AI nie je iba nástroj na generovanie odpovedí alebo obrázkov

Predikcia, klasifikácia, odporúčanie, vyhľadávanie, analýza, automatizácia, agenti, rozhodovacia podpora a fyzická AI

Nosná myšlienka Chatbot je iba jedno používateľské rozhranie k malej časti dnešnej AI. Moderné AI systémy môžu predikovať, klasifikovať, vyhľadávať, odporúčať, optimalizovať, používať nástroje, vykonávať pracovné kroky a v robotike ovplyvňovať aj fyzické prostredie. Generovanie textu či obrázka je preto len jedna trieda výstupu, nie definícia umelej inteligencie.

1. Najprv terminologicky: AI, generatívna AI a chatbot nie sú synonymá

Najväčší mentálny skrat pri dnešnej AI vzniká tým, že používateľ vidí najmä konverzačné rozhranie. Otvorí ChatGPT, Claude alebo Gemini, napíše otázku a dostane text, obrázok alebo súbor. Z používateľského pohľadu potom môže vyzerať, že „AI“ je technológia určená na generovanie obsahu. Z technického, regulačného ani praktického pohľadu to však nie je presné. Generatívna AI je iba podmnožina širšej oblasti umelej inteligencie a chatbot je iba jeden spôsob, ako s AI systémom komunikovať.

Európsky Akt o umelej inteligencii definuje AI systém podstatne širšie: ako strojový systém navrhnutý na fungovanie s rôznymi úrovňami autonómie, ktorý z prijatých vstupov odvodzuje, ako vytvoriť výstupy, medzi ktoré patria predikcie, obsah, odporúčania alebo rozhodnutia ovplyvňujúce fyzické alebo virtuálne prostredie. OECD používa veľmi podobnú definíciu a NIST pri riadení rizík pracuje takisto s predikciami, odporúčaniami a rozhodnutiami. Samotná regulačná a štandardizačná terminológia teda ukazuje, že „content generation“ je len jedna z možných funkcií AI systému.

Pre prax je dôležité rozlišovať najmenej päť pojmov. Umelá inteligencia je zastrešujúca oblasť. Machine learning je skupina metód, pri ktorých sa model učí vzory z dát. Generatívna AI vytvára nový obsah alebo reprezentácie. Foundation model je široko použiteľný model adaptovateľný na viac úloh. Agentný systém pridáva modelu nástroje, stav a možnosť vykonávať viac krokov smerujúcich k cieľu. Jeden produkt môže kombinovať všetky tieto vrstvy, ale nejde o synonymá.

2. Štyri základné triedy výstupov: predikcia, obsah, odporúčanie a rozhodnutie

Veľmi praktický rámec poskytuje definícia OECD a AI Actu: AI systém môže produkovať predikcie, obsah, odporúčania alebo rozhodnutia. Predikcia odhaduje budúci alebo nepozorovaný stav, napríklad pravdepodobnosť odchodu zákazníka, budúci dopyt alebo riziko poruchy. Obsah zahŕňa text, obraz, zvuk, video či kód. Odporúčanie zoradí alebo vyberie možnosti podľa určitého cieľa. Rozhodnutie ide ešte ďalej a výstup systému môže priamo určovať, čo sa vykoná v softvéri alebo fyzickom prostredí.

Tieto štyri triedy sa v reálnych produktoch často kombinujú. E-shop môže najprv predikovať pravdepodobnosť nákupu, následne odporúčací systém zoradí produkty, generatívny model vytvorí personalizovaný text a automatizačná vrstva rozhodne, kedy sa ponuka zobrazí. Používateľ pritom môže vidieť iba výslednú kartu produktu a vôbec nemusí vedieť, že v pozadí spolupracovalo viac modelov a pravidiel.

Pre firmy je toto rozlíšenie dôležitejšie než otázka, „ktorý chatbot je najlepší“. Hodnota AI často vzniká tam, kde sa zmení rozhodovanie alebo pracovný proces, nie tam, kde sa iba zrýchli písanie textu. Ak firma zúži AI stratégiu na copywriting a tvorbu obrázkov, ignoruje predikčné, analytické, odporúčacie a automatizačné prípady použitia, ktoré môžu mať vyšší ekonomický dopad.

