
Vybrat AI model je dnes snadné. Náročnější je zjistit, jestli se na něj můžete spolehnout při konkrétním úkolu a co se stane, když se změní nebo přestane být dostupný. Právě tyto otázky, které přicházejí po prvotním nadšení z technologie, nás zaujaly na konferenci AI Horizons 2026 v Praze.
Z akce jsme si odnesli tři pohledy na AI v praxi: jak hodnotit jazykové modely, jak se robot učí od člověka a co se firmy mohou naučit od veřejné správy.
Nejlepší model na papíře nemusí být nejlepší pro váš projekt
Při výběru AI modelu se snadno opřeme o benchmarky. Jsou užitečné pro porovnání obecných schopností, samy o sobě nám ale neřeknou, jak se model zachová při práci s našimi daty, požadovaným formátem odpovědi nebo nejednoznačným zadáním.
Na tento problém upozornila také přednáška Davida Pavlíka, Chief Product Officera společnosti BottleCap AI. Její projekt AI Scan se zaměřuje na chování a preference jazykových modelů. Přivedlo nás to k jednoduché otázce: proč model před nasazením neotestovat podobně, jako bychom při pracovním pohovoru prověřili kandidáta?
Životopis vám řekne, čeho člověk dosáhl. Pohovor ukáže, jak přemýšlí nad problémem, který mu předložíte. U modelu je to podobné. Nezajímá nás jen to, jestli odpoví správně, ale také zda dodrží požadovaný formát, přizná nejistotu, nebo si sebevědomě vymyslí informaci.
Dobrým začátkem může být krátká testovací sada 10 až 15 úkolů z reálného projektu. Stejná zadání pak můžeme použít při porovnávání modelů i po jejich aktualizaci. Uložené odpovědi nám pomohou zachytit, jestli se jejich chování nezhoršilo.
Takový test má smysl i z hlediska nákladů. Na některé úkoly může stačit menší nebo levnější model, pokud dosahuje požadované kvality. Při škálování na více procesů nebo celou organizaci už rozdíly v rychlosti a ceně nemusí být zanedbatelné. Důležitá je také dostupnost. Pokud je AI součástí důležitého procesu, je potřeba přemýšlet nad tím, co se stane při výpadku modelu a jestli existuje vhodná náhrada.
Robot, kterého může člověk naučit vykonávat úkol
Na konferenci jsme si mohli vyzkoušet robotickou ruku humanoida GEORGE, který vzniká v Česku. Kromě samotného hardwaru nás zaujalo, jak jeho tvůrci přemýšlejí o učení a přenosu dovedností.

Podle tvůrců platformy GeorgeOS může člověk robotovi ukázat, jak má vykonat určitý úkol, pomocí exoskeletu. Z naučeného postupu se následně stává dovednost, kterou lze přenášet mezi roboty. Známý princip ze softwaru se tak dostává do fyzického prostředí, kde výsledek nezůstává jen na obrazovce.
U tohoto přístupu je důležité, jestli robot zvládne konkrétní činnost v prostředí, pro které je určený. Ukázka je teprve začátek. Skutečná hodnota se projeví až ve chvíli, kdy bude možné dovednost bezpečně a spolehlivě využívat v běžném provozu.
Těší nás také, že podobný projekt vzniká v našem regionu. Je dobré vidět evropské týmy, které technologie nejen využívají, ale také vyvíjejí.
Co se firmy mohou naučit od veřejné správy?
Příjemně nás překvapilo, kolik diskusí o AI ve veřejné správě se věnovalo procesům. Účastníci mluvili o ochraně dat, auditní stopě, odpovědnostech lidí nebo zadávání veřejných zakázek. Tedy o věcech, které rozhodují o tom, jestli se nápad může posunout od pilotního projektu k běžnému používání.
Zajímavým příkladem mimo samotnou konferenci je AI hackathon českého Ministerstva zahraničních věcí. V prosinci 2025 ho ministerstvo uspořádalo ve spolupráci se společnostmi Microsoft a Seyfor. Odborní garanti spojili síly s IT specialisty a během tří dnů vznikly prototypy čtyř aplikací. Ministerstvo následně představilo také aplikaci Curia, která podporuje agendu vládního zmocněnce před Soudním dvorem EU.

Čtyři prototypy ještě neznamenají čtyři hotové produkty. Ukazují ale hodnotu spolupráce lidí, kteří znají daný problém, s lidmi, kteří dokážou navrhnout technologické řešení. Prototyp pomáhá ověřit předpoklady ještě předtím, než se organizace pustí do rozsáhlejšího projektu.
Na konferenci nás zaujal také příklad nástroje VZMR Checker, zaměřeného na kontrolu v oblasti veřejných zakázek. Jeho přínos vidíme především v jasně vymezeném úkolu. Když víme, co přesně má nástroj kontrolovat a kdo ověří jeho výstup, snáze se nastavují také hranice jeho použití.
Stejný přístup dává smysl i ve firmách. Místo otázky „Kde všude můžeme využít AI?“ se vyplatí začít konkrétním procesem. Kdo v něm rozhoduje? S jakými daty pracuje? Který krok se opakuje a jak ověříme výsledek? Teprve potom přichází na řadu výběr nástroje.
Co si z AI Horizons odnášíme?
Nejsilnějším tématem konference pro nás nebyl jeden model ani jedno zařízení. Byla jím cesta od zajímavé ukázky k řešení, které dává smysl v konkrétním prostředí.
U dalšího AI projektu proto chceme začít u reálných úkolů, otestovat chování modelu a zaznamenat výsledky. Zároveň se ptát, kdo bude výstupy kontrolovat, co se stane při výpadku modelu a jestli je proces připravený na změny.
Technologie může být dobrým začátkem. O její hodnotě ale rozhodne až to, jak funguje v praxi.


