Případová studie: Jak jsme nasadili AI do české výroby

Tato případová studie popisuje skutečné nasazení AI v české strojírenské firmě (jméno klienta nezveřejňujeme na základě NDA, ale všechny údaje jsou autentické). Za 14 měsíců jsme nasadili 4 AI agenty napříč firmou — kvalita, plánování, back-office, customer support. Roční dopad: +18,4 mil. Kč v kombinaci úspor a růstu obratu. Investice se vrátila za 4,8 měsíce.

Tento článek je detailní rozbor — co jsme dělali, jaké byly výzvy, kolik to stálo, co bychom dnes udělali jinak. Pro CFO, COO a IT lídry, kteří uvažují o podobném projektu.

1. Profil klienta

• Sektor: Strojírenská výroba (přesné komponenty pro automotive a aerospace)
• Lokalita: Středočeský kraj
• Zaměstnanci: 180 (z toho 110 ve výrobě, 35 v back-office, 12 ve QC, 8 v IT, zbytek management)
• Obrat: 320 mil. Kč/rok
• EBITDA margin: 12 %
• Hlavní zákazníci: 4 OEM (3 německé, 1 česká)
• Výrobní typ: Středněsériové, ~120 SKU, customizace na zákazníka
• ERP: Helios iNuvio + custom MES

2. Stav před AI nasazením (Q1 2025)

Bottleneck 1: Kvalitní kontrola

• Visual inspection na konci linky — 4 QC technici per shift
• Defect rate (na výstupu): 6 %
• Customer reklamace: 1,2 % dodávek (vrácené zboží)
• Roční náklad reklamací: 4,8 mil. Kč (vrácení, výměna, expedice)
• Penalty od zákazníků za quality issues: 1,1 mil. Kč/rok

Bottleneck 2: Plánování výroby

• Plánovač + 2 disponenti v Excelu
• Týdenní plán fixní, denní úpravy ad hoc
• OEE (Overall Equipment Effectiveness): 62 %
• Stockout kritických komponent: 4× měsíčně
• Nevyužitá kapacita strojů: 18 %

Bottleneck 3: Back-office

• 14 lidí v back-office (administrativa, fakturace, nákup, prodej, mzdy)
• Roční mzdový náklad: 7,1 mil. Kč
• Vysoká fluktuace (16 % ročně)
• Manuální zpracování příchozích faktur od dodavatelů (~280/měs.)

Bottleneck 4: Customer service

• 2 lidé na zákaznický servis
• Průměrná doba odbavení dotazu: 4 hodiny
• Mimo pracovní dobu: 0 odbavených dotazů (35 % dotazů)
• Customer satisfaction: NPS 38

3. AI strategie

V Q1 2025 jsme udělali 4týdenní audit. Identifikovali jsme 4 prioritní use case:

1. AI vision pro QC — kamera + AI klasifikace defektů na výstupní lince
2. AI plánování výroby — dynamický plán s ohledem na zakázky, materiál, kapacity, údržby
3. AI agent pro back-office — vytěžování faktur, automatizace nákupu, customer onboarding
4. AI customer support — chatbot 24/7 + e-mail automatizace

Strategický výběr: priorizovali jsme podle ROI a technické proveditelnosti. Začali jsme s use case 1 a 3 (rychlejší ROI), 2 a 4 přidali později.

4. Implementace use case 1: AI vision pro QC

Technický stack

• Kamera: Basler ace2 industrial cameras (4× per linka)
• Edge compute: NVIDIA Jetson Orin AGX
• Model: Custom CNN trained on 80 000 anotovaných obrázků (defekty + OK)
• Software: Python + PyTorch + custom MES integration
• Anotace: 6 týdnů manuální anotace QC týmem (paid overtime)

Implementační timeline

• Týden 1–4: Hardware setup, kamerové pozice, lighting
• Týden 5–10: Data collection a anotace
• Týden 11–14: Model training a validace
• Týden 15–18: Pilot na 1 lince paralelně s lidskou QC
• Týden 19–22: Tuning, false positive reduction
• Týden 23+: Rollout na všechny 4 linky

Výsledky po 6 měsících provozu

• Defect rate na výstupu: pokles z 6 % na 1,4 %
• Customer reklamace: pokles z 1,2 % na 0,3 %
• QC personál: redukce z 4 na 2 per shift (úspora 2 FTE)
• Roční úspora reklamací: 3,6 mil. Kč
• Penalty od zákazníků: pokles na 0,2 mil. Kč
• Detekce nového typu defektu: AI v 3. měsíci hlásilo neobvyklý defekt — ukázalo se, že vadná dávka materiálu od dodavatele. Předešlo to expedici 2 800 ks vadných výrobků.

