Modelová situace (nejde o skutečnou firmu): dvacet lidí vede poptávky v tabulkách a majitel chce přejít na nový systém. Při přípravě narazí na větu, že sedmdesát procent změn ve firmách selže. Zní přesvědčivě.
Tento text ověřuje, co se o tom čísle skutečně ví, a odděluje doložené poznatky od praxe poradců. Pak shrnuje studie o přijetí nových nástrojů zaměstnanci, včetně nástrojů s umělou inteligencí, a končí postupem pro menší firmu a kontrolním seznamem.
Podkladem jsou recenzované články, jeden předtisk, stránky autorů modelů, výzkum DORA a statistika Eurostatu, vše ověřené v listopadu 2026. Žádný z nich se nezaměřil na zavádění nástroje v malé české firmě, takže jde o oporu pro úsudek, ne o záruku výsledku.
Odkud se vzalo číslo 70 % a co o něm víme?
Spolehlivý původ čísla neznáme. Mark Hughes z University of Brighton v recenzovaném článku z roku 2011 (Journal of Change Management) našel pět publikovaných textů, které sedmdesátiprocentní selhání změn uvádějí, a došel k závěru, že platný a spolehlivý empirický důkaz pro takové tvrzení chybí.
Neplyne z toho, že změny obvykle dopadají dobře, jen že údaj nemá oporu. Skutečný podíl neúspěšných změn tedy neznáme a novější měření se při přípravě textu nepodařilo najít.
Prakticky: větu o sedmdesáti procentech nepoužívat ani jako strašák, ani jako omluvu. Místo ní si určit, co bude u vlastní změny znamenat úspěch. Je to dodržený termín a rozpočet, nebo to, že lidé nový postup skutečně používají?
Kotter, ADKAR a modely přijetí technologie: co je doložené a co je praxe poradců?
Empirický test mají v ověřených zdrojích jen modely přijetí technologie. Stránky Kotterova a ADKAR modelu, otevřené při přípravě textu, na žádnou studii neodkazují. Berte je proto jako kontrolní otázky z praxe poradců, ne jako důkaz, že postup změnu zaručí. Jinde podklady existovat mohou (web Kotter Inc. má stránku The Science of Change), ale tento text je neověřoval.
- Kotter, osm kroků: John Kotter napsal v článku v Harvard Business Review z roku 1995, že sledoval více než sto firem, které se snažily stát se lepšími konkurenty. Firma uvádí kroky: naléhavost, vedoucí skupina, vize, dobrovolníci, odstranění překážek, krátkodobé úspěchy, udržení tempa a zakotvení změny. Stránka s kroky neuvádí studie ani počty případů, opírá se o čtyři desetiletí pozorování.
- ADKAR, firma Prosci: pět prvků, tedy povědomí o důvodu změny, touha se zapojit, znalost postupu, schopnost ho používat každý den a upevnění. Stránka modelu neuvádí autora, rok vzniku ani výzkum, opírá se o příběhy zákazníků.
- Modely přijetí technologie, 1989 a 2003: Fred Davis zjistil ve dvou studiích s celkem 152 uživateli, že s používáním souvisí silněji užitečnost než snadnost ovládání. Venkatesh se spoluautory pak porovnali osm modelů, které vysvětlily 17 až 53 % rozdílů mezi lidmi v záměru používat systém, a sjednotili je do modelu UTAUT, který vysvětlil 69 %, na datech ze dvou nových firem 70 %. Šlo ale o záměr a o současné nebo očekávané používání, ne o to, zda se změna firmě vyplatila.
Co studie říkají o tom, proč lidé nový nástroj používají?
Nejlépe doložená je užitečnost: lidé nástroj spíš používají, když jim pomáhá v jejich práci. Davisovy studie z roku 1989 spojily používání s užitečností silněji než se snadností ovládání, ale naznačily, že snadnost může užitečnosti předcházet: špatně ovladatelný nástroj může působit i méně užitečně.
Zdroje se však rozcházejí v tom, co dalšího rozhoduje. Studie ve Frontiers in Psychology z roku 2022 u virtuálních asistentů s umělou inteligencí mezi španělskými spotřebiteli nenašla významný vliv užitečnosti, snadnosti ovládání, vlivu okolí ani podmínek a podpory. Rozhodly zvyk, důvěra a ochota zkoušet nové. Šlo o spotřebitele, ne o zaměstnance, a počet odpovědí článek uvádí různě: 304 v abstraktu a 306 v popisu sběru dat.
Předtisk z října 2025 (arXiv, recenzované vydání stránka neuvádí) zkoumal 2 257 zaměstnanců jedné nadnárodní poradenské firmy. K používání AI se významně vázala jen vyšší pozice v hierarchii, délka praxe ani region ne. Z jedné firmy zobecňovat nelze; opatrný závěr pro pilot zní nevybírat účastníky jen podle délky praxe.
Vliv příkladu vedoucích ani účinek konkrétního školení se v otevřených zdrojích přímo doložit nepodařilo. V postupu níže jsou proto praxí, ne prokázaným poznatkem.
Podle Eurostatu (údaje za rok 2025, stránka z prosince 2025, aktualizace je plánovaná na prosinec 2026) používala AI necelá pětina podniků v EU s deseti a více zaměstnanci (19,95 %). Mezi firmami, které o AI uvažovaly, ale nepoužívají ji, uvedlo nedostatek odborných znalostí 70,89 %.
Proč firmy, které o AI uvažovaly, ji nepoužívají
Jak změnu zavést po krocích?
