Jak řídit kontext vaší AI — praktický návod

Každá firma má dnes stejné modely. Vaše konkurence může používat ten stejný Claude, ten stejný ChatGPT, to stejné Gemini. Model nikdy neměl být vaší výhodou. Vaší výhodou je to, co model ví o vaší firmě.

Ty znalosti mají jméno — kontext — a téměř nikdo je neřídí vědomě. Firmy stráví měsíce výběrem modelu a jedno odpoledne přemýšlením nad tím, co má ten model vlastně vědět. Pak je překvapí, že odpovědi jsou sebevědomé a špatné.

Tohle je praktický návod, jak kontext řídit pořádně: z čeho se skládá, které tři přístupy selhávají a jaká pravidla obstojí, když na odpovědích začnou záviset reální lidé.

Kontext není hromada dokumentů

Když se zeptáte většiny týmů, co znamená „dát AI kontext“, popíší nahrávání souborů. To je čtvrtina práce. Použitelný kontext má čtyři vrstvy a nejsou zaměnitelné.

Identita a pravidla. Kdo firma je, jak mluví, kdy jí začíná fiskální rok, která pravidla se neporušují. Je toho málo, mění se to pomalu a rámuje to všechno ostatní.

Sémantika. Co vaše metriky a entity opravdu znamenají. Co se počítá jako tržba. Kdo je aktivní zákazník. Kdy se objednávka stává prodejem. Tuhle vrstvu všichni přeskakují — a přitom právě ona rozhoduje o tom, jestli je odpověď správná.

Živá data. Samotná čísla, napojená ze systémů, které už provozujete — účetnictví, CRM, e-shop, platby.

Znalosti a paměť. Postupy, playbooky a rozhodnutí, která jste už udělali, aby se stejná otázka neřešila každý kvartál znovu.

Proč je sémantika ta vrstva, na které záleží

Zeptejte se tří svých systémů na tržbu za minulý měsíc a dostanete tři čísla. E-shop počítá všechny objednávky. Účetnictví počítá vystavené faktury. CRM počítá podepsané smlouvy. Každý systém je vnitřně konzistentní. Dohromady jsou nepoužitelné — a AI s přístupem ke všem třem si jedno vybere a bude si jím naprosto jistá.

Děje se to i uvnitř jednoho systému. Zprůměrujte procenta marže přes objednávky a dostanete číslo, které vaší marží není — marže se musí vážit, celkový zisk dělený celkovou tržbou. Spočítejte řádky v tabulce objednávek a spočítali jste položky, ne objednávky. Obojí vypadá správně. Obojí je špatně. Žádný model to nevyřeší, protože to není problém uvažování. Je to problém definice.

Tři přístupy, které neobstojí

Vkládání kontextu do promptu. Funguje to pro jednoho člověka u jedné úlohy. Nepřežije to konec konverzace, nedá se to auditovat a každý kolega vloží trochu jinou verzi — firma tak má tolik definic tržby, kolik má zaměstnanců.

Složka dokumentů za vyhledáváním. Lepší — a tady většina „AI znalostních bází“ končí. Problém je, že vyhledávání vrátí text, ne význam: najde odstavec, kde se zmiňuje tržba, aniž by vědělo, kterou definici potvrdil váš finanční ředitel. A složky hnijí. Někdo je musí držet aktuální, ten někdo se zaneprázdní a za pár měsíců AI sebevědomě cituje loňský postup.

Fine-tuning. Drahý, pomalý a míří na špatný problém. Fine-tuning upravuje to, jak model píše, ne to, co je ve vaší firmě dnes ráno pravda. Navíc zmrazí znalosti v době trénování, což je přesný opak toho, co firma potřebuje.

Sedm pravidel, která obstojí

1. Každá metrika má definici potvrzenou člověkem. Ne odvozenou, ne uhodnutou z názvu sloupce — napsanou běžnou řečí a potvrzenou tím, kdo za ni odpovídá. Pokud ji nikdo nepotvrdil, systém ji musí považovat za neznámou.

2. Kontext je graf, ne složka. Firemní definice sedí v kořeni a každé oddělení je dědí. Finance a marketing nemají udržovat dvě verze slova „zákazník“. Oddělení definuje jen svou deltu — to, co je opravdu jeho.

3. Opravy se povyšují, neopakují. Když někdo opraví odpověď, ta oprava se musí natrvalo stát součástí definice. Pokud váš tým opravuje stejnou chybu podruhé, systém se neučí — jen zdvořile poslouchá.

4. Raději se zeptat než hádat. Když definice chybí nebo je nejednoznačná, správnou reakcí je otázka, ne odpověď. Sebevědomě špatné číslo na poradě stojí víc než číslo, které přijde o hodinu později. Právě tohle pravidlo odděluje systémy, kterým lidé věří, od těch, které tiše přestanou používat.

5. Každá odpověď nese svůj původ. Definice, zdroj a období, kdykoli na vyžádání, u kteréhokoli čísla. Pokud číslo neumí říct, odkud je, nedá se podle něj rozhodovat.

6. Oprávnění jsou součástí kontextu. Co člověk nemá vidět, pro něj nemá existovat — ani v odpovědích AI. Přístup sleduje role a každý přístup je logovaný. Dodělávat to později je bolestivé a většinou neúplné.

7. Doručujte to přes jeden endpoint. Ve chvíli, kdy si každý nástroj drží vlastní kopii kontextu, začnou se rozcházet — a jste zpět u tří definic tržby. Udržujte to jednou a nechte všechno číst to samé: vaše dashboardy, vaše agenty i asistenta, kterého váš tým už používá.

Kde začít

Nesnažte se namodelovat celou firmu. Vyberte oddělení, kde špatné číslo stojí nejvíc — pro většinu firem jsou to finance — a sepište dvacet otázek, které si váš tým reálně klade. Ne efektní otázky. Ty nudné a opakované, na které dnes někdo odpovídá ručně.

Těch dvacet otázek pak použijte jako definici hotového. Systém je připravený tehdy, když na všech dvacet odpoví správně a se zdroji. Říkáme tomu Test 20 otázek a je to mnohem lepší akceptační kritérium než „integrace běží“, protože měří jedinou věc, na které záleží: jestli se odpovědím dá věřit.

Jak k tomu přistupujeme v BinarBase

BinarBase vznikl proto, že jsme opakovaně viděli firmy, které vyřešily propojení systémů a stále dostávaly špatné odpovědi. Propojit nástroje je dnes ta lehčí část. Těžký je význam.

Kontext proto stavíme jako řízenou vrstvu, ne jako úložiště dokumentů. Definice potvrzují lidé, kteří za ně odpovídají, a jsou verzované. Oddělení dědí firemní jádro a přidávají jen svou deltu. Celé to průběžně spravuje soukromá AI — povyšuje opravy na definice, označuje, co chybí, a hlídá jeden zdroj pravdy místo toho, aby složky tiše hnily.

A doručujeme to přes jeden MCP endpoint, takže ten stejný kontext čte váš dashboard, naši agenti i asistent, kterého váš tým preferuje. Vaše definice, znalosti i historie zůstávají exportovatelné — jde o to, abyste mozek vlastnili, ne si ho pronajímali.

Nic z toho nevyžaduje půlroční datový projekt. Vyžaduje to jedno vědomé rozhodnutí o tom, co vaše firma opravdu myslí slovy, která používá každý den.