracovní partner; přenášení kognitivních úkolů na AI; identita agentů; tržiště agentů. | Které kroky delegovat, jak zachovat přehled a kdo odpovídá za výsledek? |
| Dovednosti a vedení | Gramotnost v AI; praktická znalost AI u vrcholových manažerů; vedení podporované AI; průběžná aktuálnost dovedností pro AI; digitální obratnost; digitální koučovací aplikace. | Učí se lidé nástroj používat a současně samostatně posuzovat jeho výstupy? |
| Znalosti o lidech a rozhodování | Analytika pracovních návyků; práce s lidským vhledem; kyberpsychologie; AI pro odhad emocí; směrování pozornosti; platformy rozhodovací inteligence. | Pomáhá měření porozumění práci, nebo vytváří zavádějící ukazatele? |
| Digitální reprezentace pracovníka | AI avatar zaměstnance; digitální dvojče zaměstnance. | Co reprezentace smí dělat a jak věrně zachycuje schopnosti a oprávnění člověka? |
| Rozhraní a přístup k nástrojům | Rozhraní bez tradičního ovládání; generované uživatelské rozhraní; konverzační rozhraní; prohlížeč s agentními funkcemi; nositelná zařízení s AI. | Rozumí uživatel tomu, co systém udělá, a dokáže jeho činnost zastavit nebo opravit? |
| Tvorba zadání a řešení | Tvorba agentů bez psaní kódu; návrh zadání a kontextu; knihovna zadání; metodika zadávání označená PERFECT; tvorba kódu zadáváním v přirozeném jazyce; inženýr pracující přímo při zavádění řešení u zákazníka. | Jak se rychlý návrh promění v udržovatelné a ověřené řešení? |
| Aplikační a modelová vrstva | Oborové generativní modely; multimodální generativní AI; AI agenti; AI ztělesněná v zařízení; simulátory s generativní AI; každodenní použití AI; generativní AI; virtuální asistenti s generativní AI. | Jaký druh systému odpovídá úloze a jaké podmínky vyžaduje? |
| Důvěryhodnost nabídky | Marketingové nadužívání označení AI. | Je slibovaná schopnost doložitelná, nebo jde hlavně o nové pojmenování produktu? |
U některých názvů je veřejný graf podstatně stručnější než skutečný technologický profil. Například u označení PERFECT nelze ze samotného obrázku spolehlivě odvodit rozpis zkratky nebo konkrétní metodiku. Podobně „práce s lidským vhledem“ neznamená, že existuje obecně ověřený přístroj na měření lidského úsudku. Takové pojmy je vhodné číst jako vymezení sledovaného tématu.
Co pracovní křivka říká o čase
Na červencovém grafu mají generativní AI, její virtuální asistenti a tvorba kódu přirozeným zadáváním značku méně než dva roky. U agentů, oborových modelů, multimodální generativní AI a digitální obratnosti je dva až pět let. Zkušenost člověka s agentem, tržiště agentů, avatar zaměstnance, nositelná zařízení s AI a odhad emocí mají pět až deset let. Tyto intervaly se počítají od července 2026. Časové značky v původním pracovním grafu.
Pozoruhodný je rozdíl mezi rychlým rozšířením generování kódu a širší proměnou softwarového inženýrství. Vyrobit prototyp a vytvořit dobře spravovanou službu jsou různě náročné úkoly. Podobně lze rychle přidat asistenta do kancelářské aplikace, zatímco proměna rozhodování, odpovědností a profesního vzdělávání zabere déle.
Proč se tolik mluví o ztrátě odbornosti a chybném propouštění
Nejvýraznější personální prognóza říká, že do roku 2029 bude potřeba znovu přijmout 30 procent zaměstnanců propuštěných a nahrazených AI, často za vyšších nákladů. Gartner ji v říjnovém sdělení spojuje s nedostatečným plánováním budoucí práce. V červencovém průzkumu 297 personálních ředitelů označil plánovací postupy za účinné jen u 19 procent organizací. Gartnerova prognóza a průzkum zveřejněné 28. října 2026.
Prognóza 30 procent není výsledkem pozorování budoucího roku 2029. A samotný průzkum 297 ředitelů veřejně nedokládá výpočet, z něhož by tento podíl vycházel. Důležité je také zachovat jmenovatel: nejde o 30 procent všech pracovníků ani o předpověď celkové nezaměstnanosti.
Gartner upozorňoval na skryté personální náklady už v červnu 2026. Vedle opětovného náboru zmiňoval cenu vzácných dovedností, jejich rychlé zastarávání a nesoulad mezi změněnou produktivitou a odměňováním. Červnová formulace navíc pracovala s podílem „až 30 procent“, zatímco pozdější sdělení uvádějí 30 procent. Gartner o skrytých nákladech změn pracovní síly.
Mechanismus rizika lze vysvětlit bez předstírání přesnosti tohoto čísla. Pracovní místo obvykle obsahuje více činností. Člověk kromě standardního zpracování případu řeší výjimky, všímá si nesrovnalostí, udržuje vztahy a předává zkušenost. Pokud firma změří pouze rychlost rutinní části, může podcenit zbývající práci. S odchodem zaměstnance pak zmizí i znalost, která nebyla zaznamenána v systému.
Dalším možným problémem je ztenčování vstupních profesních pozic. Jednoduché úkoly poskytují prostor k učení. Jejich automatizace může být přínosná, ale vzdělávací funkce musí mít náhradu. Jinak se krátkodobá úspora může po letech projevit nedostatkem lidí schopných řešit obtížné případy. Jde o organizační mechanismus, jehož síla závisí na oboru a způsobu zavedení AI, nikoli o nevyhnutelný výsledek každé automatizace.
