--- title: "Jak připravit firemní data pro AI" description: "Většina neúspěšných AI projektů nepadne na modelu, ale na datech. Co znamená „připravit data\" v praxi a jak zjistit, jestli na to firma vůbec je." canonical: "https://interfase.sk/cz/novinky/jak-pripravit-firemni-data-pro-ai" lang: "cz" last_updated: "2026-10-28" --- # Jak připravit firemní data pro AI > Většina neúspěšných AI projektů nepadne na modelu, ale na datech. Co znamená „připravit data" v praxi a jak zjistit, jestli na to firma vůbec je. Publikováno: 2026-10-28 - Kvalita odpovědí AI je daná kvalitou vstupů; model nevyřeší rozpor mezi dvěma verzemi téhož dokumentu. - První krok není čištění, ale inventura — kde data jsou, kdo je vlastní a která z nich jsou závazná. - Oprávnění musí být součástí dat, jinak agent zpřístupní každému všechno, k čemu má přístup on sám. - Nepřipravujte celý archiv najednou — vyberte jednu oblast, dotáhněte ji a teprve potom rozšiřujte. „Chceme, aby AI uměla odpovídat na otázky z našich interních dokumentů." Zní to jako zadání na dva týdny. Potom se ukáže, že ty dokumenty jsou ve třech systémech, čtyři verze ceníku se liší a nikdo ve firmě neumí říct, která platí. Model to nevyřeší. Pokud dostane rozporné podklady, s jistotou odpoví podle toho, který mu přišel pod ruku první. ## Začněte inventurou, ne čištěním První krok není uklízet. Je zjistit, co vlastně máte. Pro každý zdroj dat si napište čtyři věci: **kde je** (systém, disk, mailová schránka), **kdo ho vlastní** (kdo rozhoduje, co je v něm správně), **jak často se mění** a **jestli je závazný** — tedy jestli podle něj firma opravdu jedná, nebo je to jen pracovní podklad. Tato tabulka bývá první moment, kdy se ukáže skutečný rozsah projektu. Často z ní vyplyne, že polovina zdrojů je duplicitní a třetina zastaralá. ## Jedna verze pravdy pro každou oblast Toto je nejdůležitější rozhodnutí celé přípravy. Pro každé téma — ceník, produktová dokumentace, interní směrnice, smluvní podmínky — musí existovat **jeden zdroj, který platí**. Ostatní se buď zruší, nebo se jednoznačně označí jako neplatné. Bez toho se nedá postavit nic spolehlivého. Ne proto, že by AI byla slabá, ale proto, že otázka „kolik stojí X" nemá jednu odpověď ani pro člověka. ## Co znamená čištění v praxi Když je jasné, které zdroje platí, přichází na řadu práce s jejich obsahem: - **Odstranit zastaralé.** Dokument z roku 2019 popisující zrušený proces je horší než žádný dokument. - **Doplnit datum platnosti.** Aby se dalo rozlišit aktuální od historického i strojově. - **Rozbít velké dokumenty.** 200stránkovou směrnici nelze smysluplně použít jako celek; členění na kapitoly s vlastními nadpisy výrazně zlepší přesnost odpovědí. - **Vyřešit skeny.** PDF, které je obrázek, je pro AI prázdné. Buď se převede na text, nebo se z podkladů vyřadí. - **Sjednotit názvosloví.** Pokud se jeden produkt jmenuje ve třech systémech trochu jinak, je třeba mít mapování. ## Oprávnění patří k datům Toto se podceňuje a je to nejrizikovější část. Pokud agent vidí všechno, co vidí správce systému, pak **každý uživatel přes něj vidí totéž** — včetně mezd, personálních spisů a rozpracovaných obchodních případů. Oprávnění se proto řeší na úrovni dat, ne instrukcí modelu. Ke každému dokumentu patří informace, kdo ho smí vidět, a filtrování probíhá dřív, než se cokoli dostane k modelu. Související principy popisujeme v článku o [AI agentech a GDPR](/blog/ai-agenti-a-gdpr-na-co-si-dat-pozor-pri-spracovani-osobnych-udajov). ## Metadata rozhodují o přesnosti Samotný text nestačí. Pokud ke každému podkladu připojíte **název, útvar, datum, typ dokumentu a jazyk**, dá se vyhledávání zúžit ještě předtím, než se hledá v obsahu — a odpovědi jsou výrazně přesnější. U vícejazyčné firmy je jazyk povinný údaj; proč, popisujeme v článku o [vícejazyčnosti firemní aplikace](/blog/viacjazycnost-a-lokalizacia-firemnej-aplikacie). ## Strukturovaná data mají jiná pravidla U dat z databází a ERP nejde o čištění textu, ale o **přístup**. Otázka „jaký byl obrat minulý měsíc" se nemá řešit tak, že model dostane surové tabulky. Má dostat připravený, ověřený dotaz nebo přehled, který vrací stejné číslo jako firemní výkazy. Jinak vzniká nejhorší možný stav: dvě čísla o tomtéž a žádná jistota, které je správné. ## Nepřipravujte všechno najednou Nejčastější chyba je pokus uklidit celý firemní archiv před prvním nasazením. Trvá to měsíce a výsledek nikdo nevidí. Funguje opak: vybrat **jednu oblast s nejčastějšími otázkami**, dotáhnout ji pořádně, nasadit a měřit. První oblast naučí firmu, jak má vypadat pořádek — a druhá potom jde trojnásobně rychleji. ## Jak poznáte, že jsou data připravená Jednoduchý test: vezměte dvacet reálných otázek, které lidé ve firmě kladou, a zkuste na ně odpovědět **jen z připravených podkladů**. Pokud to zvládne člověk, který danou oblast nezná, zvládne to i agent. Pokud člověk musí někomu zavolat, data připravená nejsou. Pokud to řešíte a chcete si projít, co je ve vašem případě reálné, [ozvěte se nám](/kontakt). Více o [AI a automatizaci](/riesenia/ai) a příklady v [referencích](/referencie). --- Webová verze: https://interfase.sk/cz/novinky/jak-pripravit-firemni-data-pro-ai llms.txt: https://interfase.sk/llms.txt