Umelá inteligencia v praxi: od financií po zefektívnenie výroby

Umelá inteligencia vo firme nevytvára hodnotu tým, že je technologicky moderná. Hodnotu vytvára až vtedy, keď zlepší presne definovaný proces, napríklad skráti finančný close, zníži chybovosť faktúr, zlepší forecast, predpovie poruchu, odhalí výrobnú vadu, stabilizuje proces alebo zníži energetickú náročnosť.

Rýchle zhrnutie pre vedenie firmy

Umelá inteligencia v praxi je kombinácia analytických modelov, generatívnej AI, computer vision, anomálnej detekcie, optimalizačných algoritmov, agentných workflowov a klasickej automatizácie, ktoré sú vložené do konkrétnych podnikových procesov. Nie každý problém potrebuje generatívnu AI a nie každý proces potrebuje autonómneho agenta. Pri financiách býva najväčšia hodnota v kombinácii kvalitných ERP a BI dát, analytiky, automatizácie a generatívnej vrstvy. Vo výrobe sa k tomu pridávajú senzorické dáta, MES, SCADA, historické série, computer vision, digitálne dvojča a prevádzkové obmedzenia.

Eurostat uvádza, že v roku 2025 používalo aspoň jednu AI technológiu 20 percent podnikov EÚ s desiatimi a viac pracovníkmi. Medzi podnikmi, ktoré už AI používali, ju 23,1 percenta využívalo v účtovníctve, controllingu alebo finančnom manažmente a 20,8 percenta vo výrobných procesoch. Tieto údaje ukazujú, že AI už nie je výlučne marketingový alebo textový nástroj, ale postupne sa stáva prevádzkovou technológiou. [1][2]

Pri financiách sa najlepšie výsledky nevytvárajú tým, že model začne samostatne počítať účtovné výkazy. Generatívna AI je vhodná na prácu s neštruktúrovanými vstupmi, komentármi, vysvetľovaním odchýlok, sumarizáciou, prípravou reportov a koordináciou workflowov. Presné účtovné výpočty, účtovné pravidlá, schvaľovacie limity, účtovné zápisy a transakčná integrita majú zostať v deterministickej vrstve ERP, účtovného systému alebo kontrolovaného kódu.

Vo výrobe AI získava hodnotu najmä tam, kde existuje dostatok kvalitných historických alebo senzorických dát a problém je možné merať. Prediktívna údržba potrebuje dáta o stave zariadenia a poruchách. Computer vision potrebuje reprezentatívne obrazy vád. Procesná optimalizácia potrebuje stabilný záznam vstupov, parametrov a výstupnej kvality. Ak firma nemá meranie, časové značky, identifikátory výrobkov alebo spoľahlivé maintenance records, prvým krokom nie je AI model, ale dátová a procesná príprava.

1. Čo je umelá inteligencia vo firemných procesoch

AI vo firemných procesoch je využitie systémov umelej inteligencie na analýzu dát, rozpoznávanie vzorov, predikciu, generovanie obsahu, odporúčanie ďalšieho kroku alebo riadenie presne vymedzených automatizovaných činností v rámci podnikového workflowu. Systém môže iba podporovať človeka alebo môže pri nízkom riziku vykonávať povolené kroky automaticky.

Najdôležitejšie je rozlišovať technológiu od procesu. Rovnaký jazykový model môže byť použitý na komentár finančného reportu aj na vysvetlenie alarmu z výrobnej linky, ale zdroje dát, riziko, evaly a akceptačné kritériá budú úplne odlišné. Firemná AI architektúra preto musí vychádzať z procesu, nie z názvu nástroja.

1.1 Klasická automatizácia

Klasická automatizácia vykonáva vopred definované pravidlá. V účtovníctve môže párovať platbu podľa variabilného symbolu, kontrolovať povinné polia alebo prenášať schválenú faktúru medzi systémami. Vo výrobe môže podľa limitu aktivovať alarm, meniť plán podľa vopred určenej kapacity alebo automaticky zapisovať výrobnú dávku.

Ak je pravidlo presné a stabilné, klasická automatizácia je vhodnejšia než generatívna AI. Je predvídateľnejšia, jednoduchšie testovateľná a často lacnejšia.

1.2 Analytická a prediktívna AI

Analytická AI pracuje s dátami a hľadá vzory, ktoré možno použiť na klasifikáciu, predikciu alebo optimalizáciu. Vo financiách sem patrí cash flow forecasting, detekcia anomálií, fraud detection, kreditné alebo rizikové modely a predikcia nákladov. Vo výrobe sem patrí prediktívna údržba, prognóza kvality, odhad scrapu, optimalizácia procesných parametrov a demand forecasting.

Takéto modely sa hodnotia inak než generatívne systémy. Potrebujú historické dáta, vhodnú cieľovú premennú, oddelené trénovacie a validačné obdobia a metriky ako precision, recall, MAE, MAPE, RMSE alebo ďalšie metriky podľa typu problému.

1.3 Generatívna AI

Generatívna AI vytvára nový text, obraz, kód alebo inú reprezentáciu na základe modelu a poskytnutého kontextu. Je vhodná na syntézu neštruktúrovaných informácií, report commentary, vysvetlenie odchýlok, sumarizáciu dokumentov, prípravu pracovných návrhov alebo prirodzené rozhranie nad podnikovými dátami.

McKinsey pri financiách rozlišuje generatívnu AI od tradičnej AI a automatizácie. Upozorňuje, že generatívna vrstva nemá nahradiť analytické modely ani presné výpočty, ale dopĺňa ich pri práci s neštruktúrovanými dátami a komunikáciou. [3][4]

1.4 Computer vision

Computer vision je oblasť AI, ktorá analyzuje obraz alebo video a identifikuje objekty, vlastnosti, vzory alebo anomálie. Vo výrobe sa používa na kontrolu povrchových vád, správnosti montáže, rozmerov, označenia, balenia, ochranných prostriedkov alebo iných vizuálne overiteľných podmienok.

Computer vision systém nie je kvalitný preto, že má vysokú celkovú accuracy. Pri kritickej kvalite je dôležité vedieť, koľko reálnych vád model prehliada a koľko dobrých výrobkov označí ako chybné. Threshold musí vychádzať z nákladov false negative a false positive, nie iba z jednej univerzálnej metriky.

1.5 Agentná AI

Agentná AI dokáže riadiť viac krokov, pracovať s nástrojmi a smerovať k definovanému cieľu. Vo financiách môže koordinovať zber podkladov pre close, pripraviť variancie, vyžiadať chýbajúce údaje a zostaviť draft reportu. Vo výrobe môže pomáhať pri diagnostike incidentu, vyhľadávať servisnú dokumentáciu a pripraviť odporúčanie pre technika.