Podobná opatrnost je nutná u kognitivního odlehčování. Pomoc s rešerší nebo návrhem může uvolnit kapacitu k náročnějšímu uvažování. Pasivní přijímání odpovědí však může oslabit kontrolu. Rozdíl vytváří pracovní postup: zda člověk ověřuje předpoklady a argumentaci, nebo jen potvrzuje hotový výstup. Americký NIST řadí nevhodnou důvěru, závislost na systému a další problémy uspořádání spolupráce člověka s AI mezi rizika generativních systémů. Rámec NIST pro rizika generativní AI.
Odhad emocí vyžaduje zvláštní obezřetnost
Zařazení technologie do prognózy není potvrzením její vědecké validity. Přehled Barrettové a spoluautorů ukazuje, že vztah mezi pohyby obličeje a emocemi výrazně závisí na situaci, kultuře a konkrétním člověku. Stejný výraz může doprovázet různé stavy. Z přesné detekce výrazu proto automaticky neplyne přesné určení emoce. Vědecký přehled o mezích odvozování emocí z obličeje.
Pro české prostředí je podstatné i právní omezení: článek 5 odst. 1 písm. f) evropského aktu o AI zakazuje vymezené použití AI k odvozování emocí na pracovištích a ve vzdělávacích institucích s výjimkami pro zdravotní nebo bezpečnostní účely. Pětiletý či desetiletý tržní horizont tedy nelze zaměnit za budoucí oprávnění systém takto používat. Aktuální konsolidované znění evropského nařízení.
Konkrétní prognózy a jejich termíny
Časové značky na křivkách je užitečné doplnit samostatnými kvantitativními prognózami. Tyto údaje mají různá data vydání, různé jmenovatele a různé podmínky. Nelze je sčítat ani je považovat za jednu společnou statistiku.
| Termín | Tvrzení Gartneru | Jak je správně chápat |
|---|---|---|
| Konec roku 2027 | Více než 40 procent agentních projektů bude zrušeno kvůli nákladům, nejasné hodnotě nebo nedostatečnému řízení rizik. | Prognóza ukončených projektů, nikoli podíl chyb všech agentů. |
| Rok 2028 | Nejméně 15 procent každodenních pracovních rozhodnutí bude autonomně prováděno agentní AI. | Výhled rozhodovacích úkonů, nikoli procento všech pracovních míst. |
| Rok 2028 | Agentní AI bude součástí 33 procent podnikových softwarových aplikací. | Přítomnost funkce v aplikaci neříká, jak rozsáhle nebo autonomně ji zákazník používá. |
Všechny tři uvedené prognózy Gartner zveřejnil už 25. června 2025. Jejich opakování v materiálech roku 2026 je připomenutím staršího odhadu. Gartner současně varoval před přejmenováváním běžných asistentů a automatizací na agentní produkty. Původní prognózy o agentní AI.
Vedle nich stojí letošní již zmíněné výhledy: překročení rozpočtu nejméně poloviny generativních projektů do roku 2028, možné opětovné přijímání propuštěných lidí do roku 2029 a konkurenční výhoda reinvestování přínosů do roku 2027. Každý sleduje jinou část problému: náklady realizace, personální plánování nebo strategii využití produktivity.
Nejnovější výhled pracovních míst do roku 2030
Dne 10. listopadu 2026 Gartner zveřejnil další prognózu. Do roku 2030 očekává v souvislosti s AI vznik 10,6 milionu míst a zánik 8,9 milionu, tedy čistý přírůstek 1,7 milionu míst. Samostatně pracuje s pěti miliony odložených příležitostí k náboru či vytvoření pozic. Zdůrazňuje rozdíly mezi obory a proměnu práce i tam, kde místo nezanikne. Gartnerova prognóza zaměstnanosti z 10. listopadu 2026.
Kladné globální saldo neznamená, že změna bude pro každého příznivá. Nové místo může vzniknout v jiné zemi, požadovat jiné dovednosti nebo být dostupné až po delší době. Odložené vytvoření pozice navíc představuje jiný jev než propuštění člověka z existujícího místa. Tyto kategorie proto nelze bez znalosti metodiky prostě odečítat od sebe.
Ani tento výhled sám o sobě neověřuje dřívější prognózu opětovného náboru 30 procent propuštěných. Jedna popisuje celkové toky pracovních míst, druhá konkrétní skupinu dotčených zaměstnanců. Mohou být současně logicky slučitelné, ale každá potřebuje vlastní empirické ověření.
Alternativní prognózy velkých analytických společností
Pět čísel. Pět různých otázek.
Růst používání AI může doprovázet rušení projektů. Instituce totiž sledují různé veličiny.
Agentních projektů má být zrušeno.
Počítají se projekty, nikoli pracovní místa.
Podniků má provozovat většinu procesů primárně pomocí AI.
Lidé mají dál dohlížet a přebírat rozhodnutí.
Podnikových technologických výdajů má připadat na AI.
Výdaje samy neprokazují návratnost.
Základní odhad trhu autonomních agentů.
Až 45 miliard je podmíněný příznivý scénář.
Respondentů z organizací využívajících AI hlásí pokles zaměstnanosti přisuzovaný AI.
O rok dříve jej očekávalo 32 %. Nejde o podíl zrušených míst.
Čísla se nedají přímo porovnat ani sčítat. Liší se sledovaná populace, období i metodika. Podrobnosti a odkazy na původní zdroje jsou v následujících oddílech.
