Co AI opravdu dělá s produktivitou

O AI a produktivitě se dá psát dvěma způsoby a oba jsou k ničemu. Jeden posbírá nadšená čísla a řekne tomu transformace. Druhý posbírá zklamaná a řekne tomu bublina.

Skutečná literatura je zajímavější než obojí, protože studie si odporují způsobem, který se ukáže být systematický. Když je poskládáte vedle sebe, rozpor se rozpadne do jediného vzorce — a ten má přímé důsledky pro to, kterým projektem začít.

Každé číslo níž má odkaz na zdroj. Kde je slabší, než vypadá, je to napsáno.

Studie, ve které se experti zpomalili

Začátkem roku 2025 provedl METR randomizovanou studii se 16 zkušenými open-source vývojáři na 246 reálných úkolech v jejich vlastních repozitářích — zralých projektech s průměrně více než milionem řádků kódu. Úkoly byly náhodně rozděleny na ty, kde se AI použít smělo, a na ty, kde ne.

Zajímavé číslo není to zpomalení. Je to těch 39 procentních bodů mezi tím, co účastníci prožívali, a tím, co se stalo. Nebyli to naivní uživatelé — byli to expertní správci kódu, který důvěrně znali, a mýlili se o vlastním týdnu se značnou jistotou.

S tímhle výsledkem zacházejte opatrně. Šestnáct lidí, velmi specifická skupina, nástroje z počátku roku 2025. Není to důkaz, že AI obecně zpomaluje vývojáře. Je to silný důkaz, že subjektivní pocit produktivity nedokazuje nic — a to je jiné a užitečnější tvrzení.

Studie, ve které nováčci získali třetinu

Pusťte stejnou technologii na jinou skupinu a znaménko se otočí. Brynjolfsson, Li a Raymond sledovali postupné zavádění generativního asistenta u 5 179 operátorů zákaznické podpory. Počet vyřešených případů za hodinu vzrostl o 14 % v průměru — jenže ten průměr ten nález zakrývá:

• +34 % u nováčků a méně kvalifikovaných
• téměř nic u zkušených

Autoři ten mechanismus popisují tak, že model šíří postupy lepších pracovníků a pomáhá novým rychleji sjet křivku zkušenosti. Jinými slovy nástroj ani tak nepřidával schopnost, jako spíš rozdával schopnost, která ve firmě už byla — a člověku, který je na vrcholu téhle distribuce, není co rozdat.

Postavte ty dvě studie vedle sebe a zdánlivý rozpor zmizí. Nováčci získali třetinu. Experti nezískali nic, nebo ztratili.

Hranice, kterou nevidíte

Třetí studie vysvětluje, proč jsou i ty zisky nespolehlivé. V předem registrovaném terénním experimentu prošlo 758 konzultantů BCG 18 realistických úloh s AI i bez ní.

Uvnitř toho, co model umí, byly výsledky silné: o 12,2 % víc dokončených úkolů, o 25,1 % rychleji, o 40 % vyšší kvalita.

Pak výzkumníci přidali úlohy navržené tak, aby seděly těsně za tou hranicí:

• konzultanti bez pomoci měli pravdu v 84 % případů
• konzultanti s AI spadli na 60 až 70 %

Autoři to nazvali zubatá technologická hranice: hranice kompetence je nerovnoměrná a neřídí se lidskou představou o obtížnosti. Dvě úlohy, které člověku připadají stejně těžké, můžou ležet na opačných stranách — a model nedává žádný signál o tom, na které straně je. Je nejpřesvědčivější přesně tam, kde se mýlí.

Kam šly peníze a kde byla návratnost

Čtvrtý údaj se týká organizací, ne jednotlivců. Project NANDA při MIT Media Lab zmapoval stav firemního nasazení ve zprávě The GenAI Divide — 52 rozhovorů s manažery, 153 dotazníků, 300 veřejných nasazení — a uvádí, že 95 % pilotů nemělo měřitelný dopad na hospodářský výsledek.

