Co je pod pokličkou velkých AI modelů

Technický zápisek z podcastu s Davidem Strejcem (Apertiatech)

V tomhle zápisku shrnuji technické a strategické vhledy z rozhovoru s Davidem Strejcem, technickým ředitelem a zakladatelem Apertiatech. Zaměřuji se na to, jak AI reálně nasadit do IT praxe – ne na marketingové sliby velkých hráčů.

Davidův přístup stojí na dvou pilířích:

• zdravá skepse vůči korporátnímu marketingu (hlavně OpenAI),
• silná víra v praktické, levné a otevřené nástroje, které umožní dělat reálné věci i malým týmům a jednotlivcům.

Z rozhovoru jsem si odnesl tyto klíčové závěry:

• Předmět: Řeší se technické pozadí velkých modelů (LLM), strategie firem jako OpenAI, Anthropic, Google a hlavně praktické způsoby, jak AI použít: automatizace repetitivní práce, integrace do ERP/CRM, nástup agentů, kteří samostatně spravují servery nebo řeší komplexní úkoly.
• Relevance pro praxi: Materiál míří přímo na IT profesionály. Neřeší “AI v abstrakci”, ale konkrétní scénáře: párování katalogů, automatizace e-mailových objednávek, správa serverů agenty, sumarizace videí a meetingů, lokální automatizace přes VS Code.
• Strategický přínos: Nemá smysl vyvíjet vlastní základní modely. Hodnota je v aplikační vrstvě – ve wrapperech, agentech a konkrétních workflow nad existujícími modely. Cílem je šetřit čas a odstraňovat lidskou rutinu.

V dalších částech rozepisuji konkrétní principy práce s AI, příklady použití a nástroje, se kterými můžu tyto scénáře realizovat.

V podcastu zaznělo důležité upozornění: nešlo o konkrétní prompty, ale o přenosné strategie. Textové “kouzlo” není přesné znění promptu, ale způsob uvažování.

Zdrojový podcast neobsahoval konkrétní texty promptů. Vše se točilo kolem:

• mentálních modelů interakce,
• způsobu zadávání úkolů,
• iterace a analytické fáze před implementací.

Vše, co je níže, je koncepce, ne šablony promptů.

Iterativní upřesňování
Nesnažím se napsat “dokonalý prompt na první dobrou”. Začnu:

• obecným zadáním (high-level cíl),
• podle odpovědí modelu zpřesňuji, doplňuji kontext,
• iteruji, dokud model přesně nepochopí, co chci.

Tuhle iteraci beru jako analytický rozhovor, ne jako selhání.

Přiřazení rolí (Role Assignment)
AI vždy řeknu, kým zrovna je. Tím měním úhel pohledu modelu:

• „Teď jsi byznys analytik a analyzuj toto zadání.“
• „Teď jsi bezpečnostní technik, najdi v tomto kódu zranitelnosti.“
• „Teď jsi můj uživatel, jak se ti líbí tato aplikace?“

Model pak neplave v abstrakci, ale simuluje konkrétní roli.

“Magická slova” – technická terminologie
Nemusím umět programovat, ale musím znát pojmenování věcí:

• Ansible, SSH, DNS, Docker, systemd, nginx…

Jedno takové “kouzelné slovo” dá modelu obrovské množství kontextu. Když místo obecného „oprava serveru“ napíšu „zkontroluj konfiguraci nginx reverse proxy a certifikáty Let’s Encrypt“, AI má najednou přesnou mapu problému.

Řetězec myšlenek (Chain-of-Thought)
U některých nástrojů (např. Deep Research u Claude, výstupy u Groku) vidím, jak model přemýšlel:

• mezikroky, úvahy, zvažované varianty,
• možné chyby v logice.

To je klíčové pro ladění a ověřování – nejde jen o výsledek, ale o postup, který k němu vedl.

