Controller se zeptá AI copilota: “Co stálo za poklesem hrubé marže v Q2?”
AI odpoví. Číslo nesedí s dashboard. Nesedí ani s Excel analýzou z minulého týdne. Dvacet minut reconciliace. Controller nakonec použije číslo z Excelu – to, které člověk sestavil a ručně ověřil.
AI neselhalo. Dotázalo se datového modelu a spočítalo odpověď. Datový model ale nikdy nestavěli pro strojovou spotřebu. Stavěli ho pro lidi, kteří čtou dashboard. Lidé vyplňují mezery, které stroje vyplnit neumějí.
Většina AI ve financích nepřináší výsledky proto. Nejen špatné nástroje. Špatný základ.
Problém dvou konzumentů
Donedávna šel každý reportovací konzument – člověk. Dashboard, manažerské balíčky, prezentace pro board – vše navržené pro lidi, kteří ke každému číslu přinášejí kontext a znalost firmy.
Lidé zvládají nekonzistentní data dobře. ERP ukazuje tržby 10,2 mil. EUR. BI dashboard 10,4 mil. EUR. Controller ví proč: jeden zahrnuje zpracování vratek, druhý ne. Korekce v hlavě, poznámka, jde dál. Člověk dělá interpretační práci, kterou žádný systém nezachycuje.
AI agenti tohle neumějí. AI copilot dotázaný “Jaké byly tržby za Q1?” neví, kterou definici použít. Dotáže se tabulek, ke kterým má přístup. Někdy 10,2 mil. EUR. Někdy 10,4 mil. EUR. Někdy 9,8 mil. EUR z úplně jiné výpočetní cesty. Technicky správné. Provozně nepoužitelné.
To je problém dual-consumer data modelu . Většinu datových modelů navrhovali pro jednoho konzumenta. Teď mají obsluhovat dva. Model se nezměnil. Počet konzumentů ano.
Co se stane, když AI narazí na single-consumer model
Selhání nevypadá jako pád systému. Vypadá jako eroze.
Poprvé: někdo zkontroluje a vysvětlí rozdíl. Podruhé: “raději to ověříme.” Popáté: tým potichu vybuduje stínový proces – ruční validaci běžící vedle AI – který maří celý smysl investice.
Čísla to potvrzují. Forrester: jen 15 % AI rozhodovatelů zaznamenalo dopad na EBITDA. Méně než třetina dokázala navázat hodnotu AI na změny v P&L. MIT (přes AtScale): zhruba 95 % generativních AI pilotů nevykazuje měřitelný dopad na hospodářský výsledek. Gartner a Deloitte: více než 40 % projektů s AI agenty firmy opustí do roku 2027.
Všude stejný vzorec. Technologie funguje. Infrastruktura ji nepodporuje.
Kde se model rozbíjí: příklad z controllingu
Hrubá marže ve středně velké firmě se dvěma ERP a BI nástrojem. Jednoduchá metrika to není – zahrnuje alokaci nákladů, zpracování vratek, slevové akce, úpravy dopravného. Existují tři verze:
ERP ji počítá ze standardních nákladů. V rámci systému konzistentní. Neodráží skutečné náklady za období.
BI dashboard používá skutečné náklady s ručními úpravami. Controller vytvořil logiku, aplikoval korekce za promoční kampaně, zvalidoval proti manažerským výkazům. Přesné – pro každého, kdo rozumí úpravám.
AI agent dotazuje tabulky, ke kterým se dostane. Neví o ručních úpravách. Neví, kterou alokaci nákladů použít. Najde sloupce s tržbami a náklady, vydělí, produkuje číslo. Obhajitelné na základě dat. Nepoužitelné pro rozhodnutí.
Tři verze. Controller je reconciliuje, protože znalost žije v jeho hlavě. AI agent se nedostane ke znalostem, které nejsou v datech.
Governance jako politika vs. governance jako infrastruktura
Většina firem má politiky správy dat . Někde na sdíleném disku leží dokument, který definuje, co znamenají “tržby”, jak se počítá “EBITDA”, které entity se konsolidují na které úrovni. AI ten dokument neumí přečíst. Neumí otevřít PDF, interpretovat definici a aplikovat správný vzorec.
Governance jako dokumentace funguje pro lidi. AI potřebuje governance jako infrastrukturu: definice metrik zakódované jako výpočetní logika, pravidla hierarchií jako vztahy v modelu, alokační metody jako transformační kroky. Politika – vynucují ji lidé. Infrastruktura – vynucuje ji systém.
KPMG: 62 % firem uvádí nedostatečnou governance jako hlavní bariéru škálování AI. Nejen technologii. Nejen rozpočet. Governance. Stavět lepší AI na governance založené na politikách je jako přidávat výkon autu bez řízení.