Srovnání různých institucí je užitečné právě tehdy, když zachováme rozdíly mezi jejich otázkami. Růst trhu, návratnost projektu, počet podniků používajících AI a počet pracovních míst jsou odlišné veličiny. Vysoký podíl neúspěšných pokusů může existovat současně s rychlým rozšiřováním úspěšných aplikací.
| Instituce a podklad | Co sleduje | Hlavní výhled nebo zjištění | Povaha evidence |
|---|---|---|---|
| IDC, výhled pro rok 2027 | Podnikové procesy | Do roku 2029 má 60 procent podniků provozovat většinu procesů s AI jako základním způsobem vykonávání práce. | Analytická prognóza |
| Forrester, předpovědi pro rok 2027 | Výdaje a připravenost firemního prostředí | Na AI má v roce 2027 připadat pětina podnikových technologických výdajů; produkčního měřítka má dosáhnout jen čtvrtina iniciativ podnikové kontextové vrstvy. | Analytické prognózy |
| Deloitte, technologický výhled pro rok 2026 | Trh autonomních agentů | Základní tržní odhad pro rok 2030 činí 35 miliard dolarů; podmíněná varianta dosahuje přibližně 45 miliard. | Souhrn tržních odhadů a podmíněný scénář |
| McKinsey, stav AI v roce 2026 | Zkušenost organizací se zaměstnaností | Pokles počtu zaměstnanců přisuzovaný AI hlásilo 14 procent respondentů; v předchozím ročníku jej očekávalo 32 procent. | Dotazníkové zjištění |
IDC předpokládá rychlejší proměnu podnikových procesů
IDC ve výhledu zveřejněném na konci října 2026 očekává, že do roku 2029 bude 60 procent podniků provozovat většinu procesů způsobem, v němž práci primárně zajišťuje AI. Pro rok 2026 uvádí 13 procent. Agenti mají vykonávat práci a lidé pomáhat, dohlížet a přebírat rozhodnutí podle stanovených pravidel. Veřejné vysvětlení neuvádí interval nejistoty této předpovědi. IDC o výhledu na rok 2027 a dalších letech.
To je ambiciózní výhled rychlosti organizační změny. Nelze jej však přímo odečíst od Gartnerových zrušených agentních projektů: IDC počítá podniky a podobu jejich procesů, Gartner projekty. Firma může několik pokusů ukončit a zároveň úspěšné řešení rozšířit. Rozhodující otázkou pro pozdější ověření IDC bude, jak se měří „většina procesů“ a jak rozsáhlý podíl práce skutečně přebírá AI.
Forrester čeká vysoké investice a obtížnou práci s kontextem
Forrester v říjnu 2026 předpověděl, že v roce 2027 připadne na AI každý pátý dolar podnikových technologických výdajů. Jde o tržní odhad, nikoli o povinný dvacetiprocentní podíl v rozpočtu každé firmy. Zároveň očekává, že pouze čtvrtina iniciativ budujících podnikovou kontextovou vrstvu dokáže podporovat agentní AI v produkčním měřítku. Forresterovy předpovědi pro rok 2027.
Kontextovou vrstvou si lze představit způsob, jakým agent získává významově správné informace o podniku: co znamená konkrétní záznam, kdo je oprávněn jej použít a jak souvisí s dalšími údaji. Praktická překážka tak může ležet mezi výkonným modelem a neuspořádaným firemním prostředím. Forresterova kombinace růstu výdajů a omezené úspěšnosti nasazení připomíná, proč nelze objem investic zaměňovat za prokázanou hodnotu.
Deloitte ukazuje rozdíl mezi základním odhadem a příznivým scénářem
Deloitte ve výhledu pro rok 2026, vydaném 18. listopadu 2025, pracuje s průměrem tržních odhadů pro autonomní AI agenty: 8,5 miliardy dolarů v roce 2026 a 35 miliard v roce 2030. Přidává vlastní podmíněný scénář. Lepší koordinace agentů a zvládnutí rizik by mohly tržní výhled zvýšit o 15 až 30 procent, až přibližně na 45 miliard dolarů. Deloitte o koordinaci agentů a výhledu jejich trhu.
Částku 45 miliard proto nelze prezentovat jako jistý výsledek. Je spojena s podmínkou, že se podaří vyřešit část provozních překážek. Tržby dodavatelů navíc nejsou totéž co přínos zákazníků nebo produktivita celé ekonomiky. Tato prognóza je užitečná pro uvažování o velikosti oboru, ale nenahradí propočet konkrétního nasazení.
McKinsey porovnává očekávání propouštění s následnou zkušeností
McKinsey ve zprávě z 25. srpna 2026 uvádí, že 14 procent respondentů z organizací používajících AI hlásilo její příspěvek k celkovému poklesu počtu zaměstnanců během předchozího roku. O rok dříve takový pokles očekávalo 32 procent. Nově jej pro následující rok očekává 39 procent. Průzkum zahrnoval 1 719 účastníků z 97 zemí; autoři prověřili také skupinu 552 lidí přítomných v obou ročnících a uvádějí stejný základní závěr. McKinsey o stavu AI v roce 2026.
To je zvlášť cenný doplněk prognóz: očekávání lze porovnat s později hlášenou zkušeností. Stále jde o odpovědi respondentů, nikoli o účetní evidenci všech zaniklých míst. A podíl organizací, v nichž se něco změnilo, nevyjadřuje počet dotčených pracovníků. Přesto výsledky ukazují, že manažerské očekávání může předbíhat skutečný rozsah změn.
