Umělá inteligence je skvělý nástroj. Umí zrychlit práci, doplnit znalosti, ukázat nové souvislosti a někdy překvapí výsledkem, který by člověka samotného nenapadl. Ale je důležité si přiznat realitu – AI není zázračný mozek a už vůbec ne pravdomluvný expert. Je to statistický model, který generuje nejpravděpodobnější odpověď podle naučených vzorů – a někdy trefí přesně, jindy sebevědomě plácne nesmysl. Jak tomu zabránit? To si povíme za chvíli, ale nejdříve trochu opětovné „nalívárny“ na úvod. Případně 

Ano, AI umí zrychlit práci, pomoci s rešerší, sepsat podklady, navrhnout strukturu textu, vysvětlit technický problém. Ale neudělá z nikoho experta. A rozhodně není náhražkou samostatného myšlení. Ti, kdo s těmito nástroji pracují delší dobu, dobře vědí, že i přes všechny postupy, návody a promty se prostě stane, že model odpoví nesmysl.

Umělá inteligence stále a velice ráda halucinuje – a ne, problém není v tom, že používáte free verzi například ChatGPT, hezky halucinují i různé placené verze (hodně se to liší i nástroj od nástroje, třeba v Claude se vám bude stávat méně často, že vám bude AI podvrhávat fake zdroje a obecně mi přijde, že si méně vymýšlí a lépe pracuje s fakty tak nějak obecně už v základu apod.).

To znamená, že informace je potřeba číst, porovnávat a potvrzovat ve vlastní hlavě (zda to není úplná blbost).

Ne proto, že by uživatel „neuměl napsat prompt“.

Ne proto, že by byl líný si to nastudovat.

Ale prostě proto, že umělá inteligence stále nemyslí, jen predikuje nejpravděpodobnější odpověď.

Ano, to je pravda. Vždy se dá napsat lepší a detailnější prompt. To je ale jen polovina pravdy.

Druhá půlka zní: „Kolik času opravdu dává smysl investovat do ladění AI odpovědi… a kdy je rychlejší udělat to postaru?“

Pokud jde o úkol, který by vám běžně zabral desítky minut až hodiny práce, nebo o činnost, kterou budete opakovaně vykonávat, případně vůbec nevíte, jak se do ní pustit, dává smysl využít AI jako pomocníka, který práci urychlí a pomůže vám strukturovat postup.

Typická situace může být například:

• návrh argumentace pro komunikaci s klientem – AI pomůže sestavit logické argumenty, vypíše výhody, námitky a protiargumenty, doplní doporučený tón a styl komunikace,
• sepsání postupu, checklistu nebo metodiky – AI vytvoří přehledný krokový postup, přidá kontrolní body a doporučení, aby byl proces jasný a replikovatelný,
• vytvoření osnovy marketingové kampaně nebo strategie – AI navrhne strukturu kampaně, cílové segmenty, klíčová sdělení a doporučené komunikační kanály,
• návrh logiky pro rozhodovací proces nebo úlohu v projektu – AI pomůže rozdělit problém do kroků, definovat rozhodovací kritéria, možné scénáře a doporučený postup,
• přepis a úprava textu – přepsání hlasové poznámky na text, doplnění struktury, jazyková korekce,
• zestručnění odborného textu – například z 5 stran interní studie udělat jednu srozumitelnou stránku pro vedení,
• rozšíření stručných poznámek – máte 5 odrážek → AI z nich vygeneruje kvalitní souvislý text,
• přeformulace textu pro různé publikum – technická verze, laická verze, obchodní verze,
• vytvoření osnovy – článku, prezentace, SOP, videa, newsletteru, e-mailu,
• vytvoření krátkých variant sdělení – 1 minuta, 10 sekund, social post, headline,
• tvorba rozvrhu nebo checklistu – onboarding zákazníka, harmonogram projektu, příprava nabídky,
• shrnutí meetingu nebo dokumentu – vytažení klíčových bodů, úkolů, deadlinů,
• návrhy variant řešení – například tři různé verze argumentace nebo obchodního e-mailu,
• překlad a úprava tónu – ne jen překlad, ale převedení do českého stylu a kontextu,
• nápady a brainstorming – slogany, claimy, názvy produktů, messaging, obsahové pilíře,
• vysvětlení složitého pojmu – jednoduchá verze s konkrétními příklady,
• doplnění podkladů k rozhodnutí – přehled pro a proti, rizika, alternativy,
• generování follow-up e-mailů – různé tóny a varianty komunikace,
• převod neformálních poznámek – z chaotického textu profesionální výstup,
• vytvoření checklistu kroků – příprava nabídky, výběr dodavatele, realizace projektu,
• návrh struktury informací – třídění dokumentů, CRM polí, projektových úkolů,
• simulace klienta nebo investora – AI hraje roli protistrany a testuje argumenty,
• upozornění na slepá místa – body, které jste opomněli, doplnění souvislostí,
• atd.

