Kterou AI vybrat? Ve skutečnosti rozhodujeme, komu dovolíme chybovat za nás.

Technologie, rozhodování & odpovědnost

ChatGPT, Claude, Gemini, Copilot, Perplexity, Grok, Mistral nebo vlastní model? Otázka zní jednoduše jen do chvíle, než si všimneme, že neporovnáváme jednu věc. Model může být výborný a produkt nepoužitelný. Citace může být pravá a závěr chybný. Dlouhý kontext může dokument pojmout, ale nepochopit. A nejlevnější předplatné může být nejdražší ve chvíli, kdy započítáme kontrolu, chyby a závislost.

1. Porada, na níž mají všichni trochu pravdu

Představme si vedení středně velké české firmy. Ředitel chce ChatGPT, protože jej považuje za nejuniverzálnější. IT oddělení navrhuje Microsoft Copilot, protože firma žije v Outlooku, Teams, Excelu a SharePointu. Vývojář prosazuje Claude nebo specializovaného programátorského agenta. Marketing chce Gemini kvůli službám Googlu. Analytik požaduje Perplexity, protože u odpovědí vidí zdroje. Kolega, který sleduje dění na síti X, věří Groku. Bezpečnostní manažer by nejraději provozoval otevřenou váhu uvnitř vlastní infrastruktury.

Na první pohled je to spor značek. Ve skutečnosti každý popisuje jiný problém. Ředitel porovnává šíři hotové aplikace. IT integraci s firemními daty a identitou. Vývojář pracovní aparát, který umí číst repozitář a spouštět testy. Marketing dostupné modality. Analytik rešeršní proces. Bezpečnostní manažer přenos dat, správu klíčů a možnost auditu.

Proto mohou být všichni částečně správně a společné rozhodnutí přesto špatně. Pokud firma koupí jednu licenci podle vítěze internetového žebříčku, odpoví na otázku, kterou si nikdo přesně nepoložil. „Nejlepší AI“ není vlastnost produktu podobná hmotnosti nebo rozměru. Je to zkratka pro soubor různých požadavků: kvalitu textu, práci se zdroji, rychlost, cenu, opakovatelnost, konektory, oprávnění, export, soukromí a následky omylu.

První důležité rozlišení tedy nezní, který dodavatel vede. Zní, co přesně má být předmětem srovnání. Jinak stavíme vedle sebe motor, automobil, navigaci a taxislužbu a překvapuje nás, že každý vítězí v jiné disciplíně.

Model není produkt. Produkt není agent. Agent není firemní systém. A benchmark není skutečná práce.

— Jiný Kontext

2. Jedna odpověď má nejméně šest vrstev

Když se na obrazovce objeví odstavec, tabulka nebo opravený kód, snadno vznikne dojem, že jej „napsal model“. Jenže výsledek obvykle vzniká v řetězci několika vrstev. Každá může kvalitu zvýšit, snížit nebo změnit druh chyby. Dva produkty se stejným základním modelem proto nemusí odpovědět stejně a tentýž produkt se může chovat odlišně podle režimu, účtu nebo zapnutých nástrojů.

Základní model určuje důležitou část schopností, ale není jediným aktérem. Aplikace může před dotaz vložit vlastní instrukce, připojit historii, vyhledat dokumenty, odpověď zkrátit nebo ji poslat dalšímu nástroji. Programátorský agent může tentýž návrh ověřit testem, zatímco běžný chat pouze vytiskne kód. Vyhledávací produkt může odpověď opřít o aktuální web, ale také vybrat špatný zdroj. Podnikový asistent může najít interní zápis, který izolovaný model nikdy neviděl, ale zároveň zdědit chaos ve firemních oprávněních.

Právě zde vzniká první chyba většiny veřejných srovnání. Nadpis oznámí souboj dvou modelů, ale ve skutečnosti porovnává dvě aplikace s jinými nástroji, limity a instrukcemi. Nebo naopak změří čisté API bez vyhledávání a výsledek vydává za verdikt o hotovém produktu. Poctivé srovnání musí uvést nejen název, ale také verzi aplikace, režim, dostupné nástroje, přiložený kontext, limit času a způsob kontroly.

