Päť mýtov o AI, kvôli ktorým firmy robia zlé rozhodnutia
AI si stále vymýšľa. Vidíte, ako premýšľa. Agent zvládne všetko sám. Niektoré z týchto viet kedysi platili, iné budú platiť možno raz. Dnes vedú k zlým rozhodnutiam.
Kontrolná otázka: „Si si istý?“ odpoveď nezlepší
Keď AI odpovie a vy sa spýtate „si si istá?“, mnohí čakajú, že si odpoveď prekontroluje. Môže sa stať opak. Model vašu otázku pochopí ako signál, že chcete inú odpoveď, a prispôsobí sa. Aj keď mal pôvodne pravdu.
Pri človeku
Nový kolega, ktorý pri každom „ste si istý?“ od šéfa zmení názor, nie je dôkladný. Je ustráchaný.
Pri AI
Ak chcete kontrolu, požiadajte o ňu priamo: „Over túto odpoveď v priloženom dokumente a uveď, kde to je.“
Mýtus: AI si stále vymýšľa
Vymýšľanie, odborne halucinácie, nie je vyriešené. Dnešné najlepšie modely sú však ďaleko od strojov na výmysly spred pár rokov. Pomohli tri veci:
- Nástroje: model si odpoveď vyhľadá na webe alebo v databáze namiesto toho, aby ju lovil z pamäti.
- Priznanie neistoty: modely sa naučili povedať „toto neviem overiť“.
- Čas na premýšľanie: modely, ktoré uvažujú pred odpoveďou, si môžu skontrolovať vlastnú prácu.
Koľko sa modely mýlia, závisí od úlohy. Pri zhrnutí dodaného textu majú najlepšie modely chybovosť v jednotkách percent. Pri otázkach na fakty z pamäti je chýb oveľa viac. Nie je to nula, ale nie je to ani „stále“.
Čo to znamená pre vás: AI bez prístupu k vašim podkladom bude hádať. AI, ktorá odpovedá z vašich dokumentov a vie ich citovať, sa mýli výrazne menej.
Mýtus: vidíte, ako AI premýšľa
Niektoré modely ukazujú svoj postup krok za krokom. Vyzerá to ako pohľad do ich hlavy. Nie je. Výskum ukazuje, že tento zápis nemusí zodpovedať tomu, ako model k odpovedi naozaj dospel. Môže ísť o dodatočné zdôvodnenie odpovede, ku ktorej sa model prikláňa.
Čo to znamená pre vás: Postup je užitočný na kontrolu logiky, nie ako dôkaz správnosti. Pri dôležitých rozhodnutiach overujte výsledok, nie len zdôvodnenie.
Mýtus: drahý je tréning, používanie je lacné
Titulky píšu o stovkách miliónov za tréning modelov. Pritom čoraz väčšiu časť výpočtového výkonu spotrebuje samotné používanie. Podľa odhadov, ktoré uvádza IBM, to bola v roku 2023 asi tretina, v roku 2025 zhruba polovica a odhad na tento rok sú dve tretiny.
Dôvod: modely, ktoré premýšľajú, vytvoria 10 až 100-krát viac textu na jednu otázku. Najviac pri agentoch.
Čo to znamená pre vás: Platíte za používanie, nie za tréning. Nasadiť najdrahší model s dlhým premýšľaním na jednoduchú úlohu znamená vyhodiť peniaze. Model vyberajte podľa úlohy.
Mýtus: veľký kontext nahradí databázu
Dnešné modely naraz prečítajú stovky strán. Láka to nahrať do nich celý export z CRM, všetky zmluvy alebo účtovníctvo za rok a pýtať sa ich ako databázy. V ukážke to funguje. V bežnej práci to zlyháva z piatich dôvodov.
Nájsť nie je to isté ako spojiť. Jednu konkrétnu vetu model v dlhom texte nájde takmer vždy. Keď však musí spojiť viac údajov z rôznych miest, presnosť rýchlo klesá. V teste NoLiMa od Adobe Research (2025) pri dĺžke zhruba 50 strán kleslo 10 z 12 testovaných modelov pod polovicu výkonu, ktorý mali na krátkom texte.
