Proč naše předpovědi o práci a AI selhávají

Ekonom John Maynard Keynes v roce 1930 odhadoval, že za pár generací budeme pracovat 15 hodin týdně. Technologie měly zvýšit produktivitu natolik, že si vystačíme s mnohem méně prací. O devadesát let později je realita jiná: průměrný pracovní týden se od 40. let 20. století prakticky nezměnil a drží se na zhruba 40 hodinách.

Podle Petera Evanse-Greenwooda, Petera Williamse a Kellie Nuttallové z Deloitte Center for the Edge je problém v tom, že používáme špatné mentální modely, když se snažíme předpovídat, jak technologie změní práci. Každý model — tedy způsob, jakým rámujeme současnost — určuje, které budoucí cesty vůbec vidíme, a které zůstávají neviditelné.

Klasický model „produkt-proces-úkol-dovednost" předpokládá, že automatizace postupně vytlačuje nižší dovednosti a žene pracovníky k těm vyšším. Jenže realita je mnohem složitější. Deloitte ukazuje na příkladu radiodiagnostiků: ještě před pár lety se masově předpovídalo, že je AI zcela nahradí. Místo toho obor vzkvétá, protože se role lékařů proměnila — AI jim pomáhá lokalizovat podezřelé nálezy, ale konečné rozhodnutí zůstává na člověku.

Od automatizace úkolů k automatizaci chování

Klíčový posun v uvažování, který Deloitte navrhuje, spočívá v tom, že bychom se měli přestat dívat na AI jako na nástroj pro automatizaci úkolů a začít ji chápat jako nástroj pro automatizaci chování. Chování je reakce na změnu prostředí — stejný podnět v různých kontextech spouští různé reakce.

Velké jazykové modely (LLM) jsou ukázkovým příkladem. Když zadáte prompt modelu, aby si něco „zapamatoval", ve skutečnosti se paměť vytváří v okamžiku interakce mezi promptem a miliardami vah neuronové sítě. Není to vybavení z paměti, ale tvorba nové odpovědi — podobně jako když vám vůně vyvolá dávno zapomenutou vzpomínku.

Pokud automatizujeme chování, musíme podle Deloitte sledovat dvě dimenze: agentnost (agency) — tedy míru volnosti, s jakou může AI jednat — a autoritu — tedy kdo má poslední slovo. Právě průsečík těchto dvou os vytváří spektrum možných spoluprací mezi člověkem a strojem.

Devět modelů spolupráce, které už teď fungují

Deloitte identifikoval devět konkrétních vzorců spolupráce, které se již objevují napříč odvětvími. Pro wealth management a správu investic jsou obzvlášť relevantní tyto:

1. Prioritizátor (The Prioritizer)

AI analyzuje seznam investičních příležitostí, klientských požadavků nebo obchodních leadů a seřadí je podle důležitosti či potenciální hodnoty. Portfolio manažer pak zpracovává položky v pořadí, které AI navrhla — někdy i s doporučením, jak na ně. Tento model se prosazuje u velkých správců aktiv, kde objem dat dalece přesahuje lidskou kapacitu.

2. První průchod úkolem (First Pass)

Stroj provede první analýzu — zpracuje žádost o životní pojistku, vyhodnotí investiční riziko klienta nebo provede kategorizaci portfolia podle regulace MiFID II. Lidský expert pak výstup zkontroluje a potvrdí, nebo upraví. Tento model je nejblíže tomu, co už dnes známe z privátního bankovnictví, kde AI asistuje při přípravě investičních návrhů.

3. Kolaborativní rozhodování (The Collaborative Decision-Maker)

Složitá rozhodnutí — například změna alokace portfolia v reakci na makroekonomický šok — jsou vedena formou dialogu mezi AI a portfolio manažerem. AI vyjmenovává dostupné možnosti, pomáhá je objektivně zvážit a navrhuje nejvyšší pravděpodobnost úspěchu. Konečné rozhodnutí ale zůstává na člověku.

