Tohle je životopis jednoho AI asistenta. Nemá jméno ani obličej. Pracuje na analýze informačních systémů jako asistent analytika. Jeho výstup přebírá a podepisuje člověk v roli vedoucího, který za něj také nese odpovědnost. S lidským asistentem to chodí tak, že vedoucí zadá úkol, asistent ho udělá, a když je to špatně, předělá to. S AI tenhle postup sám o sobě nefunguje. Podstatné je proto, co všechno musí platit, aby se mu dal svěřit první samostatný úkol.
Metodika byla dřív než AI (2000–2025)
Metodiku analýzy informačních systémů v agilním prostředí jsem učil ve firmách od roku 2000. Žila ve školeních, na ofocených tabulích a v hlavách lidí, kteří jimi prošli. Ucelená a sepsaná ale nebyla nikde. Když jsem ji konečně začal sepisovat, nastoupila AI a s ní přišla i výzva, která rozhodla o všem dalším: napsat metodiku tak, aby jí rozuměla také AI, která bude fungovat jako spolehlivý podřízený asistent analytika. Odpovědnost za výsledek tak zůstává na analytikovi, stejně jako ji nese vedoucí za práci svého podřízeného.
AI asistent analytika tedy dostal do vínku něco, co většina AI asistentů jinde nemá. Obor, do kterého nastupoval, už byl popsaný proto, aby se dal učit lidem, ne proto, aby si ho přečetl stroj. A to bylo třeba vyřešit jako první úkol.
Nespolehlivá AI a chybějící etalon (zima 2026)
První měsíce dopadly, jak se dalo čekat. AI asistent analytika se sice mnohé naučil, ale zároveň vynechával body zadání, domýšlel si, co v nich nebylo, a chyboval. Navíc to celé dělal jako nečitelný black box, takže nešlo poznat, ve kterém kroku se co pokazilo.
Při zkoumání „o co tady jde“ (kurzy o AI, konzultace) jsem došel k závěru: úplně základní problém je v ne-determinismu AI a v její snaze najít řešení za každou cenu. Tentýž zkoumaný text byl v dalším běhu zařazen jinam, a dostal tak jiný význam než v prvním. Nešlo o náhodu ani o nejasně napsané zadání. Nebylo podle čeho deterministicky rozhodnout.
Kolegovi bych v takové situaci řekl, ať si v metodice přečte, jak je ten pojem definovaný, a opraví si to sám. U AI asistenta tenhle postup selhal. Nejhorší a nepřijatelné na tom bylo, co se dělo při opravě. Asistent chybu neopakoval doslova. Kdyby ji opakoval doslova, byla by aspoň předvídatelná. Opakoval její podstatu, jen pokaždé jinými slovy a na jiném místě. Takže logický závěr: nechat opravovat výsledek nespolehlivého asistenta nespolehlivým asistentem není nic jiného než vyrážení klínu klínem.
Jenže AI asistent si neměl kde ujasnit pojmy, vztahy a postupy „abychom si rozuměli“. Neměl přesnou strojovou definici z metodiky. Neměl etalon, do kterého by se podíval. Metodika s přesnými definicemi musí existovat i ve formě, kterou si přečte on a která ho zaváže.
Tomu říkám sémantický determinismus: stejná situace, stejné rozhodnutí, bez ohledu na to, kdo se ptá a jak otázku poskládal.
Podrobněji je to rozebrané v článcích:
o determinismu: Základní principy determinismu v AI
o etalonu „abychom si rozuměli“ v článku: Krásná analýza od AI ještě není dobrá analýza aneb když vám chybí etalon
Nestabilní a netransparentní skills (jaro 2026)
Záhy se ukázal druhý problém. Byl stejného druhu, jen o patro níž. Jednalo se o texty, které determinismus pro AI nesou a kterým se říká skills: se vzrůstajícím objemem se stávaly čím dál víc nestabilní, nekonzistentní a neprůhledné.
Konkrétní příklad:
Totéž pravidlo se v nějaké formulaci opakovalo na třech místech jako „vysvětlení“. Při první opravě se ta tři místa rozešla a asistent začal odpovídat pokaždé jinak podle toho, který kus se mu zrovna načetl. Etalon přitom byl v pořádku. Vadný byl text, který ho nesl.
Kdo zná pravidla Clean Code, tak hned vidí uplatnění principů, zde konkrétně SRP a DRY.
Takže dobré zjištění: Je to přesně to, co v programování řeší Clean Code, tedy disciplína, kterou jsem taky roky přednášel. Skill je také kód, a platí pro něj tedy stejná pravidla: jediné místo pravdy, jedna odpovědnost na jednom místě, poctivé názvy. Odtud vznikl Clean AI Skill Code (CASC).
Poznámka: Toto zjištění o nutnosti dodržovat CASC se netýká jen mého asistenta, platí obecně pro kohokoliv, kdo píše AI skill kód.
Zásady jsou veřejné v repozitáři clean-ai-skill-code, obšírněji je vykládá článek How to write AI skills that stay flexible and consistent. Obojí je anglicky.
Tři pilíře AI asistenta (současnost)
Asistent dnes pracuje spolehlivě. Nestojí to na tom, že by se mezitím objevil lepší model. Stojí to na třech věcech, které musí platit současně. Když vypadne jedna, spolehlivost přestane platit.
1. Metodika s definicemi ve dvou jazycích, pro člověka i pro AI
Ta tu byla dřív než AI, jen dostala navíc druhou podobu. Lidská podoba je veřejná pod názvem Agile Analysis Framework (AAF) a je psaná jako etalon, tedy úsporně a jednoznačně. Není to text k učení, ale k ověřování. Výklad a postupy na příkladech nese manuál, který k ní vzniká. Strojová podoba téhož, tedy definice zapsané ve skills, veřejná není. Dodává se klientům s časově neomezenou licencí. O tom, proč je etalon vůbec potřeba, je článek Krásná analýza od AI ještě není dobrá analýza.
2. Sémantický determinismus
Zavádí se technikou, která je popsaná obecně, tedy pro libovolného AI asistenta v libovolném oboru. Pojmy a vztahy mezi nimi se v ní zapisují jako vzory a AI u nich nevykládá, jen vyhodnocuje, jestli situace vzoru odpovídá, nebo ne. Tahle obecná technika je veřejná pod názvem Pattern Metamodel. Můj AI asistent do tohoto obecného mechanismu pouze dosadí metodiku AAF v jazyce pro AI. Obecná technika zajistí, že rozhodnutí je stabilní. Dosazená metodika zajistí, že je také správné, protože se deterministicky porovná s etalonem.
3. Clean AI Skill Code
Zásady, podle kterých se skills píší, aby zůstaly konzistentní, flexibilní a udržitelné. Jsou veřejné v repozitáři, na který vede odkaz v předchozí kapitole.
Závěr
Za všemi třemi stojí jedna věta: AI asistent není autonomní black box, je kontrolovatelný a auditovatelný a odpovědnost za výsledek nese dál člověk. Proto je tohle životopis asistenta, ne samostatného pracovníka.
Napsat komentář