
Vybrať AI model je dnes jednoduché. Náročnejšie je zistiť, či sa naň môžete spoľahnúť pri konkrétnej úlohe a čo sa stane, keď sa zmení alebo prestane byť dostupný. Práve otázky, ktoré prichádzajú po prvotnom nadšení z technológie, nás zaujali na konferencii AI Horizons 2026 v Prahe.
Z podujatia sme si odniesli tri pohľady na AI v praxi: ako hodnotiť jazykové modely, ako sa robot učí od človeka a čo môžu firmy odpozorovať od verejnej správy.
Najlepší model na papieri nemusí byť najlepší pre váš projekt
Pri výbere AI modelu sa ľahko oprieme o benchmarky. Tie sú užitočné na porovnanie všeobecných schopností, ale samy o sebe nepovedia, ako sa model zachová pri našich dátach, formáte odpovede či nejednoznačnom zadaní.
Na túto tému upozornila aj prednáška Davida Pavlíka, Chief Product Officera spoločnosti BottleCap AI. Jej projekt AI Scan sa venuje správaniu a preferenciám jazykových modelov. Pre nás z toho vyplynula jednoduchá otázka: prečo model pred nasadením nevyskúšať podobne, ako by sme vyskúšali kandidáta na pracovnom pohovore?
Životopis vám povie, čo človek dokázal. Pri pohovore zistíte, ako premýšľa nad problémom, ktorý mu predložíte. Pri modeli je to podobné. Zaujíma nás nielen to, či odpovie správne, ale aj či dodrží požadovaný formát, prizná neistotu alebo si sebavedomo vymyslí informáciu.
Dobrý začiatok môže byť krátky testovací súbor s 10 až 15 úlohami z reálneho projektu. Rovnaké zadania potom môžeme použiť pri porovnaní modelov aj po ich aktualizácii. Uložené odpovede pomôžu zachytiť, či sa správanie nezmenilo k horšiemu.
Takýto test má význam aj z pohľadu nákladov. Na niektoré úlohy môže stačiť menší alebo lacnejší model, ak na nich dosahuje požadovanú kvalitu. Pri škálovaní na viac procesov či celú organizáciu už rozdiel v rýchlosti a cene nemusí byť zanedbateľný. Dôležitá je aj dostupnosť: ak je AI súčasťou dôležitého procesu, treba premýšľať nad tým, čo sa stane pri výpadku modelu a či existuje vhodná náhrada.
Robot, ktorého môže úlohu naučiť človek
Na konferencii sme si mohli vyskúšať robotickú ruku humanoida GEORGE, ktorý vzniká v Česku. Okrem samotného hardvéru nás zaujalo, ako jeho tvorcovia premýšľajú o učení a distribúcii zručností.

Podľa tvorcov platformy GeorgeOS môže človek robotovi ukázať úlohu pomocou exoskeletu. Z naučeného postupu sa následne stáva zručnosť, ktorú možno prenášať medzi robotmi. Známy softvérový princíp sa tak dostáva do fyzického prostredia, kde výsledok neostáva len na obrazovke.
Pri takomto prístupe je dôležitá otázka, či robot zvládne konkrétnu činnosť v prostredí, pre ktoré je určený. Ukážka je začiatok. Skutočná hodnota sa ukáže vtedy, keď bude možné zručnosť bezpečne a spoľahlivo používať v prevádzke.
Teší nás aj to, že podobný projekt vzniká v našom regióne. Je dobré vidieť európske tímy, ktoré technológie nielen využívajú, ale ich aj vyvíjajú.
Čo sa môžu firmy naučiť od verejnej správy?
Príjemne nás prekvapilo, koľko diskusií o AI vo verejnej správe sa venovalo procesom. Účastníci hovorili o ochrane dát, auditnej stope, kompetenciách ľudí či obstarávaní. Teda o veciach, ktoré rozhodujú, či sa nápad môže posunúť od pilotného projektu k bežnému používaniu.
Zaujímavým príkladom mimo samotnej konferencie je AI hackathon českého ministerstva zahraničných vecí. V decembri 2025 ho ministerstvo zorganizovalo so spoločnosťami Microsoft a Seyfor. Odborní garanti sa spojili s IT špecialistami a za tri dni vznikli prototypy štyroch aplikácií. Ministerstvo následne predstavilo aj aplikáciu Curia na podporu agendy vládneho zmocnenca pred Súdnym dvorom EÚ.

Štyri prototypy ešte neznamenajú štyri hotové produkty. Ukazujú však hodnotu spoločnej práce ľudí, ktorí poznajú problém, s ľuďmi, ktorí vedia navrhnúť technologické riešenie. Prototyp pomôže overiť predpoklady skôr, než sa organizácia pustí do rozsiahleho projektu.
Na konferencii nás zaujal aj príklad nástroja VZMR Checker, zameraného na kontrolu v oblasti verejného obstarávania. Jeho prínos vidíme najmä v úzko vymedzenej úlohe: keď vieme pomenovať, čo má nástroj skontrolovať a kto overí jeho výstup, ľahšie sa nastavujú aj hranice jeho použitia.
Podobný prístup dáva zmysel aj vo firmách. Namiesto otázky „Kde všade môžeme použiť AI?“ sa oplatí začať konkrétnym procesom. Kto v ňom rozhoduje? S akými dátami pracuje? Ktorý krok sa opakuje a ako overíme výsledok? Až potom prichádza na rad výber nástroja.
Čo si z AI Horizons odnášame?
Najsilnejšou témou konferencie pre nás nebol jeden model ani jedno zariadenie. Bola ňou cesta od zaujímavej ukážky k riešeniu, ktoré má v konkrétnom prostredí zmysel.
Pri najbližšom AI projekte preto chceme začať reálnymi úlohami, otestovať správanie modelu a zaznamenať výsledky. Zároveň sa pýtať, kto bude výstupy kontrolovať, čo sa stane pri výpadku a či je proces pripravený na zmenu.
Technológia môže byť dobrým začiatkom. O jej hodnote však rozhodne až to, ako funguje v praxi.