Agentná autonómia zvyšuje potrebu oprávnení, audit trailu, validácie nástrojov a ľudského schvaľovania. Pri finančnej platbe, účtovnom zápise alebo zmene kritického výrobného parametra nemá jazykový model dostať nekontrolovanú právomoc iba preto, že technicky vie volať nástroj.

2. AI sa už presúva z experimentov do prevádzky

Eurostat za rok 2025 eviduje rast používania AI v podnikoch EÚ z 13,5 percenta v roku 2024 na približne 20 percent. Pri veľkých podnikoch dosahovalo používanie AI približne 55 percent, pri stredných podnikoch vyše 30 percent a pri menších podnikoch približne 17 percent. [1][2]

Dôležité nie je iba to, koľko podnikov AI používa, ale na čo ju používa. Medzi podnikmi s AI boli najčastejšie marketing a sales, administratíva a manažment, následne účtovníctvo, controlling a financie a potom výrobné procesy. To ukazuje, že AI adopcia sa postupne rozširuje z informačnej práce do procesov, ktoré majú priame finančné a prevádzkové KPI. [2]

2.1 AI vo financiách rastie od asistencie k workflowom

McKinsey vo výskume 102 CFO naprieč odvetviami a regiónmi uvádza, že v roku 2025 používalo 44 percent respondentov generatívnu AI vo viac než piatich use caseoch, oproti 7 percentám v predchádzajúcom prieskume. Zároveň 65 percent respondentov uviedlo plán zvýšiť investície do generatívnej AI. [3]

Najväčší posun je v tom, že financie prestávajú AI používať iba na ad hoc otázky. Objavujú sa workflowy pre plánovanie, forecasting, reporting, cash management, working capital, cost optimization, procurement, payments, treasury, tax a accounting close. [3][5]

2.2 Výroba prechádza od pilotov k škálovaniu

World Economic Forum pri Global Lighthouse Network 2025 uvádza, že nová skupina digitálne transformovaných závodov dosiahla v priemere približne 40 percent rast produktivity práce a 48 percent skrátenie lead time. Až polovica najvýznamnejších implementovaných use caseov v tejto skupine využívala AI alebo generatívnu AI. [6]

Tieto výsledky nemožno považovať za univerzálny benchmark. Lighthouse závody predstavujú technologicky pokročilé prípady. Ich význam spočíva v tom, že dokumentujú mechanizmy, ktorými AI vytvára prevádzkovú hodnotu, napríklad predictive maintenance, quality inspection, process optimization, production scheduling a digitálnu podporu pracovníkov.

3. Umelá inteligencia v účtovníctve a financiách: mapa procesov

Finančná funkcia obsahuje procesy s veľmi odlišným rizikom. Spracovanie dokumentu, vysvetlenie variance a vytvorenie draftu reportu sú iný problém než schválenie platby, účtovný zápis alebo treasury rozhodnutie. AI architektúra musí preto oddeliť informačné a odporúčacie vrstvy od transakčnej kontroly.

4. Accounts payable: faktúra je ideálny príklad kombinácie AI a deterministických pravidiel

Spracovanie dodávateľskej faktúry obsahuje neštruktúrované aj presné vrstvy. Dokument treba načítať, rozpoznať dodávateľa, číslo faktúry, dátum, sumy, menu, daňové údaje a väzbu na objednávku. AI alebo dokumentová extrakcia je vhodná na získanie údajov z rôznych formátov. ERP a účtovný systém sú vhodné na validáciu.

Workflow môže extrahovať polia do presnej schémy a následne overiť, či dodávateľ existuje, či suma sedí s objednávkou, či faktúra nie je duplicitná a či schvaľovateľ zodpovedá interným limitom. AI nesmie chýbajúce číslo objednávky domyslieť. Ak údaj chýba alebo je neistý, dokument má prejsť do výnimky.

4.1 Three-way match

Three-way match porovnáva faktúru, objednávku a potvrdenie dodania alebo príjmu. Ide o klasickú kontrolnú logiku, ktorá má zostať deterministická. AI môže pomôcť normalizovať text, extrahovať položky alebo vysvetliť nezhodu, ale rozhodnutie o tolerancii musí vychádzať z interných pravidiel.

Hodnota AI vzniká najmä pri výnimkách. Namiesto toho, aby účtovník ručne zisťoval, prečo sa položka nezhoduje, systém môže zložiť kontext objednávky, dodávky, faktúry a komunikácie a pripraviť vysvetlenie s odporúčanou route.

4.2 Duplikát a anomália nie sú to isté

Duplicitná faktúra môže byť identifikovaná presnými identifikátormi alebo kombináciou dodávateľa, sumy, dátumu a čísla dokumentu. Anomália je širší pojem a môže znamenať nezvyčajnú sumu, nové bankové údaje, netypickú frekvenciu alebo správanie mimo historického vzoru.

Anomaly detection má slúžiť na prioritizáciu kontroly, nie automaticky na obvinenie z podvodu. Finančné workflowy musia rozlišovať rizikový signál od potvrdeného incidentu.

5. Reconciliations a accounting close

Reconciliation overuje, či dva alebo viac zdrojov predstavujú rovnakú ekonomickú skutočnosť. Môže ísť o bankový účet verzus ledger, subledger verzus general ledger, intercompany balance alebo množstvo ďalších kontrol.

Automatizácia môže presne spárovať záznamy, zatiaľ čo AI pomáha riešiť neštandardné rozdiely a dokumentovať vysvetlenie. Generatívna vrstva môže pripraviť draft reconciliation note, ale nesmie zmeniť faktický stav.

5.1 AI pri mesačnom close

Accounting close je séria opakovaných úloh s veľkým množstvom závislostí, výnimiek a komunikácie. Agentná AI môže sledovať, ktoré podklady chýbajú, sumarizovať outstanding items, pripravovať variance commentary a koordinovať tasky naprieč tímom.

OpenAI a PwC v roku 2026 explicitne uvádzajú accounting close medzi workflowmi, pre ktoré vyvíjajú agentné riešenia spolu s planningom, forecastingom, reportingom, procurementom, payments, treasury a tax. [5]

5.2 Kontrolný princíp

AI môže zrýchliť close, ale nesmie znížiť kontrolnú stopu. Každá automatická transformácia, zdroj čísla, výnimka a schválenie musia zostať auditovateľné. V praxi je vhodné oddeliť draft a commit. AI pripraví návrh alebo vysvetlenie, autorizovaný systém alebo človek vykoná konečný účtovný zápis.

