Data policy: kto reálne kontroluje dáta
Úplne prvá vrstva hodnotenia AI vendora je dátová politika. V praxi ide o to, že každá interakcia s AI systémom je zároveň potenciálny vstup do ďalšieho spracovania, logovania alebo dokonca tréningu modelu.
Kľúčová otázka preto nie je len to, či vendor „chráni dáta“, ale či presne definuje, čo sa s nimi deje po ich spracovaní. V enterprise prostredí musí byť jednoznačné, či sa dáta používajú na tréning modelu, ako dlho sa uchovávajú a či existuje reálna možnosť ich úplného vymazania. Rovnako dôležité je pochopiť geografiu dát, pretože tá často určuje právny režim ich ochrany.
Ak tieto pravidlá nie sú explicitné a auditovateľné, organizácia v skutočnosti stráca kontrolu nad vlastným dátovým majetkom.
Auditability: čierna skrinka alebo vysvetliteľný systém
Druhou zásadnou oblasťou je auditovateľnosť. Pri klasických softvérových systémoch je možné spätne rekonštruovať, aká logika viedla k určitému výsledku. V prípade AI to už neplatí automaticky, pretože výstup je výsledkom pravdepodobnostného modelu, nie pevne definovanej logiky.
Pre enterprise nasadenie je preto kritické, aby vendor vedel poskytnúť aspoň základnú úroveň vysledovateľnosti. To znamená možnosť spätne vidieť vstupy, verziu modelu, kontext, ktorý bol použitý, a ideálne aj medzikroky spracovania.
Bez tejto schopnosti sa AI systém stáva čiernou skrinkou, čo výrazne komplikuje interný audit, compliance aj riešenie incidentov.
Model a vendor flexibilita: skrytý lock-in
Jedným z najpodceňovanejších rizík AI riešení je vendor lock-in, ktorý je omnoho silnejší než v tradičnom SaaS. Dôvod je, že hodnota AI systému nie je len v samotnej aplikácii, ale v kombinácii modelu, promptov, dátovej vrstvy a workflow logiky.
V praxi to znamená, že aj keď je systém technicky nahraditeľný, jeho reálna migrácia je extrémne náročná. Prompt engineering nie je štandardizovaný, workflowy sú často naviazané na konkrétnu implementáciu a aj embeddings alebo pamäťové vrstvy bývajú nekompatibilné.
Preto je dôležité už na začiatku overiť, či je systém schopný fungovať s viacerými modelmi a či umožňuje export konfigurácie a logiky. Ak to nie je možné, ide skôr o uzavretý ekosystém než o flexibilné enterprise riešenie.
Onboarding a offboarding: test, ktorý väčšina firiem nerobí
Pri AI systémoch sa firmy často sústreďujú na onboarding, teda na to, ako rýchlo sa dá systém nasadiť. Omnoho dôležitejšia je však otázka, čo sa stane, keď ho chce organizácia prestať používať.
Offboarding zahŕňa nielen export dát, ale aj schopnosť obnoviť workflow inde, vypnúť systém bez straty informácií a zabezpečiť, že žiadne dáta nezostanú uzamknuté vo vendor systéme.
Silný signál rizika je, ak vendor nevie presne popísať alebo demonštrovať, ako vyzerá odchod z platformy. V praxi to často znamená, že exit je buď veľmi drahý, alebo technicky komplikovaný.

Incident response: AI špecifické zlyhania
AI systémy majú typy incidentov, ktoré v klasickom softvéri neexistujú. Môže ísť o situácie, kde model začne generovať nesprávne alebo nebezpečné výstupy, kde dôjde k úniku citlivých informácií cez vstupné prompty alebo kde sa systém nechá manipulovať špecifickými útokmi na jazykový model.
Preto nestačí mať všeobecný incident response plán. Vendor musí mať definované procesy priamo pre AI správanie, vrátane monitorovania vstupov a výstupov, schopnosti rýchlej deaktivácie častí systému a mechanizmov na opätovné testovanie modelu po incidente.
Ak tieto procesy neexistujú, organizácia sa spolieha na reakciu, ktorá nie je prispôsobená povahe rizika.
SLA: problém nie je dostupnosť, ale kvalita
Tradičné SLA modely založené na uptime sú pri AI nedostatočné. Samotná dostupnosť API nehovorí nič o tom, či systém poskytuje konzistentné alebo správne výstupy.
V AI kontexte sa preto SLA musí rozšíriť o metriky ako latencia, stabilita odpovedí, chybovosť a existencia fallback mechanizmov v prípade degradácie modelu.
Bez týchto parametrov sa SLA stáva formálnym dokumentom, ktorý neodráža reálnu kvalitu služby.
Integrácia: kde sa AI mení na hodnotu
Veľký rozdiel medzi demo AI a produkčným systémom je úroveň integrácie. Mnohé riešenia fungujú dobre ako samostatné chatboty, ale ich hodnota sa ukáže až v momente, keď sú integrované do existujúcich procesov organizácie.
Skutočná enterprise hodnota vzniká až vtedy, keď AI nie je izolovaný nástroj, ale súčasť CRM, ERP, support alebo operatívnych systémov.
Preto je dôležité hodnotiť nielen kvalitu modelu, ale aj schopnosť integrácie do reálnych workflowov a existujúcej infraštruktúry.
Pricing: kde sa skrýva komplexita
Pricing AI služieb je často oveľa menej transparentný než sa zdá na prvý pohľad. Okrem základnej ceny za používanie modelu sa môžu objaviť náklady na tokeny, storage, logging, fine-tuning alebo škálovanie.
Problémom je, že tieto náklady sa často výrazne prejavia až pri produkčnej záťaži, nie počas pilotu.
Preto je kľúčové simulovať reálne používanie v škále a pochopiť, ako sa mení cena pri náraste trafficu alebo pri dlhodobom používaní.
Záver: AI vendor je rozhodovací systém, nie softvér
Zásadná zmena v myslení pri AI procurement je pochopiť, že nejde o nákup nástroja, ale o nákup systému, ktorý spracúva dáta, generuje rozhodnutia a v čase sa môže meniť.
Preto nestačí hodnotiť funkcie alebo cenu. Dôležité je pochopiť kontrolu nad dátami, auditovateľnosť, flexibilitu systému a schopnosť organizácie odísť bez straty hodnoty.
AI vendor, ktorý tieto veci nevie transparentne vysvetliť, predstavuje v praxi vyššie riziko než pridanú hodnotu.