Obecná AI: proč se výrobci a Gartner zdánlivě rozcházejí o desetiletí
Anthropic v březnu 2025 očekával velmi výkonné systémy na konci roku 2026 nebo začátku 2027. Popsal přitom schopnosti napříč obory i samostatné řešení dlouhých úloh. Jde o datovanou prognózu výrobce s vlastním vymezením cíle. Původní předpověď Anthropic.
Demis Hassabis z Google DeepMind v rozhovoru z května 2026 mluvil o AGI přibližně kolem roku 2030 a připouštěl i rok 2029. Ani tento výrok není totožný s odhadem široké podnikové produktivity. Rozhovor s Demisem Hassabisem.
| Výrok | Co předpovídá | Jak jej číst |
|---|---|---|
| Anthropic, březen 2025: konec 2026 / začátek 2027 | Vznik systémů s konkrétně popsanými velmi vysokými schopnostmi. | Prognóza výrobce; datum samo neprokazuje dosažení schopností. |
| Hassabis, květen 2026: kolem 2030, případně 2029 | Dosažení obecné inteligence. | Datovaný názor vedoucího výzkumné laboratoře. |
| Gartner, srpen 2026: více než deset let | Plošina produktivity kategorie AGI. | Není to přímo datum vzniku prvního systému. |
Značku Gartneru proto nelze přepsat na tvrzení, že AGI nemůže vzniknout před rokem 2036. Rozdílný cíl předpovědi vysvětluje část rozporu, neobhajuje však automaticky žádný z termínů. Výrobci mají přístup k interním výsledkům, ale také obchodní zájmy. Analytické společnosti zase pozorují podnikové nasazování a mají vlastní obchodní model. Pro srovnání potřebujeme společnou definici schopností, pravděpodobnost jejich dosažení a pevné datum vyhodnocení.
Světové ekonomické fórum nabízí další pohled na zaměstnanost
Světové ekonomické fórum není přímým konkurentem Gartneru v technologickém poradenství, jeho zpráva o pracovních místech však umožňuje užitečné srovnání. Pro období 2025 až 2030 uvádí 170 milionů vzniklých a 92 milionů zaniklých míst v důsledku souběhu technologických, demografických, ekonomických a dalších změn. Tato čísla nelze celá připsat AI.
Pro užší kategorii AI a technologií zpracování informací uvádí přibližně 11 milionů vzniklých a 9 milionů zaniklých míst. Tento výhled je bližší Gartnerovu listopadovému srovnání, ale stále používá jiné vymezení a metodiku. Analýza propojuje očekávání zaměstnavatelů se statistikami pracovního trhu. Pokryté profese odpovídají přibližně 1,18 miliardy pracovníků a zpráva výslovně nečiní nárok na pokrytí celé světové zaměstnanosti. Světové ekonomické fórum, výhled pracovních míst z roku 2025.
Podobnost čistých přírůstků kolem dvou milionů u této užší kategorie a 1,7 milionu u Gartneru je zajímavá. Není však sama o sobě důkazem přesnosti. Pro skutečné porovnání bychom museli sjednotit výchozí populaci, období, definici pracovního místa a způsob přisuzování změn AI.
Společný obraz těchto odhadů je poměrně srozumitelný: silný zájem a rostoucí investice mohou doprovázet pomalejší proměnu práce a velké rozdíly mezi úspěšnými a neúspěšnými organizacemi. Rozcházejí se zejména v rychlosti a v tom, kterou část tohoto procesu měří.
Co říkají nezávislé výzkumy
Vědecký přístup vyžaduje odlišit prognózu trhu, záměr respondenta v dotazníku, pozorování v podniku a experiment. Každý typ evidence odpovídá na jinou otázku.
METR: jak rychle rostou schopnosti samostatně dokončovat úlohy
METR měří délku úloh podle času lidského experta a odhaduje, při jaké délce je agent dokončí s 50% nebo 80% úspěšností. Nejde o dobu jeho nepřetržitého běhu. Testy tvoří převážně dobře vymezené úlohy ze softwarového inženýrství, strojového učení a kybernetické bezpečnosti. Definice časového horizontu METR.
Samostatně zvládnutelné úlohy se prodlužují
Dvě úrovně úspěšnosti ukazují růst schopností i rozdíl mezi úspěchem v polovině a ve čtyřech pětinách případů.
Na užší obrazovce lze graf posunout do strany.
Růst je měření, pokračování trendu je předpoklad. Jde o čas člověka na stejnou úlohu. Hodnoty nad 16 hodin už aktuální testovací sada měří nespolehlivě.
Vlastní graf z veřejných dat METR TH 1.1, stažených 11. 11. 2026. Vybrány záznamy označené METR jako tehdejší hranice výkonu. Graf používá pozdější bodové odhady; uvedené doby zdvojnásobení pocházejí z publikace z 29. 1. 2026.V lednové aktualizaci METR popsala přibližně exponenciální růst: zdvojnásobení asi za sedm měsíců v dlouhé řadě a za 131 dní při novější metodice pro období od roku 2023. Skladba úloh ovlivňuje výsledek, intervaly nejistoty zůstávají široké a část lidských časů je odhadnutá. Metodika a změny sady úloh.
Graf zobrazuje později zveřejněná měření, nikoli rekonstrukci lednového výsledku. METR od září 2026 označuje přehled za aktivně neaktualizovaný; poslední model v použitém souboru pochází z dubna. Není tedy úplným žebříčkem modelů dostupných v listopadu. Zobrazené bodové odhady mají nejistotu a neslibují stejně vysoký výkon na nejasně zadané běžné práci. Stav přehledu a jeho omezení.