4. Osobní kouč (The Personal Coach)

AI objevuje silné a slabé stránky investičního poradce — například při telefonickém nebo video hovoru s klientem. Průběžně pak poradce trénuje a zlepšuje jeho výkon. Tento model by mohl dramaticky zvednout kvalitu klientského servisu, který je v dnešním wealth managementu klíčovým diferenciátorem.

5. Dvojník (The Doppelgänger)

Stroj se učí od zkušeného portfolio manažera nebo privátního bankéře a replikuje jeho rozhodovací vzorce. Zkušenosti špičkových expertů tak lze digitálně škálovat napříč celou organizací. Jde o jeden z nejambicióznějších modelů — a zároveň o ten, který vzbuzuje největší obavy z nahrazení lidské práce.

6. Sestra na třídění (The Triage Nurse)

AI posoudí klientský požadavek a rozhodne, jestli vyžaduje lidskou konzultaci. Pokud jde o rutinní dotaz — například na aktuální zůstatek portfolia nebo vývoj indexu — odbaví ho sama. Tento model už dnes používají robo-advisory platformy jako reakci na první úroveň klientských dotazů.

Další tři modely — supervizor, múza a podřízený — doplňují spektrum od plně autonomních AI systémů, přes kreativní spolupráci, až po rutinní podpůrné úkoly.

Co to znamená pro wealth management

Wealth management je pro agentní AI mimořádně zajímavým polem. Na rozdíl od retailového bankovnictví zde nejde jen o rychlost a objem — klíčovou roli hraje důvěra, personalizace a schopnost porozumět složitým životním situacím klientů. Právě proto Deloitte zdůrazňuje, že budoucnost neurčí technologie sama, ale naše rozhodnutí o tom, jak ji zapojíme.

Firmy, které automatizují chování bez rozmyslu — například nasadí AI jako „supervizora", který přiděluje úkoly a hodnotí výkon privátních bankéřů — riskují ztrátu důvěry zaměstnanců i klientů. Naopak model „kolaborativního rozhodování" nebo „prvního průchodu" zachovává lidský prvek a expertízu, zatímco využívá sílu AI pro analýzu dat a generování doporučení.

Evropský a český kontext

V Evropské unii přidává další vrstvu složitosti AI Act, který od února 2025 zavádí přísná pravidla pro vysoce rizikové AI systémy. Wealth management — zahrnující posuzování úvěruschopnosti, investiční poradenství nebo scoring klientů — může pod tuto regulaci spadat. To znamená povinný lidský dohled, transparentnost algoritmů a dokumentaci rozhodovacích procesů.

Pro české finanční instituce, od privátního bankovnictví velkých bank až po nezávislé investiční poradce, je to dvojí výzva: nasadit agentní AI způsobem, který zvyšuje produktivitu, a zároveň splnit regulatorní požadavky. Vzhledem k tomu, že čeští klienti tradičně preferují osobní kontakt se svým bankéřem či poradcem, jeví se jako nejvhodnější cesta modely, kde AI asistuje, ale nerozhoduje sama.

Nesázet na jednu kartu

Deloitte varuje před snahou vsadit vše na jednu předpověď. Historie ukazuje, že ani ty největší technologické průlomy nevedly k předvídatelným výsledkům. Elektrifikace továren například nejprve přinesla jen 20–60% úsporu nákladů na palivo. Skutečný nárůst produktivity o 20–30 % přišel až o 30 let později, když inženýři pochopili, že elektrická energie umožňuje kompletně reorganizovat výrobní linky — a to při stejném počtu strojů, pracovníků i podlahové plochy.

Podobně to platí pro agentní AI. První nasazení přinesou dílčí úspory, ale skutečný skok v produktivitě wealth managementu přijde teprve tehdy, až firmy přehodnotí celé pracovní procesy kolem nových schopností, které AI přináší. A to vyžaduje experimentování, malé sázky na různé modely spolupráce a ochotu učit se za pochodu.

Budoucnost wealth managementu s agentní AI se neodhaduje — ona se vytváří. A to každým rozhodnutím, které dnes banky, investiční společnosti a regulátoři dělají.