Jak pracovat s AI? Tři dovednosti důležitější než hotové prompty

S ChatGPT připravujete text landing page. Dostanete elegantní nabídku a v ní větu: „Výzkumy ukazují, že 67 % zákazníků opustí košík, pokud předem nevidí cenu dopravy.“ Číslo se hodí dokonale – je konkrétní, důvěryhodné a připravené do titulku. Má to jediný háček: model si je právě vymyslel. I s výzkumem.

Pokud vedete firmu nebo odpovídáte za marketing, nejspíš se nacházíte na jednom ze dvou míst. Buď už AI používáte pro nabídky, příspěvky a prodejní e-maily a občas model přistihnete při vymýšlení. Nebo zatím váháte, protože jste slyšeli o halucinacích a nechcete se před klientem znemožnit textem, v němž polovina faktů nesedí. Oba postoje jsou rozumné.

V obou případech lze omezení AI do značné míry zvládnout. Budete potřebovat tři dovednosti z tohoto článku. Nejdřív vám ale musím ukázat, proč problém neleží pouze ve stroji. Je také v nás.

Proč věříme strojům, které si vymýšlejí?

Důvěru ve stroje jsme testovali dávno předtím, než kdokoli slyšel o ChatGPT. V jednom známém výzkumu posadily psycholožky Kathleen Mosier a Linda Skitka profesionální piloty do leteckého simulátoru na trase San Francisco–Los Angeles. Mosier zasvětila kariéru rozhodování posádek v kokpitu a spolupracovala s výzkumným střediskem NASA Ames. Skitka je sociální psycholožka, která se později proslavila výzkumem morálních přesvědčení.

V simulátoru čekala past: rozporné signály o požáru motoru. Přístroje ukazovaly, že hoří levý motor. Tablet s elektronickým nouzovým checklistem přikazoval vypnout… pravý.

Tři čtvrtiny pilotů poslechly automatiku. Přístroje i výcvik říkaly něco jiného, přesto 75 % posádek vypnulo zdravý motor, protože to doporučil systém. V kontrolní skupině s papírovým checklistem udělalo stejnou chybu jen 25 %.

Výzkumnice tento jev nazvaly automation bias neboli zkreslení automatizací. Jakmile stroj něco navrhne, člověk přestane stejně pozorně sám vyhledávat a zpracovávat informace. Doporučení se stane zkratkou: místo přemýšlení zkontrolujeme, co říká systém, a pokračujeme. Mosier a Skitka později popsaly dva druhy chyb: opomenutí – systém si něčeho nevšiml, takže ani my – a provedení – systém to nařídil, takže jsme poslechli bez kontroly.

Při používání AI padáme do stejné pasti. Text jen přelétneme a přehlédneme vymyšlená data. Nebo vůbec nepřemýšlíme: systém nabídne strategii a my ji provedeme.

Výzkum přináší i dobrou zprávu. Piloti, kteří cítili osobní odpovědnost za používání automatiky, kontrolovali její doporučení častěji a dělali výrazně méně chyb. Vědět, že používáte automat, a zároveň cítit, že konečný výsledek podepisujete vy – tím začneme. Potom přijdou tři dovednosti, díky nimž zůstanete u řízení.

První dovednost: vědět, odkud model čerpá znalosti

Chcete-li dostat vymýšlení pod kontrolu, musíte pochopit, jak model vůbec „mluví“. Mechanismus je jednodušší, než vypadá.

Jazykový model v zásadě dělá jedinou věc: předpovídá další token, tedy část slova. Dostane text a odhaduje, co by mělo statisticky následovat. Pak to udělá znovu. A znovu. Veškerá výřečnost ChatGPT stojí na dvou věcech:

proces se opakuje tisíckrát – několikrát i pro jediné slovo;
při výpočtu pravděpodobnosti se uplatňují desítky miliard parametrů. Lidský mozek tuto úroveň výpočtu těžko chápe, proto nám připadá jako magie nebo inteligence.

Ale víte co? Děláte něco podobného. Když mluvíte, neplánujete větu až do posledního slova. Mozek vám další slova dodává za pochodu. Když vyprávíte starou historku a chybí vám detail, nenápadně doplní něco pravděpodobného. Jakou barvu mělo půjčené auto? Objeví se vymyšlená. Stejně tak jméno číšníka nebo částka na účtu. Psychologové tomu říkají konfabulace. Nikdo si jí nevšimne, protože doplněk do příběhu zapadá. Někdy si jí nevšimneme ani my sami.