3. Predikcia a forecasting: AI môže odhadovať, čo sa pravdepodobne stane

Jedna z najstarších a ekonomicky najdôležitejších oblastí machine learningu je predikcia. Model sa učí vzťah medzi vstupnými premennými a cieľovou veličinou a následne odhaduje hodnotu pre nový prípad. Pri regresii môže ísť o cenu, spotrebu alebo dopyt; pri klasifikačnom modeli o pravdepodobnosť, že nastane určitá udalosť. Generovanie prirodzeného jazyka tu vôbec nemusí byť súčasťou systému.

V podnikovej praxi sem patrí forecasting predaja, odhad zásob, predikcia churnu, lead scoring, odhad doby spracovania požiadavky, fraud scoring, pravdepodobnosť defaultu alebo prediktívna údržba. Kvalita takého modelu sa neposudzuje podľa toho, či „znie presvedčivo“, ale pomocou vhodných metrík na validačných dátach. Pri regresii môžu byť relevantné MAE alebo RMSE, pri klasifikácii precision, recall, ROC-AUC alebo kalibrácia pravdepodobností. Metrika musí zodpovedať nákladom konkrétnej chyby.

Predikčný model navyše nepredpovedá budúcnosť s istotou. Pracuje so vzormi v dátach a s pravdepodobnosťou. Ak sa zmení proces, trh, populácia alebo spôsob zberu dát, môže sa zmeniť aj presnosť. Preto profesionálne nasadenie zahŕňa monitoring driftu, periodické prehodnocovanie výkonu a kontrolu, či model nezačal systematicky zlyhávať na určitom segmente.

4. Klasifikácia, detekcia a triage: AI môže rozhodovať, do akej kategórie niečo patrí

Klasifikácia patrí medzi základné úlohy strojového učenia. Systém dostane vstup a priradí mu jednu alebo viac kategórií. Spam filter nerozpráva so zákazníkom; rozhoduje, či správa pravdepodobne patrí medzi spam. Moderovací systém môže označiť obsah podľa typu rizika. Diagnostický podporný systém môže triediť snímky podľa pravdepodobnosti nálezu, pričom samotný klinický záver zostáva na odborníkovi.

V administratíve a službách je veľmi hodnotný triage: automatické rozdelenie požiadaviek podľa témy, urgency, oddelenia alebo ďalšieho workflow. Pri dokumentoch môže model určiť, či ide o faktúru, zmluvu, objednávku alebo reklamáciu. Následne sa môže použiť iný model na extrakciu polí a až potom generatívny model na formulovanie návrhu odpovede. To ukazuje, že generovanie býva iba jedným krokom širšieho AI procesu.

Pri klasifikácii je kritické nastavenie prahu. Ak systém označuje podvod, bezpečnostné riziko alebo urgentný prípad, false negative a false positive nemajú rovnaký dopad. Profesionálna práca preto znamená nielen „nasadiť model“, ale navrhnúť threshold, eskalačné pravidlá a human review podľa rizika. Rovnaký model môže mať pri inom prahu úplne odlišné prevádzkové vlastnosti.

5. Anomálie a odchýlky: AI vie hľadať to, čo sa vymyká bežnému vzoru

Nie všetky problémy majú pripravenú odpoveď v podobe označených tréningových dát. Pri anomaly detection sa systém učí, ako vyzerá typický priebeh, a hľadá prípady, ktoré sa od bežného správania významne odlišujú. Takýto prístup sa používa pri monitorovaní transakcií, výrobných procesov, sietí, senzorov alebo prevádzkových metrík.

Anomália však automaticky neznamená podvod, útok ani poruchu. Znamená iba neobvyklosť vzhľadom na modelovaný vzor. Preto má byť výsledok často vstupom pre ďalšie vyšetrenie, nie automatickým verdiktom. Pri slabo navrhnutom systéme môže zmena sezóny, kampane alebo pracovného režimu vyprodukovať tisíce falošných alertov a znížiť ochotu ľudí systému veriť.

Praktická hodnota spočíva v prioritizácii pozornosti. Namiesto toho, aby človek kontroloval všetkých desaťtisíc prípadov, systém označí malú množinu neobvyklých udalostí. AI tým nemusí človeka nahrádzať; môže meniť ekonomiku kontroly a umožniť sústrediť expertnú kapacitu na prípady s vyššou informačnou hodnotou.

6. Odporúčacie systémy: AI rozhoduje, čo sa používateľovi zobrazí skôr

Odporúčací systém je dobrý príklad AI, ktorú používame denne bez chatovania. Google vo svojom odbornom kurze opisuje bežnú architektúru ako tri fázy: generation of candidates, scoring a re-ranking. Z potenciálne obrovského katalógu sa najprv vyberie menšia sada kandidátov, potom sa ohodnotia a zoradia a nakoniec sa poradie môže upraviť podľa ďalších požiadaviek, napríklad čerstvosti, diverzity alebo pravidiel produktu.

