Data jste uklidili. Za půl roku budou zase špinavá.

Odškrtli jste úklid a pustili AI dál.

Typický průběh vypadá takhle: před nasazením AI se vyčistí export zákazníků a ceníků, duplicity zmizí, prázdná pole se doplní. Projekt dostane zelenou a položka "data" se odškrtne. První týdny AI nad daty funguje dobře.

Pak se pole začnou zase prázdnit. Obchodník založí zákazníka podruhé, protože ten první našel pod jiným názvem. Účetní opraví adresu jen u sebe. Nikdo to nedělá ze zlé vůle, jen nikdo neurčil, komu který údaj patří. Výsledky AI se pomalu zhoršují a nikdo neví proč, protože na datech se "přece nic nezměnilo".

Čistá data nejsou důvěryhodná data.

Jessie Smith, Chief Product Officer společnosti Ataccama, v IT Systems, 9/2026 popisuje rozdíl na jednoduchém příkladu: dva systémy sledují aktivitu zákazníků, ale jeden počítá posledních 30 dní a druhý 12 měsíců. Každý z nich je sám o sobě v pořádku. Když je AI spojí, dostane vstup, který je podle autorky nespolehlivý, i když "ani jeden zdroj neobsahuje" chybu.

Druhé pozorování se týká pilotů. Pilotní tým zná všechny zdroje dat a anomálie rychle pozná. V ostrém provozu přicházejí duplicity, nejednotné zápisy a data ze starších systémů, které pilot nezachytil. Smith z toho vyvozuje, že "AI readiness" není stav, kterého se dosáhne, ale průběžná provozní disciplína. K ní podle ní patří čtyři věci: kontext, jmenovaný vlastník s pravomocí rozhodnout, vědomé rozhodnutí, zda systém smí pokračovat, a definovaná cesta k nápravě.

Tohle je pozorování autorky, ne měření. Pro českou firmu je ale užitečné, protože říká přesně to, co vídám při práci s daty ve firmách: problém není v tom, že data byla špinavá, ale v tom, že nikdo nebyl pověřený je držet čistá.

Firma do 250 lidí nemá datový tým.

Velká společnost si může dovolit oddělení pro kvalitu dat. Firma do 250 lidí obvykle nemá nikoho, kdo by měl "data" v popisu práce. Zákazníky zakládá obchod, ceníky účetní nebo nákup, sklad si spravuje sklad. Každý systém je v pořádku sám za sebe a AI nad nimi to najednou spojí.

Proto neplatí rada "uklidit častěji". Úklid jednou za rok jen posune okamžik, kdy se chyba projeví. Pomůže tři věci, které se dají zavést bez velkého projektu:

• Každý údaj má jedno místo, kde žije. Ostatní systémy ho přebírají, nezakládají vlastní kopii.
• Každý údaj má jméno člověka, který ho zakládá a schvaluje. Ne oddělení, jméno.
• Kvalita se hlídá strojově při každém načtení: duplicity, prázdná povinná pole, ceníky bez platnosti. Člověk dostane seznam nálezů, ne tabulku k ručnímu procházení.

Tohle je rozhodnutí vedení, ne technický úkol. Právě proto bez něj AI do provozu často nedojde, jak jsem popsal v článku o tom, proč se AI pilot nedostane do provozu.

Mapa, kdo smí co založit a schválit.

Při přípravě firmy na AI nejdřív sleduji, kudy data skutečně tečou. Pak spustím strojovou kontrolu na skutečných exportech a výsledkem je seznam nálezů seřazený podle peněz. K tomu navrhnu, kde má který údaj žít, a sepíšu, kdo ho smí založit a schválit. Tuhle mapu pak firma drží sama; kontrola se dá pouštět opakovaně, ne jednou ročně.

Nasazení AI nad takovými daty je v podnikové AI poslední krok, ne první. Dává to smysl i ekonomicky: oprava vlastnictví údajů je levnější než hledání, proč AI začala dávat jiné odpovědi než minulý měsíc.

Co s tím teď.

Pokud AI zatím nenasazujete a data držíte v jednom systému s jasným správcem, tohle nepotřebujete. Pokud AI plánujete nebo už běží a údaje zakládá víc lidí ve víc systémech, začněte otázkou, kdo za který údaj odpovídá.