6. FP&A: forecasting, scenario analysis a decision-ready commentary

Financial Planning and Analysis, FP&A, prepája plán, forecast, actuals, scenáre a manažérske rozhodovanie. Tu sa prirodzene stretáva tradičná analytická AI s generatívnou AI.

Prediktívny model môže odhadovať budúci vývoj podľa historických radov a driverov. Generatívny model môže vysvetliť hlavné faktory, zhrnúť scenáre a pripraviť leadership-ready komentár. Čísla však musia zostať odvodené z kontrolovaného modelu alebo datasetu.

6.1 Forecast verzus scenár

Forecast je odhad najpravdepodobnejšieho budúceho vývoja podľa dostupných informácií. Scenár je podmienený obraz budúcnosti pri zvolenom súbore predpokladov. AI nesmie tieto pojmy zamieňať. Downside scenario nie je predpoveď, že negatívny vývoj nastane.

Kvalitný AI workflow musí pri každom scenári uvádzať assumptions, drivers, citlivosť a zdroje. Ak generatívny model navrhne nový predpoklad, musí byť označený ako návrh a nie skrytý medzi schválenými vstupmi.

6.2 Variance analysis

Variance analysis porovnáva actual s plánom, forecastom alebo predchádzajúcim obdobím. Výpočet variance je deterministický. AI je vhodná na syntézu viacerých zdrojov, vysvetlenie mechanizmov a návrh otázok, ktoré treba overiť s business ownerom.

Percentuálna odchýlka je problematická pri nulovom alebo veľmi malom pláne. Reporting musí preto obsahovať guardrails a nemá slepo používať percentá tam, kde nedávajú ekonomický význam.

7. Cash flow a working capital

Cash flow forecasting je vhodný priestor pre analytické modely, pretože kombinuje historické platby, pohľadávky, záväzky, objednávky, seasonality a ďalšie drivers. Generatívna AI môže doplniť explainability a pripraviť komentár k rizikám likvidity.

McKinsey v roku 2025 označuje cash and working-capital management za jednu z troch oblastí, kde finance tímy dosahujú významnú hodnotu z AI. [3]

7.1 DSO a pohľadávky

Days Sales Outstanding, DSO, sleduje priemerný čas inkasa pohľadávok. AI môže prioritizovať účty podľa pravdepodobnosti oneskorenia, identifikovať opakujúce sa príčiny sporov a pripraviť kolekčný kontext.

Pri kolekcii má byť komunikácia primeraná a fakticky správna. Model nesmie vymyslieť neuhradenú sumu, termín alebo právny status. Všetky kritické údaje musia pochádzať z ERP alebo AR systému.

8. Prípadové štúdie AI a automatizácie vo financiách

8.1 McKinsey: finance funkcie prechádzajú na viac use caseov

McKinsey vo výskume CFO uvádza rast počtu reálne používaných generatívnych AI use caseov a zvýšený investičný apetít. Ich praktické príklady sa sústreďujú na planning and control, cash and working capital a cost optimization. [3]

Dôležitý nie je samotný počet use caseov. McKinsey upozorňuje aj na typické zlyhania, napríklad pilotovanie bez škálovateľnej dátovej vrstvy, nedostatočný ownership alebo zameranie na technológiu namiesto finančného problému.

8.2 U.S. Venture: reconciliations a finančná administratíva

Microsoft v customer case U.S. Venture opisuje prostredie s tisíckami faktúr denne a veľkým objemom manuálnych účtovných procesov. Spoločnosť použila Dynamics 365 a Copilot for Finance na automatizáciu mesačných reconciliations a ďalších finančných workflowov. [7]

Vendor case study je potrebné interpretovať opatrne. Hodnotný je najmä mechanizmus, nie prenositeľnosť výsledku. Centralizácia dát a automatizácia opakovanej finančnej práce vytvárajú predpoklad, aby AI vrstva mohla pripravovať vysvetlenia a výnimky nad konzistentným systémom pravdy.

8.3 Anthology: efektivita AP a AR

Microsoft pri spoločnosti Anthology uvádza konsolidáciu viacerých ERP systémov do Dynamics 365 Finance a 10 až 15 percentné zvýšenie efektivity processing time v accounts payable a receivable. [8]

Aj tento príklad ukazuje, že AI alebo automatizácia nevyriešia fragmentovaný základ. Najprv sa zjednotil finančný systém a dátový tok, až potom bolo možné efektívnejšie automatizovať a analyzovať procesy.

9. Čo vo financiách nemá robiť generatívna AI sama

• Vytvárať záväzné účtovné čísla bez kontrolovaného zdroja.
• Schvaľovať platby alebo meniť bankové údaje bez autorizácie.
• Meniť účtovné pravidlá alebo tax logiku podľa voľnej interpretácie.
• Vytvárať forecast assumptions bez označenia ich pôvodu.
• Posudzovať fraud ako potvrdený fakt iba z anomaly score.
• Vykonávať treasury alebo investičné rozhodnutia bez definovaných limitov a human oversight.

Finančná AI má fungovať v prostredí kontrol. Čím je rozhodnutie bližšie k hotovosti, záväznému reportingu, daniam alebo externému zverejneniu, tým vyššia musí byť úroveň dôkazov, schválenia a audit trailu.

10. Umelá inteligencia vo výrobe: od dát k fyzickému výsledku

Výroba sa od kancelárskej práce líši tým, že AI výstup môže ovplyvniť fyzický proces. Chybná odpoveď chatbota môže spôsobiť administratívnu opravu. Chybná zmena výrobného parametra môže vytvoriť scrap, odstávku, poškodenie zariadenia alebo bezpečnostný incident.

Preto musí výrobná AI presne rozlišovať advisory mode, closed-loop control a autonómne rozhodovanie. Mnohé úspešné use cases fungujú tak, že model odporúča alebo predikuje a overený PLC, MES, APC systém alebo človek rozhodne o reálnej zmene.

10.1 Dáta vo výrobe

Výrobné dáta môžu pochádzať zo senzorov, PLC, SCADA, MES, historian databáz, quality systems, maintenance records, ERP, laboratórnych výsledkov, obrazu z kamier alebo manuálnych záznamov.

Najväčšia výzva často nie je množstvo dát, ale synchronizácia. Model potrebuje vedieť, ktorý senzorický záznam patril ku konkrétnej dávke, stroju, materiálu a výslednej kvalite. Bez časovej a objektovej väzby vzniká data lake, z ktorého sa nedá spoľahlivo učiť.

