Článek
Čísla jsou nepříjemná
Produktové selhání patří v softwaru ke standardu. A AI dramaticky zvyšuje množství produktů, které mohou vzniknout.
Následující dvě čísla měří jiné světy: globální krachy startupů a neúspěchy korporátních AI projektů. Spojuje je ale stejná slepota. Týmy postaví něco, co trh dostatečně nechce nebo co nesedí na reálný workflow uživatele.
90 % (Technologické startupy): Podle dlouhodobých globálních studií organizace Startup Genome selže 9 z 10 technologických startupů. Data CB Insights ukazují, že nejčastějším důvodem selhání (ve 34 % případů) je „No Market Need“. Tým sice uměl software skvěle postavit, ale trh ho jednoduše nepotřeboval. Skutečný rozsah problému je nejspíš ještě větší. Problémy s marketingem nebo cashflow, které statistiky evidují jako příčinu, bývají jen druhotným příznakem toho, že produkt nikdo nechce.
Přes 80 % (AI výzkum RAND Corporation): Renomovaný americký think-tank RAND Corporation ve své studii potvrdil, že více než 80 % AI projektů selže. Hlavní příčinou je odtržení technologie od reálného byznysového workflow. Programátoři kód napsat umí.
A čím technologicky pokročilejší a rychlejší prostředí je, tím je situace drsnější. Nestačí mít nápad, tým a schopnost stavět. Je potřeba trefit problém, trh, timing, distribuci, ekonomiku a schopnost škálovat. Úspěšný produkt nevznikne automaticky tím, že tým dobře odpracuje vývoj. Vznikne tehdy, když tým dokáže dostatečně dobře pochopit realitu trhu.
GitHub ukazuje explozi softwarové aktivity
Do toho přichází AI.
Nejnovější data z GitHub Octoverse ukazují rekordních 518,7 milionu schválených pull requestů. Software dnes chrlíme rychleji než kdy dřív.
Tohle číslo ale neměří hodnotu. Neznamená, že vzniká víc dobrých produktů, že jsou uživatelé spokojenější nebo že firmy vytvářejí víc hodnoty. Znamená jen to, že dramaticky roste schopnost chrlit software. AI nezvyšuje pravděpodobnost, že se spletete. Zvyšuje rychlost a objem, v jakém se mýlit můžete.
Zákazník neplatí za počet pull requestů. Platí za to, že produkt řeší jeho problém. Víc repozitářů může znamenat víc experimentů a levnější ověřování. Nebo levnější výrobu balastu, který pak někdo musí donekonečna udržovat. AI zlevnila napsání kódu. Jeho údržba zůstává stejně drahá jako dřív. Záleží jen na tom, zda týmy vědí, co stavějí a pro koho. A to žádný GitHub report nezměří.
AI-first nerovná se kvalita-first
Nikdo neřekne nahlas, že rychlejší výroba znamená lepší produkt. Ale „AI-first“ slibuje přesně tohle: zrychlete a zlevněte práci a hodnota přijde sama. To je hlavní omyl současné technologické debaty. Zrychlení vývoje urychlí tvorbu hodnoty jen tehdy, když tým ví, co má stavět. A to se ve většině firem neděje.
Klarna v roce 2024 hlásila, že její AI asistent zvládl práci 700 agentů a ušetří firmě 40 milionů dolarů. O rok později CEO přiznal: „Příliš jsme se soustředili na efektivitu a náklady. Výsledkem byla nižší kvalita.“ Firma měřila ušetřené náklady. Spokojenost zákazníka neměřila. A začala lidi znovu nabírat.
Stejnou chybu dělají produktové týmy: optimalizují na snadno měřitelnou metriku a tu důležitou pustí ze zřetele. Nálepka AI sama o sobě nenahradí produkt, který někdo doopravdy potřebuje.
Pokud tým nemá jasně ověřený problém, slabě chápe uživatele, nezná distribuční cestu a nerozumí tomu, proč by kvůli němu měl někdo změnit své chování, AI jen zrychlí stávající chaos.
Globální report DORA 2025 to popisuje velmi přesně: AI je především zesilovač. Zesiluje silné i slabé stránky organizace. Největší návratnost přichází z toho, jak dobře má firma nastavený celý systém kolem priorit, kvality a měření dopadu. Samotné AI nástroje ji nezajistí.
AI neví, zda řešíte správný problém. To musíte vědět vy. Když tým staví na špatně pochopeném problému a měří jen výstupy místo dopadu, AI způsobí jediné: efektivněji vyrobí hromady zbytečností.