Tato vrstevnatost není akademický detail. Určuje, kam se obrátit při selhání. Pokud odpověď neznala včerejší změnu zákona, mohl chybět webový zdroj. Pokud přehlédla odstavec uprostřed smlouvy, mohl selhat výběr kontextu. Pokud agent přepsal správný soubor, problém mohl být v oprávnění a kontrolním kroku. Věta „AI se spletla“ je začátek diagnózy, nikoli její konec.

3. Nejlepší systém je ten, jehož chybu si můžete dovolit

Uživatelé obvykle hledají systém s nejvyšší pravděpodobností správné odpovědi. To je rozumné, ale neúplné. Stejně důležité je, jak chyba vypadá, zda ji lze poznat, kolik stojí její oprava a jestli je výsledek vratný. Překlep v návrhu sloganu je levná chyba. Smyšlená citace v právním podání je drahá. Špatně pojmenovaný soubor lze vrátit. Odeslanou zprávu klientovi nebo změnu výrobního systému už někdy ne.

NIST používá pro přesvědčivě podaný chybný obsah pojem konfabulace a upozorňuje, že může zahrnovat nepravdivá fakta, vymyšlené citace i vnitřně rozporné vysvětlení. Riziko neroste pouze s četností omylu. Roste také tehdy, když profesionální styl svádí člověka k nepřiměřené důvěře.^[17]

Tím se mění i výběrová otázka. Neptáme se pouze, který systém odpoví nejlépe v průměru. Ptáme se, který systém selže způsobem, který v našem procesu zachytíme. Kreativní tým může tolerovat deset nepoužitelných nápadů, protože jeden dobrý snadno pozná. Účetní oddělení nemůže tolerovat jedinou skrytou změnu desetinného znaménka. Vývojář může přijmout chybný návrh, pokud test spolehlivě selže. Lékař, soudce nebo úředník nesmí zaměnit plynulost textu za přezkoumatelný odborný závěr.

Schopnost systému je tedy jen jedna osa. Druhou tvoří pozorovatelnost, třetí vratnost a čtvrtou dopad. Produkt s o něco slabším modelem, ale jasnou historií zdrojů, omezenými oprávněními a schvalováním může být pro organizaci bezpečnější a ekonomicky lepší než vítěz benchmarku bez těchto opor.

4. Benchmark je mapa. Není to rozsudek

Benchmarky jsou potřebné, protože nahrazují část dojmů opakovatelnou zkouškou. Problém vzniká ve chvíli, kdy jedno skóre začne představovat celou schopnost systému. Stanfordský projekt HELM staví hodnocení na širokém pokrytí situací, více metrikách a standardizovaných podmínkách. Současně výslovně připomíná neúplnost: nelze změřit všechny domény, jazyky, způsoby interakce ani rizika jedním žebříčkem.^[18]

Každý test obsahuje skrytá rozhodnutí. Kdo vybral úlohy? V jakém jazyce? Dostane model nástroje? Kolik času a pokusů? Hodnotí se přesný řetězec, nebo funkční výsledek? Započítává se cena? Smí systém hledat na webu? Je testovací sada starší než tréninková data? Odpověď na kteroukoli z těchto otázek může změnit pořadí.

Výmluvný příklad přišel z programátorských testů. OpenAI v červenci 2026 zveřejnila audit veřejné části SWE-Bench Pro o 731 úlohách. Automatizovaný postup označil 200 úloh, tedy 27,4 procenta, za pravděpodobně problematické; lidská anotace označila 249 úloh, tedy 34,1 procenta. Mezi potížemi byly příliš úzké testy, neúplné zadání i kontroly, které pustily nedokončené řešení. Jde o audit jednoho konkrétního datasetu provedený jednou organizací, nikoli o důkaz, že benchmarky nemají cenu. Ukazuje však, že i přesné procento může přesně měřit vadnou podmínku.^[20]

Pro nákup je proto důležitější malý interní benchmark než cizí celkové pořadí. Třicet skutečných úloh firmy — s reálnými dokumenty, českým jazykem, schválenými daty a skutečnými kontrolami — může říci více než tisíc otázek z domény, kterou organizace nikdy nepoužije. Veřejný benchmark pomůže vybrat kandidáty. Rozhodnutí musí udělat práce.

