A company decides to use AI in procurement. A vendor gets selected. A pilot is announced. Procurement people attend a kickoff. Six months later, the pilot is quietly discontinued, or limps along with three users and no clear outcome.
This is not a rare story. It is the default outcome for most organisations that try to introduce AI without understanding what actually makes it work in a procurement context.
The technology is usually fine. ChatGPT, Claude, Copilot — they can all read documents, categorise spend, and draft communications. The problem is consistently elsewhere.
1. They started with the tool, not the process
The most common failure mode: someone gets excited about a tool, buys a licence, and starts looking for problems to fit it to. The order of operations is wrong from the start.
In a well-run procurement function, you already know which processes hurt. The qualification questionnaire that takes three people two days every time a new supplier is onboarded. The monthly spend report that requires someone to spend four hours slicing Excel. The quote comparison that sits in someone's inbox for a week because they are the only one who knows how to read the supplier's pricing format.
AI on a broken process does not fix the process. It just makes the brokenness happen faster and at scale.
The right starting question is not "what can AI do?" It is "which of our processes is slow, error-prone, and done more than 10 times a year?" That answer usually writes the project brief by itself.
2. Procurement was not in the room when it was designed
Procurement AI projects are frequently initiated by IT, digital transformation teams, or management consultants. These people design something technically correct. Then they hand it to procurement to use.
The tool does not match how procurement actually works. The categories do not reflect the company's spend taxonomy. The email templates do not match the tone buyers use with long-term suppliers. The approval flow assumes every purchase has a single approver — but in practice, direct materials go through three departments and a supply chain lead.
The people who actually do the work were not consulted. So the tool gets used reluctantly, then not at all.
3. The data was dirty
Supplier master data is, in most companies, a disaster. Duplicate entries. Incomplete addresses. One supplier registered under three different names because three buyers at three different sites set them up separately ten years ago. GL account coding that is consistent within one plant but means something different in the next one.
AI models do not fix dirty data. They work with what they get. If you ask an AI to categorise your spend and your supplier names are a mess, you will get a categorisation that is 80% plausible but quietly wrong in all the edge cases that matter most.
Before you run any AI on procurement data, you need a week of unglamorous data cleaning. Most organisations skip this step because it does not feel like progress. It is the most important step.
4. Nobody defined what success looked like
A pilot runs for three months. At the end, someone asks: "Is it working?" Nobody knows. There was no baseline. Nobody measured how long the process took before the pilot. Nobody tracked whether accuracy improved. The only evidence of progress is that the vendor sent a report showing the tool was used 47 times.
This is a standard problem in procurement improvement projects, not just AI ones. But AI projects are especially vulnerable because the technology feels impressive enough to obscure the absence of a result.
Define the metrics before the pilot starts. Literally write them down: this process currently takes X hours. We aim to reduce it to Y hours. We will measure this by tracking Z for 90 days. Then actually track Z.
5. They picked the hardest problem first
Contract review is interesting. End-to-end supplier risk assessment sounds impressive at a board presentation. Fully automated sourcing decisions make for good vendor marketing material.
They are also the most technically complex, legally sensitive, and organisationally resistant projects you can run. When they do not go smoothly — and they usually do not — the whole AI programme gets labelled as "not ready."
Start somewhere smaller and more boring. Automate the supplier qualification questionnaire processing. Automate the spend coding for one category. Automate the reminder emails to suppliers who have not confirmed order receipt.
These are not impressive demos. They save 200 hours a year per person. They build credibility. They give procurement the confidence to take on harder problems next year.
The pattern underneath
All five reasons come back to the same thing: AI was treated as a technology decision, not a process improvement decision.
The companies that get this right do not have better AI tools. They have a clearer understanding of which processes need improving, cleaner data going into the model, and someone in procurement who is willing to spend time defining what "better" actually means.
That last one is the scarcest resource of all.
Firma se rozhodne využít AI v nákupu. Vybere se dodavatel. Spustí se pilot. Nákupní tým se zúčastní kickoff meetingu. O šest měsíců později je pilot tiše ukončen nebo živoří se třemi uživateli bez jasného výsledku.
Toto není výjimečný příběh. Je to výchozí výsledek pro většinu organizací, které se snaží implementovat AI bez pochopení toho, co skutečně funguje v kontextu nákupu.
Technologie je obvykle v pořádku. ChatGPT, Claude, Copilot — všechny umí číst dokumenty, kategorizovat výdaje a psát komunikaci. Problém je konzistentně jinde.
1. Začali nástrojem, ne procesem
Nejčastější příčina selhání: někdo se nadchne pro nástroj, koupí licenci a začne hledat problémy, které by mu vyhovoval. Pořadí operací je od začátku špatné.
