Controller sa opýta AI copilota: “Čo spôsobilo pokles hrubej marže v Q2?”
AI odpovie. Číslo nesedí s dashboardom. Nesedí ani s Excelovou analýzou z minulého týždňa. Dvadsať minút reconciliácie. Controller použije Excelové číslo — to, ktoré človek ručne zostavil a overil.
AI nezlyhalo. Dopytovalo dátový model a vypočítalo odpoveď. Dátový model nebol navrhnutý pre strojovú spotrebu. Bol navrhnutý pre ľudí, ktorí čítajú dashboard. Ľudia vypĺňajú medzery, ktoré stroje nedokážu.
Preto väčšina AI vo financiách neprináša výsledky. Nie zlé nástroje. Zlý základ.
Problém dvoch konzumentov
Donedávna bol každý reportovací konzument človek. Dashboard, management packy, prezentácie pre board — všetko navrhnuté pre ľudí, ktorí ku každému číslu prinášajú kontext a inštitucionálnu znalosť.
Ľudia navigujú nekonzistentné dáta dobre. ERP ukazuje tržby 10,2 mil. EUR. BI dashboard ukazuje 10,4 mil. EUR. Controller vie prečo: jeden zahŕňa spracovanie vrátok, druhý nie. Mentálny dopočet, poznámka, ideme ďalej. Človek robí interpretačnú prácu, ktorú žiadny systém nezachytáva.
AI agenti toto nedokážu. AI copilot na otázku “Aké boli tržby za Q1?” nevie, ktorú definíciu použiť. Dopytuje akékoľvek tabuľky, ktoré nájde. Niekedy 10,2 mil. EUR. Niekedy 10,4 mil. EUR. Niekedy 9,8 mil. EUR z úplne inej výpočtovej cesty. Technicky správne. Prevádzkovo nepoužiteľné.
Toto je problém dual-consumer data modelu . Väčšina dátových modelov bola navrhnutá pre jedného konzumenta. Teraz slúžia dvom. Model sa nezmenil. Počet konzumentov áno.
Čo sa stane, keď AI narazí na single-consumer model
Zlyhanie nevyzerá ako pád. Vyzerá ako erózia.
Prvýkrát: niekto preverí a vysvetlí rozdiel. Druhýkrát: “mali by sme to dvojito overiť.” Piatykrát: tím si potichu vybudoval shadow proces — manuálnu validáciu bežiacu popri AI — ktorý nuluje celú investíciu.
Čísla to potvrdzujú. Forrester: len 15 % rozhodovateľov o AI hlásilo nárast EBITDA. Menej než tretina dokázala previazať hodnotu AI so zmenami v P&L. Výskum MIT (cez AtScale): približne 95 % pilotov generatívneho AI neukazuje žiadny merateľný dopad na P&L. Gartner a Deloitte: viac ako 40 % projektov agentického AI opustia do roku 2027.
Rovnaký vzorec všade. Technológia funguje. Infraštruktúra ju nepodporuje.
Kde sa model láme: príklad z controllingu
Hrubá marža v strednej firme s dvoma ERP a BI nástrojom. Nie jednoduchá metrika — zahŕňa alokáciu nákladov, spracovanie vrátok, promočné zľavy, úpravy dopravy. Tri verzie:
ERP ju počíta pomocou štandardných nákladov. Konzistentné v rámci systému. Nereflektuje skutočné náklady za dané obdobie.
BI dashboard používa skutočné náklady s manuálnymi úpravami. Controller zostavil logiku, aplikoval korekcie pre promočné kampane, validoval oproti manažérskym výkazom. Presné — pre každého, kto rozumie úpravám.
AI agent dopytuje akékoľvek tabuľky, ktoré nájde. Nevie o manuálnych úpravách. Nevie, ktorú alokáciu nákladov použiť. Nájde stĺpce tržby a nákladov, vydelí, produkuje číslo. Obhájiteľné vzhľadom na dáta. Nepoužiteľné pre rozhodnutie.
Tri verzie. Controller ich reconciliuje, pretože inštitucionálnu znalosť má v hlave. AI agent nedokáže pristupovať ku znalosti, ktorá nie je v dátach.
Governance ako politika vs. governance ako infraštruktúra
Väčšina organizácií má pravidlá data governance . Niekde na zdieľanom disku leží dokument, ktorý definuje, čo znamenajú “tržby”, ako sa počíta “EBITDA”, ktoré entity sa konsolidujú na akej úrovni. AI nedokáže čítať ten dokument. Nedokáže otvoriť PDF, interpretovať definíciu a aplikovať správny vzorec.
Governance ako dokumentácia funguje pre ľudí. AI potrebuje governance ako infraštruktúru: definície metrík zakódované ako výpočtová logika, pravidlá hierarchií ako modelové vzťahy, alokačné metódy ako transformačné kroky. Politika — ľudia ju presadzujú. Infraštruktúra — systém ju presadzuje.
KPMG: 62 % organizácií uvádza nedostatočný governance ako hlavnú bariéru pri škálovaní AI. Nie technológiu. Nie rozpočet. Governance. Stavať lepšie AI na policy-based governance je ako pridávať rýchlosť autu bez riadenia.