11. Prediktívna údržba

Prediktívna údržba odhaduje pravdepodobnosť poruchy alebo degradácie zariadenia na základe stavu, prevádzkových parametrov a historických dát. Môže používať vibrácie, teplotu, tlak, prúd, zvuk, olejové analýzy alebo kombináciu ďalších signálov.

Rozdiel oproti preventívnej údržbe je v tom, že zásah sa neplánuje iba podľa pevného intervalu. Cieľom je identifikovať stav, pri ktorom je ekonomicky vhodné zasiahnuť skôr, než nastane neplánovaná porucha.

11.1 Remaining Useful Life

Remaining Useful Life, RUL, je odhad zostávajúceho času alebo používania do definovaného koncového stavu. RUL model musí byť kalibrovaný na konkrétny typ zariadenia a failure mode. Univerzálne číslo bez znalosti degradačného mechanizmu môže byť nebezpečne presvedčivé.

V praxi môže byť jednoduchšie a spoľahlivejšie začať anomaly detection alebo health score a až po získaní dostatočného počtu označených porúch prejsť na explicitný RUL model.

11.2 BlueScope a Siemens

Siemens opisuje pilot prediktívnej údržby v BlueScope Springhill Works na kovových coating lines. Systém zachytil postupný pokles tlaku pri hydraulickom úniku a umožnil vykonať zásah v plánovanom maintenance window. Podľa case study sa tým predišlo najmenej 24 hodinám neplánovanej odstávky. [9]

Tento príklad neznamená, že každý predictive maintenance projekt ušetrí 24 hodín. Ukazuje ekonomický mechanizmus: včasná detekcia presúva zásah z neplánovanej poruchy do plánovateľnej údržby.

12. AI kontrola kvality a computer vision

Vizuálna kontrola kvality je vhodná pre AI tam, kde má defekt stabilný vizuálny prejav a kamera dokáže zachytiť relevantnú informáciu. Môže ísť o povrchové vady, chýbajúce komponenty, nesprávnu montáž, poškodenie, farbu, tlač, označenie alebo packaging.

Projekt musí začať definíciou vady. Ak dvaja skúsení kontrolóri nevedia konzistentne rozhodnúť, či je výrobok chybný, model nemá stabilný gold standard. Najprv sa musí vyriešiť kvalitatívna norma a labeling.

12.1 False negative vo výrobe

False negative znamená, že model neoznačí skutočnú vadu. Pri kritických dieloch môže byť oveľa drahší než false positive, ktorý pošle dobrý diel na manuálnu kontrolu.

Threshold sa preto nastavuje podľa risk appetite, následkov vady a následného procesu. Pri safety-critical kontrole môže byť cieľom veľmi vysoký recall aj za cenu väčšieho množstva manuálnych review.

12.2 Tongwei Solar

World Economic Forum pri Tongwei Solar v Meishane uvádza nasadenie viac než 50 digitálnych use caseov, z ktorých veľká časť využívala AI na process optimization, maintenance a analýzu defektov. Transformácia podľa WEF znížila defect rate o 41 percent, conversion costs o 37 percent a emisie CO2 o 33 percent. [6]

Ide o Lighthouse case, nie o štandardnú návratnosť computer vision projektu. Je však príkladom toho, že kvalita, procesné parametre, údržba a energia sa nemusia optimalizovať izolovane.

13. Optimalizácia výrobných parametrov

Procesná optimalizácia používa historické alebo online dáta na identifikáciu vzťahu medzi vstupmi, nastavením procesu a výslednou kvalitou, výťažnosťou, energiou alebo cycle time.

AI môže odporučiť kombináciu parametrov, ale musí rešpektovať fyzikálne a technologické limity. Najbezpečnejší návrh používa constrained optimization, kde model nemôže navrhnúť hodnotu mimo technologicky povoleného rozsahu.

13.1 CITIC Dicastal Morocco

McKinsey v roku 2026 opisuje závod CITIC Dicastal v Maroku, ktorý použil machine learning na optimalizáciu casting a machining parametrov, AI vision na kontrolu dielov, advanced process controls a predictive maintenance. Podľa case study sa defect rate znížil o viac ako 30 percent, OEE vzrástlo o 17 percent, labor productivity o 27 percent a priame energetické emisie klesli o viac ako 50 percent. [10]

Dôležitá je kombinácia technológií a prevádzkovej disciplíny. Výsledok nevytvoril jeden generatívny model, ale súbor analytických modelov, vision, process control, maintenance a rozvoja lokálnych schopností.

14. Production planning a scheduling

Výrobný plán musí rešpektovať kapacity, dostupnosť materiálu, setup times, priority zákaziek, maintenance windows, workforce a množstvo ďalších obmedzení. Ide o optimalizačný problém, nie primárne o generovanie textu.

AI a advanced analytics môžu zlepšiť forecast a odhad trvania, zatiaľ čo optimalizačný solver vytvára realizovateľný schedule. Generatívna AI môže vysvetliť, prečo plán uprednostnil konkrétnu zákazku, alebo prirodzeným jazykom spracovať požiadavku plánovača.

14.1 Dynamic rescheduling

Dynamic rescheduling reaguje na zmenu, napríklad poruchu stroja, urgentnú objednávku alebo nedostupnosť materiálu. Cieľom nie je vždy maximalizovať throughput. Niekedy je prioritou customer SLA, minimalizácia changeover alebo ochrana kritického produktu.

AI systém musí preto poznať objective function a priority firmy. Bez toho môže matematicky optimalizovať metriku, ktorá nie je ekonomicky najdôležitejšia.

15. AI a energetická efektívnosť výroby

Energia môže byť významnou časťou konverzných nákladov. AI môže modelovať spotrebu podľa výrobných parametrov, predikovať peak demand, detegovať anomálie alebo pomáhať pri optimalizácii pecí, HVAC, kompresorov a ďalších zariadení.

Pri energetickom use case treba odlíšiť koreláciu od kauzality. Nižšia spotreba môže byť dôsledkom nižšieho objemu, zmeny produktového mixu alebo počasia. Model musí normalizovať relevantné drivers, inak môže hlásiť falošné zlepšenie.

15.1 Lighthouse výsledky

WEF uvádza, že najnovšie Lighthouse implementácie s AI a advanced analytics dosahovali v jednotlivých prípadoch významné zníženia energie a cycle time. V agregovanom opise novej kohorty WEF uvádza až 28 percentné zníženie spotreby energie pri vybraných top use caseoch. [6]

Tieto čísla treba čítať ako príklady možností pri technologicky vyspelých závodoch. Pre konkrétny business case treba zmerať vlastnú baseline, tarifnú štruktúru a prevádzkovú variabilitu.

