Kontrola AI zabere finančním týmům 26 % týdne, bez ní výstupům nevěří

Společnost Datarails v oznámení ze 6. října 2026 uvedla, že 270 finančních ředitelů a dalších vedoucích financí z velkých amerických podniků věnuje ověřování či opravám finančních výstupů AI v průměru 26 % své pracovní doby; její spoluzakladatel a ředitel Didi Gurfinkel vystihl postoj dotázaných slovy „caution hasn’t disappeared“. Rychlý návrh stále musí obstát při kontrole.

Podle IT Pro by bez lidského přezkumu důvěřovalo výstupu AI pro zprávu představenstvu jen 5 % respondentů a pro měsíční uzávěrku 4 %. Odpovědi vyjadřují ochotu použít hotový výstup, nikoli naměřenou přesnost technologie. Pro finanční oddělení je rozdíl podstatný: čas ušetřený při sestavení návrhu se může vrátit jako práce na dohledání původu čísel, opravě výpočtů a schválení výsledku.

Čtvrtina týdne znamená více než deset hodin kontroly

Při modelovém čtyřicetihodinovém týdnu odpovídá uvedených 26 % deseti hodinám a čtyřiadvaceti minutám. Jde o aritmetický přepočet průměru z odpovědí, nikoli o naměřený rozvrh jednoho účetního nebo údaj o tom, o kolik AI práci prodloužila. Výzkum nezachycuje čas, který by stejné úkoly zabraly bez AI, takže z něj nelze vyčíslit čistou úsporu ani čistou ztrátu.

Průzkum se ptal na dobu ověřování a oprav výstupů pro finanční práci. Do výsledné práce však patří také získání podkladů, sestavení zadání, vyhodnocení návrhu, vysvětlení odchylek a schválení odpovědnou osobou. Pokud se zrychlí pouze tvorba návrhu, ale dohledávání jeho podkladů trvá déle, celková uzávěrka se zkrátit nemusí. Stejně tak každá minuta kontroly není novým nákladem způsobeným AI: část nezávislého ověření by byla nutná i u výpočtu připraveného člověkem.

Údaj má pro české týmy hodnotu jako měřítko možného rozsahu práce, nikoli jako tuzemský průměr. Respondenti zastupovali velké americké organizace a odpovídali za finanční agendu; od menších účetních oddělení se mohou lišit počtem systémů, objemem výkazů i pravidly schvalování. Bez stejné metodiky měření by přenesení jejich průměru na konkrétní českou firmu vytvářelo zdánlivou přesnost.

Roztříštěná data mění rychlou odpověď v pátrání po zdroji

Úplná zpráva Datarails a Global Surveyz Research, datovaná zářím 2026, popisuje online šetření z července 2026 mezi 270 vedoucími financí v amerických organizacích s nejméně 1 000 zaměstnanci a ročními tržbami alespoň 100 milionů dolarů. U firem s daty rozptýlenými v nepropojených systémech věnovalo více než čtvrtinu času kontrole AI 76 % respondentů; u převážně centralizovaných dat to bylo 31 %. Jde o souvislost ve výpovědích, nikoli o experiment, který by prokázal, že sjednocení systémů samo o sobě zkrátí kontrolu.

Problém začíná ještě před samotným posouzením odpovědi AI. Stejné označení ukazatele může v účetním systému, plánovacím modelu a interním reportu znamenat jiný rozsah položek nebo jiné období. Kontrolující proto potřebuje zjistit, odkud hodnota pochází, jaká verze dat byla použita a zda se při převodu mezi systémy neztratily nebo nezdvojily záznamy. Správně vypadající konečný součet tuto otázku neřeší.

Ve zveřejněných odpovědích je důležitý i rozdíl mezi chybou a nemožností chybu vysvětlit. Když nelze zpětně určit vstupní záznamy a pravidlo výpočtu, musí další člověk výsledek znovu sestavit z podkladů. Ověření pak není krátkou kontrolou textu, ale rekonstrukcí cesty od zdrojového záznamu po vykázané číslo. Právě tady může automatické vytvoření odpovědi přesunout práci do méně viditelné fáze.

U e-mailu stačí jiná kontrola než u uzávěrky

CFO Dive upozornil, že 75 % dotázaných uvádělo jako překážku důvěry v AI u zásadních finančních úkolů nedostatečnou auditovatelnost, zatímco 71 % zmiňovalo přesnost a halucinace. Rozdíl v ochotě přijmout hotový výstup odpovídá povaze úlohy: návrh běžné komunikace lze upravit před odesláním, chyba v uzávěrce nebo podkladu pro představenstvo se přenáší do rozhodování a účetních záznamů.

U textu, který pouze formuluje již schválené sdělení a neobsahuje nová finanční tvrzení, dává smysl věcná kontrola a namátkové ověření detailů. Jakmile AI vytvoří částku, odchylku, prognózu nebo zdůvodnění hospodářského výsledku, namátka nestačí. Každé rozhodné číslo musí mít dohledatelný zdroj a každá interpretace musí odpovídat tomu, co zdrojová data skutečně ukazují. To je redakční rozlišení podle následků chyby, nikoli doporučená hranice vypočtená průzkumem.

U kritického finančního výstupu má kontrola logickou posloupnost:

1. Identifikovat použitý systém, období, verzi dat a rozsah zahrnutých položek. Bez této vazby není jasné, s čím výsledek porovnat.
2. Dohledat podstatné částky ke zdrojovým záznamům a ověřit definice ukazatelů. Stejný součet vytvořený z jiné skupiny položek není shodný finanční výsledek.
3. Zopakovat klíčový výpočet nezávisle na formulaci AI, zaznamenat rozdíly a posoudit, zda vysvětlení odchylky skutečně plyne z dat.
4. Předat opravený výstup odpovědné osobě ke schválení spolu s původem čísel a záznamem změn.

Takový postup zabere čas, ale ukazuje, kde se čas spotřebovává a proč. Pokud systém nedokáže zachovat původ vstupů a sled úprav, člověk bude stejnou trasu procházet znovu při každém dalším dotazu vedení či auditora. O skutečné úspoře proto rozhodne až délka celé cesty od převzetí podkladů po schválený výstup, nikoli rychlost první odpovědi AI.

Přečtěte si také:

• AI přidává skrytou práci: kontrolu výstupů nese zaměstnanec
• Cloudflare Clef rozhoduje bez textové odpovědi, pravidla však musí dodat člověk
• Vlastní n8n bez otevřených dveří: HTTPS nestačí jako jediná ochrana