Stanfordův varovný kanárek

NADPIS: AI bere první práci jako první. Tady je návod, jak ji otočit ve vaši úsporu

Stanford si vzal výplatní data milionů Američanů a vyšlo mu něco nepříjemného: mladí lidé ve věku 22 až 25 let v profesích nejvíc vystavených umělé inteligenci jsou na tom výrazně hůř než starší kolegové. Ne proto, že by všichni přišli o práci přes noc. To by bylo moc filmové. Horší je tichý scénář. Firma prostě nevypíše juniorní pozici. Nevezme absolventa. Dva úkoly hodí seniorovi, tři úkoly agentovi a zbytek automatizuje.

Stanfordův varovný kanárek

Studie Stanford Digital Economy Lab „Canaries in the Coal Mine?“ sleduje americký pracovní trh po nástupu generativní AI. Autoři Erik Brynjolfsson, Bharat Chandar a Ruyu Chen pracovali s administrativními mzdovými daty ADP. To není anketa na LinkedInu ani pocit manažera po třetí kávě. Jde o vysokofrekvenční data z výplatních systémů, pokrývající miliony zaměstnanců.

Nejcitovanější číslo je tvrdé. V aktualizované verzi z 12. srpna 2026 Stanford uvádí, že zaměstnanost mladých pracovníků ve věku 22 až 25 let v profesích silně vystavených AI stojí zhruba 19 % pod trajektorií, kterou by měla, kdyby držela krok s méně ohroženými profesemi. Starší pracovníci v podobných oborech stejný propad nevykazují.

Tohle je klíč. AI zatím neshazuje celý trh práce ze stolu. Nepřišla velká apokalypsa s logem robota. Jen mizí spodní schod žebříku. Software development, zákaznická podpora, administrativní práce, jednoduché analýzy, juniorní copywriting, testování, rešerše. Všechno, co stojí na kodifikovaných znalostech. Tedy na věcech, které se dají zapsat do dokumentace, učebnice, tiketu nebo promptu.

Tacitní znalost, česky nehezkým slovem „mlčenlivé know-how“, je na tom lépe. Zkušenost s klientem. Odhad, co v systému praskne. Schopnost poznat, že zadání od šéfa nedává smysl. To se do modelu nacpe hůř. Jenže absolvent právě tyto zkušenosti ještě nemá. A dřív je získával tím, že dělal jednoduchou práci. Tu teď umí částečně převzít model za pár korun na milion tokenů.

Proč to patří do kategorie úspor

Na první pohled je to článek o pracovním trhu. Ve skutečnosti je to článek o nákladech. Firmy nezavádějí AI kvůli sci-fi estetice. Zavádějí ji proto, že juniorní analytik stojí třeba 45 000 Kč měsíčně hrubého, ale lokální model běžící na jedné pracovní stanici může připravit první verzi reportu, SQL dotazu, e-mailové odpovědi nebo skriptu za zlomky ceny.

To neznamená, že junior je zbytečný. Znamená to, že se mění ekonomika práce. Dřív firma platila člověku i za rutinu. Dnes se ptá: proč má člověk ručně třídit CSV, když to zvládne agent? Proč má psát první návrh dokumentace, když ho udělá model? Proč má zákaznická podpora ručně odpovídat na stejný dotaz po sto padesáté?

Stejná logika už funguje v energetice. Kdo sleduje spotové ceny, výrobu z fotovoltaiky a spotřebu po čtvrthodinách, ví, že nejde jen o cenu kilowatthodiny. Jde o řízení. Kdy nabíjet baterii. Kdy poslat přebytek dál. Kdy spustit tepelný čerpadlo, bojler nebo výpočetní úlohu. Praktický základ najdete třeba na stránce platforma pro sdílení elektřiny a konkrétně v přehledu [sdílení elektřiny](https://smartenergyshare.com/sdileni-elektriny?utm_source=shareelectric&utm_medium=referral&utm_campaign=satellite-marketing).

AI tak není jen nákladová položka v IT. Je to nástroj pro optimalizaci. Menší firma může vzít open-source model, napojit ho na faktury, spotové ceny, výrobní data a skladové zásoby. Výsledek? Méně ruční práce a lepší rozhodování. Jen je fér dodat, že špatně nasazená AI umí vyrábět i drahé omyly. Model, který halucinuje čísla v energetickém reportu, není asistent. Je to účetní požár s hezkým rozhraním.

Apple ucítil lokální AI a postavil na ni desktop

Apple 25. srpna 2026 představil nové Macy mířené přesně na lokální AI vývoj. Nový Mac mini s čipem M6 a Mac Studio s M5 Max nebo M5 Ultra nejsou jen běžné aktualizace. Apple podle Ars Technica otevřeně počítá s tím, že vývojáři a firmy budou chtít spouštět velké modely u sebe, bez cloudu.

