Na workshopoch dostávam jednu otázku častejšie než ostatné: „Michal, máme prejsť na iný model? Vraj je ten nový lepší.“
Skoro nikdy to nie je odpoveď. Model, ktorý už máte predplatený, na bežné firemné úlohy úplne postačuje. Nevie len nič o vašej firme.
Čo sa naozaj deje, keď zamestnanec „skúsi AI“
Obchodník otvorí ChatGPT a napíše: „Priprav mi ponuku pre klienta na dodávku regálov.“ Dostane ponuku. Je gramaticky správna, štruktúrovaná a úplne generická. Nemá vašu cenotvorbu, dodacie lehoty, obchodné podmienky ani tón, akým s klientmi hovoríte.
Zamestnanec si povie, že AI je preceňovaná, a vráti sa k šablóne vo Worde. To nie je zlyhanie modelu. Je to zlyhanie zadania – model nedostal nič, z čoho by mohol vychádzať.
Odborne sa tomu hovorí context engineering – práca s tým, čo model pri úlohe vidí. Ak vám tento a podobné pojmy nič nehovoria, slovník ich vysvetľuje po slovensky. Je to nudnejšie ako výber modelu a rozhoduje o výsledku podstatne viac.
Príklad z praxe: konzultanti, ktorí mali nástroje a aj tak sa nepohli
Pracovali sme s IT konzultačnou firmou, ktorá nasadzuje Odoo u klientov. Konzultanti mali ChatGPT aj Claude. Skúšali ich. Nepomohlo im to.
Dôvod bol prozaický: model nevidel ani dokumentáciu firmy, ani moduly, ktoré má klient reálne nasadené. Konzultant sa teda pýtal na vec, o ktorej model nemohol nič vedieť, a dostával všeobecné odpovede z internetu. Znalosti pritom vo firme boli – len v hlave jedného človeka.
Postavili sme prostredie, ktoré pred začiatkom práce vytvorí kópiu klientskeho Odoo systému – repozitár aj nasadené moduly – a spolu s dokumentáciou ju uloží do znalostnej bázy, ktorú vie model čítať. K tomu spoločné postupy pre celý tím, aby výsledok nezávisel od toho, kto si to nastavil šikovnejšie.
Práca s klientmi sa stala systematickejšou a dodávka rýchlejšou. Celý príbeh je v prípadovej štúdii.
Úzkym hrdlom nebol model, ale kontext.
Čo s tým viete urobiť tento týždeň
Nepotrebujete na to projekt ani rozpočet. Potrebujete tri veci.
- Zoberte jednu opakovanú úlohu. Ponuka, odpoveď na reklamáciu, zápis z porady. Jednu, nie desať.
- Nazbierajte k nej podklady, ktoré už máte. Päť starých dobrých ponúk. Cenník. Obchodné podmienky. Dva e-maily, ktoré presne trafili tón.
- Dajte ich modelu spolu so zadaním a povedzte mu, čo z nich má prevziať: štruktúru, tón, cenovú logiku.
Rozdiel uvidíte hneď v prvom pokuse. A hlavne uvidíte, ktoré podklady vám chýbajú – čo je väčšinou cennejšie zistenie než samotný výstup.
Kde to má hranice
Toto nie je zázrak a je fér povedať, kde to prestáva fungovať.
- Model si aj tak vymýšľa. Dobrý kontext halucinácie obmedzí, neodstráni. Čísla v ponuke musí niekto skontrolovať.
- Zlé podklady sú horšie ako žiadne. Ak vo firme kolujú tri verzie cenníka, model si vyberie ktorúkoľvek – a urobí to sebavedomo.
- Citlivé dáta majú svoje pravidlá. Skôr než do modelu nasypete zmluvy a osobné údaje, pozrite sa, čo o tom hovorí GDPR, a overte si, či pracujete na firemnom, nie súkromnom účte.
Anthropic o tom píše priamo v dokumentácii – prehľad práce s kontextovým oknom je dobrý začiatok, ak si to chcete naštudovať sami.
Prečo o tom píšem
Väčšina diskusií o AI vo firmách sa točí okolo toho, ktorý nástroj je momentálne najlepší. Je to pochopiteľné, lebo je to jednoduchá otázka a má krátku odpoveď.
Lenže firmy, ktoré s AI reálne pohli, nevyhrali výberom nástroja. Vyhrali tým, že modelu prestali dávať prázdne zadania.
Presne toto trénujeme na workshopoch – na vašich dokumentoch, nie na cvičných príkladoch.