Pro prognózy je podstatné, že současnou míru chybovosti nemůžeme zmrazit a na jejím základě vysvětlovat vzdálenou budoucnost. Stejně tak z dosavadní exponenciály nelze bez podmínek odvodit datum nahrazení určité profese. Potřebujeme sledovat, zda růst pokračuje, zda se přenáší na obtížnější zadání a kolik kontroly vyžaduje dosažený výsledek.
Anthropic: které pracovní úlohy jsou vystavené AI
Studie Maxima Massenkoffa a Petera McCroryho z 5. března 2026 kombinuje americké popisy profesí, odhady možností jazykových modelů a používání Claude. Její ukazatel více zohledňuje automatizované než asistované použití. Ve známém paprskovém grafu porovnává teoretické možnosti s pozorovaným pokrytím úloh. Pro čitelnost zde uvádím český sloupcový přehled deseti nejvíce vystavených profesí z veřejných dat. Studie a původní grafy Anthropic.
Vystavení AI není předpověď propouštění
Deset profesí s nejvyšším pokrytím úloh podle ukazatele Anthropic. Hodnoty se vztahují k činnostem, nikoli k počtu lidí.
Na užší obrazovce lze graf posunout do strany.
75 % úloh neznamená 75 % propuštěných. Jedna profese spojuje různé činnosti. Údaje o používání jednoho poskytovatele také nepokrývají celý trh AI.
Vlastní české zpracování dat Anthropic Economic Index, soubor job_exposure.csv (CC BY). Názvy profesí jsou přeložené a zkrácené. Dvojice 94 % a 33 % pochází z původní studie; vztahuje se k širší skupině než samotní programátoři.Autoři v této březnové studii nezjistili systematický nárůst nezaměstnanosti nejvíce vystavených pracovníků. Popsali však předběžné známky slabšího přijímání mladých lidí. To není záruka budoucího vývoje ani důkaz, že žádné místo nezaniklo. Výsledky a omezení studie.
Za užitečné považuji sledovat vedle propouštění také nábor, změny náplně práce a mzdy. Firma může stejný objem práce zvládnout bez plánovaného nového zaměstnance, aniž někoho propustí. Nebo může úsporu využít k rozšíření služby. Samotné skóre expozice mezi těmito scénáři nerozhodne.
Produktivita v konkrétní práci může mít odlišný vývoj
Studie Brynjolfssona, Liové a Raymonda publikovaná v roce 2025 v časopise Quarterly Journal of Economics analyzovala postupné zavádění asistenta u 5 172 pracovníků zákaznické podpory. Počet vyřešených případů za hodinu se v průměru zvýšil o 15 procent, přičemž přínos výrazně závisel na zkušenosti pracovníka. Výsledek dokládá přínos konkrétního uspořádání práce, ale není odhadem dopadu na zaměstnanost celé ekonomiky. Empirická studie generativní AI při práci.
Jiný obrázek poskytl experiment organizace METR s nástroji z první poloviny roku 2025. Šestnáct zkušených vývojářů řešilo 246 skutečných úloh ve známých projektech. Při povoleném použití AI trvaly úlohy v průměru o 19 procent déle. Účastníci přitom subjektivně vnímali zrychlení. Výsledek upozorňuje na rozdíl mezi pocitem produktivity a měřeným časem; jeho platnost je omezena tehdejšími nástroji, lidmi a úlohami. Randomizovaný experiment METR z roku 2025.
Právě proto je důležité dodat novější informaci. V únoru 2026 METR u pokračování výzkumu popsala náznaky zrychlení, ale zároveň vážné výběrové zkreslení: někteří vývojáři se nechtěli účastnit experimentu vyžadujícího práci bez AI a měnil se i výběr úloh. Autoři proto nepovažovali jednoduchý souhrnný odhad za spolehlivý obraz současného přínosu. Starší zpomalení nelze vydávat za obecný verdikt o dnešním programování. Aktualizace METR a změna výzkumného postupu.
Ještě novější posouzení METR z 5. listopadu 2026 u společnosti Anthropic naznačuje výrazné zrychlování vývoje schopností AI. Autoři ale výslovně upozorňují na vysokou nejistotu a na redakční zásahy, které veřejnosti neumožňují posoudit podstatnou část podkladů. To je cenný příklad, proč se má se závěrem zveřejňovat i jeho evidenční omezení. Zrychlení výzkumu uvnitř jedné AI laboratoře navíc nelze přímo převést na produktivitu každého podniku. Nezávislé posouzení METR z listopadu 2026.
Tyto výsledky se nemusí navzájem vyvracet. AI může významně pomoci méně zkušenému člověku při standardizovaném úkolu a současně přidat kontrolní práci expertovi ve složitém prostředí. Může také změnit, které úkoly lidé vůbec začnou dělat. Právě rozdíly mezi lidmi, úlohami a pracovními postupy vysvětlují, proč je jediné univerzální číslo produktivity málo užitečné.
Patnáct let zpětného pohledu: osm různých příběhů AI
Gartnera sleduji několik let, ale pro posouzení jeho odhadů jsem se vrátil ještě dál: k podkladům z období 2011–2026. Dva sousední ročníky ukazují spíše drobnou aktualizaci. Větší odstup pomůže poznat, zda se původní očekávání skutečně přibližovalo splnění. A jeden vybraný případ nestačí: vedle posouvaných termínů potřebujeme vidět i postup k vyspělosti a změny samotných kategorií.
Kam až sahají dostupné podklady
Gartner používá křivku očekávání od roku 1995. Ve vlastní tiskové zprávě z roku 2011 připomněl, že už na první křivce figurovalo rozpoznávání řeči a tehdy ještě nebylo plně vyspělé. Historie je tedy delší než třicet let, ale neznamená to třicet let jedné neměnné databáze všech dnešních kategorií. Gartnerova tisková zpráva z 10. srpna 2011, archivovaný přetisk.