Model konfabulue podobně, token po tokenu. Dokud předpověď vychází z něčeho, co opravdu „viděl“ – v tréninkových datech nebo materiálech, které jste mu poskytli –, výsledek se drží faktů. Když ale ve znalostech najde mezeru, nezastaví se chybovou hláškou. Pokračuje a vyplní ji statisticky vhodným obsahem: pravděpodobným číslem, názvem reportu nebo jménem experta. Tak vznikl můj „výzkum o 67 % opuštěných košíků“: model věděl, jak vypadají statistiky v marketingových textech, a jednu vyrobil.

Andrej Karpathy, jeden ze zakladatelů OpenAI, označuje modely za dream machines: halucinování je jejich přirozený stav a my pouze směrujeme jejich sny pomocí promptů. Schopnost vymyslet statistiku a schopnost napsat chytlavý slogan mají stejný základ. Jednu nelze odstranit, aniž byste poškodili druhou.

Když vymýšlení nejde vymýtit, zbývá kontrola. Ta začíná otázkou: odkud model bere to, co říká? Zdroje jsou tři a každý od vás vyžaduje něco jiného.

Váhy modelu – to, co si přináší

Váhy jsou komprimovaná paměť všeho, na čem byl model trénován – miliardy stran převedené na parametry. Odtud „zná“ pravidla copywritingu, formáty příspěvků na LinkedIn a obecné informace o vašem oboru.

Praktický test pro každého majitele firmy: zeptejte se modelu na vlastní společnost a konkurenci, ale bez přístupu k internetu. Uvidíte, co ve vahách skutečně je: někdy překvapivě mnoho, někdy nic a někdy – nejnebezpečnější varianta – směs pravdy a konfabulace. Tento pokus vás o hranicích modelu naučí víc než leckterý kurz.

Špatná zpráva: váhy nemůžete ovlivnit. Když lidé mluví o „trénování vlastního AI“, v 99,9 % případů nemyslí změnu vah modelu. Je to drahý, zdlouhavý proces, který se většině z nás nevyplatí.

Dvě dobré zprávy. Zaprvé můžete model kdykoli změnit – vyměnit ChatGPT za Gemini nebo Claude. U třetí dovednosti bude tato možnost ještě zajímavější. Zadruhé jsou váhy jen jedním z prvků, které model při tvorbě používá. Zbývající dva už ovlivnit můžete.

Viditelný kontext – to, co vkládáte vy

Druhý zdroj máte ve svých rukou: vše, co do konverzace napíšete nebo vložíte. Otázky, pokyny, dokumenty, soubory. Je to pracovní paměť modelu a váš nejsilnější nástroj proti halucinacím. Model, který může citovat, nemusí hádat.

V marketingové praxi to vypadá takto. Píšete nabídku? Vložte ceník, popis služby a dvě skutečné reference, místo abyste předpokládali, že model vaši firmu „nějak zná“. Potřebujete prodejní příspěvky? Přiložte produktovou stránku a seznam nejčastějších námitek z obchodních rozhovorů. Chcete analyzovat kampaň? Exportujte data a dejte modelu soubor, místo abyste čísla popisovali zpaměti.

Dodávat kontext může být nudné. Při každodenní práci s AI je to však nejúčinnější známá cesta k omezení výmyslů – a nejkratší cesta k textům, které znějí jako vaše firma, nikoli jako průměr internetu.

Opět jedna špatná a jedna dobrá zpráva. Bez tréninku jsme v doplňování kontextu mizerní. Předpokládáme, že model ví něco, co vědět nemůže, a potom se zlobíme, že halucinuje. Dobrá zpráva: tento problém řeší struktury promptů. To je třetí dovednost.

Neviditelný kontext – to, co si model obstará sám

Třetí zdroj je nejnovější a nejzáludnější. Moderní modely mohou během práce sahat ven: vyhledávat na internetu, číst stránky nebo se přes servery MCP připojit k vašim nástrojům. Model Context Protocol umožňuje modelu nahlédnout například do kalendáře, CRM nebo e-mailu. Vše, co najde, skončí ve stejné pracovní paměti jako vaše pokyny. S jedním rozdílem: nemusíte vidět, jak se tam informace dostala.

Zadáte průzkum konkurence před přípravou nabídky. Model prohledá internet a vrátí analýzu. O co ji opřel? O oborový report, nebo o příspěvek na fóru od člověka se silnými názory a slabými zdroji? Když to nezkontrolujete, nevíte. Vytvořte si proto návyk jedné kontrolní otázky: „O jaké zdroje se tato odpověď opírá? Ukažte mi seznam.“ Kontrola zabere třicet sekund. Poslat klientovi analýzu založenou na internetové legendě stojí víc.