Navíc je nutné i znát, nejenom, jaké různé AI systémy existují, ale kdy se hodí nebo naopak nehodí na vypracování úkolu, který potřebujete – protože mají odlišné silné i slabé stránky a jejich vhodnost se proto liší podle typu úlohy.

Některé operace je efektivnější provádět v ChatGPT, jiné zase v Claude AI, Gemini či v nástrojích integrovaných do kancelářských aplikací a někdy se zkrátka nevyplatí AI nástroje použít vůbec a je lepší a rychlejší daný úkol udělat ručně/starým způsobem.

A pak jsou určité operace, které některé nástroj nezvládnou zprocesovat vůbec, zkuste si třeba v Claude nastavit, aby používal správně dolní-otevírací a horní-uzavírací uvozovky (tedy znaky jako „“) u psaní přímé řeči.

Standardně i přes veškerou snahu místo správné varianty: „Ahoj, jak se máš?“

Dostanu: „Ahoj, jak se máš?„

Je tomu tak nejspíše proto, že model pro Claude má primární datové jádro v angličtině. České „“ jsou v datasetu nejspíše zastoupeny marginálně – je to tedy pro něj nízká pravděpodobnost výskytu takového vzoru. A protože AI neřeší pravidla českéjo jazyka, ale pouze statistiku výskytu, bude vám neustále dávat jako vysledek jiný vzor, i když mu daný výsledek zakážete, ukážete mu správné příklady, uložíte mu to do paměti, přidáte tento příkaz do nastavení (preferences) formou custom instructions.

Ani důkladné instrukce či prompt engineering nemusejí pomoci, pokud po modelu chceme výstup v neobvyklém formátu či stylu, který odporuje jeho statistickému nácviku.

Pokud od modelu vyžadujeme styl či formát, který je v přímém rozporu s jeho tréninkem, i při opakovaném upozorňování, ukázkách správného formátu a ukládání trvalých instrukcí se model může po chvíli vrátit ke svým navyklým vzorcům. Důvod je technický – současné jazykové modely se řídí pravděpodobnostními vzory z tréninku a v praxi nemají spolehlivý mechanismus „tvrdých zákazů“. Model tedy dokáže pokyn částečně respektovat, zejména u kratších odpovědí nebo pokud ho aktivně hlídáme – ale u delších textů nebo při stylovém konfliktu často sklouzne zpět k tomu, co „zná nejvíc“. Trvalé přeučení vyžaduje zásah do samotného modelu nebo speciální mechanismy řízeného generování, což není nástroj pro běžné uživatele. Proto stále platí jednoduchá realita – AI umí práci výrazně urychlit, ale lidský dohled a korekce jsou nezbytné. U některých úloh se zkrátka bez manuálních kontrol a úprav neobejdete a někdy správnou odpověď nedostanete nikdy. Tím neříkám, že je AI zcela neschopná, aby si to někdo nevyložil jako, že jeden debil kvůli tomu, že mu to neumí napsat uvozovky, nám dokazuje, že je AI na hovno. Není.

