27. října 2026
Jak si udržet konkurenční výhodu díky AI: sdílené znalosti pro agenty
Výzkum Microsoftu a společnosti Keystone mezi více než 200 americkými podniky zkoumá, jak sdílené znalosti pomáhají koordinovat agenty a využívat zkušenosti z jejich práce. Pro vedení firem a týmy odpovědné za adopci AI nabízí rámec rozvoje i konkrétní postupy, výsledky ale zatím ukazují souvislost, nikoli příčinný vztah.
Neoficiální české shrnutí a překlad článku Microsoftu. Web není oficiálním kanálem Microsoftu. Originál: The AI advantage your company can keep (AI at Work Blog).
Sdílené znalosti jako základ koordinace agentů
Nový výzkum mezi více než 200 podniky zkoumá, jak mohou sdílené znalosti pomoci firmám koordinovat agenty a proměňovat zkušenosti z jejich práce ve výhodu při řízení provozu.
Microsoft při každodenních rozhovorech s vedením firem probírá, co znamená stát se organizací typu Frontier Firm: vybudovat napříč firmou systém, v němž se učení a zlepšování průběžně posilují. Vedoucí pracovníci této myšlence rozumějí. Chtějí ale vědět, jak ji uvést do praxe: Jak by to vypadalo v jejich firmě? Co skutečně dělají nejpokročilejší organizace? A podle čeho poznají, že se posouvají správným směrem?
Studií, které by nabízely konkrétní vodítka pro celopodnikovou transformaci, bylo dosud málo. Nový výzkum, který Microsoft inicioval ve spolupráci s globální technologickou a poradenskou společností Keystone, zmapoval současný stav velkých podniků a odhalil vzorce naznačující možné směry pro ostatní organizace.1
Hlavní zjištění: řada firem už agenty vytváří a nasazuje. S tím, jak agenti přebírají více práce, se hlavním úkolem stává jejich orchestrace a využívání zkušeností z jejich činnosti. Jedním z řešení je sdílená znalostní páteř (knowledge spine): systém, který ukládá a aktualizuje kontext využívaný agenty spolu s opravami, testy a poznatky z jejich práce. Firmy ve studii, které měly zavedených více sledovaných postupů – včetně prvků znalostní páteře – zároveň vykázaly v letech 2022–2025 větší zlepšení provozních marží a rentability aktiv.2 To, co se agenti při práci naučí, představuje cenné know-how, které patří pouze dané firmě.
Základní stavební prvky znalostní páteře zavedla jen 3 % firem ve vzorku. Ukazují však přístup, kterým se mohou inspirovat další organizace.3 Jde stále o počáteční fázi a výzkum prokazuje korelaci, nikoli příčinný vztah. K lepšímu pochopení podnikové transformace proto budou potřeba další poznatky.
O výzkumu
Výzkumníci nejprve vedli rozhovory s představiteli 29 organizací s pokročilým nasazením AI, včetně 18 startupů postavených od začátku na AI. Cílem bylo najít společné provozní postupy.4 Na základě těchto zjištění sestavili podrobný dotazník a použili jej k posouzení více než 200 dalších podniků, veřejně obchodovaných i soukromých. Každý podnik ve vzorku má více než 1 000 zaměstnanců. Zastoupeny jsou mimo jiné finanční služby, výroba, zdravotnictví, maloobchod a technologie. Všechny firmy již AI používaly, takže vzorek nereprezentuje ekonomiku jako celek.5 Dotazník hodnotil postupy, které firmy zavedly pro tvorbu, provoz, koordinaci a kontrolu agentů i pro využívání zkušeností z jejich práce.
Rámec podnikové transformace
Pro lepší pochopení podnikové transformace rozdělili výzkumníci firmy podle výsledků dotazníku do čtyř úrovní.6 Na první úrovni mají organizace nesourodou směs pilotních projektů AI a jejich nasazení často nepřesahuje chat. Jednotlivé aktivity nejsou koordinované, nenavazují na skutečné pracovní postupy a jejich dopad na výsledky firmy se zdá být minimální.