5. Srovnávejme ekosystémy, ne maskoty

Trh lze popsat bez falešného stupně vítězů. Následující mapa neříká, kdo je obecně první. Ukazuje, kolem jaké práce jednotlivé ekosystémy stavějí produkt, jaký druh kontextu přinášejí a které selhání má kupující během zkoušky cíleně hledat. Stav funkcí a plánů se mění; rozhodující je proto vždy aktuální stránka poskytovatele a podmínky konkrétního účtu.

Řádky nejsou rozsudkem nad kvalitou modelů. Stejný dodavatel nabízí více tříd, režimů a produktů a každý z nich se může během několika měsíců změnit. Mapa má zabránit jiné chybě: aby firma koupila výborný model v produktu, který nevidí její práci, neumí ji bezpečně dokončit nebo ji uzavře do prostředí, z něhož se později obtížně odchází.

6. OpenAI: výhoda širokého pracovního stolu

Ekosystém OpenAI dnes nespočívá pouze v chatu. Firemní nabídka spojuje konverzaci, analýzu, tvorbu, programování, pracovní agenty a konektory do dalších služeb. Oficiální firemní přehled zároveň rozlišuje běžný firemní plán a smluvně řešené podnikové možnosti s širší správou, retenčními pravidly a kontrolou přístupu.^[1]

Silnou stránkou takové šíře je menší tření při přechodu mezi úlohami. Uživatel může ve stejném prostředí rozebrat tabulku, vyhledat zdroje, připravit text, pracovat s obrázkem a předat část úkolu programátorskému aparátu. To je praktická hodnota, kterou čistý test modelu nezachytí. Univerzálnost však vytváří i nový požadavek: uživatel musí vědět, zda právě používá rychlou odpověď, hlubší výzkum, připojenou službu nebo agenta s možností měnit soubory.

Co je potřeba testovat

První zkouška se týká konzistence mezi režimy. Stejný dotaz položený běžnému chatu, výzkumnému režimu a agentovi není totožný experiment. Druhá se týká nákladů a limitů: marketingové slovo „neomezeně“ může mít ochranné podmínky, rozdílné modelové limity nebo doplňkové kredity. Třetí se týká dat. OpenAI uvádí, že data z ChatGPT Business, Enterprise a API nejsou ve výchozím nastavení používána k trénování modelů a že kvalifikované organizace mohou získat retenční a rezidenční volby.^[2] To je podstatná vlastnost konkrétního smluvního režimu, nikoli automatická vlastnost každého osobního účtu a každého připojeného nástroje.

Pro jednotlivce, který chce jednu širokou službu, může být tato integrace rozhodující. Pro organizaci ale nestačí věta „máme ChatGPT“. Potřebuje znát typ workspace, vlastníka dat, povolené konektory, pravidla sdílení, export, záznamy akcí a hranici, za níž musí člověk výsledek schválit.

7. Anthropic: soustředěná práce není totéž co bezchybná práce

Claude se profiluje jako prostředí pro práci s dokumenty, výzkum, kód a delší pracovní postupy. Oficiální přehled plánů spojuje placené účty s projekty, výzkumem, konektory a nástroji pro programování i další tvorbu. Současně upozorňuje na limity použití a na to, že kapacita závisí na délce a složitosti konverzací, zvoleném modelu a použitých funkcích.^[3]

To je důležitější než prostý počet zpráv. Dlouhý dokument, několik souborů a agentní běh mohou spotřebovat úplně jinou část kapacity než krátká otázka. Uživatel proto nekupuje jen přístup k určitému názvu modelu. Kupuje průchodnost pracovního dne: kolikrát může úlohu opakovat, jak dlouhý výstup dostane, zda může pokračovat po přerušení a kolik stojí další výpočet.