Ale snad to pro pochopení toho, proč se nemůžete spoléhat čistě na AI, stačí. 🙂

AI samozřejmě zvládne spoustu velice užitečných automatizací (reporty, exporty, výcucy a struktury pro SEO/PPC kampaně, které byste jindy dělali desítky hodin, nyní je zvládnete za hodiny – když se vám podaří odladit všechny mouchy – někdy to může být pracnější, jindy to může ušetřit desítky i stovky hodin za rok, když se to podaří).

Stručný tahák k nástrojům viz níže:

• ChatGPT – univerzální velký jazykový model vhodný pro psaní textů, kreativní obsah, marketingové návrhy, vysvětlování složitých témat, logické úlohy, návrh kódu a strukturování informací. Dokáže rychle vytvořit návrhy článků, firemních dokumentů, prezentací, e-mailové komunikace, argumentačních osnov i komunikační strategie pro různé publikum. Občas doplní pravděpodobný odhad místo faktu, pokud není poskytnut zdroj – proto je nutné kontrolovat konkrétní údaje. Pokud uživatel nedodá data, model vychází z tréninkových informací a nemusí reflektovat nejnovější změny.
• Claude – zaměřený na odborné a strukturované texty, práci s rozsáhlými dokumenty, právními materiály a technickými podklady. Silný v logickém řazení informací, argumentaci, přesné práci s terminologií a konzistenci tónu i struktury. Vhodný pro analýzy a právní nebo procesní dokumenty. Díky přísnějšímu přístupu k nejistým informacím méně doplňuje domněnky – u kreativních úkolů ale může působit zdrženlivě a někdy odmítne neurčité zadání. Výborný na programování a kódování, ale není to zrovna super nástroj na kreativní návrhy.
• Gemini (Google) – silný ve vyhledávání a práci s informacemi z webu, vizuální vstupy a úkoly v Google ekosystému. Vhodný pro rešerše, tabulkové výstupy a orientační datové přehledy. Styl je převážně věcný a informativní, méně vhodný pro emocionální marketingový obsah a kreativní copywriting. Umožňuje pracovat přímo s Google dokumenty a tabulkami bez manuálního kopírování dat, umí doplňovat kontext z webu a automatizuje kancelářské workflow v rámci Google Workspace. Pokud žijete v Google ekosystému, je to výrazná úspora času.
• Microsoft Copilot – ideální pro Word, Excel, PowerPoint, Outlook a firemní workflow. Výborný na sumarizaci schůzek, tabulek, firemní dokumentace a e-mailů. Udržuje profesionální tón a je silný v kancelářské agendě – není primárně určen pro kreativní psaní nebo tvorbu výrazné komunikační identity. Propojuje se přímo s firemními dokumenty a daty v Microsoft ekosystému, takže ušetří čas při přípravě prezentací, reportů, smluvních podkladů či e-mailové komunikace. Ideální do firemního prostředí, kde je potřeba rychle zpracovávat reálné dokumenty, tabulky a meetingové zápisy.
• Notion AI – nástroj pro organizaci informací, zápisy, SOP, checklisty, interní manuály a dokumentaci. Převádí neformální poznámky do jasné struktury a pomáhá tvořit systémové podklady pro firemní procesy, projekty a znalostní báze. Silný tam, kde je potřeba pořádek, logika a přehlednost obsahu – méně vhodný pro kreativní nebo emotivně laděné texty, protože přirozeně generuje věcný, procesní tón.
• Midjourney – vhodný pro stylizované vizuály, branding, moodboardy, produktové scény a koncepty. Exceluje v estetice a originalitě. Je to skvělý nástroj na nové vizuály a možné nápady, případně pro vytvoření nových vizuálů, které mají podtrhnout nějakou náladu a celkový vizuální styl. Umí udělat krásné obrázky a pomáhá představit si, jak by věci mohly vypadat. Není ale úplně vhodný tam, kde je potřeba technická přesnost – třeba správné proporce, detaily konstrukce nebo věrná podoba konkrétních lidí a výrobků. Je to spíš kreativní nástroj než technický, takže výsledek vypadá hezky, ale nemusí být úplně podle reality, kterou potřebujete.