Na druhé úrovni firmy používají agenty pro skutečné pracovní úkoly. Zaměřují se na konkrétní pracovní postupy v různých oblastech, ale chybějí jim systémy pro správu a orchestraci. Místo nich vytvářejí týmy a výbory, které určují priority investic do AI, zajišťují kontrolní mechanismy a řídí roztříštěné aktivity. Agenty tedy koordinují lidé, kteří také kontrolují jejich práci. Takový způsob orchestrace se obtížně škáluje, což může komplikovat dosažení očekávané návratnosti.
Třetí úroveň představuje zlom. Firmy začínají ke koordinaci agentů používat systémy namísto lidí. Některé využívají společnou znalostní bázi, jiné důsledně sledují práci agentů. O tom, jaké úkoly agenti převezmou, rozhodují očekávané přínosy pro firmu. Některé organizace výzkumnému týmu uvedly, že se tak děje především v dílčích částech podniku, například v jednom oddělení nebo u několika pracovních postupů. Právě tam lze prakticky začít.
Na čtvrté úrovni se tyto postupy propojují. Většina firem má zavedenou orchestraci, pravidla řízení a dohledu i znalostní páteř. Mnohé také vracejí poznatky z práce agentů do sdílených znalostí a testů, o které se agenti opírají.7 Cílem je jednotný provozní model založený na agentech, v němž systémy přebírají větší část koordinace a průběžného učení.
Čtyři úrovně podnikové transformace
Firmy ve studii byly rozděleny do čtyř úrovní vyspělosti využívání AI. Třetí úroveň představuje začátek zásadní změny: přesunu koordinace práce z lidí na systémy.
Kde se projevuje návratnost
Výzkumný tým porovnal finanční výsledky za roky 2022–2025 u více než 100 veřejně obchodovaných firem ze studie. Sledoval, jak si vedly podniky ve dvou nejvyšších kvartilech dotazníkového skóre oproti podnikům ve dvou nejnižších. Firmy v nejvyšším kvartilu zlepšily provozní marže o více než 5 procentních bodů více než firmy v nejnižším kvartilu a rentabilitu aktiv přibližně o 2 procentní body více.8 Zjednodušeně řečeno: čím vyššího skóre firma dosáhla, tím více zpravidla rostly její marže. Finanční výsledky však pokrývají období, které předchází většině dnešních systémů agentů. Studie proto nemůže tvrdit, že růst marží způsobili agenti. Ukazuje pouze, že nejlépe hodnocené firmy už tehdy postupovaly v některých ohledech správně. K ověření příčinných vztahů je plánován další výzkum.
Proč se marže u firem ve dvou nejnižších kvartilech téměř nezměnily? Výzkumníci odkazují na takzvanou J-křivku: když přijde zásadní nová technologie, přínosy mohou zpočátku klesnout nebo se dostavit se zpožděním, zatímco firmy přizpůsobují způsob práce. Růst přichází až poté, co se změny skutečně projeví.9 U agentů může zpoždění vznikat tím, že je firmy nasazují rychleji, než budují systémy pro jejich koordinaci. Pokud se ale návratnost může opozdit, záleží i na tom, jak firma mezitím řídí výdaje na AI.
Řada firem začíná tím, že zaměstnancům poskytne široký přístup k AI. Přibližně polovina pak stanoví rozpočty na tokeny nebo výdaje pro jednotlivé týmy či úkoly. Některé jdou dál a propojují výdaje s výsledky, například požadují, aby uživatelé s vysokou spotřebou zdůvodnili vyšší limit. Cílem nemusí být spotřebovat méně tokenů. Důležité je vědět, kolik stojí každý kvalitní výsledek. Významnou nákladovou položkou přitom může být lidská kontrola práce agentů – a právě zde pomáhá znalostní páteř.
Sdílená znalostní páteř pro agenty
Se znalostní páteří nezůstane oprava jen u agenta, který udělal chybu. Z dané interakce mohou čerpat i ostatní agenti. Všichni využívají stejné důvěryhodné znalosti o firmě, které se mohou s každou opravou zlepšovat. Princip je jednoduchý a stojí také za vrstvou podnikové inteligence Microsoft IQ: aktualizovat sdílené znalosti na jednom místě a zpřístupnit je všem agentům. Firma se pak může soustředit na tu část znalostní páteře, kterou může vytvořit pouze ona sama – na opravy, testy a poznatky z vlastní práce.