Stred textu sa stráca. Modely najlepšie využijú informácie zo začiatku a z konca. Čo leží v strede, prehliadajú častejšie. Ukázala to štúdia Lost in the Middle zo Stanfordu (2023). Výskum firmy Chroma z roku 2025 potvrdil pri 18 modeloch, že s dĺžkou textu spoľahlivosť klesá.
Databáza počíta, model odhaduje. Súčet tržieb, počet klientov alebo filter podľa dátumu urobí databáza vždy rovnako a presne. Jazykový model to pri tisícoch riadkov robí čítaním a ľahko vynechá riadok alebo sa pomýli v súčte.
Každá otázka stojí celý text. Model pri každej otázke spracuje celý vložený obsah znova. Pri veľkom exporte tak platíte za stovky strán pri každej otázke a dlhšie čakáte na odpoveď.
Export rýchlo zastará. Je to snímka jedného dňa. Databáza má vždy aktuálny stav a stráži aj prístupové práva, teda kto smie vidieť ktoré údaje.
Čo to znamená pre vás: Veľký kontext sa hodí na prácu s niekoľkými dokumentmi naraz, napríklad porovnať dve zmluvy alebo zhrnúť správu. Na otázky nad firemnými dátami patrí AI napojená na systém, ktorá sa databázy spýta a výsledok vám vysvetlí.
„Vedúci obchodu nahrá do AI ročný export z CRM a spýta sa, ktorí klienti z Bratislavy nakúpili na jar a od leta sa neozvali. Na to treba spojiť tri veci z rôznych miest. Spoľahlivejšie je nechať AI pýtať sa priamo CRM cez napojenie, nie čítať export.“
Mýtus: agent zvládne celý proces úplne sám
Agent je model v slučke: rozhodne sa, urobí krok, pozrie sa na výsledok a pokračuje. Jednotlivé kroky zvláda dobre. Problém je v ich reťazení, lebo chyby sa násobia.
Stačí jednoduchá matematika. Ak je každý krok spoľahlivý na 95 %, reťaz 20 krokov dopadne dobre asi v 36 % prípadov. Pri 50 krokoch zhruba v 8 %. Agent, ktorý vybaví dopyt od prijatého e-mailu po odoslanú ponuku, pritom ľahko urobí desiatky krokov.
Merania to potvrdzujú. Výskumná organizácia METR v marci 2025 zistila, že vtedy najlepšie modely zvládli takmer všetky úlohy, ktoré človeku trvajú menej ako štyri minúty. Pri úlohách na viac ako štyri hodiny uspeli v menej ako 10 % prípadov. Dĺžka úloh, ktoré agenti zvládnu, sa podľa METR zhruba každých sedem mesiacov zdvojnásobí. Rastie teda rýchlo, ale dlhý proces bez kontroly je stále riziko.
Pri človeku
Aj šikovného nováčika necháte pracovať samostatne, ale pri dôležitých míľnikoch si výsledok pozriete.
Pri AI
Agent pracuje sám v krátkych úsekoch. Medzi nimi ho skontroluje človek alebo druhý model, ktorý overuje jednotlivé kroky.
Čo to znamená pre vás: Plne samostatný agent na dlhý proces je dnes riziko. Agent s kontrolnými bodmi je spoľahlivý pomocník.
Mýty buď kedysi platili, alebo raz platiť budú
| MÝTUS | PRAVDA DNES | ČO Z TOHO PRE FIRMU |
|---|---|---|
| AI si stále vymýšľa | s nástrojmi a podkladmi výrazne menej | dajte jej vaše dokumenty |
| Vidíte, ako premýšľa | vidíte rozprávanie, nie myslenie | overujte výsledok |
| Drahý je tréning | drahé je používanie | model podľa úlohy |
| Veľký kontext je databáza | jednu vec nájde, spájať nevie | napojiť na systémy |
| Agent zvládne všetko sám | chyby sa reťazia | kontrolné body |
Zdroje: IBM Technology; Adobe Research, NoLiMa (2025); Liu a kol., Lost in the Middle, Stanford (2023); Chroma, Context Rot (2025); METR, Measuring AI Ability to Complete Long Tasks (2025).
Spýtajte sa sami seba
Ktorý z týchto mýtov dnes rozhoduje o tom, ako vaša firma AI používa alebo nepoužíva?
