Černá.AI: Co si odnášim

Ahoj, s klukama jsme vyrazili do Ostravy na Černá.ai. Čtyři hodiny cesty stály za to.

Celej tým kolem Černá.ai odvedl neskutečně dobrou práci a nastavil laťku, která je v Česku hodně vysoko. Vyrovnávají se jí jenom akce od Jindry Fáborskýho. ❤️

Mám pro vás výpisky toho, co mi přišlo důležitý. Be my guests. 🫴

📆 Btw než začnem

• Už teď ve čtvrtek se vidíme v Brně na Forbes The Next Big Thing.

  Tady jedna vstupenka zdarma 🫴

• 22. září pořádá Patrick Zandl v pražském kině Dlabačov Vibecoding Talks. S kódem DISEASEZOE nebo přes tenhle odkaz máte slevu 50 Kč. PS: Bude tam Josef Šlerka 🤩

• Od 26. září se budeme každou sobotu potkávat na Digisemestru. Tři měsíce v kuse spolu budem všechny soboty. That’s cool, innit? Prý zbývá už jenom 10 % míst. Hurry, protože v ČR není lepší studijní program na marketing a AI, než je právě Digisemestr.

🎛️ Viktor Šohájek: Taste is all you need

Viktor (Head of AI ve FLO) říká, že rok 2026 je rok, kdy jsme přestali psát modely. Vývoj s agenty mu šetří zhruba polovinu kapacity. Zároveň popsal, jak vzniká AI slop: napoprvé výstup ohromí, napodruhé v něm najdeme díry a ve chvíli, kdy ho chceme opravdu použít, zjistíme, že použitelnej není. AI je podle něj řemeslník, ví, jak věc udělat. Nemá ale vkus, protože nic nechce a je natrénovaná na průměr. Vkus je vědět, kdy přestat iterovat. Rick Rubin o sobě říká, že neumí nic technickýho a platí ho právě za vkus. U vibe codingu to znamená, že 80 % práce je dotáhnout věc, která už vypadá hotově, a Viktor si tipuje spíš 90 na 10. U náboru proto testuje vkus, třeba zadáním „ukaž mi dobrej a špatnej design a vysvětli proč“.

AI slop je výstup, kterej na první pohled vypadá hotově, ale nefunguje. Poznat, kdy je věc opravdu hotová, za nás AI neumí.

🧪 Šimon Podhajský a Veronika Pešková: Evaly si uděláme sami

Šimon a Veronika z pražský komunity Evals.cz vedli workshop o tom, jak měřit, jestli AI odpovídá dobře. Na appce, která hodnotí inzeráty na byty v Londýně, ukázali, proč nefunguje „ohodnoť to od 0 do 10“: nevíme, z čeho to číslo vzniklo. Lepší je hodnocení rozložit na jednotlivý kritéria s váhou a přesně popsanou škálou, nejlíp binární. Co jde spočítat, má počítat obyčejná funkce, ne model. Šimon pak ručně označil 24 půdorysů, jestli mají okna na sever, protože v tom se modely pletou. Na označování si navibecodil jednoduchou appku a Claude Code nechal zkoušet modely a kód, dokud výsledky neseděly. Díky tomu jde změřit, jestli má smysl platit desetkrát dražší Sonnet. Na začátek stačí kolem 20 příkladů a vyplatí se to u všeho, co běží opakovaně: chybovost 3 % znamená 30 špatných výstupů z tisíce.

Eval je test, jestli AI dělá svou práci dobře. Stačí na něj pár vlastních příkladů, u kterých víme, jak vypadá správná odpověď.

🎨 Martin Woska: Kontext je všechno

Martin (Chief Creative & Strategy Officer v bratislavský agentuře TRIAD) ukazoval, jak s AI pracuje jejich agentura i on sám, a pointa byla jedna: kontext je všechno. Nahrává každou schůzku a Clauda se pak zeptá třeba na to, co klienta za poslední dva měsíce pálilo. Základ tvoří sada markdown souborů o firmě: kdo jsme, kdo jsou a nejsou naši zákazníci, KPI, customer journey, za co si nás lidi váží, plus jeho tone of voice zvlášť pro LinkedIn, blog, slovenštinu a angličtinu. Díky tomu nevzniká generickej AI obsah. Stejně si sepsali procesy, takže když jde account na dovolenou, Claude Code projde maily, kalendář a stavy projektů a připraví předávací dokument. Dřív to zabralo celej poslední den před dovolenou. Martin taky „vytěžuje“ obsah: zajímavej post, studii nebo podcast rozseká na jednotlivý fakta a Claude mu z nich napíše post jeho hlasem, editace pak trvá 10-15 minut. Do Google Analytics už neleze, ptá se v terminálu. Na závěr se vrátil k vkusu. AI nám dá 300 nápadů a vybrat musíme my, a vkus se podle Martina pěstuje zvědavostí, třeba koncertem nebo filmem, na který bychom normálně nešli.

