V uplynulém desetiletí se retail soustředil na propojování ERP, POS, e commerce platforem, věrnostních programů a skladových systémů, přičemž data z nich byla servírována lidem prostřednictvím dashboardů a reportů. Tato práce byla nezbytná, ale i tak ponechala podnikání silně závislé na manuálním úsilí, lokálních „expertech na Excel“ a tichém know how uvězněném v hlavách zaměstnanců.

Agentní AI zavádí novou vrstvu: místo pouhé analýzy a vizualizace dokážou AI agenti sledovat cíle, volat nástroje a provádět akce napříč systémy – například upravovat parametry, navrhovat objednávky nebo připravovat změny cen ke schválení. Tím se digitalizace posouvá od „lepšího reportingu“ k „neustálé autonomní optimalizaci“ každodenního provozu.

Tradiční automatizace se zaměřovala na relativně malý počet velkých rozhodnutí s vysokým dopadem, jako jsou centrální cenové strategie, velké promoakce nebo celoplošné zásady řízení zásob. Kdo neslyšel o pravidlu 80:20?

Skutečná hodnota v maloobchodě je však často skryta v tisících mikro rozhodnutí: mírně chybně nastavená hladina minimálních zásob v jedné prodejně, lokální akce konkurence, která zůstane bez povšimnutí, nebo zapomenutý „ležák“ zabírající místo v regálu i kapitál.

Každý z těchto případů je příliš malý na to, aby ospravedlnil manuální pozornost manažera, možná tak malý, že si nezaslouží pozornost člověka vůbec; společně však tvoří rozdíl mezi průměrným a excelentním výkonem. Agentní AI je pro tento prostor jako stvořená: agenti mohou nepřetržitě skenovat data, detekovat anomálie, navrhovat či provádět nápravná opatření a učit se z výsledků, aniž by vyhořeli nebo ztratili soustředění. V praxi to znamená přesnější doplňování zboží (replenishment), méně výpadků zásob (stockouts), nižší nadbytečné zásoby a hladší exekuci na prodejnách i v distribuci.

Nedávné pokroky v rozpoznávání řeči, vícejazyčných modelech a počítačovém vidění dramaticky rozšiřují to, co v retailu považujeme za „data“. Personál prodejny může popisovat problémy hlasem místo vyplňování formulářů; AI dokáže přepsat záznam, pochopit záměr a spustit workflow – například vytvořit úkol, upravit parametr nebo položit doplňující otázku.

Vícejazyčné modely umožňují reálně podporovat mezinárodní obchod, např. přijímat objednávky a odpovídat na ně, a přitom komunikovat s každým uživatelem v jeho vlastním jazyce. Modely počítačového vidění zase mohou analyzovat fotografie regálů, zázemí či cenovek, detekovat chybějící zboží, nedodržení planogramů, nesprávné ceny nebo bezpečnostní rizika a tyto informace přímo předávat plánovacím a optimalizačním agentům. Tyto schopnosti společně umožňují obchodníkům těžit znalosti nejen z databází, ale i z konverzací, obrázků a dokumentů, které byly pro tradiční systémy neviditelné.

Nepotřebujete akci typu „velký třesk“, není ani reálné očekávat, že za vás AI vyřeší všechny problémy a ani ty nejtěžší, se kterými si nevíte rady. Začněte s úlohami, kde mají lidé velmi malou přidanou hodnotu, práce je rutinní a pracují spíše jako lidské rozhraní mezi systémy.

Vyberte doménu s jasným dopadem na P&L – typicky tam, kde se údaje manuálně přepisují, kde je hodně e-mailové komunikace a kde se pracuje s Excelem (importy a exporty ze systému) – a definujte omezený rozsah, kde bude AI agent zpočátku pouze navrhovat akce pod vaší kontrolou. Měřte zlepšení v dostupnosti, snížení odpadu, marži nebo vytížení, abyste vybudovali ve firmě důvěru a mohli nastavení dále ladit.

Explicitně rozhodněte, které úkoly má AI pouze navrhovat, které může vykonávat automaticky a co musí zůstat pod lidskou kontrolou. Přijměte fakt, že AI bude dělat chyby (my lidé je také děláme), a zaměřte se na transparentnost, zpětnovazební smyčky a rychlou nápravu spíše než na nereálnou dokonalost.

 

Za pár let nám přijde použití AI agentů stejně přirozené jako to, že jezdíme autem, a ne drožkou. A nespoléháme se na papírovou poštu.