Příjemný styl může zakrýt stejný starý problém

Dobře strukturovaný text působí jako známka porozumění. Není jí automaticky. Při redakční nebo analytické práci je třeba zvlášť kontrolovat, zda systém nezaměnil autorovu tezi za vlastní doplnění, nevynechal nepohodlnou výjimku nebo nesjednotil dva odlišné zdroje do hladkého, ale neexistujícího konsenzu. Kvalita formulace snižuje náklady na editaci; současně může zvýšit náklady na odhalení věcné chyby, protože odpověď nevypadá podezřele.

Také zde se musí oddělit spotřebitelský a pracovní režim. Anthropic ve svém vysvětlení spotřebitelských podmínek uvádí volbu, zda lze nové či obnovené konverzace použít ke zlepšování modelů, a odlišuje tyto účty od služeb pod komerčními podmínkami, API a podnikových plánů.^[4] Firemní rozhodnutí proto nesmí vycházet jen z toho, co zaměstnanec vidí ve svém osobním nastavení.

8. Google: někdy vyhraje model, jindy poloha dat

Google spojuje Gemini s širším balíkem služeb: vyhledáváním, cloudovým úložištěm, Gmailem, Dokumenty, multimediální tvorbou a NotebookLM. Oficiální stránky spotřebitelských plánů tuto kombinaci popisují jako součást jednoho předplatného, nikoli jen jako přístup k jedné modelové verzi.^[5] Pro člověka, jehož práce už vzniká v tomto prostředí, může integrace ušetřit více času než malý rozdíl v testu obecného uvažování.

Multimodalita navíc mění samotnou jednotku práce. Úkol nemusí být „napiš text“, ale „projdi PDF, obrázky, nahrávku, tabulku a připrav podklad“. Schopnost přijmout více formátů je však pouze vstupní brána. Systém stále musí rozpoznat, která část je rozhodná, oddělit pozorování od interpretace a uvést, co z obsahu nešlo spolehlivě přečíst.

Dva podobné účty mohou mít jiný datový režim

U Googlu je zvlášť důležité nerozmazat hranici mezi spotřebitelskou aplikací a Workspace. Privacy Hub uvádí, že při zapnutém uchovávání aktivity může být sdílený obsah použit ke zlepšování služeb s pomocí lidských hodnotitelů.^[6] Naproti tomu dokumentace pro kvalifikované edice Workspace uvádí podnikové ochrany, podle nichž obsah není bez svolení používán k trénování generativních modelů mimo doménu ani lidsky kontrolován.^[7]

Rozdíl není kosmetický. Stejný zaměstnanec může mít osobní účet, pracovní účet a různá oprávnění ke stejnému souboru. Pilot musí zaznamenat, ve kterém profilu se testuje, co je zapnuté a kdo odpovídá za nastavení. Jinak firma otestuje pohodlí spotřebitelské aplikace a omylem jej vydá za bezpečnostní vlastnost podnikového nasazení.

9. Microsoft a GitHub: inteligence oprávnění

Microsoft 365 Copilot staví hodnotu na tom, že odpověď může zakotvit ve Wordu, Excelu, Outlooku, Teams a datech dostupných přes Microsoft Graph. Nabídka jej přímo prezentuje jako asistenta uvnitř pracovních aplikací a firemního kontextu.^[9] V praxi tak může o něco méně působivá obecná odpověď vytvořit větší hodnotu, pokud správně najde poslední zápis, tabulku a e-mail, z nichž rozhodnutí skutečně vychází.

Stejná vlastnost je bezpečnostním zrcadlem. Microsoft uvádí, že Copilot respektuje existující uživatelská oprávnění a že data z Graphu se mohou objevit v odpovědi, pokud k nim uživatel přístup má. Systém tedy sám neopravuje staré přesdílení. Pokud mohl zaměstnanec roky otevřít citlivou složku, ale nevěděl o ní, vyhledávací schopnost AI může tento zapomenutý přístup zviditelnit. Dokumentace také uvádí, že prompty, odpovědi a data z Graphu nejsou používány k trénování základních modelů v podnikovém režimu.^[10]

GitHub Copilot ukazuje podobný princip ve vývoji. Výsledek nevzniká z modelu ve vakuu. Kontext tvoří otevřený soubor, výběr kódu, další části workspace, rámce a závislosti. Firemní plány přidávají správu licencí, politik a další organizační kontroly.^[11]

Největší konkurenční výhoda podnikové AI tak nemusí být model. Může jí být pořádek v datech. A největší slabina nemusí být halucinace. Může jí být pravdivá odpověď založená na dokumentu, který byl pravdivý před dvěma lety.