Medzera semantic layer
Medzi raw dátami a konzumentmi sedí — alebo nesedí — semantic layer . Definuje biznis metriky, hierarchie a vzťahy raz. “Tržby” znamenajú jednu vec. “Hrubá marža” aplikuje jednu alokáciu nákladov. “Hierarchia stredísk ” sa zroluje jedným spôsobom. Dashboard, tabuľka, AI agent — rovnaké definície, rovnaké čísla.
Bez nej každý konzument interpretuje raw dáta nezávisle. BI vývojár vstaví logiku do dashboardu. Analytik ju prebuduje v Exceli. AI agent háda z názvov stĺpcov. Traja konzumenti, tri interpretácie, tri čísla.
GoodData: “Tradičné BI platformy uzatvárajú biznis definície v dashboardoch navrhnutých pre ľudskú spotrebu, nie pre AI agentov.” Logika je uzamknutá v nástrojoch, ku ktorým majú prístup len ľudia.
Gartner klasifikuje semantic layer ako “kritickú infraštruktúru.” Špecifikácia Open Semantic Interchange (OSI) bola finalizovaná v januári 2026. Už nie komfort. Požiadavka.
Násobíci faktor v strednom segmente
Veľké podniky na to hodia dátovo-inžinierske tímy. Stredné firmy — 5 až 60 mil. EUR tržby — túto možnosť nemajú.
Väčšina si svoju dátovú architektúru nenavrhla. Zdedila ju. Prvý ERP vybrali pri 15 ľuďoch. Druhý pridali pri akvizícii. Tretí beží v sklade. Účtový rozvrh väčšinou sedí. Strediská vyzerajú konzistentne, kým ich nepotrebujete zrolovať naprieč entitami.
Presne tu by mala AI pomôcť najviac — a tu zlyhá najtvrdšie. Nekonzistencie, ktorými controller denne naviguje cez expertízu a tabuľky, sú pre AI neviditeľné steny. Nevie, že entita A používa iné číslovanie stredísk než entita B. Nevie, že tržby za Q4 v českej dcére sú predbežné. Počíta z akýchkoľvek dát, ktoré nájde, a prezentuje ich s falošnou istotou.
Rovnaký problém dual-consumer modelu ako veľké podniky. Menej zdrojov na jeho riešenie.
Čo to neopraví
Lepší AI nástroj. Chytrejší model, rovnaký rozbitý základ, sebavedomejšie zlé odpovede.
Data quality vrstva navrch. Validácia zachytí chyby v dátových hodnotách. Neopraví tri rôzne výpočty hrubej marže v troch nástrojoch. Chýbajúce sémantické definície, nie znečistené dáta.
Pripojenie AI na rovnaké dashboard. Pomáha — kým AI nedopytuje dáta inak než predbudovaný model dashboardu. Definície žijú vnútri BI nástroja, nie vo vrstve, ktorú AI dokáže čítať.
Najprv vyčistiť dáta, potom pridať AI. Nutné, ale nedostatočné. Čisté dáta s nekonzistentnými definíciami stále produkujú nekonzistentné odpovede. Problém je sémantická kvalita, nie kvalita dát.
Čo to naozaj opraví
Riadená semantic layer medzi raw dátami a všetkými konzumentmi. Definuje biznis logiku raz.
Jedna výpočtová cesta na metriku. Jedno pravidlo roll-upu na hierarchiu. Jedna definícia KPI zakódovaná ako logika modelu, nie zdokumentovaná v PDF. Dashboard ju číta. AI ju číta. Tabuľka ju číta. Rovnaké čísla. Vždy.
Test AI-readiness je jednoduchý: dokáže organizácia produkovať konzistentné odpovede bez heroického ľudského kontextu? Ak controller musí reconciliovať, validovať alebo interpretovať, kým číslu niekto dôverí — základ nie je pripravený.
Roland Berger: 74 % CFO plánuje investovať do AI pre controlling. Ten istý výskum: 25% zníženie času mesačnej uzávierky z AI — ale len tam, kde dátový základ natívne podporoval AI spotrebu. Zámer je jasný. Infraštruktúra väčšinou chýba.
Cesta vpred
Ak AI odpovede vyžadujú manuálnu validáciu, dátový model slúži jednému konzumentovi a pýtate si od neho, aby slúžil dvom.
Riešenie: vložiť biznis logiku do vrstvy dátového modelu — nie do dashboardov, tabuliek ani governance dokumentov — a sprístupniť ju každému konzumentovi identicky.
Nie technologický problém. Dizajnový problém. Doplnkový článok — Ako navrhnúť dátový model, ktorý funguje pre ľudí aj AI — popisuje šesť vecí, ktoré váš dátový model potrebuje, aby slúžil obom.
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
- Slovník: Dual-Consumer Data Model | Semantic Layer | Data Governance | Data Consistency
- Data Governance & AI Readiness | Rámec pre riadenie finančných dát | Architektúra účtového rozvrhu
- Ako navrhnúť dátový model, ktorý funguje pre ľudí aj AI — doplnkový článok so šiestimi dizajnovými princípmi