Target přiznal něco, co si velká část firem zatím nechává pro sebe - AI se mu přesunula z „nice to have“ do infra vrstvy, ale účet začíná být dost bolestivý. Podle šéfky indické pobočky Andrey Zimmermanové se řetězec posunul z fáze, kdy „AI někde používá“, do stavu, kdy „na AI plně běží“, jenže změna cenových modelů u velkých poskytovatelů (OpenAI, Anthropic a spol.) donutila firmu brzdit a mnohem přísněji vybírat, kam AI opravdu pustí.
Pro investory jde o zajímavý paradox: Target měl za sebou tři roky klesajících tržeb, nový CEO Michael Fiddelke plánoval utratit další 2 miliardy dolarů za prodejny, rekonstrukce a AI - a současně mu rostly variabilní náklady na samotnou „mozkovnu“, která má ten obrat doručit. AI se tak z marketingového buzzword stala položkou, kterou řeší architektonické týmy i nejvyšší vedení na úrovni „co nám to přesně dělá s marží a capexem“.
Od „AI někde máme“ k „fungujeme s AI“
Zimmermanová popisovala dvě klíčové posuny:
Target $TGT přešel od pilotních AI projektů k tomu, aby AI byla zabudovaná v core procesech - plánování zásob, pricing, personalizace, řízení promo akcí, logistika.
zároveň ale začal tlačit na „intentional use“ - tedy ne AI všude, ale AI tam, kde má jasný byznysový dopad: rychlejší obrat zásob, menší odpisy, lepší produktový mix, vyšší koš na zákazníka.
Pro retail řetězec to dává smysl:
AI ti může vychytat, co přesně naskladnit v konkrétní lokaci
kdy přecenit sezonní zboží, aby se neprodávalo pod náklady
nebo kde má smysl poslat vlastní značku do přímého souboje s diskontem
Ale každá taková „chytrá“ funkce teď znamená konkrétní spotřebu tokenů a účet vůči poskytovateli modelu.
Tokenové AI: proč to Target začalo bolet
Druhá rovina je čistě nákladová. OpenAI, Anthropic a další přecházejí na model: zaplatíš za to, co skutečně využiješ - počty tokenů při spuštění modelů, šířku kontextu, typ modelu. To je pro velký enterprise:
flexibilnější (neplatíš za kapacitu, kterou nevyužiješ)
ale zároveň rizikovější (závislost na objemu požadavků, které ti utečou, pokud nemáš dobrý governance)
Zimmermanová řekla přímo, že tento posun „nutil Target přehodnotit strategii“. Debata o AI tak probíhá na dvou rovinách:
v architektonických fórech (jak navrhnout systémy, aby tokeny používaly co nejefektivněji)
na úrovni senior leadershipu (kolik AI iniciativ si letos reálně můžeme dovolit, aniž by sežraly rozpočet)
Pro investora je to důležitý signál: AI adopce už není binární (máme / nemáme), ale o tom, jestli má firma v ruce i finanční páku - rozumný cost management kolem modelů.
Indie jako páteř: 40 % tech lidí, fokus na analytiku
Target India už není backoffice, ale centrum, kde se AI a data překlápí do reality.
V Bengalúru pracuje zhruba 5 600 lidí, z toho kolem 40 % celé technologické pracovní síly Targetu.
Týmy pokrývají merchandising, digitál, prodejny i supply chain.
Firma tam chce ještě víc posílit analytiku - hlavně schopnost proměnit obrovský objem dat do rychlých insightů: co se prodává, kde, za jakou cenu, jak reaguje zákazník na promo, jakým tempem se mění sentiment.
Cílem je zkrátit smyčku: data → insight → akce. V retailu rozhodují týdny: jestli přeceníme zboží, když už zákazník odešel ke konkurenci, je pozdě. AI a analytika v Indii mají být přesně tím „rychlostním převodem“.
Byznysový kontext: tři roky poklesu tržeb, 2 mld. dolarů do AI a obchodů
Target přitom není v situaci, kdy by mohl „bezbolestně experimentovat“.
Tržby firmy poslední tři roky klesaly - tlak na cenu, odklon části zákazníků k levnějším alternativám, slabší poptávka po diskrečním zboží.
Nový CEO Michael Fiddelke nastavil plán navýšit capex o cca 2 miliardy dolarů - kombinace nových prodejen, remodelů a AI iniciativ.
Firma tedy navýší investice ve chvíli, kdy top line stagnuje nebo klesá - což z ní dělá klasickou „turnaround + tech“ story.
Z pohledu akcie:
AI není jen cool téma na výsledkový call
ale nástroj, kterým si Target musí vybojovat zpět růst tržeb a marží
zároveň však právě AI (přes tokenové pricing modely) dokáže ten plán prodražit
Co by měl řešit investor
Místo otázky „kolik AI Target používá“ je zajímavější ptát se:
Kde přesně AI přidává EBIT
konkrétní use‑case: řízení zásob, cenotvorba, personalizace promo?
jaké mají očekávané dopady (menší markdowns, nižší stock‑outs, vyšší konverze online)?
Jak Target řídí AI náklady
má interní metriky typu „tokeny / objednávka“ nebo „AI náklad / ušetřený markdown“?
dává smysl víc stavět na vlastních modelech vs čistý reliance na velké poskytovatele?
Kapacita doručit změnu
40 % tech lidí v Indii je výhoda na nákladové straně, ale i organizační test: jak dobře zvládnou remote alignment mezi US byznys týmy a indickým engineeringem?