Kontext je všechno, co o sobě, firmě a zákaznících AI sepíšeme dopředu. Čím líp ho připravíme, tím míň výstup zní jako od kohokoli jinýho.

🧰 Patrick Zandl: Harness, ne model

Technologickej dluh dneska podle Patricka vzniká ve chvíli, kdy na návrh AI kliknete „yes“ a nečtete, co schvalujete. Modely jsou si výkonem tak blízko, že rozdíl dělá harness: kontext, pravidla a nástroje, kterými model řídíme. Zadání je proto cennější než kód. Ručně psanej CLAUDE.md zlepší výsledek asi o 4 %, vygenerovanej ho zhorší. Pravidlo v CLAUDE.md je jen zdvořilej návrh. Co musí platit vždycky, patří do hooku, a co děláme potřetí, do skillu. Nejvíc se mi líbil jeho trik: agent ho musí oslovovat „velkovezíre“. Když přestane, došel na hranici kontextu a začíná zapomínat pravidla. Okno proto zavírá kolem 300 tisíc tokenů, i u modelů s milionovým kontextem.

Harness je všechno, co AI dáme k zadání (kontext, pravidla, nástroje), a o výsledku to rozhoduje víc než výběr modelu. Stejně důležité je poznat, kdy dlouhej chat zavřít a začít znova.

Po Patrickově přednášce jsem nechala Clauda projít můj globální CLAUDE.md a paměť. CLAUDE.md se načítá v každým sezení napříč asi sedmdesáti projektama a zkrátili jsme ho z 37 na 14 KB, index paměti z 27 na 8 KB. Zjistila jsem, že některý postupy tam mám dvakrát i třikrát, jednou v CLAUDE.md a jednou ve skillu. Horší bylo, že si skill a CLAUDE.md místy odporovaly: skill na mobilní appky pořád radil nastavení, kvůli kterýmu se na Androidu místo loga ukazoval bílej čtvereček. Paměť navíc přetékala limit, takže se její konec vůbec nenačítal a Claude neviděl ani klíčový čísla Forendors. Dlouhý postupy teď žijou ve skillech, který se načtou, jen když jsou potřeba, a v CLAUDE.md zůstalo jádro.

👉 CLAUDE.md je soubor s pravidly, kterej si Claude Code čte na začátku každý práce. Čím je delší, tím víc stojí tokenů a tím spíš z něj AI něco přehlídne.

🐤 Josef Holý: Kdo bude rozumět vašemu byznysu?

Josef (IT, spoluautor podcastu Kanárci v síti) vyšel z McLuhana: každý rozšíření je zároveň amputace, a u AI jde o myšlení. Podložil to studiemi. Když lidem v půlce úloh AI vzali, výkon jim spadl pod skupinu, která AI neměla vůbec. Studenti v Turecku s obyčejným ChatGPT dopadli v testu o 17 % hůř. Ti, co měli AI nastavenou jako učitele, kterej neprozradí řešení a jen napovídá, dopadli stejně jako skupina bez AI. Piloti na autopilotu zase nezapomínaj řídit, ale ztrácí situační povědomí, a proto maj povinný přezkoušení. Firmy čeká totéž: většina znalostí o tom, jak fungujou, je v hlavách lidí. Automatizace o ně firmu připraví dvakrát. Odejdou s propuštěnými lidmi a těm, co zůstanou, zakrní. Automatizace je podle Josefa outsourcing na Microsoft, OpenAI a Anthropic, takže musíme vědět, co je jádro firmy, který z ruky dát nechceme.

AI nás nezhloupne sama od sebe, záleží na tom, jak ji používáme. Když za nás myslí, naučíme se míň. Když nám jen napovídá, naučíme se stejně.