10. Perplexity a Grok: aktuálnost není totéž co pravdivost

Perplexity je užitečné chápat jako výzkumnou architekturu, která kombinuje vyhledávání, zdroje a více modelů. Samotná služba upozorňuje, že dostupný model se může měnit a že model uvnitř Perplexity není totéž co použití téhož modelu v původní aplikaci: odpověď ovlivňuje vyhledávání, citace, nástroje, systémové instrukce i limity služby.^[12]

To je výhoda i varování. Uživatel může rychle porovnat více zdrojů a začít rešerši s viditelnou stopou. Zároveň nesmí zaměnit odkaz za důkaz. Citace může vést na existující stránku, která podporuje jen část věty, mluví o jiné populaci nebo obsahuje tvrzení citované z dalšího neověřeného textu. Kvalita výzkumného produktu se proto neměří počtem modrých odkazů, ale mírou, v níž každý rozhodný závěr skutečně vyplývá z primárního zdroje.

Grok staví velkou část odlišnosti na živém webu, síti X, hlasu a multimédiích; firemní nabídka přidává správu, izolaci dat a bezpečnostní kontroly.^[15] Přístup k čerstvému proudu ale neznamená automaticky lepší obraz skutečnosti. Událost, o níž lidé píší nejrychleji, může být zároveň nejméně ověřena. Popularita příspěvku měří šíření, nikoli pravdivost.

Tři testy aktuální odpovědi

První je časový: kdy se událost stala a kdy byl zdroj aktualizován? Druhý je původový: jde o primární dokument, očité svědectví, tiskovou zprávu, nebo opis? Třetí je rozporný: našel systém důvěryhodný zdroj, který závěr zpochybňuje? Produkt, který odpoví o minutu dříve, nemusí být lepší, pokud za další hodinu nikdo nedokáže zjistit, proč odpověděl právě tak.

Také zde se liší spotřebitelský a podnikový režim. Perplexity uvádí, že u spotřebitelských placených účtů lze použití dat pro trénování vypnout, zatímco podniková data se k trénování nepoužívají.^[13] Při práci s citlivými podklady je tedy nutné ověřit nejen zvolený model, ale i celý řetězec poskytovatelů, vyhledávání a retenčních pravidel.

11. Mistral a otevřené váhy: kontrola se nekupuje jedním stažením

Mistral nabízí vedle hotových služeb a API také privátní cloud, lokální či vlastní nasazení. Oficiální přehled zdůrazňuje, že u takového nasazení mohou data zůstat v prostředí zákazníka.^[14] Pro evropskou organizaci, regulovaný obor nebo firmu s citlivým know-how může být umístění systému důležitější než poslední procento ve veřejném testu.

„Lze stáhnout váhy“ ale neznamená „je to zdarma, soukromé a otevřené“. Provoz potřebuje hardware nebo cloud, aktualizace, monitoring, řízení přístupů, zálohy, testy, bezpečnostní reakci a člověka, který rozumí licenci. Data zůstanou lokální pouze tehdy, když také logování, embeddingy, vyhledávání, telemetrie a připojené nástroje neopouštějí určené prostředí. Jediný externí konektor může z lokálního modelu udělat nelokální proces.

Open Source Initiative navíc rozlišuje otevřené váhy od skutečně otevřeného AI systému. Její definice vyžaduje nejen parametry, ale také dostatečné informace o datech a kód potřebný ke studiu, úpravám a reprodukci systému.^[16] Některé široce dostupné modely jsou proto přesněji „open-weight“ než plně open source.

Otevřená váha je možnost stavět. Není to hotový podnikový systém. Může výrazně snížit závislost na jednom API, umožnit specializaci a dát kontrolu nad daty. Zároveň přesune odpovědnost od dodavatele k provozovateli. To je strategická volba, nikoli bezplatný oběd.