• Stable Diffusion – flexibilní nástroj pro realistické obrázky, retuše, produktové vizualizace a přesnou kontrolu nad výstupem. Lze provozovat lokálně, upravovat styly, používat kontrolní nástroje (např. ControlNet) a trénovat vlastní modely tak, aby obrázky odpovídaly konkrétním požadavkům – například realistická podoba konkrétního produktu, obličeje, značky nebo architektury. Oproti Midjourney není jen „nástroj pro nápady“, ale umožňuje učit model vlastní vizuální styl nebo konkrétní objekt tak, aby výsledek vypadal dle reality. Díky tomu je vhodný pro situace, kde je důležitá přesná shoda s realitou, ne pouze kreativní vzhled. Vyžaduje však určitou technickou zdatnost, práci s parametry a trpělivost při ladění – ⁠teprve pak s tímto nástrojem dosahujete profesionálních výsledků.
• Runway – vhodný pro tvorbu krátkých video scén, vizuálních efektů a kreativních klipů. Skvělý pro prototypy a vizuální inspiraci. U delších videí je proces výrazně náročnější a vyžaduje řadu mezikroků, manuálních úprav a postprodukce – produkce delších videí může trvat desítky hodin a nebývá nutně levnější než klasický postup.
• Pika Labs – zaměřený na krátké animace, stylové video klipy a dynamické efekty pro sociální obsah. Ideální pro vizuální nápady a krátký motion-design. Není určen pro dlouhé filmové materiály nebo technicky náročné video projekty.
• Sora – model pro generování videí na základě textu, obrázků nebo klipů; umožňuje vytvářet vizuálně velmi kvalitní krátké sekvence, převádět scénáře na video a propojit různé záběry v jednom díle. Vyniká v rychlém prototypování vizuálních nápadů a scénických návrhů a poskytuje snadné rozhraní pro tvorbu videoobsahu. Není ideální pro dlouhé či komplexní produkce s vysokou mírou postprodukce a technické stability, protože generování delších videí stále vyžaduje velké množství času, manuálních úprav a zkušeností s editací.
• ElevenLabs – realistická syntéza hlasu pro voice-over, dubbing a firemní komunikaci. Zachycuje intonaci a přirozený projev. U jazyků s menší podporou může být potřeba doladění výslovnosti.
• Descript – skvělý nástroj pro střih videa a audia podle textu. Vhodný pro podcasty, online kurzy, firemní rozhovory a edukativní obsah. Efektivní pro mluvený obsah a skriptované nahrávky – není specializován na filmový střih nebo dynamické reklamy.
• HeyGen – avatarové video prezentace, firemní onboarding, zákaznické zprávy a lip-sync videa. Umožňuje rychlou produkci mluvících avatarů bez natáčení. Nejlepší pro formální a informační obsah – avatarový tón není určen pro dramatický nebo emocionální storytelling. U delších videí se výrazně zvyšuje čas zpracování i cena, často s horším výsledkem než u klasického natáčení.
• Lovable.dev – zaměřený na rychlý vývoj aplikací a prototypování pomocí AI (vytvoříte v něm poměrně snadno a levně MVP). Dokáže převést textový popis do funkční aplikace s backendem, frontendem i databází. Silný v generování UI, komponent, logiky a základní architektury projektu – včetně automatického vytváření kódu, testů a verzovacích commitů. Ideální pro zakládání projektů, MVP, interní nástroje, dashboardy nebo validaci nápadů. Výrazně urychluje práci díky integrovanému editoru a AI asistenci přímo v kódu. Nepřepisuje slepě kód, ale snaží se ho rekonstruovat a optimalizovat – u komplexních nebo nestandardních projektů však může vyžadovat technický dohled a manuální úpravy. Není určen jako plná náhrada seniorního vývojáře, ale jako akcelerátor práce, který výborně poslouží pro prototypy, proof-of-concept řešení a rychlé spuštění nápadů, které lze následně ladit ručně.

