Proč umělá inteligence ve webu nefunguje: chybějící validace vstupů

Pozor také na přehnanou důvěru v automatické přepočty stavu zásob. Systém vidí jen to, co do něj někdo zadal. Příjem zboží, vratky a odpisy musejí být součástí rutiny, jinak se čísla rozjedou a skladník přestane věřit výstupům. Nastavte pravidlo, kdo a kdy potvrzuje příjem, a udělejte z kontroly stavu pravidelnou činnost, ne jednorázovou akci při inventuře.

Automatizace se vyplatí ve chvíli, kdy zkrátí cestu mezi objednávkou a odesláním a zároveň sníží počet ručních zásahů. Nemusí jít o velké investice. Někdy stačí tisk etiket přímo z objednávky, načítání kódů místo vypisování a jasné pořadí kroků, které obsluha nemusí vymýšlet. Začněte jedním místem, změřte výsledek a teprve pak přidávejte další.

Kam sahají ruce, ne jen konektory Nejužitečnější první krok nebývá software, ale uspořádání skladu. Pevná místa pro nejprodávanější položky, jednotné označení regálů a přehledné čárové kódy odstraní víc chyb než jakákoli integrace. Teprve když má každá položka své místo a každý pohyb jasný směr, dává smysl přidat čtečku kódů a systém, který načtený kód sám spáruje s objednávkou. Vyhnete se tak ručnímu přepisování, které je nejčastějším zdrojem záměn.

Prvním krokem je audit současného stavu. Zjistěte, kolik smluv ročně podepíšete, kde jsou uložené a kdo k nim má přístup. Často se ukáže, že polovina dokumentů je na sdíleném disku, část v e‑mailech a zbytek v papírové podobě. Teprve pak má smysl hledat nástroj, který tento chaos nahradí. Pokud přeskočíte tento krok, budete implementovat AI do nepořádku a výsledek bude stejně nepřehledný.

Na co se zapomíná: ošetření vstupů a výstupů Nejčastější technický problém není samotné volání AI, ale neošetřené vstupy. Uživatel může poslat prázdný dotaz, příliš dlouhý text nebo znaky, které rozbijí JSON. Před odesláním na API vždy zkontrolujte délku, omezte znaky a nastavte timeout. Na straně výstupu zase nevěřte tomu, že model vrátí přesně to, co jste chtěli. Pokud čekáte JSON, použijte validaci schématu a připravte fallback odpověď. Nikdy nezobrazujte surový výstup přímo do HTML bez escapování, jinak si koledujete o XSS.

Automatizace se neobejde bez pravidelných kontrol. AI není věštírna, pouze zpřesňuje odhad. Jednou za měsíc porovnejte predikci s realitou a podle odchylek upravte parametry. Pokud model dlouhodobě přeceňuje prodej, přidejte do vstupů svátky a akce. Pokud podceňuje, zkontrolujte, jestli některé objednávky neprocházejí mimo hlavní systém.

Reklamace se hromadí, e-maily se množí a zákazníci chtějí odpověď hned. Ruční zpracování je pomalé a snadno se v něm ztratí důležité informace. Automatizace není o tom nahradit lidi, ale odstranit opakující se kroky, které nikoho nebaví a jen zdržují. Začnete tím, že si sepíšete, jak dnes reklamace přijímáte, kdo je řeší a kde nejčastěji vázne. Teprve pak můžete hledat, co půjde zautomatizovat.

Pravidelná kontrola je stejně důležitá jako samotné nastavení. Jednou za měsíc projděte, kolik zpráv prošlo automatickými pravidly a kolik jich skončilo chybně. Sledujte, které šablony lidé přepisují – to je signál, že nejsou přesné. Automatizace šetří čas jen tehdy, když se jí lidé přizpůsobí a zároveň ji průběžně upravují. Nejde o jednorázový projekt, ale o běžnou součást provozu, která se vyvíjí spolu s tím, jak se mění dotazy zákazníků.

Na co se ptát dodavatele, než podepíšete Ptejte se konkrétně. Jak nástroj rozpoznává české smlouvy? s diakritikou a specifickými právními termíny? Jak řeší více verzí jednoho dokumentu? Kde jsou data uložena a kdo k nim má přístup? Zajímá vás také, zda umí napojit na váš stávající systém rady pro rekonstrukci evidenci smluv nebo na e‑mail. Nenechte se odbýt obecnými frázemi o „pokročilé AI". Chcete vidět konkrétní ukázku na vašich datech, ideálně v pilotním provozu.

Další častá chyba je ignorování nákladů a rychlosti. Každý dotaz něco stojí a nějakou dobu trvá. Uživatel nechce čekat deset sekund na odpověď. Zvažte, zda použít menší model pro jednoduché úkoly a větší jen tam, kde je to nutné. Přidejte do UI indikátor načítání a možnost zrušit požadavek. Také logujte, jaké dotazy přicházejí a jaké odpovědi odcházejí, abyste mohli později ladit kvalitu.

Typická chyba je nasazení AI na nepořádek v datech. Pokud máte v systému duplicitní kódy, chybějící jednotky nebo pohyby bez přiřazené zakázky, model se naučí šum a výsledky jsou horší než ruční odhad. Před spuštěním proto udělejte čistku: sjednoťte jednotky, doplňte chybějící EAN a odstraňte neaktivní položky. Vyplatí se také nastavit tolerance. Například u drobného příslušenství povolte odchylku do dvou procent, u dražšího zboží nulu.