Náklady use case 1

• Hardware: 680 000 Kč
• Software vývoj: 1 240 000 Kč
• Anotace dat: 280 000 Kč
• Provoz (Agent Ops, retraining): 35 000 Kč/měs.
• Celkem rok 1: 2 620 000 Kč

ROI use case 1

• Roční úspora: 3,6 (reklamace) + 0,9 (penalty) + 1,8 (FTE) = 6,3 mil. Kč
• Návratnost: 5 měsíců

5. Implementace use case 3: AI back-office agent

Subprojekt 3a: Vytěžování faktur

Detail v článku vytěžování faktur AI vs OCR. AI agent automaticky extrahuje data z příchozích faktur, párování s objednávkami, automatický návrh zaúčtování v Heliosu. Nahradil 1 účetní + 0,5 FTE.

Subprojekt 3b: Automatizace nákupu

AI predikce zásob (viz článek o AI predikci zásob) → auto-objednávky standardních materiálů u rámcových dodavatelů. Schvalování pouze nad 250 000 Kč. Nahradilo 1 FTE nákup.

Subprojekt 3c: Customer onboarding

Nové zakázky od existujících klientů AI zpracovává end-to-end (extrakce z e-mailu, vytvoření Sales Order v Heliosu, kalkulace ceny, generování proforma faktury, odeslání zákazníkovi). 80 % objednávek bez člověka.

Výsledky

• Back-office redukce: ze 14 na 9 lidí (5 FTE úspora)
• Roční mzdová úspora: 2,55 mil. Kč
• Cycle time pro nové zakázky: ze 2,5 dne na 4 hodiny
• Error rate ve fakturaci: pokles z 3 % na 0,4 %
• Fluktuace v back-office: pokles ze 16 % na 6 % (zbylí lidé dělají zajímavější práci)

Náklady use case 3

• Implementace: 1 850 000 Kč
• Helios integrace: 480 000 Kč
• Provoz: 58 000 Kč/měs.
• Celkem rok 1: 3 026 000 Kč

ROI use case 3

• Roční úspora: 2,55 mil. Kč + nehmotné benefity (cycle time, kvalita)
• Návratnost: 14 měsíců (delší kvůli velké implementaci)

6. Implementace use case 2: AI plánování výroby

Technický stack

• Optimization engine: Python + Google OR-Tools + custom heuristics
• ML predikce poptávky: Prophet + custom RNN
• Integrace: Helios + MES + údržbový systém

Implementace

3 měsíce vývoje, 2 měsíce paralelního běhu s manuálním plánem.

Výsledky po 6 měsících provozu

• OEE: vzrostl z 62 % na 78 %
• Stockout kritických komponent: ze 4× na 0,3× měsíčně
• Nevyužitá kapacita: pokles z 18 % na 7 %
• Plánovač uvolněn pro strategickou práci

Finanční dopad

• Vyšší kapacita využití → +14 % výrobního objemu při stejných nákladech
• Roční dodatečný obrat: +28 mil. Kč
• Při marži 12 %: +3,4 mil. Kč zisk

Náklady use case 2

• Implementace: 2 100 000 Kč
• Provoz: 45 000 Kč/měs.
• Celkem rok 1: 2 640 000 Kč

7. Implementace use case 4: AI customer support

Technický stack

• Chatbot: Custom AI agent + RAG nad firemní knowledge base
• E-mail klasifikace + draft odpovědí
• Integrace s Helios CRM modulem

Výsledky po 4 měsících

• 78 % dotazů odbaveno AI bez člověka
• Doba odbavení: ze 4 hodin na 2 minuty
• 24/7 dostupnost
• NPS: ze 38 na 67

Finanční dopad

• Customer service personál: zůstal stejný (2 lidé), ale dělá strategickou práci
• Vyšší retence díky lepší zkušenosti: +4 % renewal rate na rámcových smlouvách → +6,2 mil. Kč/rok

8. Souhrn finančního dopadu

Plus uvolněný kapitál ze zásob (efekt z bodu 6) cca 8 mil. Kč jednorázově.

