Ako riadiť kontext vašej AI — praktický návod

Každá firma má dnes rovnaké modely. Vaša konkurencia môže používať ten istý Claude, ten istý ChatGPT, to isté Gemini. Model nikdy nemal byť vašou výhodou. Vašou výhodou je to, čo model vie o vašej firme.

Tie znalosti majú meno — kontext — a takmer nikto ho neriadi vedome. Firmy strávia mesiace výberom modelu a jedno popoludnie premýšľaním nad tým, čo má ten model vlastne vedieť. Potom ich prekvapí, že odpovede sú sebavedomé a nesprávne.

Toto je praktický návod, ako kontext riadiť poriadne: z čoho sa skladá, ktoré tri prístupy zlyhávajú a aké pravidlá obstoja, keď na odpovediach začnú závisieť reálni ľudia.

Kontext nie je kopa dokumentov

Keď sa spýtate väčšiny tímov, čo znamená „dať AI kontext“, opíšu nahrávanie súborov. To je štvrtina práce. Použiteľný kontext má štyri vrstvy a nie sú zameniteľné.

Identita a pravidlá. Kto firma je, ako hovorí, kedy jej začína fiškálny rok, ktoré pravidlá sa neporušujú. Je toho málo, mení sa to pomaly a rámcuje to všetko ostatné.

Sémantika. Čo vaše metriky a entity naozaj znamenajú. Čo sa počíta ako tržba. Kto je aktívny zákazník. Kedy sa objednávka stáva predajom. Túto vrstvu všetci preskakujú — a práve ona rozhoduje o tom, či je odpoveď správna.

Živé dáta. Samotné čísla, napojené zo systémov, ktoré už prevádzkujete — účtovníctvo, CRM, e-shop, platby.

Znalosti a pamäť. Postupy, playbooky a rozhodnutia, ktoré ste už urobili, aby sa tá istá otázka neriešila každý kvartál odznova.

Prečo je sémantika tá vrstva, na ktorej záleží

Spýtajte sa troch svojich systémov na tržbu za minulý mesiac a dostanete tri čísla. E-shop počíta všetky objednávky. Účtovníctvo počíta vystavené faktúry. CRM počíta podpísané zmluvy. Každý systém je vnútorne konzistentný. Spolu sú nepoužiteľné — a AI s prístupom ku všetkým trom si jedno vyberie a bude si ním absolútne istá.

Deje sa to aj vnútri jedného systému. Spriemerujte percentá marže cez objednávky a dostanete číslo, ktoré vašou maržou nie je — marža sa musí vážiť, celkový zisk delený celkovou tržbou. Spočítajte riadky v tabuľke objednávok a spočítali ste položky, nie objednávky. Obe vyzerajú správne. Obe sú zlé. Žiadny model to nevyrieši, lebo to nie je problém uvažovania. Je to problém definície.

Tri prístupy, ktoré neobstoja

Vkladanie kontextu do promptu. Funguje to pre jedného človeka pri jednej úlohe. Neprežije to koniec konverzácie, nedá sa to auditovať a každý kolega vloží trochu inú verziu — firma tak má toľko definícií tržby, koľko má zamestnancov.

Priečinok dokumentov za vyhľadávaním. Lepšie — a tu väčšina „AI znalostných báz“ končí. Problém je, že vyhľadávanie vráti text, nie význam: nájde odsek, kde sa spomína tržba, bez toho, aby vedelo, ktorú definíciu potvrdil váš finančný riaditeľ. A priečinky hnijú. Niekto ich musí držať aktuálne, ten niekto sa zaneprázdni a o pár mesiacov AI sebavedomo cituje minuloročný postup.

Fine-tuning. Drahý, pomalý a mieri na nesprávny problém. Fine-tuning upravuje to, ako model píše, nie to, čo je vo vašej firme dnes ráno pravda. Navyše zmrazí znalosti v čase trénovania, čo je presný opak toho, čo firma potrebuje.