Ekosystém znalostní páteře
Jak mohou propojené činnosti agentů proměnit sdílené učení ve vlastní firemní know-how.
Jak vybudovat znalostní páteř pro agenty
Podniky, které znalostní páteř budují, uplatňují čtyři postupy. Ostatní firmy mohou zvážit jejich zavedení v jednom týmu i v celé organizaci. Za prvé shromažďujte kontext o fungování firmy z různých zdrojů – chatovacích aplikací, podnikových evidenčních systémů a interní dokumentace – a ukládejte jej centrálně, aby agenti mohli čerpat z aktuálních informací. Za druhé berte opravy jako další zdroj informací. Když někdo musí opravit výstup agenta, proměňte tuto chybu v testovací případ pro příští verzi. Za třetí všechny tyto informace propojte a využijte je k úpravě činnosti agentů. Nezůstávejte u opravy jedné odpovědi, změňte způsob, jakým agent daný typ práce provádí. A konečně určete vlastníka znalostní páteře. Někdo musí odpovídat za to, z jakých zdrojů mají agenti vycházet, jak se řeší rozpory mezi zdroji a kdy je třeba nahradit zastaralé informace.
Všechny čtyři postupy mají společný základ: pozorovatelnost, tedy možnost sledovat a vyhodnocovat chování agentů. Před nasazením agenta firma vytvoří sadu testovacích případů s jasně definovanými očekávanými výsledky, včetně případů vycházejících z dřívějších chyb. Jde o Vaši referenční datovou sadu, takzvaný golden dataset – jednotný způsob, jak kontrolovat, zda práce agenta splňuje Vaše standardy. Firmy na vyšších úrovních vyspělosti také zaznamenávají podrobnou provozní telemetrii každé akce a každého pokusu agenta. Díky tomu snáze zjistí, proč agent potřebuje opravu a jak ji provést.10
Pokud záznamy dokládají, že agent pracuje správně, můžete rozšířit okruh činností, které smí vykonávat samostatně. Když chybuje, můžete jeho oprávnění znovu omezit. Agenti si tak samostatnost zaslouží na základě doložených výsledků.
Kde začít
Vybudovat tento systém v celém podniku je náročné a jen málokterá firma to zvládne najednou. Praktické je začít v jedné části organizace: vytvořit znalostní páteř pro jeden tým nebo několik propojených pracovních postupů, ověřit její fungování a poté ji rozšířit. Cílem zůstává celopodnikový systém, v němž se agenti učí jeden od druhého napříč organizací. Začít ale můžete v malém a postupně se k němu propracovat.
Tři otázky Vám a Vašemu týmu pomohou zjistit, kde se nacházíte: Když někdo opraví agenta, dostane se tento poznatek i k dalšímu agentovi? Máte společný standard kvalitní práce, který se zpřesňuje pokaždé, když se něco nepovede? A víte, kdo odpovídá za znalosti, na které Vaši agenti spoléhají? Každé „ne“ ukazuje vhodné místo, kde začít.
Podniková AI se tak posouvá od modelů k systémům, od jednotlivých schopností AI k infrastruktuře a od izolované inteligence ke koordinované. Modely se budou dál měnit. Poznatky, které firemní agenti získají z vlastní práce, však firmě zůstávají – a tuto výhodu lze začít budovat už nyní. Podrobnosti o zjištěních a metodice nabízí pracovní studie Keystone vydaná v řadě Harvard Business School Working Papers: „Organizing AI at Enterprise Scale“.
Poznámky a metodika
1 Sarkar, E., Abudurexiti, D., Beltinger, E., Daubenspeck, J. a Iansiti, M. (2026). „Organizing AI at Enterprise Scale: Agentic Operating Models and Firm Outcomes.“ Harvard Business School Working Paper č. 27-038, říjen 2026. Výzkum částečně financovaly společnosti Microsoft a Keystone. Microsoft také poskytl poznatky z praxe, které pomohly formulovat hypotézy zkoumané v úvodních rozhovorech. Všechny ostatní části výzkumu proběhly nezávisle na Microsoftu.