Změnu zavádějte jako malý, časově omezený pilot s jedním majitelem, školením na vlastních úkolech, měřením přijetí a cestou zpět. Opora pro tento postup je nepřímá: výzkum DORA z roku 2025, v němž odpovědělo téměř 5 000 odborníků z oboru technologií, se týkal doručování softwaru s pomocí AI. Mezi sedmi praxemi, které DORA ve svém modelu uvádí, jsou jasně sdělený postoj firmy k AI, práce v malých dávkách a časté využití návratu k předchozí verzi. Přenos na menší firmu je úsudek autora textu.
Modelový příklad (nejde o skutečná data): firma o dvaceti lidech nahrazuje tabulky s poptávkami systémem pro evidenci zákazníků (CRM). Zavedení se vyplatí vést jako malý projekt s těmito kroky. Čísla v příkladu, tedy čtyři týdny a tři až pět lidí, jsou ilustrační, ne výsledek výzkumu.
- Cíl a důvod: jedna věta, například zkrátit dobu odpovědi na poptávku na jeden pracovní den. Dnešní stav se změří před startem.
- Lidé: jeden majitel změny s právem rozhodovat a v každém týmu jeden zástupce, který nástroj zkouší jako první.
- Pilot: tři až pět lidí. Trvá čtyři týdny a systém běží vedle původních tabulek.
- Školení: krátké, na jejich vlastních poptávkách, ne na ukázkových datech; po týdnu doškolení a jedno místo pro dotazy.
- Komunikace: co se mění a proč, od kdy, co zůstává stejné a komu psát. Vedení nový nástroj používá samo.
- Měření přijetí: kolik poptávek vzniklo v novém systému a kolik jen v tabulce; hlavní ukazatel (KPI) je doba odpovědi.
- Rozhodnutí po pilotu: rozšířit, upravit, nebo vrátit. Původní tabulky se vypnou až po tomto rozhodnutí.
Kterých rizik si při zavádění všímat?
Hlídat stojí tři rizika, která podle úsudku autora textu souvisejí spíš s pořadím kroků než s technologií. DORA navíc zjistila, že přijetí AI souvisí s vyšší propustností doručování softwaru, ale stále i s nižší stabilitou. Podle autorů AI zesiluje to, co v týmu už je.
- Rušení starého systému příliš brzy: když stará evidence zmizí první den, každá chyba nového zastaví provoz. Modelová situace: nový systém neumí množstevní slevu, tabulky už nejsou a nabídky se píšou ručně z paměti.
- Nevyjasněná odpovědnost: když změnu mají na starosti všichni, nerozhodne nikdo, jak řešit výjimky a chyby. S tím souvisí Kotterův krok vedoucí skupiny, ale je to doporučení praxe, ne měřený výsledek.
- Tlak bez školení: příkaz používat nástroj od pondělí může vytvořit dojem zavedené změny, zatímco lidé pracují po starém. Přímé měření tohoto jevu se v ověřených zdrojích nenašlo; nejblíže je údaj DORA o nestabilitě při zrychlení bez podpůrných praxí a údaj Eurostatu o chybějících znalostech.
Kontrolní seznam před spuštěním změny
Seznam shrnuje postup z tohoto textu a hodí se vyplnit společně s lidmi, kterých se změna týká. U nástrojů s AI pomůže před startem posoudit data a procesy (audit a zavedení AI).
- Cíl je napsaný jednou větou a výchozí hodnota změřená.
- Existuje jeden majitel změny s právem rozhodnout.
- Pilot má pevný začátek, konec a malou skupinu lidí.
- Lidé se učí na vlastních úkolech a vědí, kam s dotazy.
- Všichni vědí, co se mění, od kdy, co zůstává a kdo odpovídá.
- Měří se skutečné používání, ne jen spokojenost.
- Starý postup zůstává funkční, dokud se nerozhodne o rozšíření.
- Je dohodnuto, kdo a podle čeho rozhodne o rozšíření nebo vrácení změny, a výsledek se zapíše.
Zdroje a stav informací
Stav informací k 11. 11. 2026. Údaje jsou ověřené u těchto zdrojů:
- Do 70 per cent of all organizational change initiatives really fail? (Journal of Change Management 11(4), 2011 (záznam na portálu University of Brighton))
- Leading Change: Why Transformation Efforts Fail (Harvard Business Review (1995))
- The 8 Steps for Leading Change (Kotter Inc. (vlastní stránka autora modelu, ne nezávislý důkaz))
- ADKAR Model (Prosci (dodavatel metodiky, ne nezávislý důkaz))
- Davis (1989): Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology (MIS Quarterly 13(3), 1989 (záznam v databázi University College London))
- Venkatesh et al. (2003): User Acceptance of Information Technology: Toward a Unified View (MIS Quarterly 27(3), 2003 (záznam v databázi University College London))
- Application and extension of the UTAUT2 model for determining behavioral intention factors in use of the artificial intelligence virtual assistants (Frontiers in Psychology (2022), Sebastián, Guede, Antonovica)
- Revisiting UTAUT for the Age of AI: Understanding Employees AI Adoption and Usage Patterns Through an Extended UTAUT Framework (arXiv, předtisk z 16. 10. 2025, recenzované vydání na stránce neuvedeno (Wolfe a kol.))
- Announcing the 2025 DORA Report (Google Cloud / DORA (23. 9. 2025))
- Introducing DORA’s inaugural AI Capabilities Model (Google Cloud / DORA (23. 9. 2025))
- Use of artificial intelligence in enterprises (Eurostat, Statistics Explained (údaje za rok 2025, extrahováno v prosinci 2025))
Jak články vznikají a ověřují: redakční zásady blogu.
Před změnou napsat jednou větou cíl a změřit dnešní stav, určit jednoho majitele změny a spustit časově omezený pilot s několika lidmi. Naučit je na vlastních úkolech, měřit skutečné používání a starý systém vypnout až po rozhodnutí, že pilot vyšel.