16. Generatívna AI pre technikov a operátorov

Generatívna AI vo výrobe nemusí priamo riadiť stroj. Veľká hodnota môže vzniknúť ako knowledge assistant pre údržbu, kvalitu, procesných inžinierov a operátorov.

Asistent môže vyhľadať relevantný servisný postup, porovnať alarm s historickými incidentmi, zhrnúť technickú dokumentáciu alebo pripraviť troubleshooting checklist. Zdrojová disciplína je kritická. Pri servisnom zásahu musí byť jasné, z ktorého manuálu a verzie odporúčanie pochádza.

16.1 RAG nad technickou dokumentáciou

Retrieval augmented generation umožňuje vyhľadať relevantné časti manuálov, SOP, maintenance logs alebo lessons learned a vložiť ich do kontextu modelu. RAG znižuje vzdialenosť medzi odpoveďou a firemným zdrojom, ale nezaručuje správnosť.

Pri kritickom zásahu má asistent citovať zdroj a pri nejasnosti eskalovať. Nemá zlučovať dva konfliktné postupy do nového hybridného návodu.

17. Ďalšie výrobné prípadové štúdie

17.1 GlobalFoundries Singapore

WEF opisuje GlobalFoundries Fab 7 v Singapure, kde závod nasadil viac než 60 digitálnych use caseov v oblastiach predictive maintenance, remote support, machine-learning quality control a workflow digitalization. Výsledkom podľa WEF bolo približne 40 percentné zvýšenie labor productivity a 30 percentné skrátenie času prototypovania pri new product introduction. [6]

Prínos tejto case study spočíva v portfóliovom prístupe. Závod neoptimalizoval jeden izolovaný model, ale kombinoval AI s workflowmi a rozvojom ľudí.

17.2 Mettler-Toledo Changzhou

WEF pri závode Mettler-Toledo v Changzhou uvádza 49 use caseov vrátane AI-accelerated product configuration a machine-learning welding inspection s closed-loop adjustments. Závod dosiahol 98,4 percenta on-time delivery a 22 percentné skrátenie lead time. [6]

Closed-loop úprava je vyšší stupeň autonómie než advisory systém. Takýto mechanizmus musí mať presne definované operating envelope, monitoring a fallback, pretože AI výstup priamo ovplyvňuje fyzický proces.

18. Financie a výroba potrebujú rozdielnu AI architektúru

Spoločné princípy sú však rovnaké. Treba začať business problémom, mať baseline, oddeliť AI od deterministickej logiky, merať failure modes, používať human oversight podľa rizika a sledovať ekonomický výsledok.

19. Kedy je proces pripravený na AI

Proces je vhodný na AI vtedy, keď má definovaný vstup, výstup, vlastníka, baseline, dostatočné dáta a jasný spôsob vyhodnotenia kvality. Technologická zaujímavosť nestačí.

19.1 AI readiness nie je digitálna zrelosť všeobecne

Firma môže byť technologicky vyspelá a stále nepripravená na konkrétny AI use case. Môže mať cloud, ERP a BI, ale nekvalitné maintenance labels. Alebo môže mať moderný MES a zároveň neexistujúcu definíciu chyby, ktorú má vision model detegovať.

Readiness sa preto hodnotí na úrovni konkrétneho procesu, nie iba jedným enterprise maturity score.

20. Ako počítať ekonomiku AI vo financiách a výrobe

Business case musí pracovať s realizovaným prínosom a úplným TCO. Licencia modelu alebo cloudový inference je iba časť nákladov. Do TCO patria integrácie, dáta, senzory, kamery, GPU, infraštruktúra, vývoj, monitoring, bezpečnosť, tréning používateľov, maintenance modelu a human review.

Pri financiách môže byť benefit skrátený close, nižší čas na reconciliation, znížené processing costs, lepšie working capital alebo odvrátená chyba. Vo výrobe môže ísť o nižší scrap, menej odstávok, vyššiu OEE, nižšiu energiu, vyšší throughput alebo kratší lead time.

20.1 Cost of downtime

Cost of downtime musí zahŕňať viac než mzdy stojacich pracovníkov. Môže zahŕňať stratený contribution margin, scrap pri zastavení, reštart, urgent maintenance, oneskorenie dodávok a downstream efekt.

Prediktívna údržba má ekonomický zmysel iba vtedy, ak očakávané zníženie unplanned downtime a ďalších nákladov prevyšuje TCO monitoringu a modelu.

20.2 Cost of poor quality

Cost of poor quality zahŕňa interný scrap a rework, ale aj reklamácie, warranty, sorting, logistiku, zastavenie zákazníka a reputačné následky. Vision projekt preto nemá hodnotiť iba rýchlosť inšpekcie. Musí sledovať celkovú ekonomiku chybných rozhodnutí.

21. KPI pre AI vo financiách

22. KPI pre AI vo výrobe

22.1 OEE

OEE je kompozitná metrika. AI môže zlepšiť jednu zložku a zároveň zhoršiť inú. Napríklad agresívne zvýšenie rýchlosti môže zlepšiť performance, ale zvýšiť scrap. Preto sa má sledovať OEE aj jeho komponenty.

23. Data quality: spoločný limit financií aj výroby

AI nedokáže spoľahlivo napraviť nejasné master data, zlé časové značky alebo chýbajúci procesný kontext. Môže pomôcť identifikovať anomálie a navrhovať opravy, ale source of truth musí byť spravovaný.

Vo financiách je kritická konzistentnosť účtov, cost centers, supplier master a časových období. Vo výrobe sú kritické asset IDs, serial numbers, batch genealogy, timestamps, sensor calibration a quality labels.

23.1 Data lineage

Data lineage dokumentuje, odkiaľ údaj pochádza, akými transformáciami prešiel a kde sa používa. Pri AI je lineage dôležitá pre debugging, audit, vysvetlenie modelu a posúdenie, či sa zmena upstream systému nepremietla do kvality modelu.

24. Bezpečnosť a governance

Finančné a výrobné procesy obsahujú citlivé dáta a často aj vysoký prevádzkový dopad. AI riešenie potrebuje role-based access, minimálne oprávnenia, logovanie, versioning, incident management a jasnú zodpovednosť za model aj proces.

