25 promptů zdarma

Základy AI a modely

Halucinace

Halucinace je sebejistě podaná, ale nepravdivá nebo vymyšlená informace v odpovědi AI, třeba neexistující zdroj, špatné číslo nebo smyšlený paragraf. Omezují ji zdroje v zadání, vyhledávání a kontrola výstupu.

Proč to manažera zajímá

Halucinace nevypadá jako chyba. Je napsaná stejně přesvědčivě jako pravdivá věta, a proto ji snadno přehlédnete. Nejčastěji vzniká tam, kde AI chybí podklad: zeptáte se na číslo, které v datech není, nebo na událost po datu uzávěrky jejích znalostí, a model mezeru zaplní odhadem. Za výstup, který odejde z firmy, přitom odpovídáte vy.

Jak to vypadá v praxi

Marketingová manažerka chce přehled trhu a AI uvede podíl konkurenta „podle studie z roku 2025“. Studie neexistuje. Pomůže věta v zadání: „Čísla ber jen z přiložených dat nebo z dohledaných zdrojů s odkazem, a co nenajdeš, napiš, nehádej.“ I s odkazy je potřeba kontrolovat: studie Pensylvánské univerzity z dubna 2026 zjistila, že modely s webovým vyhledáváním sestavily zcela správně jen zhruba polovinu citací. Anthropic sám doporučuje citace ověřovat. Víc v článku 10 způsobů, jak použít Claude Research.

Na co si dát pozor

  • Čísla, jména a citace v důležitých výstupech vždy ověřte proti zdroji.
  • Zapněte vyhledávání na webu, když se ptáte na cokoli aktuálního.

Podrobně v článku

Související pojmy

  • Vyhledávání na webu

    Vyhledávání na webu je funkce, se kterou si AI během odpovědi najde aktuální informace na internetu a uvede zdroje. Bez ní model zná jen to, co se naučil do data uzávěrky svých znalostí.

  • Datum uzávěrky znalostí

    Datum uzávěrky znalostí je okamžik, po kterém model z trénování nic nezná. Novější informace získá jen vyhledáváním na webu nebo z dokumentů, které mu dáte.

  • Research

    Research je režim v Claude, ve kterém Claude několik minut samostatně provádí sérii navazujících vyhledávání a výsledek složí do reportu s odkazy na zdroje. Hodí se na otázky, které vyžadují porovnat desítky zdrojů.

  • Kritéria kvality

    Kritéria kvality jsou část zadání, která popisuje, kdy je výstup hotový a dobrý, například „nejvýš jedna strana, čísla se zdrojem, bez obecných frází“. Podle nich se řídí AI a podle nich výsledek kontrolujete vy.

  • Kontrola vzorkem

    Kontrola vzorkem je způsob ověřování výstupů AI, kdy místo kontroly všeho pravidelně projdete náhodně vybranou část. Hodí se pro opakované úlohy a agenty, které se už osvědčily.

  • Datová kvalita

    Datová kvalita je míra, do jaké jsou data úplná, konzistentní, přesná a aktuální. AI chyby v datech sama nenapraví, ale umí je rychle najít, když ji o to požádáte („najdi, co nesedí“).

Kde to učíme

V kurzu Masterclass: Claude pro byznys na to navazuje modul 1: Claude jako pracovní kolega. Na reálných úlohách z vaší firmy, česky a bez technického zázemí.

Prohlédnout moduly kurzu