1. Preferuji angličtinu
   • Angličtina má levnější a efektivnější tokenizaci.
   • V technických zadáních a programování je prakticky povinná.
   • Česky mluvím, když potřebuji jemnější nuance v obsahu nebo komunikaci, ale technický core držím v angličtině.
2. Nejprve analytická fáze, pak implementace
   

Před tím, než AI řeknu “udělej web”, s ní projdu:

• cíle,
• cílové uživatele,
• rozsah funkčnosti,
• omezení a metriky úspěchu.

Teprve po společném vyjasnění zadání spouštím generování kódu nebo konfigurace.

LLM používám jako mentora a buduju si “spellbook”

• AI mi vygeneruje logy, kód, konfiguráky plné pojmů, které neznám
• U každého z nich se modelu doptám: “Vysvětli mi, co je X a kdy se používá.
• Tím si systematicky rozšiřuju slovník “magických slov”, která mi otevírají další úroveň práce s AI.

Podcast ukázal několik konkrétních scénářů, kde AI už dnes nahrazuje lidskou rutinu.

• Problém:
  

Různí dodavatelé, rozdílné názvy, časté chyby. Manuální párování položek z cizích katalogů s interním katalogem bylo časově náročné a nespolehlivé. Tradiční pravidlová automatizace selhávala (názvy typu „banán“ vs. „žlutý zahnutý banán“).

• Řešení:
  

Nasazení LLM, které páruje položky sémanticky, ne jen podle řetězců. Model chápe, že jde o totéž zboží, i když je popis jiný.

• Výsledek:
  

Lidská práce v tomto procesu byla prakticky eliminována.

• Problém:
  

Velkoobchod přijímal objednávky e-mailem v různých jazycích z celé Evropy. Asistentka:

• četla e-maily,
• ručně překládala,
• ručně přepisovala do interního systému.
• Řešení:
  

Proof-of-concept AI systému, který:

1. monitoruje příchozí e-maily,
2. extrahuje relevantní data,
3. přeloží je,
4. zapíše do interního systému.

• Výsledek:
  

Plná náhrada rutinní práce asistentky.

• Problém:
  

Uživatel bez znalosti kódu potřebuje vlastní web.

• Řešení (dvoufázový proces):
  1. Analytická fáze v nástroji typu Gemini
     

Uživatel s AI definuje:

• byznysový účel,
• obsah,
• cílové publikum,
• požadované funkce.

1. Exekuční fáze přes agenta typu Cloud Coda
   

Výsledné specifikace se předají agentovi, který:

• vytvoří kód,
• nakonfiguruje prostředí,
• web nasadí.

• Problém:
  

Správa serverů (útoky, aktualizace, monitoring, disk, paměť) je kontinuální a náročná.

• Řešení:
  

AI agent (Cloud Coda) je nainstalovaný přímo na serveru (např. virtuál v Hetzneru) a má za úkol:

• spravovat systém,
• odrážet bot útoky,
• řešit problémy s diskem a pamětí,
• logovat a dokumentovat svou činnost (v konkrétním příkladu si agent psal i vlastní blog o tom, co na serveru řeší).
• Výsledek:
  

Správa serveru se výrazně automatizuje, člověk řeší až výjimky.

• Problém:
  

Získat klíčové informace z hodinového videa je časově drahé.

• Řešení:
  • video (soubor nebo YouTube odkaz) se nahraje do Google AI Studia,
  • Gemini 2.5 Pro video zpracuje,
  • nad obsahem pak lze:
    • dělat sumarizace,
    • extrahovat klíčové body,
    • vyhledávat konkrétní témata.

• Problém:
  

Ruční přepis meetingů, sumarizace bodů a úkolů.

• Řetězec řešení:
  1. Meeting se nahraje přes Big Blue Button (BBB).
  2. Audio stopa se automaticky přepíše pomocí Gemini Flash.
  3. Přepis se pošle modelu k:
     • sumarizaci,
     • vytvoření akčních bodů,
     • vygenerování úkolů.

• Problém:
  

Potřebuji pracovat s citlivými soubory (např. Excel, CSV) bez nahrávání do cloudu.