Můžete namítnout: když mi AI postaví prototyp za odpoledne, proč ztrácet čas s discovery? Otestuju trh rovnou funkčním kódem.
Je to oprávněná námitka. Prototyp nasazený na reálné uživatele je skvělá forma discovery, protože měří reálné chování namísto deklarací. Funguje to ale jen tehdy, když předem víte, jakou hypotézu testujete a co ji vyvrátí. Bez toho prototyp neměří potřebu trhu, jen to, jestli někdo klikl. Experiment vám ukáže, že lidé odešli. Proč odešli, vyčtete jen z jejich reálného workflow. Rychlost stavby bez hypotézy nevyrábí poznání, jen data o špatné otázce.
Product discovery jako ignorovaná pojistka před drahým omylem
Product discovery, tedy systematické ověřování potřeb s reálnými uživateli před tím, než tým začne stavět, se ve většině firem chápe špatně. Vnímá se jako brzda vývoje, akademické cvičení nebo pár zbytečných workshopů na začátku projektu.
Přitom discovery míří přesně na ty důvody, proč produkty padají. No Market Need je nezvalidovaný problém. Churn po prvním použití je špatně pochopený uživatel. Odtržení od reálného workflow i nejasná motivace ke změně chování mají stejný kořen: fázi, kterou týmy přeskočily. Každou z hlavních příčin selhání odstraňuje discovery. Lepší kód v téhle fázi nepomůže.
Výzkum Nielsen Norman Group (NN/g), přední světové agentury pro UX výzkum, to potvrzuje. Z analýzy stovek projektů vyplývá, že projekty s discovery byly úspěšné v 83 % případů. Ty, které ho přeskočily, jen v 52 %. Rozdíl je statisticky vysoce významný: discovery snižuje riziko neúspěchu o 75 %. Studie je z roku 2019, ale novější report DORA 2025 ji potvrzuje z jiného úhlu: návratnost AI určuje systém kolem priorit a měření dopadu. Samotný nástroj má malý vliv. Z naší vlastní praxe víme, že to platí. Projekty, které začnou ověřováním, končí výrazně lépe než ty, které se ženou rovnou do stavby.
Je pravda, že AI dnes umí s discovery pomáhat: analyzovat zákaznický feedback, syntetizovat rozhovory, mapovat konkurenci. To je cenné. Ale i tady platí stejný princip: AI zesiluje kvalitu vstupu. Pokud se ptáte špatně, dostanete rychleji špatné závěry.
Nejnebezpečnější zkratka je generovat si uživatele rovnou v modelu. Syntetické persony a simulované rozhovory ušetří čas, ale ptát se AI na potřeby živých zákazníků je dokonalý stroj na potvrzení vlastních domněnek. Skutečné uživatele vám žádná syntéza neodsedí.
Než tým napíše první řádek kódu, potřebuje znát čtyři věci:
- Jaký problém řešíme
- Kdo ho má
- Jak ho řeší dnes
- Proč by kvůli nám měl změnit chování
Pokud na některou z nich nemáte ověřenou odpověď, nestavíte produkt. Sázíte.
V éře AI je tahle slepota fatální. AI dramaticky snižuje cenu za naprogramování výstupu. Ale ani o milimetr nesnižuje cenu za pochopení problému. Dnes je levnější než kdy dřív něco postavit. A právě proto je důležitější než kdy dřív vědět, co vůbec stavět nemáme.
Závěr
AI masivně zvyšuje naši schopnost něco vytvořit. Nezaručuje ale, že vytváříme správnou věc. Produkty historicky krachují na slabém porozumění trhu, uživateli a problému. Naprogramovat je tým uměl. Dnes jde díky AI tyhle omyly vyrábět ve velkém měřítku a rychleji než kdy dřív.
Pro management z toho plyne jediná změna: přestat měřit výkon rychlostí dodaných funkcí a začít měřit doručenou hodnotu.
AI nespasí špatné produkty. Jen je pomůže vyrobit rychleji.
Zdroje
- NN/g: discovery projekty 83 % úspěch vs. 52 % bez discovery
https://www.nngroup.com/articles/discoveries-in-industry-revealed/ - Startup Genome / CB Insights: 9 z 10 startupů selže, „no market need“ hlavní důvod
https://www.cbinsights.com/research/report/startup-failure-reasons-top/ - GitHub Octoverse 2025: 518,7M PR, AI a růst softwarové aktivity
https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/ - DORA 2025: AI jako zesilovač systému práce
https://dora.dev/dora-report-2025/ - Klarna: CEO o přehnané sázce na AI v zákaznickém servisu (Entrepreneur)
https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396