12. Citace neodstraňují halucinaci. Mění místo kontroly

Před webovým vyhledáváním musel uživatel kontrolovat, zda si model nevymyslel fakt. S citacemi kontroluje něco složitějšího: zda zdroj existuje, zda je důvěryhodný, zda mluví o stejné otázce a zda opravdu podporuje větu, ke které je připojen. Citace je navigace k důkazu. Není to automatický důkaz.

Jedna odpověď může zkombinovat tři pravdivé zdroje do nepravdivého závěru. První popisuje celosvětovou populaci, druhý české domácnosti a třetí jiné období. Každý odkaz funguje, ale syntéza je metodicky chybná. Jindy systém použije kvalitní sekundární text, přestože je dostupný primární dokument. Nebo cituje stránku, která se mezitím změnila a už neobsahuje původní tvrzení.

Nejspolehlivější pracovní postup proto oddělí hledání od psaní. Nejprve vznikne tabulka tvrzení, primárních zdrojů a omezení. Teprve potom text. U každého čísla se zapisuje populace, období, měřený ukazatel a nejistota. Pokud zdroj nelze otevřít nebo pasáž nenajdeme, tvrzení se nepovýší na fakt jen proto, že jej model formuloval pěkně.

Výzkumný systém je dobrý tehdy, když zkracuje cestu ke kontrole, ne když kontrolu nahrazuje. U nízkorizikové otázky může stačit rychlá odpověď s několika odkazy. U zdravotního, právního, finančního nebo veřejně významného závěru musí poslední krok udělat člověk, který zdroji rozumí a nese odpovědnost za jeho použití.

13. Dlouhý kontext není paměť a paměť není porozumění

Velké kontextové okno se často překládá do věty „model si přečte celou knihu“ nebo „zná celý repozitář“. Technicky může systém přijmout velké množství tokenů. Z toho však neplyne, že všechny části využije stejně dobře. Dokumentace Gemini přirovnává kontextové okno ke krátkodobé paměti: jde o informace předané pro danou odpověď, nikoli o trvalé a bezchybné pochopení.^[8]

Studie „Lost in the Middle“ ukázala u zkoumaných modelů výraznou závislost na poloze relevantní informace. Výkon býval lepší, když se rozhodný podklad objevil na začátku nebo na konci, a klesal, když byl uprostřed dlouhého kontextu. Autoři zároveň upozorňují, že více vložených dokumentů může přinést užitečné informace, ale také zvýšit množství materiálu, nad nímž musí model rozhodovat.^[19] Studie je z roku 2023 a netvrdí, že se každý dnešní model chová stejně. Vyvrací však jednoduchou rovnici „vejde se = spolehlivě se použije“.

Paměť produktu je další vrstva. Může uchovávat preference, souhrny, projektové instrukce nebo minulé konverzace. To pomáhá kontinuitě, ale vytváří riziko zastaralého předpokladu. Systém si může „pamatovat“, že projekt používá starou technologii, že klient preferuje již zrušené pravidlo nebo že návrh byl schválen, přestože se později změnil.

Jak testovat dlouhý dokument

Vložte do různých částí dokumentu několik známých rozhodných údajů a sledujte, zda je systém najde. Ptejte se na rozpor mezi začátkem a dodatkem. Vyžadujte citaci stránky nebo oddílu. Opakujte úlohu s jiným pořadím příloh. A nehodnoťte pouze správnou odpověď: zaznamenejte, zda systém přiznal chybějící podklad, nebo si mezeru doplnil.

U velkého korpusu bývá lepší dobře navržené vyhledávání a menší relevantní kontext než mechanické vložení všeho. „Celá firma v promptu“ není strategie správy znalostí. Je to často jen dražší způsob, jak skrýt rozhodnou větu doprostřed šumu.

14. Soukromí není přepínač. Je to celý datový tok

Otázka „trénuje se na mých datech?“ je důležitá, ale příliš úzká. Organizace musí vědět také, kde se ukládají prompty a odpovědi, jak dlouho, kdo k nim má přístup, zda se vedou auditní záznamy, které třetí strany zpracovávají vyhledávání a zda připojený agent posílá data dalšímu nástroji. „Nepoužíváme k trénování“ neznamená „nic neuchováváme“ ani „žádný subdodavatel nic nezpracuje“.