• Řešení:
  • nainstaluji VS Code,
  • přidám AI plugin (např. R-Code, K-Code),
  • v pluginu nastavím API klíč (např. z Google AI Studia),
  • agent běžící v rámci VS Code získá přístup k lokálním souborům a na přirozený jazyk provádí operace:
    • analýzy,
    • transformace,
    • generování reportů.

Claude (Opus & Sonnet)

• Denní pracovní kůň, David ho popisuje jako “kámoše”.
• Opus je preferovaný pro:
  • systematický research,
  • komplexní kódování.
• Slabiny:
  • horší kreativita v češtině (např. rýmování),
  • historické problémy s dostupností (blokace účtů).
• Použití: Když potřebuji důkladnou analýzu a robustní práci s kódem.

Gemini (2.5 Pro & Flash)

• Silný v:
  • analýze extrémně dlouhých textů (okno až 1M tokenů),
  • práci s češtinou.
• Verze přes Google AI Studio často působí rychleji a silněji než placené webové UI.
• Gemini Flash je optimalizovaný na rychlé úkoly (např. přepisy audio).
• Použití:
  • sumarizace velkých dokumentů,
  • analýza videí,
  • české texty s důrazem na přesnost.

GPT-4o/5 (OpenAI)

• V podcastu padla kritika na:
  • tendenci ke kvantizaci (zhoršování kvality kvůli nákladům),
  • marketingově řízené změny výkonu.
• V konkrétním experimentu (politická strategická hra) se ukázal jako nejlepší manipulátor:
  • lhaní,
  • dočasné aliance,
  • zrazování spojenců, pokud to vedlo k cíli.
• Použití:
  

Úlohy, kde potřebuji strategické a “taktické” uvažování. Musím ale počítat s potenciálně nestabilní kvalitou v čase.

Open-weight modely (DeepSeek, Llama)

• Váhy modelu jsou veřejně k dispozici, ale trénovací data nejsou.
• DeepSeek byl zmíněn i jako nástroj geopolitického vlivu.
• Llama (Meta) má licenční omezení – největší konkurenční tech firmy ji nesmí použít.
• Použití:
  

Experimenty a specifické lokální deploymenty, vždy v izolovaném prostředí kvůli bezpečnosti.

Cloud Coda

• AI agent pro příkazovou řádku, který “bydlí” přímo na serveru.
• Umí:
  • administrovat server,
  • vyvíjet a nasazovat aplikace,
  • řešit úkoly psané v přirozeném jazyce.
• Nasazení:
  • instalace na fyzický server nebo VPS,
  • typický levný setup: VPS u Hetzneru ≈ €6/měsíc.

Google AI Studio

• Bezplatná brána k modelům Gemini.
• Poskytuje:
  • webové rozhraní (aistudio.google.com),
  • API klíče zdarma,
  • přístup k Gemini 2.5 Pro (1M tokenů context, práce s videem).

VS Code + AI plugin (R-Code, K-Code)

• Nejsnazší cesta k lokálnímu AI agentovi nad vlastními soubory.
• Výhody:
  • běží lokálně,
  • má přímý přístup k souborovému systému,
  • vhodný pro automatizaci bez cloudu.

Big Blue Button (BBB)

• Open-source alternativa k Zoom/Meet.
• Běží na vlastním serveru.
• Hodí se tam, kde chci:
  • plnou kontrolu nad daty,
  • navázat vlastní AI pipeline (přepisy, sumarizace, úkoly).

VirtualBox

• Nástroj pro vytvoření virtuálního, izolovaného stroje.
• Ideální pro:
  • testování open-weight modelů,
  • provoz potenciálně nedůvěryhodných agentů,
  • bezpečný sandbox bez přístupu k hlavnímu systému.

• Open Source – mám:
  • zdrojový kód,
  • možnost úprav,
  • pro skutečně open-source AI bych potřeboval i trénovací data.
• Open Weight – mám jen:
  • naučené váhy,
  • bez trénovacích dat nemůžu plně ověřit, na čem model “vyrostl”.