2 Sarkar a kol. (2026), oddíl 5.4 a obrázek 5. Finanční výsledky veřejně obchodovaných firem ve studii za roky 2022–2025 byly porovnány mezi skupinami podle dotazníkového skóre. Postupy byly měřeny v roce 2026, tedy až po tomto období. Výsledky proto ukazují souvislost s minulou výkonností, nikoli příčinu a následek.
3 Sarkar a kol. (2026), oddíl 5.2 a tabulka B5. Šest z 202 firem (3 %) uvedlo všechny čtyři postupy propojující provoz AI: automaticky aktualizovaný registr agentů, vyhodnocování spouštěné signály z produkčního provozu, opětovné využívání vzorců dřívějších chyb při testování a výběr modelu podle konkrétního úkolu.
4 Sarkar a kol. (2026), oddíl 4.1 a tabulka A1. Podkladem pro dotazník byly rozhovory s představiteli 29 organizací, včetně 18 startupů postavených od začátku na AI a 11 zavedených podniků.
5 Sarkar a kol. (2026), oddíl 4.2. Vyškolení tazatelé vedli od června do září 2026 rozhovory s lidmi odpovědnými za rozhodování o AI ve 202 amerických podnicích s více než 1 000 zaměstnanci v USA. Vzorek zahrnoval 42 firem z finančních služeb, 41 z výroby, 30 ze softwarového odvětví, 29 ze zdravotnictví a biologických věd, 21 z maloobchodu a 39 z dalších odvětví. Všichni účastníci aktivně využívali AI, takže vzorek nereprezentuje všechny americké firmy.
6 Sarkar a kol. (2026), oddíly 5.2 a 6.1 a obrázek 6. Statistická analýza identifikovala pět skupin firem s podobnými postupy. Výzkumníci je interpretují jako navrhovaný rámec čtyř úrovní vyspělosti, přičemž třetí úroveň má dvě varianty. Úrovně popisují rozdíly mezi firmami v jednom časovém okamžiku. Přechod mezi nimi studie chápe jako hypotézu, kterou je třeba ověřit v budoucím výzkumu.
7 Sarkar a kol. (2026), tabulky B2 a B4. Mezi firmami na čtvrté úrovni uvedlo 86 % fungující orchestrační vrstvu, 76 % sdílenou kontextovou vrstvu a 90 % konkrétní osobu odpovědnou za výsledky agentů. Celkem 66 % rozšiřuje své vyhodnocovací sady o nové chyby z produkčního provozu a 33 % automaticky vrací poznatky z provozu agentů do sdíleného kontextu.
8 Sarkar a kol. (2026), oddíl 5.4, obrázek 5 a tabulka C3. Finanční data z Capital IQ za roky 2022–2025 zahrnovala 113 veřejně obchodovaných firem pro rentabilitu aktiv a 97 pro provozní marži. Výsledky byly upraveny s ohledem na velikost firmy a odvětví. Firmy ve dvou nejvyšších kvartilech skóre zlepšily provozní marže přibližně o 5,4 procentního bodu více než firmy ve dvou nejnižších kvartilech a rentabilitu aktiv přibližně o 2,3 procentního bodu více. Při srovnání jednotlivých kvartilů se provozní marže změnily přibližně o +5,8 procentního bodu v nejvyšším kvartilu oproti +0,4 v nejnižším. Rentabilita aktiv se změnila přibližně o +2,3 oproti 0,0 procentního bodu.
9 Sarkar a kol. (2026), obrázek 5 a oddíl 6.2. Upravené změny provozní marže od nejnižšího po nejvyšší kvartil skóre činily přibližně +0,4, −0,3, +5,1 a +5,8 procentního bodu. Výzkumníci tento průběh popisují jako křivku ve tvaru písmene J, upozorňují však, že statistické testy její přesný tvar nepotvrdily.
10 Sarkar a kol. (2026), tabulka B3. Prohledávatelné záznamy o činnosti agentů uvedlo 76 % firem v nejvyšším kvartilu skóre oproti 8 % v nejnižším.