Rozdíly mezi osobními a pracovními účty jsou v oficiálních materiálech jednotlivých poskytovatelů výrazné. OpenAI, Google, Microsoft, Anthropic i Perplexity popisují podnikové režimy s jinými závazky než běžné spotřebitelské použití.^{[2][4][7][10][13]} Z toho neplyne, že každá podniková služba je vhodná pro každý citlivý údaj. Plyne z toho, že bezpečnost nelze posuzovat podle loga bez názvu plánu, smlouvy a konfigurace.

V Evropské unii k tomu přibývá právní rámec. Pokyny Evropské komise uvádějí, že transparentní povinnosti podle článku 50 AI Actu se použijí od 2. srpna 2026.^[21] U vysoce rizikových systémů ukládá článek 26 nasazujícím subjektům mimo jiné povinnost zajistit kompetentní lidský dohled, sledovat provoz a za stanovených podmínek uchovávat logy.^[22] Běžný chat pro návrh sloganu a systém ovlivňující zaměstnání či přístup ke službě nejsou totéž. Konkrétní klasifikace vyžaduje právní posouzení.

Praktické minimum tvoří mapa datového toku. Začíná u uživatele, pokračuje aplikací, modelem, vyhledáváním, konektory, logy, exporty a končí místem, kde je možné data smazat nebo obnovit. Bez této mapy je tvrzení o soukromí jen popis jedné části potrubí.

15. Cena tokenu je cena suroviny, ne cena výsledku

Trh používá několik cenových jazyků současně. Spotřebitel platí měsíční předplatné s limity. Firma platí za místo, správu a někdy další kredity. Vývojář platí vstupní a výstupní tokeny, ukládání kontextu, vyhledávání, běh kódu nebo další nástroje. Agent může udělat desítky modelových volání, přestože uživatel zadal jednu větu. Přímé porovnání ceníků bez znalosti pracovního postupu proto klame.

Levný model může být ekonomicky výborný pro klasifikaci milionu krátkých položek. Stejný model může být drahý u úlohy, kterou opakuje třikrát, spotřebuje mnoho kontextu a nakonec vyžaduje půl hodiny lidské opravy. Drahý model může být zbytečný pro předvídatelnou extrakci. Může však být levnější u jednorázového rozhodnutí s vysokou cenou chyby, pokud sníží počet neúspěšných pokusů a kontrolní práci.

Do nákladů patří i kolísání. Pokud se stejná úloha podaří jednou z pěti pokusů, průměrná cena správného výsledku není cenou jednoho běhu. Pokud systém při špičce zpomalí nebo vyčerpá limit uprostřed pracovního dne, nákladem je čekání. Pokud jsou projekty, paměť a automaty pevně vázány na jedno prostředí, nákladem je také budoucí odchod.

Proto je užitečné měřit cenu na přijatý výstup, ne cenu na zprávu. Přijatý znamená, že výsledek splnil předem daná kritéria, prošel kontrolou a nezpůsobil následnou opravu. Tato metrika může obrátit pořadí, které vypadalo z ceníku jednoznačně.

16. Co vybrat pro jakou práci

Rozumný výběr nezačíná značkou, ale druhem práce a kontrolním mechanismem. Následující doporučení nejsou žebříček produktů. Jsou směrovkou k prvnímu pilotu. U každé kategorie má smysl zvolit dva kandidáty a srovnat je na stejných datech, ve stejném jazyce a se stejným rozpočtem času.

Pro české použití je nutný samostatný test. Anglický benchmark nezměří, zda systém zachová význam právního pojmu, správně skloňuje jméno, rozliší desetinnou čárku, pochopí českou instituci nebo nepřeloží místní zkratku do neexistující anglické obdoby. Testovací sada má obsahovat diakritiku, dlouhá souvětí, tabulky s českým formátem, lokální reálie i text, v němž je správnou odpovědí „zdroj nestačí“.