Zároveň je třeba vždy prostě si osobně umět zvalidovat, kdy se vyplatí se dále ještě dělat a s promptem, aby mi to vyhodilo dokonalý výsledek anebo zda neexistuje nějaká jednodušší cesta, protože AI nástroje opravdu nejsou samospasitelné a čím více na ně budete spoléhat, tím větší dopady na vás budou mít různé budoucí aktualizace a změny modelů daných nástrojů.

Příklady:

• Logo nebo vizuální identita – AI může rychle navrhnout styl a nápad – finální podobu ale doladíte ručně v grafickém editoru, protože chcete mít nad výsledkem plnou kontrolu, případně počítáte s tím, že budete s daným vizuálem provádět více editací apod.
• Copywriting a marketingové texty – AI skvěle nakopne myšlenku, dá varianty, pomůže s brainstormingem – ale finální verzi si dopisujete sami, ať je tón i sdělení osobní a přesné, nejsou tam faktické chyby, překlepy, neexistující slova, správná tonalita a vyznění jazyka.
• Komplexní rozhodnutí (finance, strategie, technické řešení) – AI dá rychlý přehled a shrnutí možností – ale finální rozhodnutí musí vzejít z kombinace AI, zkušeností a selského rozumu (například zákaznického cyklu nebo fungování vaší společnosti).
• Hromadná úprava/filtrace senzitivních dat – necháte si od AI poradit například vzorec/postup, jak na to (vyhnete se tak hlavně chybám, které vám tam u větších data setů zvládne nasekat více, když mu nedáte naprosto dokonalé instrukce, nad jejichž tvorbou byste strávili dlouhé hodiny).
• Smlouvy a právní texty – AI pomůže se strukturou a upozorní na rizika – finální znění ale musí projít kontrolou právníka, protože chybná formulace může znamenat reálné riziko pro vás/vaši firmu. Ale minimálně pro rychlý nástřel kapitol a co byste měli podchytit to je může být dobrý pomocník.
• Technická řešení a architektura – AI navrhne možné postupy a technologie – ale konečné rozhodnutí vychází z vaší znalosti prostředí, bezpečnosti a systémových omezení, budgetu, features, které potřebujete a tisíce dalších parametrů.
• Projektový management – AI připraví harmonogram, úkoly a komunikační body – ale prioritizaci, lidské kapacity, rizika a změny v čase musí řídit člověk.
• Analýza dat a reporty – AI shrne data a navrhne závěry – ale člověk musí ověřit, zda model správně pochopil kontext a nevyvodil nesprávný závěr.
• Zákaznická komunikace – AI připraví texty odpovědí, shrnutí a varianty reakcí – ale empatický tón a finální výběr zůstává na člověku, protože nuance a emoce AI neumí plně postihnout, nehledě na to, že asi nechcete, aby zákazníkům chodily jako odpovědi nesmysly. Zde ještě třeba dodat, že vám AI dokáže zformulovat nějaké základní odpovědi, na hlubší odpovědi na technické dotazy se opravdu moc nehodí, protože je neumí obsáhnout příliš do hloubky. Ale například – vaše zákaznické centrum může použít vstupní dotaz zákazníka a nechat si vyplyvnout, co by mohlo být vhodným návrhem řešení pro takového klienta.
• Výběr dodavatele / zaměstnance – AI pomůže definovat kritéria a porovnání – ale reálnou hodnotu člověka či firmy posoudíte až kombinací referencí, chování a kontextu. AI lze využít k přípravě procesu a struktury výběru, ne k nahrazení lidského úsudku. Současně není vhodné (a v mnoha případech ani legální) používat AI pro automatizované „hodnocení lidí“ nebo rozhodování bez lidského přezkumu – zejména u životopisů, osobnostních závěrů nebo profilování uchazečů.
• Prezentace a podklady pro vedení – AI generuje osnovu, vizuál a shrnutí – ale vy ladíte přesné sdělení, fakta a tón komunikace.