Pro tento článek jsem dohledal úplný obecný přehled nových technologií z roku 2011. Historie revizí Gartnerovy AI zprávy dále dokládá návaznou řadu: chytré stroje v letech 2014–2016, umělá inteligence pod tímto názvem od roku 2017. K dispozici jsou veřejné přetisky zpráv, původní prezentace, grafy a tisková sdělení. Úplné profily všech ročníků však nejsou stejně snadno dostupné. Zpráva 2011, historie revizí ve zprávě 2023, strana 108.
Následuje osm případů s většími rozestupy mezi kontrolními body. Patnáct let označuje rozpětí použitých podkladů, nikoli patnáctiletou souvislou řadu každé položky. Novější pojmy nelze zpětně dopisovat do starých grafů. Časové značky vždy počítám od roku konkrétního odhadu; polohu na křivce uvádím zvlášť.
Starší pojmy: vyspělost, dlouhé čekání i změna členění
Starší křivky nevyprávějí jeden příběh
Čtyři dlouhodobě sledované oblasti. U každé je uveden rok i tehdejší odhad nebo změna zařazení.
Postup k vyspělosti
2011: 2–5 let
2017: bod na plošině, značka pod 2 roky
2020: přesun do jazykové zprávy
Horizont se zkracuje
2017: 5–10 let
2020: 2–5 let
2023: méně než 2 roky
Kategorie se rozděluje
2017: 5–10 let
2021: 5–10 let
2023: rozdělení do více technologií
Stále za desetiletím
2017: více než 10 let
2021: více než 10 let
2026: více než 10 let
Zmizení z grafu není výsledek testu. Může znamenat vyspělost, přesun, přejmenování nebo rozdělení. U AGI navíc otevřený interval neurčuje konečný rok splnění.
Vlastní srovnání původních Gartnerových podkladů z let 2011, 2017, 2020, 2021, 2023 a 2026. Podrobnosti a odkazy následují.1. Rozpoznávání řeči: dlouhá historie, ale také doložitelný postup. V matici z roku 2011 mělo horizont 2–5 let. Na AI křivce z roku 2017 leží jeho bod už v oblasti plošiny produktivity, se značkou kratší než dva roky. Zpráva 2020 vysvětluje jeho následné vyřazení z obecné AI mapy přesunem do specializované řady pro jazykové technologie. To je důležitý protipříklad k tvrzení, že se všechny technologie jen donekonečna odsouvají. Přesný rok splnění původního odhadu z těchto tří bodů samotných určit nelze. Matice 2011, strana 11, Gartnerova prezentace s grafem 2017, strana 3, vysvětlení přesunu ve zprávě 2020, strana 7.
2. Počítačové vidění: příklad časově slučitelného vývoje. V roce 2017 zbývalo 5–10 let, v roce 2020 2–5 let a v roce 2023 méně než dva roky. Původní kalendářní okno 2022–2027 a pozdější výhled přibližně do roku 2025 si neodporují. Zde nevidíme stejné odsouvání jako u kombinované AI. Jde o soulad Gartnerových vlastních odhadů; nezávislé potvrzení skutečné tržní vyspělosti by vyžadovalo další měřítko. Graf 2017, matice 2020, matice 2023, příloha 1A.
3. Zpracování přirozeného jazyka: stejný interval, potom změna kategorie. V letech 2017 a 2021 má horizont 5–10 let. Čtyři roky tedy uběhly, ale zbývající interval se nezkrátil. V roce 2023 položka z AI mapy mizí; zpráva výslovně uvádí rozdělení do více technologií ve specializovaném jazykovém přehledu. Z tohoto kroku nelze vyvozovat ani splnění, ani selhání předpovědi. Nelze také bez dalšího pokračovat dnešní generativní AI, jako by šlo o nezměněnou položku. Graf 2017, graf 2021, vysvětlení změny ve zprávě 2023, strana 5.
4. Obecná umělá inteligence: devět let se stejnou otevřenou hranicí. V letech 2017, 2021 i 2026 má AGI značku „více než deset let“. Její kalendářní význam se posouvá za roky 2027, 2031 a 2036. Je to slabě ověřitelný výhled: tvrzení z roku 2017 neslibovalo dosažení v roce 2027, ale až za více než deset let. Nejde proto o tři prokázané omyly. Oprávněná otázka zní, kolik nové informace takto opakovaná značka přináší a jak Gartner vyhodnocuje změnu pravděpodobnosti příchodu AGI. Graf 2017, graf 2021, přehled 2026, strana 3.
Kombinovaná AI a další novější pojmy: kontrola po třech letech
Nejosobnější je pro mě příklad kombinované AI. Když čtu o spojování učení, pravidel, znalostních struktur a optimalizace, připomíná mi to dřívější debaty o hybridní umělé inteligenci. Samotný Gartner v roce 2025 označuje kombinovanou a hybridní AI za alternativní názvy. To ale ještě nedokládá existenci stejného časového profilu před rokem 2020. Gartnerovo vysvětlení vztahu obou názvů.
V dohledané AI řadě je kombinovaná AI nově zařazena v roce 2020. Tehdejší profil přitom sám uznává, že základní myšlenky nejsou nové. Její předpovědní historii proto uměle neprodlužuji na patnáct let. Porovnávám 2020 → 2023 → 2026, tedy stejné tříleté odstupy. Zpráva 2020: nové položky a profil kombinované AI.
Šest let uběhlo. Cíl je stále před námi.