To číslo doputovalo mnohem dál než jeho metodika. Je to průzkum mezi manažery, ne měření výsledků, a neprošel recenzním řízením. Berte ho jako popis toho, jak lidé vnímají vlastní piloty.

Takhle čtené ale není zajímavý ten titulek. Zajímavé je tohle: přes polovinu rozpočtů na generativní AI šlo do prodeje a marketingu, zatímco nejvyšší návratnost byla nalezena v automatizaci back office. Peníze šly tam, kde je práce vidět. Návratnost byla tam, kde se práce opakuje.

Zpráva připisuje selhání spíš mezeře v učení než kvalitě modelů — piloty vázly, protože nástroje neudrží zpětnou vazbu a nepřizpůsobí se kontextu. Což je jiný způsob, jak říct, že kontext nebyl nikdy zapsaný.

Kontrolní skupina mizí

Poslední nález je ten, o kterém skoro nikdo nepíše, a je to důvod jednat teď a ne příští rok.

METR pustil od srpna 2025 větší pokračování s novějšími nástroji. V únoru 2026 zveřejnil, že ta data na otázku odpovědět nedokážou. Ne proto, že by byl efekt malý — protože už nešlo sestavit kontrolní skupinu:

„Roste podíl vývojářů, kteří říkají, že by nechtěli dělat 50 % své práce bez AI, přestože jim naše studie platí 50 dolarů na hodinu."

„30 až 50 % vývojářů nám řeklo, že některé úkoly neodevzdávají, protože je nechtějí dělat bez AI."

„To znamená, že nám systematicky chybí úkoly s vysokým očekávaným přínosem AI."

METR se domnívá, že vývojáři jsou dnes nejspíš rychlejší než podle odhadu z roku 2025, ale odmítá to vyčíslit: jejich vlastní data jsou podle nich „jen velmi slabý důkaz o velikosti toho nárůstu".

Zastavte se u toho. Nejlépe navržené měření téhle otázky na světě se stalo hůř proveditelným, protože se lidem nechce zpátky. Ať už je o výchozím stavu vaší firmy pravda cokoli, dnes se měří snáz než za půl roku — a v jednu chvíli bude poctivá odpověď znít „už nepoznáme, co tohle změnilo".

Co z toho plyne pro váš první projekt

Z výše uvedeného vyplývají čtyři důsledky a ani jeden se netýká volby modelu.

Nevěřte tomu, jak to působí. Účastníci METR byli experti, motivovaní a mýlili se o 39 bodů. Pokud je vaším důkazem, že pilot funguje, to, že se týmu líbí, změřili jste nadšení.

Zisk čekejte u juniorů. Největší naměřený efekt v celé téhle literatuře byl +34 % u nezkušených pracovníků. Pokud vybíráte, jestli nástroj dát nejlepšímu, nebo nejnovějšímu člověku, data ukazují na toho nejnovějšího — což je opak toho, jak se licence obvykle rozdělují.

Počítejte s tím, že hranici nevidíte. Zabudujte kontrolu od začátku a odstupňujte ji podle toho, co stojí špatná odpověď. Konzultanti BCG, kteří uvěřili přesvědčivé odpovědi, dopadli hůř než ti, kteří neměli pomoc žádnou.

Změřte výchozí stav ještě tenhle měsíc. Ne proto, že je měření ctnost, ale protože se ten protiklad reálně vypařuje. Hrubé číslo teď je lepší než přesný argument později.

Poctivé shrnutí

Data nepodporují tvrzení „AI mění znalostní práci". Nepodporují ani „AI je přefouknutá". Podporují něco užšího a použitelnějšího:

Návratnost není v modelu. Je v tom, jestli je práce zapsaná, kdo ji dělá a jestli si někdo poznamenal, co stála předtím, než jste začali. Každá studie výše je jiná cesta ke stejnému závěru — a je to závěr o vaší organizaci, ne o technologii.

Často kladené dotazy