Pri generatívnej AI treba kontrolovať, aké dokumenty sa posielajú modelu, či sa používajú enterprise data controls a ktoré pluginy alebo tools môžu vykonávať write akcie. Pri priemyselných modeloch treba navyše riešiť sieťové segmenty, OT/IT hranice, dostupnosť, fallback a to, či model môže ovplyvniť fyzické zariadenie.

24.1 Human in the loop podľa rizika

Human review sa nemá uplatňovať rovnako na každý prípad. Nízke riziko a dobre otestovaný proces môže byť automatický. Výnimka, vysoká finančná hodnota, neobvyklý vzor alebo zmena fyzického parametra môže vyžadovať explicitné schválenie.

Cieľom nie je odstrániť človeka. Cieľom je umiestniť ľudský úsudok tam, kde má najvyššiu hodnotu.

25. Čo má obsahovať kurz Umelá inteligencia v praxi

Kurz umelej inteligencie v praxi pre firmy nemá byť všeobecný prehľad chatbotov. Ak má osloviť finance, operations a výrobu, musí naučiť účastníkov rozpoznať typ problému, zvoliť správnu technológiu, vytvoriť business case a bezpečne zaviesť pilot.

25.1 Modul 1: typológia AI

Účastník musí rozlišovať klasickú automatizáciu, prediktívnu analytiku, generatívnu AI, computer vision a agentné workflowy. Bez tejto schopnosti firmy často používajú generatívny model na problém, ktorý má riešiť jednoduchý výpočet alebo špecializovaný ML model.

25.2 Modul 2: mapovanie procesu

Každý účastník prinesie konkrétny proces a popíše trigger, vstupy, kroky, systémy, človeka, výstup, čas, chybovosť, riziko a KPI. Cieľom je identifikovať, ktorá časť procesu je automatizačná a ktorá vyžaduje AI.

25.3 Modul 3: financie

Praktické cvičenia môžu zahŕňať variance analysis, report commentary, invoice extraction, reconciliation support, forecast review a prípravu management briefu. Účastník musí vedieť označiť, ktoré čísla sú source data a ktoré tvrdenia sú interpretácia.

25.4 Modul 4: výroba

Výrobný modul má vysvetliť predictive maintenance, quality vision, process optimization, energy analytics a generatívneho knowledge assistanta. Nie je potrebné trénovať model na školení, ale účastník musí vedieť, aké dáta, labely a evaly by projekt potreboval.

25.5 Modul 5: business case a KPI

Účastník vytvorí baseline, odhad TCO, benefit model, primary KPI, guardrails a kill criteria. Takto sa kurz mení z technologickej prezentácie na prípravu konkrétneho pilotu.

25.6 Modul 6: governance a riziko

Záver musí riešiť data classification, oprávnenia, human oversight, vendor review, monitoring a incidenty. AI v praxi znamená schopnosť systém prevádzkovať, nielen jednorazovo demonštrovať.

26. Ako zaviesť AI do firemných procesov za 120 dní

26.1 Deň 1 až 30: procesný a dátový audit

Vyberte procesy s vysokým časovým alebo ekonomickým dopadom. Zmerajte baseline a zmapujte systémy, dátové zdroje, výnimky a riziká. Vo financiách typicky AP, close, reporting alebo FP&A. Vo výrobe maintenance, quality, energy alebo plánovanie.

26.2 Deň 31 až 60: pilotný dataset a prototyp

Vytvorte reprezentatívny dataset vrátane bežných aj problémových prípadov. Pri prediktívnom modeli oddeľte trénovacie a validačné obdobie. Pri generatívnom workflowe vytvorte eval set s akceptačnými kritériami.

26.3 Deň 61 až 90: shadow mode

Model beží na reálnych dátach, ale neovplyvňuje produkčný výsledok. Porovnávajte jeho rozhodnutia s človekom alebo existujúcim procesom. Shadow mode je veľmi vhodný pri finančnej kontrole aj výrobných odporúčaniach, pretože umožní zmerať chyby bez produkčného rizika.

26.4 Deň 91 až 120: kontrolovaný rollout

Automatizujte iba vetvy, ktoré prešli akceptačnými kritériami. Definujte vlastníka, monitoring, fallback, review cadence a postup pri incidente. Ak model zlyhá alebo je neistý, systém musí vedieť bezpečne prejsť na manuálny alebo pôvodný proces.

27. Najčastejšie chyby pri AI vo financiách a výrobe

• Firma vyberie model skôr než proces a KPI.
• Generatívna AI sa používa na výpočty, ktoré má robiť účtovný systém alebo kód.
• Vision projekt nemá jednoznačnú definíciu vady.
• Predictive maintenance nemá dostatok označených failure events.
• AI odporúčanie mení výrobný parameter bez constrained limits.
• Forecast commentary mieša source data a modelové hypotézy.
• Pilot nemá baseline, takže nemožno preukázať prínos.
• Vendor case study sa použije ako garantovaný benchmark vlastného ROI.
• Ušetrený čas sa automaticky prepočíta na cash benefit.
• Chýba rollback alebo manuálny fallback.
• Model sa nasadí bez drift monitoringu a regresných testov.
• Kurz AI učí funkcie nástroja, ale nie rozhodovanie o procese.

28. Ktorý typ AI zvoliť podľa problému

29. Digitálne dvojča, root-cause analysis a rozhodovanie nad fyzickým procesom

Digitálne dvojča je digitálna reprezentácia fyzického zariadenia, procesu alebo systému, ktorá je prepojená s reálnymi alebo historickými dátami a umožňuje analyzovať stav, simulovať správanie alebo testovať zmenu bez okamžitého zásahu do fyzickej prevádzky. Nie každá 3D vizualizácia je digitálne dvojča. Hodnota vzniká až vtedy, keď reprezentácia zachytáva relevantné fyzikálne, procesné alebo prevádzkové vzťahy a je napojená na dáta použiteľné pre rozhodovanie.

AI a digitálne dvojča sa dopĺňajú. Model môže odhadovať nepozorovaný stav, predikovať kvalitu alebo navrhnúť vhodný parameter. Simulačná alebo fyzikálna vrstva môže následne overiť, či návrh neporušuje technologické obmedzenia. Takýto hybrid je vhodnejší než nechať jazykový alebo čisto dátový model priamo meniť kritický fyzický proces bez overenia.

29.1 Root-cause analysis nie je korelačný report

Root-cause analysis, RCA, sa snaží identifikovať mechanizmus, ktorý spôsobil problém, nie iba premenné, ktoré sa s problémom vyskytovali súčasne. AI môže prehľadať alarmy, historian dáta, servisné logy, zmeny materiálu, operátorské poznámky a quality records a vytvoriť zoznam pravdepodobných hypotéz. To však ešte nie je potvrdená príčina.