Praktický tip: nástroje jako ChatGPT mají trvalé pokyny, kterých se model drží v každé nové konverzaci. Přidejte do nich požadavek, aby vždy ukázal zdroje.

Výzkumníci John Lee a Katrina See tuto schopnost nazývají kalibrací důvěry. Umění nespočívá v tom stroji věřit, ani mu vždy nevěřit, ale vědět, kdy si důvěru zaslouží. Tři zdroje dávají jednoduchou stupnici. Odpověď z vah berte jako názor sečtělého známého: zajímavý, ale k ověření. Odpověď z vašich dokumentů je výrazně spolehlivější. Odpověď z internetu je tak dobrá jako nalezené zdroje – proto je zkontrolujte.

Ještě jedna past. Výzkum spolupráce s AI ukazuje paradox vysvětlení: čím plynuleji a obsáhleji model odpověď zdůvodní, tím více mu věříme – bez ohledu na to, zda má pravdu. Stejně zacházíme s lidmi: sebejisté vysvětlení působí důvěryhodněji.

Druhá dovednost: přejděte od chatu k souborům

Tato dovednost vyžaduje změnit představu o práci s AI. Většina lidí ji redukuje na okno chatu: napíšete otázku, dostanete odpověď a zkopírujete ji do Wordu. Nástroje se mezitím rozdělily do tří úrovní, z nichž každá slouží jinému druhu práce.

Režim chat je rozhovor. Model odpovídá textem, někdy vytváří obrázky. Výsledek ručně přenášíte dál. Skvělý na přemýšlení: brainstorming kampaně, koncept nabídky, testování titulků, učení. Omezený, pokud má vzniknout soubor, tabulka nebo prezentace.
Režim úloh pracuje přímo se soubory. Model dostane přístup ke složce, dokumentům a nástrojům a místo vysvětlování úkol provede. Z marketingu: dostane fotky a CSV, vrátí osmdesát popisů produktů. Z exportu e-mailové platformy vytvoří report se segmentací a doporučeními. Z nahrávky obchodního hovoru udělá zápis, nabídku a záznam v CRM přes MCP. Přestanete být kurýrem mezi chatem a zbytkem počítače.
Režim kódu umožňuje modelu nejen pracovat se soubory, ale také napsat program, který mu při úkolu pomůže. Pro marketing je to pokročilá úroveň. Většina z nás ji nepotřebuje.

Problém je, že každý dodavatel tyto úrovně pojmenovává jinak. Zde je přehled k červenci 2026.

OpenAI

Úroveň chat: ChatGPT
Úroveň úloh: ChatGPT Work od července 2026; dříve Codex
Úroveň kódu: Codex nebo ChatGPT Code

Google

Úroveň chat: Gemini
Úroveň úloh: Antigravity 2.0 od června 2026; předtím Google nástroj této úrovně neměl
Úroveň kódu: Antigravity IDE a Antigravity CLI od června 2026; dříve Gemini CLI

Anthropic

Anthropic měl všechny tři režimy „odjakživa“ v aplikaci Claude, jejich umístění se ale také často mění.

Úroveň chat: záložka Home, režim Chat v konverzaci; před červencem 2026 záložka Chat
Úroveň úloh: záložka Home, režim Cowork; dříve záložka Cowork
Úroveň kódu: záložka Code, v zásadě vždy

Tento seznam zastará rychleji, než bych chtěl. Jen během června a července 2026 téměř každý dodavatel přeskupil své značky. Názvy se budou měnit. Rozdělení chat–úloha–kód zůstane, protože odpovídá třem skutečně odlišným způsobům práce.

Proč je přechod z chatu do režimu úloh samostatnou dovedností, nikoli technickou drobností? Ze dvou důvodů.

První je praktický: rozdíl v produktivitě je skokový. V chatu si vyžádáte text reportu a pak ho sami formátujete odstavec po odstavci. V režimu úloh dostanete hotový soubor a model mezitím sám prostuduje zdrojové materiály ve složce. Je to rozdíl mezi diktováním dopisu a delegováním korespondence.

Druhý důvod je psychologický. Studie Michaela Gerlicha z roku 2025 s 666 účastníky zjistila souvislost mezi častým používáním AI a slabším kritickým myšlením. Zprostředkujícím mechanismem bylo cognitive offloading, tedy přenášení duševních činností na stroj. Zní to jako argument proti AI, závěr je však jemnější. Problém vzniká, když stroji předáme myšlení. Režim úloh nám umožňuje předat něco jiného: provedení.

