Gartner a budoucnost AI: technologie, rizika a alternativní prognózy

Umělá inteligence může rychle zlepšovat své schopnosti, a přesto může konkrétní firma na jejím zavedení prodělat. Právě tento rozdíl pomáhá vysvětlit letošní soubor prognóz Gartneru. Schopnost vytvořit přesvědčivou odpověď, napsat program nebo sestavit plán ještě neříká, zda bude celý systém spolehlivý, ekonomicky udržitelný a vhodný pro práci, kterou mu chceme svěřit.

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.

Prošel jsem také odhady IDC, Forresteru, Deloitte a McKinsey. Nabízejí užitečné srovnání: někde očekávají rychlejší proměnu podniků, jinde upozorňují na rozdíl mezi investicemi a výsledky. U zaměstnanosti přidávám i výhled Světového ekonomického fóra.

Analýza zachycuje stav informací k 10. listopadu 2026. Vychází z veřejných zpráv a grafů, nikoli z úplných placených profilů Gartneru. Technická vysvětlení a vlastní příklady níže nejsou dalšími předpověďmi této společnosti.

Jak číst křivku očekávání

Gartnerův model má pět fází. Jejich český význam lze shrnout následovně:

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:

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.

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.

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 základní principy jsou starší než současná vlna generativní AI. Křivka však pracuje s vymezenou tržní a aplikační kategorií. Stáří matematické metody, vyspělost produktu a rozšíření určitého způsobu nasazení jsou rozdílné veličiny.

Šest technologických okruhů a jejich skutečné překážky

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 ale vysvětluje, proč dobré výsledky jednotlivých úkonů nestačí k dlouhé autonomní práci.

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:

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:

1. Rozšiřovat lidské schopnosti prostřednictvím spolupráce s AI. Pozornost směřuje k úsudku, tvořivosti a odpovědnosti.
2. Budovat zaměstnance schopné průběžné adaptace. Nestačí jednou osvojit ovládání nástroje; mění se úkoly i potřebné dovednosti.
3. Posilovat kontext, úsudek a smysl práce. Organizace mají zachovat porozumění tomu, proč se určitý postup používá.
4. 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.

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.

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

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.

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.

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.

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.

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.

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.