Některé týmy nakonec potřebují více systémů. Jeden pro výzkum, druhý pro psaní, třetí uvnitř IDE a čtvrtý v bezpečném firemním prostředí. To není selhání standardizace. Je to stejné rozhodnutí jako používat jiný nástroj na účetnictví a jiný na grafiku. Podmínkou je, aby rozdělení bylo srozumitelné, data nepřecházela nekontrolovaně a lidé věděli, kde vzniká konečná autorita.

17. Dvoutýdenní test, který řekne více než sto žebříčků

Výběr lze provést bez šestiměsíčního tendru i bez impulzivního nákupu. Stačí krátký, disciplinovaný pilot. Jeho cílem není dokázat, že kandidát umí něco působivého. Cílem je najít situace, v nichž selže, a zjistit, zda je organizace dokáže zachytit.

Hodnotitel by pokud možno neměl vědět, který systém výstup vytvořil. U textu sleduje věcnou správnost, úplnost, tón a množství oprav. U výzkumu oporu zdrojů. U kódu průchod testů, velikost diffu a regresi. U agentní práce počet zásahů člověka, nevratné kroky a kvalitu záznamu. Každý neúspěch se klasifikuje: konfabulace, opomenutí, kontext, nástroj, oprávnění nebo přerušení.

Podmínky musí být srovnatelné. Stejný čas, stejné nástroje a stejný počet pokusů. Pokud jeden produkt smí hledat na webu a druhý ne, testujeme hotové pracovní postupy, což může být zcela správně — ale musíme to tak pojmenovat. Pokud chceme testovat modely, musíme pracovní aparát naopak co nejvíce sjednotit.

Pilot má mít i podmínky vyřazení. Například: jediná neohlášená změna produkčních dat, použití zakázaného zdroje, neexistující citace v rozhodném dokumentu nebo nemožnost exportovat záznam. Vysoké průměrné skóre nemá přebít chybu, jejíž dopad organizace nemůže přijmout.

Posledním výstupem není jen jméno vítěze. Je jím provozní pravidlo: k čemu se systém používá, k čemu ne, která data smí vidět, co musí schválit člověk, jak se výsledek ověřuje a kdy se rozhodnutí znovu otevře. Modely, tarify i podmínky se mění. Bez data revize se i dobrý pilot postupně promění ve firemní pověru.

18. Skrytým nákladem není jen inteligence. Je jím i závislost

První generace AI předplatného prodávala více zpráv. Další generace lepší model, obrázky, hlas a vyhledávání. Dnešní produkty prodávají něco většího: místo, ve kterém člověk hledá, píše, analyzuje, programuje, uchovává pracovní paměť a stále častěji také jedná.

Proto poskytovatelé nesoutěží pouze o nejlepší odpověď. Soutěží o pracovní kontext. O dokumenty, konektory, historii, oprávnění, agenty a návyky. Čím pohodlnější ekosystém vznikne, tím vyšší může být cena odchodu. Projekty se obtížně exportují, automaty spoléhají na proprietární nástroje a lidé přestanou rozlišovat vlastní proces od produktu, v němž jej postavili.

To neznamená, že integrace je špatná. Právě ona často vytváří největší užitek. Znamená to, že se má kupovat vědomě. Organizace potřebuje přenositelné prompty a data, dokumentované rozhraní, možnost změnit model, nouzový postup bez AI a pravidelný test, zda původní důvody volby stále platí.

Nejlepší systém tedy není ten, který nikdy nechybí. Takový systém dnes nemáme. Není to ani systém s nejvyšším číslem, nejdelším kontextem nebo největším počtem citací. Je to systém, jehož schopnosti odpovídají skutečné práci a jehož chyby jsou viditelné, vratné a ekonomicky i lidsky únosné.

V okamžiku, kdy AI pouze navrhuje větu, si vybíráme pomocníka. Ve chvíli, kdy čte interní data, vybírá zdroje, píše kód, mění soubory a připravuje rozhodnutí, vybíráme také novou strukturu odpovědnosti. A tehdy už otázka nezní: „Která AI je nejchytřejší?“

Správná otázka zní: Kterou chybu uvidíme včas, kdo ji může vrátit a kdo ponese její cenu?

— Jiný Kontext