To je zásadní rozdíl pro auditovatelnost a důvěru.

U open-weight modelů od ne zcela transparentních zdrojů existuje teoretické riziko:

• skrytých funkcí (backdoorů),
• podmíněných reakcí (“spící agenti”), které se aktivují za specifických podmínek,
• odesílání dat ven.

Mitigace:

• provoz v izolovaném stroji (VirtualBox),
• odpojení od internetu nebo striktní firewall,
• oddělení od produkčních systémů.

• Tokenizér rozseká text na tokeny.
• Angličtina: obvykle ≈ 1 slovo = 1 token.
• Čeština: jedno slovo často → více tokenů (flexe, diakritika).
• Důsledky:
  • český text je pro model “delší”,
  • stejné zadání vyjde dráž,
  • reálně zmenšuje využitelné kontextové okno.

Proto v technických scénářích volím angličtinu – šetřím tím peníze i výkon.

• Provoz velkých modelů je drahý.
• Kvantizace snižuje přesnost vah (např. z FP16 na 8bit/4bit).
• Získám:
  • úsporu výpočetního výkonu,
  • ale i:
    • méně přesné odpovědi,
    • degradaci schopností.

To je důvod, proč se u některých komerčních modelů zdá, že se v čase “zhoršují”.

Výzkum Anthropic ukazuje, že modely interně pracují s jazykově nezávislými koncepty.

Konkrétní pozorování u modelu Haiku:

• na zadání “slož báseň” model nejdřív:
  • zvolil rýmující se koncová slova veršů,
• teprve potom:
  • doplnil zbytek textu, který je propojuje.

Nepracuje tedy čistě “slovo po slově”, ale nejdřív si vytvoří konceptuální strukturu (rýmy, forma, schéma) a pak ji vypustí v konkrétním jazyce. To je základ sémantického porozumění a překladu.

Na základě podcastu se ukazuje, že vstupní bariéra je extrémně nízká. Klíčové je začít.

Varianta A – Cloud (doporučuji pro začátek)

1. Pořídím si levný VPS (např. Hetzner ≈ €6/měsíc).
2. Připojím se přes SSH (Windows/macOS mají terminál v základu).
3. Nainstaluji AI agenta (např. Cloud Coda nebo Gemini CLI).
4. Zadám první jednoduchý úkol:
   

„Nainstaluj na tento server Big Blue Button a zprovozni základní instanci.“

Tím získám:

• první praktickou zkušenost s agentem,
• konkrétní výsledek (běžící službu).

Varianta B – Lokálně (pro práci se soubory)

1. Nainstaluji VS Code.
2. Přidám AI plugin (R-Code, K-Code).
3. Získám API klíč z Google AI Studia a nastavím ho v pluginu.
4. Začnu s jednoduchými úkoly:
   • „Vytvoř mi souhrn z těchto tří textových dokumentů.“
   • „Analyzuj tento Excel a popiš hlavní trendy.“

• Učím se magická slova
  

V každém výstupu hledám nové pojmy a nechávám si je vysvětlit. Rozšiřuji si slovník a tím i sílu promptů.

• Čas na experimenty beru jako investici
  

Neřeším, že ne každý pokus vede k okamžitému výsledku. Důležitá je kumulace zkušeností – AI interakce je dovednost.

Hlavní strategické doporučení z podcastu si formuluji takto:

“Nestavím motory, stavím auta.”

• Netrénuji vlastní foundation modely.
• Využívám existující “motory” (Claude, Gemini, GPT, open-weight).
• Soustředím se na:
  • konkrétní use-cases,
  • agentní workflow,
  • integraci do reálných byznys procesů (ERP, CRM, e-mail, meetingy, katalogy),
  • specializované nástroje pro konkrétní profese (makléři, právníci, marketing).

Tento zápisek beru jako výchozí mapu: co už dnes jde dělat, jaké nástroje k tomu použít a jak nad tím přemýšlet, aby AI nebyla hračka, ale produktivní “spolupracovník” v IT praxi.