9. Časový harmonogram

10. Lessons learned

Co fungovalo dobře

• Phased approach — neimplementovali jsme všechno najednou, postupné nasazení
• Quick wins první — QC + faktury měly rychlé ROI, vybudovaly důvěru pro větší projekty
• Interní champion — IT lead klienta byl plně zapojen, ne jen vendor
• Paralelní běh — 4–8 týdnů AI vs manual umožnilo srovnání
• Transparentní komunikace se zaměstnanci — od začátku jsme říkali, že AI redukuje rutinní práci, ne lidi (a opravdu jsme nikoho nepropustili — využili jsme přirozenou fluktuaci)

Co bychom dnes udělali jinak

• Lepší data audit na začátku — kvalita master data v Heliosu byla horší než jsme očekávali, museli jsme strávit 3 týdny čištěním
• Větší investice do change managementu — vlna nedůvěry v 3. měsíci, vyřešili jsme intervencí managementu
• Dřívější Agent Ops setup — první 3 měsíce jsme reagovali na problémy ad hoc, lépe by bylo mít proces od začátku

11. Odkud jsme čerpali financování

• OP TAK 2021–2027 — Technologie a aplikace pro konkurenceschopnost, dotace 50 % způsobilých nákladů
• Vlastní zdroje — zbývajících 50 %
• Klient po dotaci skutečně zaplatil ~4,8 mil. Kč ze 9,5 mil. Kč investice

12. Klíčová poselství

• AI ve výrobě dnes funguje — není to budoucnost, je to současnost
• ROI se dá měřit — konkrétní KPI, konkrétní úspory
• Postupné nasazení — ne big bang, fázované rollout
• Dotace zlevňují vstup — využijte OP TAK, NPO, lokální programy
• Kvalita dat = kvalita AI — investujte do data audit

Závěr: AI ve výrobě je dospělá technologie

Případová studie ukazuje, že AI v české středně velké výrobě v 2026 funguje. Není to sci-fi ani PowerPoint slide — jsou to konkrétní úspory měřitelné v CZK. Klíčem je správná strategie, fázovaný přístup a partner, který rozumí výrobě i AI.

Pokud uvažujete o podobném projektu, napište nám. Připravíme audit zdarma s identifikací top 3 use case pro vaši výrobu a kalkulací ROI v CZK. Můžeme vás propojit i s podobnými klienty pro reference call. Více případových studií najdete zde. Pro automotive výrobu doporučujeme i sesterský AutoERP se specializovanými AI nástroji.

Často kladené otázky (FAQ)

Kolik stojí AI ve středně velké české výrobě?

Pro firmu 100–300 zaměstnanců typicky 6–15 mil. Kč implementace pro 3–5 use case (kvalita, plánování, back-office, customer service). S dotacemi z OP TAK nebo Národního plánu obnovy reálná investice 3–8 mil. Kč. Roční přínos typicky 12–25 mil. Kč. Návratnost 4–12 měsíců.

Bude AI propouštět zaměstnance?

Záleží na strategii. V této případové studii jsme nikoho nepropustili — využili jsme přirozenou fluktuaci (16 % ročně) a uvolněnou kapacitu jsme přesměrovali na strategickou práci a customer experience. Tento přístup výrazně snižuje odpor zaměstnanců a zachovává know-how.

Můžeme nasadit AI postupně, ne najednou?

Doporučujeme. Phased approach (1 use case za quartal) je úspěšnější než big bang. Začněte s quick win (vytěžování faktur, customer support, AI vision pro QC), kde je rychlé ROI. Po prvním úspěchu máte interní support pro větší projekty. V případové studii jsme nasazovali 14 měsíců napříč 4 use case.