Důvod je prostý: jednotná paměť. U klasického PC řešíte, kolik má grafická karta VRAM. Osm gigabajtů je málo, šestnáct jde, čtyřiadvacet je použitelné, osmačtyřicet je drahé. Apple Silicon pracuje s velkým sdíleným paměťovým fondem. Nový Mac Studio má podle Applu nabídnout až 512 GB jednotné paměti. To je pro lokální inference obrovské číslo. Modely, které by se jinak nevešly na běžnou grafiku, najednou dávají smysl.

Cena ovšem není charita. Podle amerických údajů startuje nový Mac mini M6 na 899 dolarech, Mac Studio M5 Max na 2 499 dolarech a varianta M5 Ultra na 5 499 dolarech. V korunách, po dani a s evropskou realitou, to nebude kapesné. Přesto může být lokální AI levnější než cloud, pokud máte stabilní zátěž. Například interní chatbot nad dokumentací, klasifikace faktur, převod e-mailů na úkoly nebo kontrola zákaznických smluv.

Praktická otázka zní: kdy se lokální AI zaplatí? Pokud utratíte 500 až 2 000 dolarů měsíčně za API a model běží pořád na stejných typech úloh, vlastní stroj dává smysl. Pokud spouštíte pět dotazů denně, nekupujte hned Mac Studio. To je jako pořídit si dodávku kvůli jednomu nákupu v Ikee. Známé to je, rozumné méně.