Takýto systém môže využívať content-based filtering, collaborative filtering, embeddings, historické interakcie, kontext používateľa, popularitu alebo viacero modelov súčasne. Výstupom nie je „odpoveď“, ale poradie. Toto poradie následne ovplyvňuje, aké video človek pozrie, aký produkt objaví, aký článok otvorí alebo aká položka sa dostane do jeho pozornosti.

Odporúčanie preto nie je neutrálna technická operácia. Optimalizačný cieľ rozhoduje, čo systém zvýhodní. Ak sa optimalizuje iba click-through rate, výsledok môže byť iný než pri optimalizácii dlhodobej spokojnosti, marže, diverzity alebo bezpečnosti. AI gramotnosť tu znamená rozumieť nielen modelu, ale aj objective function, dátam a následkom rankingu.

7. Vyhľadávanie, embeddings a retrieval: AI môže nájsť relevantnú informáciu bez generovania novej

Moderné AI systémy často používajú vektorové reprezentácie - embeddings - na mapovanie textu, obrázkov alebo iných objektov do numerického priestoru. V takom priestore možno vyhľadávať podľa semantickej podobnosti, nie iba podľa presnej zhody slov. Používateľ môže položiť otázku inými slovami, než sú použité v dokumente, a retrieval systém napriek tomu nájde relevantnú pasáž.

Tento mechanizmus je základom semantického vyhľadávania, odporúčania podobných položiek, deduplikácie, clusteringu aj RAG. Pri RAG sa relevantné pasáže najprv vyhľadajú a až potom sa vložia do kontextu generatívneho modelu. Samotná retrieval vrstva však môže fungovať aj bez generovania: výsledkom môže byť iba zoznam dokumentov alebo pasáží zoradených podľa relevancie.

Pre organizáciu je dôležité oddeliť retrieval quality od generation quality. Ak systém nájde nesprávny dokument, veľmi schopný LLM môže vytvoriť presvedčivú odpoveď z nesprávneho podkladu. Preto sa pri enterprise vyhľadávaní hodnotí recall, precision, relevance, freshness, prístupové práva a provenance. „Máme RAG“ nie je synonymom „máme správne odpovede“.

8. Extrakcia a štruktúrovanie: AI môže meniť neporiadok na dáta

Veľká časť firemnej informácie existuje v textoch, PDF, e-mailoch, obrázkoch, skenoch alebo voľných poznámkach. AI sa dá použiť na extrakciu entít, dátumov, čísel, položiek, vzťahov a ďalších štruktúrovaných polí. Praktická hodnota je v tom, že údaje sa dostanú do databázy alebo workflow, kde sa s nimi dá ďalej pracovať.

Príkladom je spracovanie faktúr: systém dokument rozpozná, extrahuje dodávateľa, číslo faktúry, sumu, DPH a splatnosť, porovná ich s objednávkou a až pri odchýlke eskaluje prípad človeku. Pri zmluve môže identifikovať zmluvné strany, dátumy, doložky a záväzky. Pri zákazníckej komunikácii môže z e-mailu vybrať produkt, problém, prioritu a identifikátor objednávky.

Kritickým bodom je schema validation. Model môže vygenerovať syntakticky správne pole, ktoré je obsahovo nesprávne. Preto profesionálne riešenie kombinuje typové obmedzenia, kontroly rozsahu, porovnanie so zdrojom, confidence alebo human review. Úloha AI tu nie je „napísať text“, ale transformovať neštruktúrovaný vstup na kontrolovateľný dátový objekt.

9. Multimodálna AI: systém môže vidieť, počuť a prepájať viac typov vstupu

Súčasné foundation modely môžu pracovať s kombináciou textu, obrázkov, zvuku a videa. To rozširuje AI ďaleko za textový chatbot. Model môže analyzovať fotografiu poškodenia, čítať graf, interpretovať screenshot, sumarizovať videosekvenciu, transkribovať zvuk alebo kombinovať obrazový kontext s písomnými inštrukciami.