Vo výrobe je veľmi jednoduché zameniť koreláciu za kauzalitu. Zvýšená teplota a vyšší scrap môžu mať spoločnú príčinu alebo môže teplota iba reagovať na inú zmenu. Preto má AI generovať testovateľné hypotézy a dôkazy, ktoré ich podporujú alebo vyvracajú. Potvrdenie príčiny má vychádzať z procesného experimentu, fyzikálneho mechanizmu, technickej diagnostiky alebo inej primeranej verifikácie.

29.2 Golden batch a referenčný procesný podpis

Golden batch alebo referenčný procesný podpis predstavuje priebeh výroby, pri ktorom boli dosiahnuté požadované parametre kvality a stability. Model môže porovnávať nové dávky s referenciou a identifikovať odchýlky v tlaku, teplote, rýchlosti, čase, energii alebo ďalších procesných veličinách.

Takýto prístup je praktický pri procesoch, kde nie je jednoduché vytvoriť presný fyzikálny model, ale existuje dostatok historických príkladov kvalitnej výroby. Referenčná dávka však musí reprezentovať aktuálny produkt a zariadenie. Po zmene materiálu, tooling alebo procesu môže byť starý golden batch nevhodný.

29.3 Closed-loop AI potrebuje operating envelope

Closed-loop AI znamená, že odporúčanie modelu môže automaticky ovplyvniť proces. V takejto architektúre musí existovať operating envelope, teda povolený priestor hodnôt a stavov, v ktorých môže systém konať. Model nemá mať technickú možnosť prekročiť fyzikálny, bezpečnostný alebo kvalitatívny limit.

Prevádzka potrebuje aj fallback. Ak model alebo dátový vstup zlyhá, proces sa má bezpečne vrátiť na definované nastavenie, klasický control law alebo manuálny režim. Autonómia bez safe state je vo fyzickom procese prevádzkové riziko, nie pokročilosť.

30. Cost optimization, procurement a spend analytics vo financiách

Finančná AI nemá byť zameraná iba na reporting. Významná hodnota vzniká aj pri identifikácii nákladových driverov, nákupných vzorov, zmluvných podmienok, cenových odchýlok, supplier concentration a opportunities na working-capital alebo procurement optimalizáciu. McKinsey v roku 2025 označuje cost optimization za jednu z troch oblastí, v ktorých finance tímy realizujú hodnotu z AI. [3]

30.1 Spend analytics

Spend analytics klasifikuje výdavky podľa dodávateľa, kategórie, business unit, zmluvy alebo ďalších dimenzií a hľadá koncentrácie, fragmentáciu, maverick spend alebo cenové odchýlky. AI môže pomôcť normalizovať názvy dodávateľov, priradiť neštruktúrované popisy do kategórií a sumarizovať významné zmeny.

Finálny finančný výpočet však má vychádzať z kontrolovaných transakčných dát. Generatívny model môže vysvetliť, že spend v kategórii stúpol najmä pre troch dodávateľov, ale samotné sumy a percentá má počítať dátová alebo BI vrstva.

30.2 Procurement agent

Procurement agent môže podporovať viac-krokový proces: pripraviť market research, porovnať ponuky, skontrolovať povinné požiadavky, sumarizovať zmluvné odchýlky, vytvoriť negotiation brief a pripraviť podklady pre schválenie. OpenAI a PwC v roku 2026 uvádzajú procurement medzi konkrétnymi workflowmi, na ktorých spoločne vyvíjajú agentné riešenia pre finance funkciu. [5]

Agent však nemá sám vyberať víťaza, ak výber zahŕňa strategické, právne, bezpečnostné alebo neúplne kvantifikované kritériá. Vhodnejšia je architektúra, v ktorej AI normalizuje informácie a aplikuje schválený scoring, zatiaľ čo rozhodovacia právomoc zostáva definovanej komisii alebo vlastníkovi rozpočtu.

30.3 Contract leakage a price variance

Contract leakage vzniká, keď firma nevyužije vyjednané podmienky, rabaty, volume tiers alebo iné zmluvné mechanizmy. AI môže prepájať zmluvný text, purchase orders a invoice data a upozorniť na potenciálnu odchýlku. Takýto use case kombinuje document intelligence s deterministickou finančnou kontrolou.

Price variance analysis môže porovnávať cenu rovnakého alebo porovnateľného vstupu medzi závodmi, dodávateľmi, obdobím a objemom. AI je vhodná na vysvetlenie rozdielov a identifikáciu možných príčin, ale analytický model musí normalizovať menu, množstvo, Incoterms, kvalitu a ďalšie faktory, aby nevytváral falošné opportunities.

31. Prioritizačný scorecard: ktorý AI use case má ísť do pilotu ako prvý

Firmy majú obvykle viac nápadov než implementačnej kapacity. Preto má byť portfólio use caseov prioritizované podľa rovnakých kritérií. Najvyšší business impact nemusí znamenať najlepší prvý pilot. Ak use case vyžaduje dva roky historických labels, nové senzory a integráciu do safety-critical procesu, môže byť strategicky dôležitý, ale prakticky nevhodný ako prvý krok.

31.1 Odporúčané hodnotiace dimenzie

Hodnotenie má minimálne pokryť ekonomický dopad, frekvenciu procesu, dátovú pripravenosť, technickú realizovateľnosť, integračnú náročnosť, regulačné a bezpečnostné riziko, time to value, schopnosť vytvoriť baseline, dostupnosť vlastníka procesu a možnosť bezpečného fallbacku.

Pri financiách môže vysoko skórovať variance commentary alebo invoice exception handling, pretože má dostupné dáta, častý proces a jednoduchý human review. Vo výrobe môže byť vhodný prvý pilot anomaly detection na konkrétnom kritickom zariadení alebo vision na jednej presne definovanej vade, ak už existujú kvalitné historické dáta.

31.2 Hard gates

Niektoré podmienky nemajú byť iba ďalším bodom v priemernom skóre. Ak use case nemá legálny alebo bezpečný spôsob práce s dátami, nemá definovaný owner, nemá safe fallback alebo môže bez kontroly vykonať neakceptovateľnú fyzickú či finančnú akciu, má zlyhať cez hard gate bez ohľadu na vysoký očakávaný benefit.

31.3 Portfolio balance

AI roadmapa má kombinovať rýchle wins a strategické capability projekty. Niekoľko jednoduchších workflowov môže vytvoriť dôveru, dáta a interné kompetencie, zatiaľ čo náročnejší predictive maintenance, digital twin alebo agentný close program sa pripravuje dlhšie. Takýto portfóliový prístup znižuje riziko, že firma bude mať po roku iba veľký pilot bez produkčnej hodnoty.