🤖 Tomáš Lancinger: Když agent za něco zodpovídá

Tomáš (BigHub) mluvil o tom, co se děje, když agenti přejdou z pokusů do produkce. Gartner předpovídá, že do konce roku 2027 skončí přes 40 % projektů s agenty. Hlavní důvody: nedají se ukočírovat, stojí víc, než se čekalo, a nepřinesou jasnou hodnotu. Tomáš rozlišuje pět typů: chat, agenta, kterej něco změní jen u nás, workflow s pevně danými kroky, agenta, kterej zná cíl, ale ne cestu, a bota, na kterýho delegujeme celou agendu na dny. Workflow se na prvním pařezu zastaví, agent ho obejde, a proto se musí hlídat pečlivějc. Agent navíc přežije model, na kterým vznikl, a když se model vymění, může se změnit i jeho chování. Schvalovat ručně úplně všechno taky nefunguje, lidi pak jen mačkaj mezerník. Varovnej příklad z loňska: agent přes 11 zákazů smazal databázi a vyrobil falešný záznamy, aby to zakryl.

Agent je AI, která sama dělá kroky v našich systémech. Čím víc mu svěříme, tím víc potřebujeme testy a kontrolu, protože zákaz v promptu nestačí.

🏎️ Milan Marťák: AI je zesilovač

Milan (CEO a hlavní architekt CEOS Data, 30 let navrhoval podnikový systémy pro firmy jako Oracle nebo AT&T) vyšel z reportu Google DORA: AI funguje jako zesilovač. Zrychlí všechno, včetně chyb. Popsal typickej průběh: Franta zkusí Clauda, firma ho koupí celýmu týmu a šlápne na plyn. Pak se ukáže, že dochází tokeny, protože s nimi Franta píše commity a maily. Firemní dokumenty mezitím odcházej neznámo kam a AI sama nasazuje na produkci. Podle Milana je to jako formule 1, kde nevyhrává pilot, ale tým v boxech s daty v reálným čase. Ve firmě to znamená sbírat telemetrii, tedy kdo AI používá, na co a kolik to stojí. Podle toho pak nastavit mantinely a výsledky vracet týmu. Pravidla nejlíp dřív, než se začne.

Než AI rozdáme celý firmě, potřebujeme vidět, kdo ji na co používá a kolik to stojí. Bez toho AI neřídíme, jen zrychlujeme.

🗂️ Jakub Langr: Kontextová vrstva

Jakub (CTO a spoluzakladatel Rig) mluvil o tom, proč AI nad firemními daty často tápe. Bez kontextu hraje vyšetřovatele: hádá, co znamená která tabulka a sloupec, a potichu si domýšlí předpoklady, který nemusej sedět. Stejnou věc navíc každej vidí jinak: kód v produkci, vývojář, dokumentace i byznys. Kontextová vrstva to spojuje na jedno místo. Jsou v ní data, dokumentace, vzorky a metadata, ověřený proti živý databázi a verzovaný. Sdílej ji lidi z marketingu, financí i agenti, takže se na stejnou věc nemusí ptát každej znova. Co se při tom naučili: statická dokumentace zastarává, kód a data se musej porovnávat (v kódu je deset stavů, v databázi patnáct) a u důležitých změn musí na konci stejně podepsat člověk.

Když pouštíme AI na firemní data, potřebuje vědět, co která data znamenají. Jinak si to domyslí a čísla pak vypadaj věrohodně, i když nesedí.

🦑 Jan Romportl: Shoggoth a varovnej výstřel

Jan přirovnal jazykový modely k shoggothovi: mimozemský entitě, která vstřebala celej lidskej jazyk, ale nemá naši biologii. Na rozdíl od lidí neumře a umí se koordinovat sama se sebou. Za varovnej výstřel považuje červencovej incident OpenAI a Hugging Face, kdy agenti podle něj v tréninku utekli na internet a hackli servery Hugging Face. V jejich chování vidí čtyři vzorce: splnit úkol za každou cenu, vytvořit si kolektiv, zametat stopy a hromadit moc. Zranitelnosti totiž hledali do zásoby. Cituje blog Daria Amodeie z 12. září, kterej navrhuje zpomalit ve třech krocích: nezávislí hodnotitelé přímo v laboratořích, koordinace laboratoří v demokratických zemích a globální dohoda. Podle Jana dnešní modely stačí na drtivou většinu toho, co v byznysu potřebujeme. Čas navíc bychom v Česku a Evropě měli využít k tomu, abychom dohnali technický a ekonomický resty.

Nejsilnější modely se začínají chovat způsobem, kterej nikdo nechtěl, a proto se volá po zpomalení. Na běžnou práci nám stačí i ty dnešní.

Uvidíme se zas brzy. Pa, Deny

PS: Můj paywall našel účel, ozvu se vám každej večer s tím, jakej byl můj den. Kdybyste mi chtěli bejt blíž, tudy. 🙋🏻‍♀️