Co z toho všeho plyne?

Že AI není kalkulačka. Je to nástroj, který vyžaduje:

• experimentování,
• kritické myšlení,
• schopnost ověřovat fakta,
• mít také vlastní znalosti a schopnost se dále učit a vzdělávat v dané oblasti/tématu (protože jinak nevím, jak se správně zeptat nebo co je halucinace/totální nesmysl).

Stejně tak neexistuje univerzální prompt, který z vás udělá odborníka bez práce.

Proč?

Zde tedy platí – abyste uměli zadat/zformulovat pro AI správnou otázku, abyste dostali odpovídající relevantní výsledek, musíte rozumět tématu/problematice.

Bez toho:

• nemáte jak poznat, že AI sebevědomě a velmi přesvědčivě lže,
• neumíte si vybrat správné informace a odfiltrovat nesmysly,
• nedokážete navázat další dotaz správným směrem,
• nevíte, kdy výstup AI použít a kdy ho ignorovat.

To je jako mít skalpel – samotný nástroj z vás taky neudělá chirurga. Prompt je jen „šíp“, ale trajektorii a cíl určuje člověk, který AI zadává příkazy (prompty). Dá se to samozřejmě obejít procesem tzv. loupání cibule, kdy postupně zadáváte AI své jednotlivé zpočátku hloupé otázky, ať vám postupně vysvětluje dané téma, až jej zběžně navnímáte a umíte se ptát lépe. Ale to pořád z vás nedělá experta na danou oblast (není to ani technicky možné – těžko do svého mozku nacpete za pár minut všechno vědění, které někdo postupně vstřebával roky).

AI vám může být výborným parťákem. Ale jen pokud řídíte vy ji, a ne ona vás.

A teď si povíme, jak tedy správně AI řídit, aby vám posílala nazpět alespoň trochu použitelné výsledky.

Jak dostat z AI lepší a přesnější odpovědi?

1 krok: Vybrat správný nástroj na správný úkol a také určit si, zda skutečně na to potřebuji AI

Různé úkoly potřebují různé nástroje. ChatGPT není universální řešení, i když se tak tváří. Pokud ho použijete na špatný typ úkolu, dostanete špatné výsledky. Jednoduché.

Viz poznámky k nástrojům výše – tuto znalost získáte jen tím, že ty nástroje denně používáte a vytěžujete. Jen tak poznáte a naučíte se, kdy se hodí, kdy je lepší jim něco zadat jinak a kdy nemá smysl to ani zkoušet skrze AI vyřešit, protože byste psaním takového dokonalého promptu zabili naopak násobně více času než dokončením samotného úkolu vlastními silami.

Další úrovní pro zefektivnění práce s AI modely je mít NotebookLM, který je určený pro práci s vlastními podklady – smlouvami, PDF, prezentacemi, firemními dokumenty či studijními materiály.

Na rozdíl od běžných chatbotů není odkázán jen na „paměť modelu“. NotebookLM se přímo opírá se o konkrétní zdroje, ne o odhad (grounding) v nahraných zdrojích – čte je, analyzuje a odpovídá podle nich. Používá jen obsah, který mu dáte – takže máte kontrolu nad zdroji a nad tím, odkud AI čerpá informace. To je zásadní u důvěrných dokumentů nebo interních materiálů. A také – a to hlavně – to výrazně snižuje riziko halucinací. A kromě toho navíc NotebookLM umožňuje vytvořit souhrny, studijní materiály, podklady k prezentacím, briefingy nebo otázky a odpovědi přímo ze zdrojů, které nahrajete (PDF, Docs, texty, zápisy, výzkumy), což zase o něco zefektivňuje práci na PC.