Stejná kategorie v pravidelných tříletých odstupech. Karty ukazují tehdejší zbývající čas k plošině produktivity.
2022–2025
2025–2028
přibližně do 2028
Okno z roku 2020 už skončilo. Výhledy z let 2023 a 2026 se naopak překrývají. Nejde tedy o stejný posun při každé aktualizaci.
Vlastní srovnání zpráv Gartneru z července 2020, července 2023 a srpna 2026. Kalendářní roky jsou orientační přepočet; příčinu změn samotné grafy neurčují.| Oblast | 2020: zbývající čas | 2023: zbývající čas | 2026: zbývající čas |
|---|---|---|---|
| 5. Kombinovaná AI | 2–5 let | 2–5 let | Méně než 2 roky |
| 6. Generativní AI | 2–5 let | 2–5 let | Méně než 2 roky |
| 7. AI přímo v zařízeních | 2–5 let | Méně než 2 roky | Méně než 2 roky |
| 8. Znalostní grafy | 5–10 let | 2–5 let | 2–5 let |
Zdroje časových značek: matice 2020, strana 6, matice 2023, příloha 1A, přehled 2026, strana 3.
Kombinovaná a generativní AI: původní okno z roku 2020 končilo přibližně v roce 2025. Podle mapy 2026 je plošina stále budoucností. To je doložitelný nesoulad původního časového okna s pozdějším hodnocením. Generativní AI současně představuje včas rozpoznané téma před masovým používáním konverzačních modelů. Rozpoznat význam tématu a správně načasovat jeho vyspělost jsou dva různé úspěchy.
AI přímo v zařízeních: posun je vidět i mezi roky 2023 a 2026. Už v roce 2023 měla být plošina vzdálena méně než dva roky, tedy přibližně do roku 2025. V roce 2026 je stejná kategorie stále před ní. To je konkrétnější podnět ke zpětnému vysvětlení než obecný dojem, že se všechny termíny posouvají.
Znalostní grafy: obraz je méně jednoznačný. Původní okno 2025–2030 a nové okno 2028–2031 se výrazně překrývají. Mezi roky 2023 a 2026 se sice zopakuje interval 2–5 let, ale nebylo by poctivé označit tím celou původní prognózu za vyvrácenou.
Osm případů ukazuje, proč bych nepsal, že Gartner „nikdy nic netrefil“. Vidíme postup k vyspělosti, překrývající se odhady, posuny za původní okno i rozpad kategorií. Je to srovnání historických výroků, nikoli výpočet úspěšnosti všech prognóz. Stejný název navíc nezaručuje neměnnou definici. Rozdíl mezi chybným odhadem, změnou trhu a změnou vymezení může vysvětlit až srovnání úplných profilů a nezávislých výsledků. Právě takové vysvětlení bych od nové edice očekával.
Jak vědecky hodnotit samotného Gartnera
Gartnerovy křivky mají hodnotu jako uspořádaný přehled témat a analytických očekávání. Samy však neposkytují experimentální důkaz, že každá technologie projde stejnou dráhou. Dedehayir a Steinert už ve studii z roku 2016 popsali nesoulady při empirickém zkoumání modelu na Gartnerových vlastních záznamech. Odborná studie o možnostech a omezeních modelu křivky očekávání.
Pro posouzení konkrétní předpovědi bych proto požadoval čtyři věci. Za prvé přesnou definici sledovaného jevu: například co se počítá jako agentní projekt a kdy je považován za zrušený. Za druhé výchozí populaci a způsob výběru dat. Za třetí míru nejistoty a podmínky, za kterých prognóza platí. Za čtvrté pozdější vyhodnocení vůči předem stanovenému kritériu.
Prognóza „40 procent projektů skončí do určitého data“ může být testovatelná, pokud existuje definovaná skupina projektů a pravidla sledování. Tvrzení, že firmy budou „předstiženy konkurencí“, se hodnotí obtížněji, dokud není určeno, zda jde o tržby, ziskovost, produktivitu nebo podíl na trhu. Přesně vytištěné procento nenahrazuje přesnou definici měřené veličiny.
Podobně je nutné hlídat vztah příčiny a souvislosti. Pokud organizace s kvalitním plánováním častěji překračují hospodářské cíle, může k výsledku přispívat plánování, ale také schopnější vedení, vyšší investiční kapacita nebo jiné vlastnosti. Bez odpovídajícího výzkumného návrhu nelze velikost souvislosti automaticky vykládat jako účinek jediné manažerské změny.
Poctivý historický audit by sledoval předem vybraný soubor kategorií včetně těch, které později zmizely nebo změnily jméno. Zachoval by původní definice, převedl relativní horizonty na pevná data a použil nezávislé měřítko dosažené vyspělosti. Výsledek by měl porovnat i s jednoduchým odhadem bez analytické expertizy. Teprve tak lze zjistit, zda křivka přidává předpovědní hodnotu nad běžné očekávání postupného rozšíření.
Zkušenost s křivkou je proto nejlépe využitelná jako zdroj hypotéz. Pokud Gartner zdůrazňuje nákladovou nejistotu agentů, stojí za to ji měřit. Pokud upozorňuje na ztrátu kontextu při automatizaci, stojí za to sledovat výjimky a předávání znalostí. Platnost konkrétního rozhodnutí však musí prokázat výsledky v prostředí, pro které se rozhodujeme.
Co z prognóz vyvodit pro vlastní organizaci
Prvním krokem by mělo být vymezení úlohy a výsledku. Místo neurčitého cíle „zavést agenty“ lze sledovat například čas zpracování určitého typu požadavku při zachování stejné kvality. Je třeba současně počítat čas kontroly, opravy, provozní náklady i práci při řešení výjimek.