Kopírování, formátování, vkládání a třídění souborů nevyžaduje vaši hlavu; je to daň z přemýšlení. Dobře použitá automatizace ji zaplatí za vás a nechá vám energii na rozhodnutí: ke komu mluvíme, co slibujeme, čím se lišíme? S jedinou podmínkou – rozhodnutí stále děláte vy. V režimu úloh je kontrola kontextu ještě důležitější, protože model pracuje déle a samostatněji.

Třetí dovednost: prompty vytvářejte, nesbírejte

Zbývá dovednost, kterou většina návodů začíná – já ji záměrně nechávám nakonec. Prompt vytvořený bez pochopení zdroje znalostí a pracovního režimu je jako skvěle formulovaná otázka položená nesprávné osobě ve špatné místnosti.

Dobrý prompt má nejméně tři prvky.

Role. Když napíšete „Jste zkušený e-commerce stratég“, nehrajete divadlo. Posíláte model do konkrétní oblasti jeho znalostí. Texty stratégů leží ve vahách blízko sebe; role čerpá odpověď z tohoto sousedství, ne z celého internetu, kde má k prodeji co říct každý.
Úkol. Definujete výsledek: co má vzniknout, v jaké struktuře, pro koho a v jaké délce. Ne „Napište něco o našem produktu“, ale „Napište tři varianty titulku landing page pro člověka, který nás srovnává s konkurencí a obává se nákladů na zavedení.“
Vodítko. Nejčastěji opomíjený prvek: něco, co model vychýlí z psaní „jako všichni“. Příklad e-mailu, který vám fungoval. Úryvek ve vašem stylu. Kontrapříklad: „Vyhněte se tónu, v němž každá věta zní jako slogan.“ Bez vodítka se model vrací ke středu statistického rozložení – k průměrnému jazyku internetu, který stejný model dává i vaší konkurenci. Vodítko říká: ne odtud, ale odsud.

Role, úkol a vodítko stačí pro většinu každodenních použití. Praktické fungování ukazuji na šestnácti příkladech v článku o promptech pro ChatGPT v copywritingu.

U závažnějšího úkolu – komunikační strategie, nabídky pro klíčového klienta nebo plánu kampaně – doporučuji strukturu CRIT, kterou zpopularizoval Geoff Woods: Context, Role, Interview, Task neboli kontext, role, rozhovor a úkol.

Nejzajímavější je třetí prvek. Při klasickém promptování hádáte, co model potřebuje, a vše vtěsnáte do jediného pokynu. CRIT role obrací: nechte se nejprve vyzpovídat modelem. „Než začnete, pokládejte mi otázky – jednu po druhé –, dokud nezískáte vše potřebné.“ Model se zeptá na věci, které vás třeba nenapadly: kdo rozhoduje na straně klienta, co už klient zkoušel, proč to nefungovalo.

Odpovídáte na otázky, místo abyste psali slohovou práci.

A jsme zpět u první dovednosti. Rozhovor doplňuje viditelný kontext, jen tentokrát proces řídí model a sám ukazuje mezery ve svých znalostech. Místo aby chybějící fakta konfabuloval, zeptá se na ně. Tyto tři dovednosti nejsou oddělené lekce. Tvoří jeden systém.

Kde začít?

Kdyby se mě někdo zeptal, jak pracovat s AI, a já mohl odpovědět jedinou větou, zněla by: buďte pilotem, ne cestujícím. Cestující nastoupí, důvěřuje a přijme výsledek. Pilot ví, odkud stroj bere data, volí režim letu a přesně sděluje cíl. Z výzkumu Mosier a Skitky víme, co odlišuje dobré piloty automatizace: cítí, že výsledek podepisují oni, ne stroj.

Pro dnešek tři úkoly, po jednom z každé dovednosti:

Zaprvé: zeptejte se modelu bez internetového vyhledávání na svou firmu a konkurenci. Zjistěte, co je ve vahách. Než příště použijete odpověď v textu pro klienta, doplňte: „Jak to víte? Ukažte mi zdroje.“
Zadruhé: prozkoumejte režim úloh. Otevřete uvedené nástroje nebo záložky. Dejte agentovi jeden úkol, při kterém musí vzniknout skutečné soubory – třeba produktové popisy z fotografií. Zvykněte si na tento způsob práce. Patří mu budoucnost.
Zatřetí: vezměte prompt, který používáte nejčastěji, a zkontrolujte roli, úkol a vodítko. Pokud vodítko chybí – obvykle chybí –, přidejte příklad textu, který považujete za dobrý.

Chcete-li pokračovat, přečtěte si, jak fungují jazykové modely, nebo rovnou použijte 16 promptů pro copywriting. Pokud chcete tento postup procvičit s týmem, podívejte se na moje workshopy. Živé workshopy probíhají v angličtině; materiály lze po dohodě lokalizovat.