32. Najčastejšie otázky

Čo znamená umelá inteligencia v účtovníctve a financiách?

Je to použitie AI na analýzu finančných dát, dokumentov, odchýlok, forecastov, výnimiek a workflowov. Presné účtovné zápisy a pravidlá majú zostať v kontrolovanom účtovnom alebo ERP systéme.

Kde sa AI používa v účtovníctve?

Najmä pri invoice extraction, accounts payable, reconciliations, anomaly detection, accounting close, dokumentovom vyhľadávaní a príprave report commentary.

Čo je AI vo výrobe?

AI vo výrobe zahŕňa prediktívnu údržbu, computer vision kontrolu kvality, process optimization, demand a production forecasting, energetickú analytiku, scheduling a knowledge assistantov.

Čo je prediktívna údržba?

Je to používanie dát o stave zariadenia a historických poruchách na odhad degradácie alebo rizika poruchy tak, aby bolo možné zásah naplánovať pred neplánovanou odstávkou.

Môže AI sama účtovať?

Technicky môže byť súčasťou automatizovaného workflowu, ale záväzné účtovné kroky potrebujú deterministické pravidlá, oprávnenia a podľa rizika ľudské schválenie. Generatívny model nemá byť jedinou kontrolou.

Ako AI pomáha pri finančnom forecastingu?

Analytické modely odhadujú budúci vývoj z historických dát a driverov. Generatívna AI môže vysvetliť zmenu, pripraviť scenáre a komunikovať výsledok, ale nemá nahrádzať numerický model.

Čo je computer vision vo výrobe?

Je to AI analýza obrazu alebo videa, ktorá môže identifikovať vady, nesprávnu montáž, označenie alebo iné vizuálne podmienky. Kvalita sa musí hodnotiť podľa reálnych nákladov false negative a false positive.

Ako začať s AI vo výrobe?

Vyberte proces s kvalitnou baseline a dostupnými dátami, napríklad prediktívnu údržbu konkrétneho zariadenia alebo vizuálnu kontrolu jednej triedy vady. Najprv pilotujte v shadow režime.

Ako merať ROI AI vo financiách?

Porovnajte realizované úspory alebo lepšie finančné výsledky s úplným TCO. Sledujte napríklad processing time, auto-match rate, days to close, forecast accuracy, DSO a correction rate.

Ako merať ROI AI vo výrobe?

Sledujte unplanned downtime, OEE, scrap, first pass yield, energy per unit, cycle time, lead time a náklady na human review a prevádzku modelu.

Čo má obsahovať kurz Umelá inteligencia v praxi?

Typológiu AI, mapovanie procesov, finančné a výrobné use cases, prácu s dátami, business case, evaly, governance a návrh konkrétneho pilotu.

Je generatívna AI vhodná na každý firemný proces?

Nie. Presné výpočty a pravidlá majú zostať deterministické. Predikčné problémy riešia analytické modely, obraz computer vision a textové alebo znalostné workflowy generatívna AI.

33. Záver: AI v praxi začína procesom, nie chatbotom

Umelá inteligencia vo financiách a výrobe ukazuje, že podniková AI už dávno nie je iba nástroj na text. Financie používajú kombináciu automatizácie, analytiky, generatívnej AI a agentov na reporting, forecasting, cash, reconciliations a close. Výroba používa machine learning, computer vision, predictive maintenance, optimalizáciu a knowledge systémy na kvalitu, uptime, energiu a throughput.

Spoločným menovateľom nie je konkrétny model. Je ním schopnosť firmy presne definovať problém, vytvoriť kvalitný dátový základ, zvoliť správnu technológiu, nastaviť hranice autonómie a zmerať ekonomický výsledok.

Firma, ktorá tieto vrstvy zvládne, môže AI používať ako prevádzkovú schopnosť. Firma, ktorá preskočí proces, dáta a kontrolu a začne iba nákupom nástroja, vytvorí viac experimentov než merateľnej hodnoty.

Odborné a aktuálne zdroje

• [1] Eurostat. 20% of EU enterprises use AI technologies. 11 December 2025. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2
• [2] Eurostat. The use of artificial intelligence technologies in the European Union, Key results, 2026 edition. 26 March 2026. https://ec.europa.eu/eurostat/web/products-statistical-reports/w/ks-01-26-009
• [3] McKinsey & Company. How finance teams are putting AI to work today. 3 November 2025. https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/how-finance-teams-are-putting-ai-to-work-today
• [4] McKinsey & Company. Gen AI: A guide for CFOs. https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/gen-ai-a-guide-for-cfos
• [5] OpenAI. OpenAI and PwC collaborate to reimagine the office of the CFO. 4 May 2026. https://openai.com/index/openai-pwc-finance-collaboration/
• [6] World Economic Forum. Global Lighthouse Network 2025: 12 new sites driving transformation in manufacturing. 2025. https://www.weforum.org/press/2025/09/global-lighthouse-network-2025-world-economic-forum-recognizes-12-new-sites-driving-holistic-transformation-in-manufacturing/
• [7] Microsoft Customer Stories. U.S. Venture gains efficiencies and insights with Dynamics 365 and Microsoft 365 Copilot for Finance. 28 January 2025. https://www.microsoft.com/en/customers/story/20600-us-venture-microsoft-365-copilot-for-finance
• [8] Microsoft Customer Stories. Anthology drives efficiency and growth in educational technology with Dynamics 365 Finance. 23 April 2025. https://www.microsoft.com/en/customers/story/23437-anthology-dynamics-365-finance
• [9] Siemens. BlueScope využíva údržbu podporovanú umelou inteligenciou. https://www.siemens.com/sk-sk/company/insights/bluescope-predictive-maintenance/
• [10] McKinsey & Company. Putting AI to work: the operational excellence imperative. 2026. https://www.mckinsey.com/capabilities/operations/our-insights/putting-ai-to-work-the-operational-excellence-imperative
• [11] McKinsey & Company. From pilots to performance: How COOs can scale AI in manufacturing. 15 December 2025. https://www.mckinsey.com/capabilities/operations/our-insights/from-pilots-to-performance-how-coos-can-scale-ai-in-manufacturing
• [12] OpenAI Academy. Learn ChatGPT workflows for finance teams. 10 April 2026. https://openai.com/academy/finance/
• [13] OpenAI. ChatGPT Work for Finance Teams. Current in 2026. https://openai.com/business/solutions/finance/