Druhým krokem je srovnání s výchozím stavem. Pokud to podmínky dovolují, je vhodné rozdělit srovnatelné úlohy nebo týmy mezi různé postupy a předem určit měřítka. Jinak hrozí, že za přínos AI označíme změnu skladby případů, větší zkušenost pracovníků nebo výběr jednodušších úloh.
Třetím krokem je odstupňování autonomie. Návrh odpovědi, změna interního záznamu a nevratná operace mají různou závažnost. Rozsah oprávnění má odpovídat důsledkům chyby. Zkušenost ze spolehlivého úzkého nasazení potom může podložit další rozšiřování.
Čtvrtým krokem je sledování schopností lidí. Úspora času má větší hodnotu, pokud umožní kvalitnější práci, nové služby nebo učení. Když se promění jen v další množství nekontrolovaných výstupů, může růst zdánlivá aktivita bez odpovídajícího zlepšení výsledku.
Nejpřínosnější čtení Gartnerových prognóz tedy spočívá v konkrétních otázkách: Máme data vhodná pro dané rozhodnutí? Umíme rozpoznat chybu? Víme, kolik stojí přijatý výsledek? Zůstává v organizaci člověk schopný situaci samostatně posoudit? A měříme po zavedení stejné veličiny jako před ním?
Odpovědi na tyto otázky určují, zda se technologický pokrok promění v hodnotu. Křivka pomáhá vytipovat oblasti, kterým věnovat pozornost. O účinnosti konkrétního řešení rozhoduje až jeho ověřený provoz.
Naše kritická reflexe: co si z prognóz bereme a čemu zatím nevěříme
Po několika letech sledování mám ke Gartneru dvojí vztah. Oceňuji, že dokáže vedle sebe postavit modely, data, organizaci práce i provozní odpovědnost. K samotným časovým značkám jsem opatrnější. Příklady kombinované AI a AI přímo v zařízeních jsou pro mě důvodem žádat vysvětlení posunu. Historie rozpoznávání řeči a počítačového vidění současně ukazuje postup k vyspělosti. Kritika má rozlišovat jednotlivé výsledky a zachovat původní termíny, ne vybírat jen případy, které se jí hodí.
Co by měla dobrá prognóza unést
Naše kritéria pro Gartner, výrobce modelů i vlastní odhady.
Co přesně má nastat?
Schopnost modelu, rozšíření ve firmách a ekonomický dopad mají různá měřítka.
Co vyšlo minule?
Nové termíny porovnávejme s původními, včetně změn názvů a definic.
Jak rychle se mění možnosti?
Dnešní omezení nejsou pevná. Exponenciální trend ale není záruka budoucnosti.
Co by změnilo náš názor?
Předem určený výsledek, datum a průběžně dostupné měření.
Gartnerovu mapu používáme pro orientaci. Rozhodnutí opíráme také o měření schopností, výsledky konkrétního nasazení a vyhodnocení minulých odhadů.
Za nejslabší místo považuji nejasný vztah mezi časovým odhadem a podmínkou jeho splnění. Pokud se technologie už používá ve velkém, ale plošina je stále před námi, potřebujeme vědět, co ještě chybí. Může to být oprávněný požadavek na ekonomickou vyspělost. Bez předem určeného kritéria se však hranice úspěchu může posouvat spolu s prognózou.
Tempo technického pokroku bych v hodnocení zdůraznil více. Z tvaru Gartnerovy křivky nelze dovodit, že pracuje s lineárním modelem času. V letošním komentáři sám mluví o technologiích postupujících rychleji, než očekával. Veřejný graf ale neukazuje výpočet, kterým se tato akcelerace promítá do jednotlivých horizontů. Gartnerův komentář k roku 2026.
Měření METR je v tomto směru důležitou protiváhou. Nutí nás ptát se, zda problém, který dnes omezuje autonomii, přetrvá i za několik generací modelů. Zároveň bych nepromítal stejnou rychlost automaticky do celé ekonomiky: změna schopností modelu, přepracování podnikového procesu a měřitelný dopad na zaměstnanost se mohou vyvíjet odlišně. AI může urychlovat i zavádění dalších systémů; velikost tohoto účinku ale musíme ověřovat.
Stejnou přísnost si zaslouží optimistické sliby výrobců. Přístup k nejnovějším modelům je cenná informace, nikoli záruka přesnosti. U AGI potřebujeme jasnou definici a datum testu. U pracovních míst potřebujeme odlišit změnu úkolů, omezení náboru a skutečný zánik zaměstnání. Žádná působivá vizualizace tyto rozdíly nenahradí.
Náš závěr je proto záměrně podmíněný: Gartner nabízí užitečný přehled témat, ale bez doložené historické přesnosti mu nepřisuzujeme autoritu spolehlivého kalendáře vývoje AI. Větší váhu mají transparentní měření a odhady, u nichž lze zpětně poznat úspěch i omyl. Pokud se ukáže, že Gartner po sjednocení definic a úplném historickém srovnání termíny odhaduje dobře, je namístě názor změnit. Stejně tak budeme muset upravit očekávání rychlé automatizace, pokud se růst schopností zpomalí nebo nepřenese do běžné práce.
Powiązane artykuły
maj 2026
Kasandra Superprognostik: salon AI, w którym przyszłości nie szacuje się na podstawie uczuć, ale uczciwych przewidywań
Czytajpaździernik 2026
Humanoidní roboti za deset let? AI recepční už jsou tady
Czytajczerwiec 2026