Ve správně fungujícím nákupu už víte, které procesy bolí. Kvalifikační dotazník, který zabere třem lidem dva dny pokaždé, když přijde nový dodavatel. Měsíční výkaz výdajů, který vyžaduje čtyři hodiny práce v Excelu. Porovnání nabídek, které týden leží v něčí poště, protože jako jediný umí číst cenový formát dodavatele.
AI na rozbitém procesu proces neopraví. Jen zajistí, aby se rozbité věci děly rychleji a ve větším měřítku.
Správná počáteční otázka není "co může AI dělat?" Je to "který z našich procesů je pomalý, náchylný k chybám a děje se více než 10krát ročně?" Odpověď na tuto otázku obvykle napíše projektový záměr sama od sebe.
2. Nákup nebyl v místnosti, když se to navrhovalo
AI projekty v nákupu jsou častou iniciativou IT, týmů digitální transformace nebo poradenských firem. Tito lidé navrhnou něco technicky správného. Pak to předají nákupu k používání.
Nástroj neodpovídá tomu, jak nákup skutečně funguje. Kategorie neodráží taxonomii výdajů firmy. Emailové šablony neodpovídají tónu, který nákupčí používají s dlouhodobými dodavateli. Schvalovací tok předpokládá, že každý nákup má jednoho schvalovatele — ale v praxi přímý materiál prochází třemi odděleními a vedoucím supply chain.
Lidé, kteří práci skutečně dělají, nebyli konzultováni. Takže nástroj se začne používat neochotně, pak vůbec.
3. Data byla špinavá
Kmenová data dodavatelů jsou ve většině firem problém. Duplicitní záznamy. Neúplné adresy. Jeden dodavatel zaregistrovaný pod třemi různými názvy, protože tři nákupčí na třech různých závodech ho před deseti lety nastavili samostatně. GL kódování, které je konzistentní v rámci jednoho závodu, ale v sousedním závodě znamená něco jiného.
AI modely špinavá data neopraví. Pracují s tím, co dostanou. Pokud požádáte AI o kategorizaci výdajů a vaše názvy dodavatelů jsou nepořádek, dostanete kategorizaci, která je z 80 % věrohodná, ale tiše špatná ve všech okrajových případech, na kterých záleží nejvíce.
Než pustíte jakékoli AI na nákupní data, potřebujete týden nezdravotnického čištění dat. Většina organizací tento krok přeskočí, protože to nevypadá jako pokrok. Je to nejdůležitější krok.
4. Nikdo nedefinoval, jak vypadá úspěch
Pilot probíhá tři měsíce. Na konci se někdo zeptá: "Funguje to?" Nikdo neví. Nebyla žádná výchozí hodnota. Nikdo nezměřil, jak dlouho proces trval před pilotem. Nikdo nesledoval, zda se přesnost zlepšila. Jediným důkazem pokroku je, že dodavatel poslal zprávu ukazující, že nástroj byl použit 47krát.
Definujte metriky před spuštěním pilotu. Doslova si je zapište: tento proces aktuálně trvá X hodin. Naším cílem je zkrátit ho na Y hodin. Budeme to měřit sledováním Z po dobu 90 dní. Pak skutečně sledujte Z.
5. Vybrali nejsložitější problém jako první
Kontrola smluv je zajímavá. Komplexní hodnocení rizik dodavatelů zní na boardu imponujícně. Plně automatizovaná sourcingová rozhodnutí jsou dobrý marketingový materiál dodavatelů.
Jsou to také technicky nejsložitější, právně nejcitlivější a organizačně nejodolnější projekty, které lze spustit. Když neprobíhají hladce — a obvykle neprobíhají — celý AI program dostane nálepku "ještě není připraveno."
Začněte někde menším a nudnějším. Automatizujte zpracování kvalifikačních dotazníků dodavatelů. Automatizujte kódování výdajů pro jednu kategorii. Automatizujte připomínkové emaily dodavatelům, kteří nepotvrdili přijetí objednávky.
Toto nejsou působivá dema. Ušetří 200 hodin ročně na osobu. Budují důvěryhodnost. Dávají nákupu sebedůvěru k řešení složitějších problémů příští rok.
Vzorec za tím vším
Všech pět důvodů se vrací ke stejné věci: AI bylo považováno za technologické rozhodnutí, ne za rozhodnutí o zlepšení procesů.
Firmy, které to dělají správně, nemají lepší nástroje AI. Mají jasnější pochopení toho, které procesy potřebují zlepšit, čistší data vstupující do modelu a někoho v nákupu, kdo je ochotný strávit čas definováním toho, co "lepší" ve skutečnosti znamená.
To poslední je nejvzácnější zdroj ze všech.