Multimodalita však neznamená ľudské vnímanie. Systém vytvára matematické reprezentácie vstupov a inferuje pravdepodobné vlastnosti alebo vzťahy. Presnosť závisí od kvality vstupu, typu úlohy, modelu a distribúcie dát. Rozmazaný obraz, atypický uhol, slabý zvuk alebo neobvyklý kontext môžu významne zmeniť výsledok.

V podnikovej praxi môže multimodálna AI kontrolovať výrobné snímky, porovnávať layouty, čítať technické diagramy, pracovať s obrazovou dokumentáciou, analyzovať videá zo školení alebo spracovať audio z call centra. Generovaný text je často len posledným prezentačným krokom; jadrom úlohy je percepcia, klasifikácia a extrakcia.

10. AI môže používať nástroje: model nemusí zostať uzavretý v konverzácii

Zásadný posun nastáva vtedy, keď model dostane prístup k nástrojom. Moderné API umožňujú modelu vyhľadávať na webe, pracovať so súbormi, volať funkcie, používať vzdialené MCP servery alebo pristupovať k externým službám. OpenAI napríklad v aktuálnej dokumentácii explicitne opisuje web search, file search, function calling, tool search a remote MCP ako mechanizmy, ktorými sa schopnosti modelu rozširujú mimo samotného generovania textu.

Function calling funguje tak, že model nerozhoduje vykonaním SQL alebo bankového prevodu priamo „vo svojich váhach“. Vytvorí štruktúrovanú požiadavku na povolený nástroj a aplikačná vrstva rozhodne, či a ako sa nástroj vykoná. To umožňuje napríklad vytvoriť objednávku, načítať CRM záznam, prepočítať údaje v kóde alebo spustiť interný proces.

Práve tu sa dramaticky mení bezpečnostný profil. Textový model môže vytvoriť zlú odpoveď; model s oprávnením konať môže vykonať zlú akciu. Preto sa pri tool use uplatňuje least privilege, schvaľovanie citlivých krokov, validácia parametrov, logging, allowlist nástrojov a oddelenie nedôveryhodného obsahu od inštrukcií.

11. Computer use: AI môže ovládať používateľské rozhranie podobne ako človek

Ak systém dostane computer-use nástroj, môže sledovať stav obrazovky alebo prehliadača a vykonávať interakcie v grafickom rozhraní. OpenAI opisuje computer use ako možnosť, pri ktorej agent naviguje weby a aplikácie cez používateľské rozhranie, pričom na základe pozorovaného stavu rozhoduje o ďalšom kroku. Ide o zásadne inú schopnosť než generovanie odpovede.

Tento prístup je užitočný tam, kde služba nemá vhodné API alebo kde treba pracovať s existujúcim používateľským workflow. Agent môže napríklad prejsť viac obrazoviek administrácie, zozbierať informácie, vyplniť formulár alebo otestovať web. Súčasne je krehkejší než dobre navrhnutá API integrácia: rozhranie sa môže zmeniť, tlačidlo sa môže presunúť a stránka môže obsahovať nedôveryhodný text.

Preto computer use nemožno chápať ako univerzálnu náhradu človeka pri ľubovoľnej činnosti. Pri finančných, právnych, personálnych alebo iných vysokodopadových akciách majú existovať explicitné hranice autonómie a potvrdenie človekom. Čím väčšia je možnosť nezvratnej zmeny, tým menší priestor by mal mať model na nekontrolované vykonanie.

12. Agenti: AI môže plánovať viac krokov a meniť postup podľa výsledkov

Agentný systém pridáva k modelu cieľ, nástroje, stav a slučku typu pozoruj - rozhodni - konaj - skontroluj. Agent nemusí vedieť celý postup dopredu. Môže vykonať vyhľadávanie, zistiť, že podklad nestačí, vyžiadať ďalší zdroj, spracovať výsledok a až potom pokračovať. Anthropic aj OpenAI dnes opisujú agentné systémy ako pracovné mechanizmy, ktoré používajú nástroje a adaptujú postup podľa výsledkov.

Autonómia však existuje na stupnici. Jednoduchý workflow má kroky pevne určené vývojárom. Agent môže sám vyberať ďalšiu akciu z povolených možností. Multi-agent architektúra môže rozdeliť úlohy medzi viac špecializovaných komponentov. Vyššia autonómia zvyšuje flexibilitu, ale zároveň počet možných stavov, cenu, latenciu a priestor pre chyby.