Mezera v semantic layer
Mezi surovými daty a konzumenty stojí – nebo nestojí – semantic layer . Definuje business metriky, hierarchie a vztahy jednou. “Tržby” znamenají jednu věc. “Hrubá marže” používá jednu alokaci nákladů. “Hierarchie nákladových středisek ” se sčítá jedním způsobem. Dashboard, tabulka, AI agent – stejné definice, stejná čísla.
Bez ní si každý konzument interpretuje surová data po svém. BI developer zabuduje logiku do dashboard. Analytik ji předělá v Excelu. AI agent hádá z názvů sloupců. Tři konzumenti, tři interpretace, tři čísla.
GoodData: “Tradiční BI platformy zamykají business definice uvnitř dashboard navržených pro lidskou spotřebu, nejen pro AI agenty.” Logika je uzamčená v nástrojích, ke kterým se dostanou jen lidé.
Gartner dnes klasifikuje semantic layer jako “kritickou infrastrukturu.” Specifikace Open Semantic Interchange (OSI) byla dokončena v lednu 2026. Už to není pohodlí. Je to požadavek.
Faktor středního trhu
Velké korporace na to nasadí datové inženýrské týmy. Středně velké firmy – s tržbami 5-60 mil. EUR – tuhle možnost nemají.
Většina svou datovou architekturu nenavrhovala. Zdědila ji. První ERP vybrali při 15 lidech. Druhé přidali s akvizicí. Třetí provozuje sklad. Účtová osnova se většinou shoduje. Nákladová střediska vypadají konzistentně, dokud je nepotřebujete sečíst napříč entitami.
Přesně tady by AI mělo pomáhat nejvíc – a přesně tady selhává nejhůř. Nekonzistence, kterými controller denně propluje díky zkušenostem a tabulkám, jsou pro AI neviditelné zdi. Neví, že entita A používá jiné číslování nákladových středisek než entita B. Neví, že tržby za Q4 v české dceřince jsou provizorní. Počítá z dat, která najde, a prezentuje je s falešnou jistotou.
Stejný problém dual-consumer jako korporace. Méně zdrojů na řešení.
Co to nevyřeší
Lepší AI nástroj. Chytřejší model na stejném rozbitém základu produkuje sebevědoměji špatné odpovědi.
Vrstva kvality dat navrch. Validace odchytí chyby v hodnotách. Nevyřeší tři různé výpočty hrubé marže ve třech nástrojích. Chybějí sémantické definice, nejen čistá data.
Připojit AI ke stejným dashboard. Pomůže – dokud AI nedotazuje data jinak než předdefinovaný model dashboard. Definice žijí uvnitř BI nástroje, nejen ve vrstvě, kterou AI umí přečíst.
Nejdřív vyčistit data, pak přidat AI. Nutné, ale nedostatečné. Čistá data s nekonzistentními definicemi stále produkují nekonzistentní odpovědi. Problém je sémantická kvalita, nejen kvalita dat.
Co to vyřeší
Řízená semantic layer mezi surovými daty a všemi konzumenty. Definuje business logiku jednou.
Jedna výpočetní cesta na metriku. Jedno pravidlo sčítání na hierarchii. Jedna definice KPI zakódovaná jako logika modelu, nejen zdokumentovaná v PDF. Dashboard ji čte. AI ji čte. Tabulka ji čte. Stejná čísla. Pokaždé.
Test AI-readiness je jednoduchý: dokáže firma produkovat konzistentní odpovědi bez hrdinského lidského kontextu? Pokud controller musí reconciliovat, validovat nebo interpretovat, než někdo číslu uvěří – základ není připravený.
Roland Berger: 74 % CFO plánuje investovat do AI pro controlling. Stejný výzkum: 25% zkrácení měsíční uzávěrky díky AI – ale jen tam, kde datový základ nativně podporoval AI spotřebu. Záměr je jasný. Infrastruktura většinou chybí.
Cesta vpřed
Pokud AI odpovědi vyžadují ruční validaci, datový model obsluhuje jednoho konzumenta a je žádán obsluhovat dva.
Řešení je vložit business logiku do vrstvy datového modelu – nejen do dashboard, tabulek nebo governance dokumentů – a zpřístupnit ji každému konzumentu identicky.
Nejde o technologický problém. Jde o designový problém. Doprovodný článek – Jak navrhnout datový model, který funguje pro lidi i AI – přináší šest principů, které váš datový model potřebuje, aby obsluhoval oba.
Zdroje: Forrester Predictions 2026 , KPMG – Rebuilding Data Governance in the Age of AI , Roland Berger – Mastering AI in the Finance Function , Deloitte – CFO Guide to Tech Trends 2026 , AtScale – Why AI Redefined the Semantic Layer , GoodData – How to Modernize Your BI for the AI Era
- Glosář: Dual-Consumer Data Model | Semantic Layer | Správa dat | Datová konzistence
- Data Governance & AI Readiness | Framework pro finanční data governance | Architektura účtové osnovy
- Jak navrhnout datový model, který funguje pro lidi i AI – doprovodný článek se šesti designovými principy