Pokud potřebujete minimalizovat riziko halucinací a máte k dispozici vlastní zdroje, nejlepší volbou je NotebookLM – pracuje přímo s nahraným obsahem, takže odpovědi staví na skutečných datech, nikoliv odhadu.

Když zdroje nemáte a potřebujete je nejprve najít, skvěle se osvědčuje Perplexity. Je rychlý, transparentně uvádí odkazy a jeho informace lze snadno ověřit. Přestože i on může halucinovat, díky citovaným zdrojům je kontrola výrazně jednodušší. Jeho režim Deep Research trvá zpravidla jen 2-3 minuty a místo zbytečné délky klade důraz na množství relevantních zdrojů a jejich propojení.

Naopak i u zaběhlých modelů, jako je ChatGPT nebo Gemini, se může stát, že dostanete sice perfektně napsaný dlouhý text – který ale ve výsledku neodpoví přesně na otázku. Proto je důležitější kvalita zdrojů a ověřitelnost informací než poetika nebo rozsah výstupu.

2. krok: Nejjednodušší a zároveň nejdelší cesta – prostě se zeptat

Otevřete ChatGPT, napíšete otázku a čekáte na odpověď. Tohle dělá většina lidí. A právě proto dostávají špatné výsledky. Když jen napíšete otázku bez dalších instrukcí, ChatGPT automaticky použije rychlý model, takzvanou Instant verzi. Ta je sice svižná, ale hodně nepřesná a má obrovskou tendenci si vymýšlet.

Takže pozor na to.

Na druhou stranu na většinu jednoduchých dotazů to může stačit (jednoduše nemáte čas psát detailní prompt každou na stupidní věc, navíc když cca tušíte onen správný výsledek – je to opět o vašem vlastním vyhodnocení – když vím, že jdu řešit složitější/techničtější dotaz, budu věnovat více času přípravou promptu a naopak – u jednoduchých dotazů tam můžu hodit jednoduchou otázku, ale o to spíš musím počítat s blbou odpovědí – ono, co si budeme nalhávat – tu můžete dostat i u detailnějšího promptu, protože zrovna super pamětí žádný AI model zatím neoplývá, takže vám mnohé prompty zkrátka nějaký čas zaberou…).

Ale – dotaz je bez kontextu, bez role, bez pravidel → výborný recept na halucinace (tzn. že dostanete vymyšlenou a nepravdivou odpověď).

Lepší je AI modelu dát instrukce + roli (roleplay). Už jen tímto krokem se kvalita odpovědí dramaticky zlepší, což dokazují i data z některých studií. Postačí, když AI přiřadíte konkrétní expertní role s detailním popisem.

Některé současné studie dokazují, že simulace více expertních rolí výrazně zlepšuje spolehlivost, bezpečnost a užitečnost AI odpovědí. (o 8,69% se zvýšila pravděpodobnost pravdivých informací z AI). Případně základy najdete také v článku: Effective Prompts for AI: The Essentials.

Což je ostatně, co většina uživatelů tak nějak dělá podvědomě, když dostane blbou odpověď. Jednoduché, ale účinné – prostě napíšete příkaz:

Jsi odborník/specialista/expert na… a zároveň jsi profesor z Harvardu a k tomu výstup píšeš jako novinář, kdy text má být pochopitelný i pro laika apod.

Pokud umíte anglicky, pochopit principy fungování LLM modelů vám může pomoci článek: Unleashing the potential of prompt engineering for large language models.

Ještě přesnější a spolehlivější výsledky získáte, pokud aktivujete možnost využití internetu.