Najlepší prvý agent preto nebýva univerzálny „AI zamestnanec“. Lepší je úzko definovaný proces s merateľným cieľom, obmedzenými nástrojmi a jasným stop condition. Napríklad research agent môže vyhľadať zdroje, extrahovať tvrdenia, označiť rozpory a pripraviť podklad na schválenie. Nie je potrebné, aby zároveň publikoval článok, posielal e-maily a upravoval CRM.

13. AI ako rozhodovacia podpora: od informácie k návrhu ďalšieho kroku

Veľa hodnoty vzniká medzi čistou analýzou a plnou automatizáciou. Decision-support systém zhromaždí údaje, vypočíta skóre, nájde relevantné pravidlá, porovná alternatívy a pripraví odporúčanie pre človeka. Odborník stále rozhoduje, ale dostáva lepšie štruktúrovaný podklad a môže venovať viac času prípadom, kde je potrebný úsudok.

Tento model je vhodný pri situáciách, kde sú následky chyby významné alebo kde právny a etický rámec vyžaduje ľudský dohľad. AI môže napríklad prioritizovať servisné incidenty, sumarizovať spis, vyhodnotiť odchýlky od politiky alebo navrhnúť alternatívy. Kľúčové je, aby používateľ videl podklady, neistotu a dôvody, nie iba číslo alebo autoritatívne znejúci verdikt.

V praxi je veľmi nebezpečné zamieňať „human in the loop“ s formálnym kliknutím na schválenie. Ak človek nemá čas, informácie alebo motiváciu výstup skontrolovať, vzniká automation bias. Dobrý proces preto definuje, čo sa kontroluje, aké dôkazy sú povinné, kedy sa prípad eskaluje a ktoré rozhodnutia sa nesmú automatizovať.

14. Optimalizácia a plánovanie: AI môže hľadať lepšiu kombináciu možností

Mnohé pracovné problémy nie sú otázkou „čo napísať“, ale „ako rozdeliť obmedzené zdroje“. Ide o plánovanie trás, rozpisy, alokáciu kapacity, výber portfólia, pricing alebo plánovanie výroby. Nie všetky optimalizačné metódy sa právne či technicky klasifikujú ako AI, ale moderné systémy často kombinujú klasickú optimalizáciu, machine learning a generatívne modely.

Praktický systém môže predikovať dopyt pomocou ML, z predikcie vytvoriť obmedzenia a následne použiť optimalizačný solver na rozdelenie zásob. LLM môže používateľovi vysvetliť výsledok alebo previesť prirodzený jazyk na parametre, ale kritický výpočet vykoná špecializovaný mechanizmus. Takáto kompozícia je často spoľahlivejšia než nútiť jazykový model simulovať kalkulačku alebo solver.

Toto je dôležitá lekcia AI architektúry: najlepší systém nemusí používať jeden model na všetko. LLM je silný pri jazyku, syntéze a flexibilnom rozhraní; databáza je silná pri presných záznamoch; kalkulačka pri aritmetike; solver pri optimalizácii. Profesionálne AI riešenie vyberá vhodný mechanizmus pre každý krok.

15. AI pre vedu: model môže objavovať štruktúry a vzťahy, ktoré človek manuálne nehľadá

Jedným z najvýraznejších príkladov AI mimo chatbotov je AlphaFold. Google DeepMind uvádza, že AlphaFold predpovedá 3D štruktúry proteínov a databáza dnes obsahuje viac než 200 miliónov predikovaných štruktúr. AlphaFold 3 rozširuje predikciu na interakcie proteínov s ďalšími molekulami. Výstupom systému teda nie je esej, ale vedecky využiteľná štrukturálna predikcia.

Tento príklad je dôležitý aj koncepčne. AI sa môže použiť na aproximáciu veľmi náročného mapovania medzi vstupom a štruktúrou alebo vlastnosťou. Podobný princíp sa objavuje pri návrhu materiálov, modelovaní molekúl, analýze vedeckých dát, weather forecasting či hľadaní vzorov v experimentálnych súboroch.

Zároveň treba oddeliť predikciu od experimentálneho potvrdenia. Aj veľmi presný vedecký model je súčasťou vedeckého workflow, nie náhradou celej vedeckej metódy. Výsledok treba interpretovať podľa validačného rámca, limitov modelu a následných experimentálnych alebo observačných dôkazov.

16. Fyzická AI a robotika: výstupom modelu môže byť pohyb

Najjasnejším dôkazom, že AI nie je iba generátor obsahu, je robotika. Vision-language-action model prijíma obrazové a jazykové vstupy a vytvára riadiace signály pre fyzický systém. Google DeepMind pri Gemini Robotics 2 opisuje model, ktorý prepája videnie a jazyk s motorickým riadením a umožňuje robotom vykonávať komplexné úlohy a adaptovať sa na nové situácie.