Co si pustit doma nebo ve firmě

Nejrychlejší cesta je Ollama. Na macOS, Linuxu i Windows nainstalujete nástroj, stáhnete model a pustíte ho lokálně. Typický start vypadá takto:

```bash ollama pull llama3.1:8b ollama run llama3.1:8b ```

U menších modelů se dá začít i na notebooku s 16 GB RAM. Pro serióznější práci chcete 32 GB a víc. Pokud chcete české texty, právní sumarizace, technickou dokumentaci nebo interní znalostní bázi, testujte víc modelů. Neexistuje univerzální vítěz. Mistral, Qwen, Llama, Gemma, Granite. Každý má jiný poměr rychlosti, přesnosti a poslušnosti.

IBM Granite 4.2 je zajímavý tím, že podle popisu na HuggingFace přichází ve velikostech 3B, 8B a 30B, je vydaný pod Apache 2.0 a podporuje režimy přemýšlení, volání nástrojů i kvantizované varianty GGUF. To je důležité. Apache 2.0 je pro firmy podstatně příjemnější než licence, která vypadá svobodně až do chvíle, kdy ji dáte právníkovi.

Pro běh přes llama.cpp nebo LM Studio hledejte GGUF verze. Orientačně: 3B model v kvantizaci Q4 rozběhnete skoro na toustovači, 8B chce slušnější notebook a 30B už ocení větší paměť. Pro jemné doladění použijte LoRA nebo QLoRA. Neučíte celý model znovu. Přidáte malý adaptér, který model naučí váš styl dokumentů, názvy produktů, interní procesy nebo odpovědi podpory.

Základní stack pro malou firmu může vypadat takto: Ollama jako lokální server, Open WebUI jako rozhraní, Qdrant nebo Chroma pro vektorovou databázi, n8n pro automatizace, PostgreSQL pro provozní data. K tomu jednoduchý RAG nad PDF, fakturami, návody a obchodními podmínkami. Výsledek není magický. Ale faktury se třídí rychleji, obchodník najde odpověď bez hledání ve třech sdílených discích a junior nemusí ručně opisovat tabulky.

Energetika: kde AI šetří reálné peníze

Kategorie úspor dává největší smysl tam, kde AI propojí práci, hardware a energii. Lokální inference spotřebuje elektřinu. Mac Studio, pracovní stanice s RTX 4090 nebo malý server v racku nejsou zdarma ani při provozu. Jenže výpočet lze plánovat. Trénink LoRA adaptéru, dávkové zpracování dokumentů nebo noční generování reportů nemusí běžet v nejdražší hodině dne.

OTE zveřejňuje ceny denního trhu a vnitrodenních trhů. Spotové ceny se umí během dne dramaticky měnit. Kdo má fotovoltaiku, baterii nebo flexibilní spotřebu, může část AI úloh přesunout do levnějších hodin. Není to hračka pro každého. Ale pokud firma už řeší energetický management, dává smysl přidat AI servery do stejné logiky jako chlazení, nabíjení elektromobilů nebo výrobu teplé vody.

Tady se potkává lokální AI se službami typu spotové ceny, IoT monitoring a obchodování flexibility. Chytré řízení spotřeby není sexy jako nový model na benchmarku. Zato se objeví ve faktuře. A faktura je benchmark, kterému rozumí i finanční ředitel.

Pro domácnost je scénář menší, ale pořád zajímavý. Mini server s lokálním modelem může zpracovávat data z Home Assistantu, sledovat spotřebu, navrhovat režimy bojleru nebo upozornit, že klimatizace běží v době drahé elektřiny. Kdo sdílí přebytky z FVE, měl by rozumět pravidlům a čtvrthodinovým intervalům. Dobré shrnutí pro běžné uživatele je na stránce pro domácnosti. Další pohled na komunitní energetiku najdete také na sdilenienergie.info a technologické souvislosti na electricshare.cz.

Největší past: levná AI není automaticky dobrá AI

Firmy často začnou špatně. Koupí nástroj, dají lidem přístup a čekají úspory. Pak zjistí, že zaměstnanci vkládají citlivá data do veřejných chatbotů, model si vymýšlí paragrafy, nikdo neměří kvalitu výstupu a úspora práce se ztratí v opravách. AI není levný zaměstnanec. Je to nespolehlivý stroj, který musí mít mantinely.

První pravidlo: nedávejte modelu data, která nesmí opustit firmu, pokud nevíte, kam tečou. Lokální model má velkou výhodu. Dokumenty zůstávají na vašem stroji. To je důvod, proč Apple tlačí lokální AI a proč open-source modely dávají smysl i tam, kde cloudové API umí odpovídat lépe. Druhé pravidlo: měřte. Vezměte 100 reálných dotazů, nechte model odpovědět a člověkem označte chyby. Bez testovací sady jen hádáte.

Třetí pravidlo: automatizujte jen tam, kde chyba moc nestojí, nebo kde je kontrola. AI může předvyplnit odpověď zákazníkovi. Ale člověk ji schválí. AI může navrhnout SQL. Ale dotaz běží nejdřív nad kopií. AI může třídit faktury. Ale platba neodejde bez pravidel a auditu. Nudné? Ano. Levnější než incident? Taky ano.

Necenzurované modely a šedá zóna AI do toho vnášejí další vrstvu. Některé open-weight modely mají slabší bezpečnostní filtry. Pro výzkum bezpečnosti, red teaming nebo interní testování to může být legitimní. Pro běžné nasazení ve firmě je to riziko. Ne kvůli morálce na plakátu, ale kvůli odpovědnosti. Pokud model poradí zákazníkovi nesmysl, unikne z něj osobní údaj nebo vygeneruje závadný obsah, vysvětlení „bylo to open-source“ nikoho moc nedojme.

Co má dělat junior, firma a energetik

Junior by se měl přestat prodávat jako člověk, který „umí ChatGPT“. To umí každý druhý profil na pracovním portálu. Hodnota je jinde. Umět rozbít úkol na kroky. Ověřit výstup. Napsat test. Připojit model k datům. Vyznat se v doméně. U energetiky třeba chápat rozdíl mezi denním trhem, vnitrodenním trhem, sdílením elektřiny a službami výkonové rovnováhy. Samotný prompt kariéru nezachrání.

Firma by měla začít malým pilotem. Vybrat jeden proces, kde se opakuje práce a existuje jasný výstup. Například třídění příchozích e-mailů, sumarizace servisních protokolů, generování návrhů nabídek nebo kontrola spotřeby podle cen OTE. Nastavit metriku: čas na úkol, chybovost, cena provozu, spokojenost uživatele. Po měsíci rozhodnout. Ne po prezentaci dodavatele, ale po datech.

Energetická firma nebo obec má ještě jednu výhodu. AI může zpracovat provozní data, ale zároveň pomoci lidem pochopit, co se děje. Pro obecní sdílení elektřiny je komunikace polovina úspěchu. Lidé chtějí vědět, kdo vyrábí, kdo odebírá, kdy se sdílí a proč se úspora mění. Praktický rámec pro firmy je na stránce pro firmy, pro výrobce FVE zase na pro výrobce.

Moje předpověď je jednoduchá a trochu nepříjemná. Nástupní práce nezmizí všechny. Ale ty, které přežijí, budou tvrdší. Junior bude muset s AI produkovat výstup, který dřív dělal malý tým. Kdo se naučí lokální modely, automatizace, práci s daty a energetické souvislosti, může být dražší než dřív. Kdo zůstane u ručního kopírování tabulek, bude soutěžit se strojem, který nechodí na oběd.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: SmartEnergyShare.info Platíte za elektřinu podle ceníku z roku 2019? Pak vám ně... Vice o sdílení elektřiny