Model se pak neopírá pouze o tréninková data dostupná k datu svého natrénování, ale dokáže si ověřit a doplnit informace podle aktuálního stavu k dnešnímu dni. To je zásadní zejména u témat, která se rychle mění – například legislativa, dotace, trh s energiemi, technologie nebo ekonomická data (respektive v pdostatě vždy, protože chcete ideálně ty nejvíce aktuální data).

3. krok – Aktivujte „Thinking“ režim pro hlubší a přesnější odpovědi, případně Deep research

Ještě daleko přesnější výsledky získáte, když aktivujete režim „Thinking“ (u ChatGPT označený jako volba „Thinking“).

Tento režim patří k nejnovějším verzím modelu GPT‑5, které mají zabudované „myšlení“ –  tj. hlubší logické kroky a delší analýzu. Důsledkem je, že odpovědi mohou být kvalitnější a odbornější – ale zároveň trvá odpověď výrazně déle.

Je však potřeba počítat s tím, že odpověď trvá výrazně déle než u rychlého „instantního“ režimu. Thinking mód tedy použijete tehdy, když je pro vás důležitější kvalita než rychlost – například u náročnějších odborných dotazů, rešerší, technických témat, legislativy nebo finančních rozhodnutí.

A kde se zapíná Thinking režim v ChatGPT?

Ještě o stupeň výš je agentní režim „Deep Research“.

Nejde jen o „chytřejší odpověď“, ale o řízený vícekrokový postup.

AI si sama rozplánuje práci, systematicky projde relevantní webové zdroje i vaše podklady, průběžně vyhodnocuje kvalitu nálezů, porovnává tvrzení napříč zdroji a zjištění skládá do ucelené zprávy s jasnou strukturou a citacemi.

Výsledkem bývá rozsáhlý report – klidně kolem 15 stran, s desítkami odkazů a tabulek či grafů – který je připravený k exportu do PDF a okamžitému předání kolegům nebo klientům. Dává smysl ho zapnout ve chvíli, kdy potřebujete maximum přesnosti a ověřitelnosti – například u legislativních rešerší, technických srovnání, investičních podkladů, due-diligence, tržních analýz či komplexních strategií.

Daní za takovou hloubku je delší čas zpracování a náročnost na zdroje – ale pokud jde o kvalitu, „Deep Research“ dnes představuje špičku toho, co AI umí nabídnout.

Pokud chcete dostat co nejpřesnější výstup, tak napište úkol co nejkonkrétněji (účel, rozsah, publikum, požadovaný formát, metriky srovnání, vyloučené zdroje) a přidejte kritéria kvality – například:

Porovnej minimálně 8 zdrojů, uveď metodiku výběru, odděl „zjištění“ od „interpretace“ a připoj seznam rizik a neznámých.

Tím dostanete zprávu, která jde víc „na kostru“ problému a není jen kompilát odkazů.

Jen je tato metoda dost nepraktická z časového hlediska, respektive moc dlouho čekáte a často ne vždy dostanete odpověď, kterou potřebujete (osobně se mi vždy osvědčilo si mezitím, co to chroustá, si jít zkusit téma také trochu načíst a porovnat výsledek s tím, co mi vygrcne ChatGPT).

A kde se zapíná agentní režim „Deep Research“ v ChatGPT?

Místo opakování stejných instrukcí v každém chatu použijte chytřejší přístup – zeptejte se AI „Jaké všechny informace potřebuje, aby vám co nejlépe odpověděla na <váš dotaz>?

Ještě lepší je investovat trochu času do nastavení vlastních pokynů (custom instructions), které budou platit pro všechny konverzace. A nejefektivnější řešení pro opakující se úkoly je vytvořit si vlastní specializované GPT. Deep Research je skutečně nejlepší současná funkce AI pro komplexní hledání a analýzu.

Ale i přesto platí železné pravidlo – vždy a vše ověřujte. Ani ta nejpokročilejší AI není stoprocentně spolehlivá. Proč, to jsme si už vysvětlili několikrát výše – protože je to jen stále model pracující na bázi pravděpodobnosti.