V takomto systéme sa „odpoveď“ nečíta na monitore. Môže ísť o trajektóriu robotického ramena, manipuláciu objektu alebo sekvenciu fyzických činností. Zároveň sa spájajú percepcia, priestorové uvažovanie, plánovanie a kontrola pohybu. To je kvalitatívne iný typ interakcie než chatbot, hoci časť architektúry môže používať rovnakú rodinu foundation modelov.

Fyzická AI má aj odlišný bezpečnostný profil. Chybný text môže spôsobiť informačnú škodu; chybný motorický príkaz môže spôsobiť fyzickú škodu. Preto sa vyžaduje vrstvená bezpečnosť, obmedzenia akčného priestoru, senzory, núdzové zastavenie, validácia a testovanie v realistických podmienkach.

17. Generovanie je často iba rozhranie nad oveľa širším systémom

Veľmi často používateľ vidí textový výstup a predpokladá, že celý systém je generatívny. V skutočnosti môže text fungovať iba ako posledná vrstva. Pred ním môže bežať retrieval, SQL dotaz, model klasifikácie, výpočet v Pythone, scoring, optimalizácia a pravidlá oprávnení. LLM nakoniec výsledok iba preloží do ľudsky zrozumiteľnej formy.

Toto vysvetľuje, prečo sa dve aplikácie postavené na rovnakom foundation modeli môžu správať zásadne odlišne. Rozdiel robí systémový prompt, retrieval, dostupné nástroje, dátové zdroje, oprávnenia, workflow, validácia, evaly a UI. Model je dôležitá súčiastka, ale podniková hodnota a bezpečnosť často vznikajú v architektúre okolo neho.

Pre manažéra alebo používateľa je preto lepšia otázka „aký pracovný proces chceme zmeniť?“ než „čo nám AI vygeneruje?“. Až potom treba rozhodnúť, či je potrebná predikcia, klasifikácia, vyhľadávanie, generovanie, automatizácia alebo ich kombinácia. Táto zmena otázky často odhalí prípady použitia s výrazne vyššou návratnosťou.

18. Mapa praktických firemných použití

AI use case je vhodné opisovať pomocou vstupu, transformácie, výstupu, rozhodnutia a kontroly. Napríklad „AI na e-maily“ je príliš neurčité. Presnejšie zadanie môže byť: načítať prichádzajúci e-mail, klasifikovať tému a urgentnosť, nájsť zákazníka v CRM, vyhľadať relevantnú internú smernicu, pripraviť návrh odpovede a pri rizikovej kategórii vyžiadať schválenie človeka.

Takéto rozloženie odhaľuje, že jeden workflow môže obsahovať viac typov AI. Klasifikácia určí kategóriu, retrieval nájde podklad, generatívny model vytvorí text a agentná vrstva orchestruje kroky. Pri finančnom výpočte môže byť navyše potrebný deterministický kód. Výsledkom je hybridný systém, nie „jeden prompt“.

Pri návrhu portfólia use cases sa oplatí hodnotiť frekvenciu úlohy, časovú náročnosť, variabilitu vstupov, dostupnosť dát, toleranciu chyby, regulačný dopad, možnosť overenia a ekonomickú hodnotu. Úlohy s vysokou frekvenciou a ľahko overiteľným výsledkom bývajú vhodnejšie na prvé nasadenie než zriedkavé rozhodnutia s veľkým právnym alebo reputačným dopadom.

19. Maturity model: od asistenta cez workflow k agentovi

Prvá úroveň je asistované generovanie: človek zadá požiadavku a model pripraví návrh. Druhá úroveň pridáva zdroje a nástroje - model napríklad pracuje so súbormi, vyhľadáva alebo počíta. Tretia úroveň je workflow, kde sú jednotlivé kroky explicitne definované a AI vykonáva len vybrané časti. Štvrtá úroveň je agent, ktorý môže voliť ďalšie kroky podľa stavu úlohy.

Vyššia úroveň nie je automaticky lepšia. Deterministický workflow môže byť lacnejší, rýchlejší, auditovateľnejší a bezpečnejší než agent. Agent dáva zmysel vtedy, keď sa cesta k cieľu nedá spoľahlivo predpísať dopredu a adaptivita prináša reálnu hodnotu. Autonómiu treba preto považovať za dizajnovú voľbu, nie za známku technologickej vyspelosti.