Sedem pravidiel, ktoré obstoja

1. Každá metrika má definíciu potvrdenú človekom. Nie odvodenú, nie uhádnutú z názvu stĺpca — napísanú bežnou rečou a potvrdenú tým, kto za ňu zodpovedá. Ak ju nikto nepotvrdil, systém ju musí považovať za neznámu.

2. Kontext je graf, nie priečinok. Firemné definície sedia v koreni a každé oddelenie ich dedí. Financie a marketing nemajú udržiavať dve verzie slova „zákazník“. Oddelenie definuje len svoju deltu — to, čo je naozaj jeho.

3. Opravy sa povyšujú, neopakujú. Keď niekto opraví odpoveď, tá oprava sa musí natrvalo stať súčasťou definície. Ak váš tím opravuje tú istú chybu druhýkrát, systém sa neučí — len zdvorilo počúva.

4. Radšej sa spýtať než hádať. Keď definícia chýba alebo je nejednoznačná, správnou reakciou je otázka, nie odpoveď. Sebavedomo zlé číslo na porade stojí viac ako číslo, ktoré príde o hodinu neskôr. Práve toto pravidlo oddeľuje systémy, ktorým ľudia veria, od tých, ktoré potichu prestanú používať.

5. Každá odpoveď nesie svoj pôvod. Definícia, zdroj a obdobie, kedykoľvek na požiadanie, pri ktoromkoľvek čísle. Ak číslo nevie povedať, odkiaľ je, nedá sa o ňom rozhodovať.

6. Oprávnenia sú súčasťou kontextu. Čo človek nemá vidieť, pre neho nemá existovať — ani v odpovediach AI. Prístup sleduje role a každý prístup je logovaný. Dorábať to neskôr je bolestivé a väčšinou neúplné.

7. Doručujte to cez jeden endpoint. Vo chvíli, keď si každý nástroj drží vlastnú kópiu kontextu, začnú sa rozchádzať — a ste späť pri troch definíciách tržby. Udržiavajte to raz a nechajte všetko čítať to isté: vaše dashboardy, vašich agentov aj asistenta, ktorého váš tím už používa.

Kde začať

Nesnažte sa namodelovať celú firmu. Vyberte oddelenie, kde zlé číslo stojí najviac — pre väčšinu firiem sú to financie — a spíšte dvadsať otázok, ktoré si váš tím reálne kladie. Nie efektné otázky. Tie nudné a opakované, na ktoré dnes niekto odpovedá ručne.

Tých dvadsať otázok potom použite ako definíciu hotového. Systém je pripravený vtedy, keď na všetkých dvadsať odpovie správne a so zdrojmi. Voláme to Test 20 otázok a je to oveľa lepšie akceptačné kritérium ako „integrácia beží“, lebo meria jedinú vec, na ktorej záleží: či sa odpovediam dá veriť.

Ako k tomu pristupujeme v BinarBase

BinarBase vznikol preto, že sme opakovane videli firmy, ktoré vyriešili prepojenie systémov a stále dostávali zlé odpovede. Prepojiť nástroje je dnes tá ľahšia časť. Ťažký je význam.

Kontext preto staviame ako riadenú vrstvu, nie ako úložisko dokumentov. Definície potvrdzujú ľudia, ktorí za ne zodpovedajú, a sú verzované. Oddelenia dedia firemné jadro a pridávajú len svoju deltu. Celé to priebežne spravuje súkromná AI — povyšuje opravy na definície, označuje, čo chýba, a stráži jeden zdroj pravdy namiesto toho, aby priečinky potichu hnili.

A doručujeme to cez jeden MCP endpoint, takže ten istý kontext číta váš dashboard, naši agenti aj asistent, ktorého váš tím preferuje. Vaše definície, znalosti aj história zostávajú exportovateľné — ide o to, aby ste mozog vlastnili, nie si ho prenajímali.

Nič z toho nevyžaduje polročný dátový projekt. Vyžaduje to jedno vedomé rozhodnutie o tom, čo vaša firma naozaj myslí slovami, ktoré používa každý deň.