HR & AI HubHR & AI Hub
← Zpět na novinky
OneModel Blog29. dubna 2026

Proč AI v HR selže, když spoléháte na zkušené analytiky

Dashboardy zvládnou fungovat i s chaotickými daty a nejasnými pravidly. Umělá inteligence ne – a většina firem si to uvědomuje až příliš pozdě.

Každý HR tým chce ze svých dat vytěžit víc pomocí AI. Rychlejší odpovědi, méně manuální práce, více samoobslužné analytiky. Na první pohled to vypadá jednoduše: napojíte jazykový model na svá HR data a necháte lidi klást otázky. Jenže tahle strategie, která zní nejefektivněji, je ve skutečnosti nejnebezpečnější.

Problém tkví v tom, na čem jsou postavené současné HR analytické systémy. Dashboardy fungují díky "kmenové moudrosti" – neformálním znalostem analytiků, kteří vědí, který dashboard je správný, jaká definice se kdy používá, která čísla vypadají věrohodně, ale pravděpodobně jsou špatně. Tato znalost není nikde zakotvená, žije jen v hlavách lidí.

Když předáte data AI, tento kontext zmizí. Představte si, že se ředitelka zeptá: "Proč vzrostla fluktuace v IT?" Spolehlivá odpověď závisí na desítkách rozhodnutí: Kteří zaměstnanci se počítají? Jaké je referenční datum? Započítávají se přesuny mezi odděleními? Které důvody ukončení se berou v úvahu? Zkušený analytik tohle umí, dashboard to může mít zabudované, ale AI asistent to musí zvládnout dynamicky, pokaždé, pro uživatele, kteří možná neví, co se ptát.

Jádrem problému je chybějící "sémantická vrstva" – řídící systém mezi surovými daty a odpověďmi. Tahle vrstva definuje, co vaše metriky znamenají, jak se počítají, které datové zdroje jsou autoritativní, která propojení jsou platná. AI model může překládat otázky do dotazů a znít sebevědomě, ale není to sémantická vrstva, ani systém oprávnění, ani datový model HR.

Vezměme si něco tak základního, jako je počet zaměstnanců. Znamená to aktivní zaměstnance dnes, průměrný počet za období, nebo počet na konci měsíce? Počítají se externí pracovníci? A zaměstnanci na dovolené? Používáme současné oddělení, nebo oddělení v době události? Který zdroj má přednost, když se Workday a datový sklad neshodují?

Tohle nejsou jazykové problémy. Jsou to problémy řízené obchodní logiky. Bez této vrstvy AI neanalyzuje řízený význam – improvizuje. A to je právě důvod, proč "už máme svůj systém, jen přidáme AI" málokdy funguje jako zkratka, za kterou se vydává.

Co si z toho odnést

  • 1Ověřte, zda máte jasně definované všechny klíčové HR metriky včetně pravidel výpočtu, zdrojů dat a výjimek – pokud to neumí vysvětlit někdo jiný než váš hlavní analytik, AI to nezvládne
  • 2Zmapujte všechna neformální pravidla a "kmenové znalosti", které analytici používají při interpretaci dat – co vědí o kvalitě dat, výjimkách a kontextu
  • 3Vytvořte řádnou sémantickou vrstvu před implementací AI – definujte autoritativní zdroje, platná propojení dat a obchodní logiku pro každou metriku
  • 4Připravte se na to, že přidání AI k existujícímu systému může být nákladnější a složitější než budování nového AI-ready řešení od základů