V organizácii je užitočné zaviesť „autonomy budget“: presne určiť, čo systém smie iba čítať, čo môže navrhovať, čo môže zapisovať po schválení a ktoré akcie môže vykonať automaticky. Tým sa z abstraktného pojmu agent stane riaditeľný prevádzkový systém s jasnými hranicami zodpovednosti.

20. Na čo si dať pozor: schopnosť konať zvyšuje aj následky chyby

Pri generovaní textu je typickým rizikom halucinácia alebo nevhodný obsah. Pri predikcii vzniká riziko zlej kalibrácie, driftu alebo diskriminačného dopadu. Pri odporúčacom systéme môže problémom byť skreslené poradie. Pri agentovi sa pridáva neoprávnená alebo nesprávna akcia. Jednotný pojem „AI riziko“ preto skrýva viac odlišných mechanizmov.

Bezpečnostný model musí zodpovedať schopnostiam systému. Read-only retrieval potrebuje kontrolu prístupových práv a kvality zdrojov. Tool-using agent potrebuje least privilege, parameter validation, logging a schvaľovanie. Computer-use agent potrebuje ochranu proti prompt injection z webu. Robotický systém potrebuje fyzické bezpečnostné obmedzenia a fail-safe mechanizmy.

Najčastejšou chybou je preniesť dôveru z kvality textu na kvalitu celej akcie. Model môže veľmi presvedčivo vysvetliť nesprávny plán. Preto sa pri vyššej autonómii zvyšuje význam evalov, testovacích scenárov, sandboxingu, separácie rolí a možnosti zastaviť proces. Schopnejší systém potrebuje silnejšie riadenie, nie menšie.

21. Čo z toho vyplýva pre AI gramotnosť

Ak používateľ chápe AI len ako generátor odpovedí, jeho AI gramotnosť zostáva obmedzená na promptovanie a posudzovanie obsahu. V pracovnom prostredí však potrebuje rozumieť aj dátovým zdrojom, modelovým výstupom, retrievalu, nástrojom, oprávneniam, automatizácii a riziku akcie. To je dôvod, prečo kvalitné AI vzdelávanie nemôže skončiť pri „10 promptoch pre produktivitu“.

Používateľ by mal vedieť rozlíšiť, či konkrétnu úlohu rieši jazykový model, vyhľadávač, databáza, klasifikačný model, kalkulačka, kód, odporúčací systém alebo agent. Mal by vedieť, kedy výsledok vznikol zo zdroja a kedy ide o inferenciu, a čo sa stane, ak model pošle tool call. Bez tohto porozumenia človek ovláda rozhranie, ale nerozumie systému.

AI gramotnosť preto zahŕňa aj schopnosť povedať „toto nemá riešiť LLM“. Niekedy je správnym riešením SQL, deterministické pravidlo, matematický solver alebo klasický softvér. Zrelé používanie AI nie je maximalizácia počtu AI krokov, ale správny výber technológie pre konkrétnu časť problému.

22. Časté omyly

23. Ako hľadať AI use case vo firme

Začnite procesom, nie modelom. Vyberte konkrétnu pracovnú úlohu a rozložte ju na vstupy, rozhodnutia, rutinné kroky, zdroje, výpočty, komunikáciu a body zodpovednosti. Až potom mapujte, kde je vhodná predikcia, klasifikácia, retrieval, generovanie, nástroj alebo deterministické pravidlo. Tento prístup minimalizuje „AI pre AI“ projekty.

Druhým krokom je definovať overiteľnosť. Ak výsledok možno jednoznačne skontrolovať proti databáze, pravidlu alebo následnému výsledku, automatizácia je jednoduchšia. Ak je výsledok subjektívny, vysoko rizikový alebo sa správnosť ukáže až po mesiacoch, treba konzervatívnejší rollout a silnejší human gate.

Tretím krokom je zmerať baseline. Koľko úloha dnes trvá, koľko stojí, aká je chybovosť, koľko prípadov sa spracuje a kde vzniká bottleneck? Bez baseline firma nevie, či AI zlepšila proces alebo iba vytvorila nový technologický náklad. Produkčné nasadenie má mať cieľovú metriku, eval dataset, monitoring a vlastníka procesu.

1. Identifikujte opakujúci sa proces s merateľným výsledkom.

2. Rozdeľte ho na percepciu, retrieval, výpočet, rozhodnutie, generovanie a akciu.

3. Každému kroku priraďte najvhodnejší mechanizmus, nie automaticky LLM.

4. Určte, ktoré dáta a oprávnenia sú skutočne potrebné.

5. Definujte acceptance criteria a chyby, ktoré sú neprípustné.

6. Začnite read-only alebo decision-support režimom.

7. Automatické akcie pridávajte až po evaloch a s loggingom.

8. Priebežne monitorujte kvalitu, drift, náklady a incidenty.

24. Záver: AI nie je generátor, ale vrstva spracovania, rozhodovania a konania

Generatívne modely urobili AI viditeľnou pre miliardy ľudí, pretože prirodzený jazyk je univerzálne používateľské rozhranie. Táto viditeľnosť však zároveň vytvorila skreslený obraz, že hlavnou funkciou AI je tvorba obsahu. Širšia realita je podstatne zaujímavejšia: AI môže odhadovať, triediť, vyhľadávať, reprezentovať podobnosť, odporúčať, plánovať, používať nástroje a ovplyvňovať digitálne aj fyzické prostredie.

Pre používateľa to mení otázku z „čo sa mám AI opýtať?“ na „ktorú časť môjho procesu má zmysel zveriť akému mechanizmu?“. Niektoré kroky patria LLM, iné klasifikačnému modelu, databáze, solveru, kódu alebo človeku. Najlepšie riešenia tieto prvky skladajú podľa ich silných stránok a merateľne kontrolujú výsledok.

Pre AI gramotnosť z toho plynie jednoznačný záver: vedieť generovať texty a obrázky je používateľská zručnosť, nie úplné pochopenie umelej inteligencie. Profesionálna AI gramotnosť začína tam, kde používateľ rozumie modelu, dátam, zdrojom, nástrojom, autonómii, riziku a zodpovednosti za výsledok.

Nosná veta Ak AI vnímate iba ako chatbot, pozeráte sa na používateľské rozhranie a zamieňate ho za celú technológiu.

25. Odborné zdroje a primárna dokumentácia

1 European Union, Regulation (EU) 2024/1689 - Artificial Intelligence Act, Article 3(1), consolidated text 2026. https://eur-lex.europa.eu/eli/reg/2024/1689/2026-07-27/eng

2 OECD, Definition of an AI system / OECD Digital Economy Outlook. https://www.oecd.org/en/publications/2024/05/oecd-digital-economy-outlook-2024-volume-1_d30a04c9/full-report/component-5.html

3 NIST, AI Risk Management Framework 1.0. https://airc.nist.gov/airmf-resources/airmf/0-ai-rmf-1-0/

4 NIST, Artificial intelligence glossary. https://csrc.nist.gov/glossary/term/artificial_intelligence

5 Google for Developers, Machine Learning Crash Course. https://developers.google.com/machine-learning/crash-course/

6 Google for Developers, Recommendation systems overview. https://developers.google.com/machine-learning/recommendation/overview/types

7 Google for Developers, Candidate generation and embeddings. https://developers.google.com/machine-learning/recommendation/overview/candidate-generation

8 OpenAI, Using tools - web search, file search, function calling, MCP. https://developers.openai.com/api/docs/guides/tools

9 OpenAI, Computer use. https://developers.openai.com/api/docs/guides/agents-api/tools/computer-use

10 Anthropic, Building Effective AI Agents. https://resources.anthropic.com/building-effective-ai-agents

11 Google DeepMind, AlphaFold. https://deepmind.google/science/alphafold/

12 Google DeepMind, Gemini Robotics 2. https://deepmind.google/models/gemini-robotics/

13 Google DeepMind, Gemini Robotics 2 brings whole body intelligence to robots, 2026. https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/

14 OECD, Introducing the OECD AI Capability Indicators. https://www.oecd.org/en/publications/introducing-the-oecd-ai-capability-indicators_be745f04-en.html

Poznámka k aktuálnosti: Produktové funkcie a dokumentácia odrážajú stav dostupný k 8. 10. 2026. Regulačné a technické definície sú citované z primárnych zdrojov. Pri konkrétnom nasadení je potrebné overiť aktuálnu dokumentáciu, zmluvné podmienky, oprávnenia a právny režim konkrétneho použitia.

Súvisiace články

• Ako fungujú AI agenti a ako si postaviť prvého agenta
• Kedy AI automatizovať a kedy ju nechať iba ako asistenta