Stavěla jsem accountům nástroj, aby si v něm skládali kalkulace. Atraktivní výstup, doplňování potřebných dat, dva dny ladění. Pak mi došlo, k čemu to vlastně bude.
Klikat položky v hezké aplikaci a vyplňovat pole v Excelu vyjde prakticky nastejno. Jediný rozdíl je, že aplikace to sama sečte. V Excelu si ten součet musí člověk zkontrolovat.
Jenomže právě u té kontroly se přemýšlí.
Já jsem začínala jako account executive a moje noční můra byla, že se mi u mnohařádkových kalkulací správně nesečtou položky ve sloupci. Což se mi několikrát stalo. Jenomže mě to vedlo k důsledné kontrole, při které jsem kromě součtů musela přemýšlet. A velmi často jsem zjistila, že mi tu vypadla nějaká činnost či jiná. Byla to práce, která měla smysl.
Fungovalo to jen proto, že jsem věděla, jak má správná kalkulace vypadat. Bez toho bych se koukala na sloupec čísel a neměla podle čeho poznat, že je špatně.
Chci po accountech, aby nad kalkulací přemýšleli. Místo toho bych jim postavila klikačku na míru, která ten jediný krok, kde se přemýšlí, odstraní. Tak jsem to zahodila.
Excel nebo Google Sheets má smysl a nemusí všechno vypadat jak Zalando. Automatizované výstupy mohou být i v Google Sheets a je to úplně ok.
Kde to používám a kde ne
Před dvěma lety jsem byla na svém prvním školení k AI. Řešila se tam automatizace přes Make a napojení na Facebook a LinkedIn. AI napíše text, vygeneruje obrázek, Make to pošle do plánovače příspěvků a ono to vychází samo.
Málem jsem se z toho vyvrátila.
Vede to k velkému množství repetitivního obsahu bez autentičnosti. A hlavně je to přesně to, jak spousta lidí AI dodnes vnímá. Jako nástroj na textace a příspěvky na sociální sítě. Přitom to úplně míjí její roli v automatizaci celé řady činností, které nikdo nevidí.
Školení jsem nedokázala doposlouchat. Automatizaci na sociální sítě jsem si nikdy neudělala, protože mě to nezajímá.
Nemám ráda repetitivní činnost ani aktivity, u kterých mám pocit, že mrhám časem. Naturelem jsem vykopávač, ale bez dotahování věcí to nejde. Opakující se činnosti, které jsou pro chod firmy nezbytné, ale neposouvají nás o kus dál, deleguji, jak na tým, tak na AI.
Nejvíc mi to ale dává jinde než v provozu. U podkladů. Rešerše k tématu, zkrácení dlouhých materiálů na to podstatné, várka nápadů, ze kterých si jeden vyberu a zbytek zahodím. Tenhle text vznikl přesně tak. Zadávám, oponuji, škrtám a nechávám si jenom to, co obstojí.
Jak to nasazuji
U automatizací je postup vždycky stejný (delší verzi jsem rozepsala do deseti kroků, kterými zavádíme AI do procesu). Nejdřív to připravím za víc tokenů: silnější model, plný kontext, dlouhé zadání, několik kol feedbacku. Když to opakovaně projde na reálných datech, odtučním zadání a zkusím model s nižší spotřebou tokenů. Poslední fáze přijde, když seženu kapacitu manžela, a je to přesun na Google Cloud Platform, aby to běželo bez tokenů úplně.
Konkrétně: interní přehled, který se dnes obnovuje jednou týdně jako naplánovaná úloha v Claude, přesouváme na Cloud Run Job spouštěný přes Cloud Scheduler. Manželovi předávám balíček se skriptem, závislostmi, Dockerfilem a návodem k nasazení. On k tomu vytvoří API token, uloží ho do Secret Manageru, nasadí job ze zdrojáků, pustí testovací běh a nastaví plán na pondělní ráno. Pak mi dá vědět a já vypnu původní úlohu.
V tom ticketu ale není napsáno „ať to funguje“. Je v něm napsáno, jak vypadá správný výstup, včetně ukázky. Aktuální verze té stránky je přesně to, co má job vyprodukovat. Kdyby to tam nebylo, nepoznám rozdíl mezi během, který dopadl dobře, a během, který jenom doběhl.
Stejně zadávám i modelu. Vysvětluji kontext, popisuji co nejpřesněji, jakou představu mám o výstupu, a opakovaně žádám, aby vše kriticky prošel, než mi to „odevzdá“ ke kontrole. A poté začnu psát feedback. Je to ten samý postup, jaký jsem vždy používala u juniorních lidí. Nikdy nic neodevzdávám na první dobrou.
Párkrát jsem takhle něco odmávla, nejčastěji v autě, při účasti na nějaké schůzce nebo v situaci, kdy jsem byla přehlcená požadavky ze všech stran a už neměla kapacitu. Vždy se mi to vymstilo a vrátilo jako bumerang.
Co mi chodí teď
Jsem zavalená výstupy zamašličkovanými v mnoha položkách, sexy layoutech, ale ztrácí se obsah.
Nedávno mi z interní schůzky na 27 minut přišel zápis na pět stran. K základním návrhům chodí statě úvodního obsahu, který je redundantní ke zbytku. Proč? Protože to přece vypadá hezky, chytře a že si s tím člověk dal práci. Chodí mi návrhy rozepsané na stránky s nerelevantním sdělením, protože byl zadán prázdný prompt bez kontextu. K životopisu lidé přikládají vygenerovaná PDF s obsahem o nich. A je neslušné to nečíst, ale kolik naší pozornosti a času se na čtení takových vět vygenerovaných AI žádá?
Prázdný prompt je přesně ta situace, kdy nikdo předem neřekl, co má vyjít. A pak nikdo nemá podle čeho to posoudit, ani ten, kdo to zadal.
Loni v září tomu dali výzkumníci z BetterUp Labs a Stanford Social Media Lab jméno: workslop. Práce, která se tváří jako odvedená práce, ale nemá obsah na to, aby úkol posunula. Z 1150 dotázaných amerických zaměstnanců na plný úvazek jich 40 % uvedlo, že něco takového za poslední měsíc dostalo. Nad jedním takovým výstupem strávili podle vlastního odhadu hodinu a 56 minut. Je to sebehodnocení, ne měření, takže to číslo beru jako řádovou informaci.
Zajímavější než čas je pro mě druhé zjištění. Zhruba polovina respondentů začala autora takového výstupu považovat za méně schopného, méně kreativního a méně spolehlivého. Dvaačtyřicet procent mu míň důvěřovalo. Ta příloha navíc tedy nestojí jenom čas toho druhého.
Kdo pozná, že to nesedí
Microsoft Research a Carnegie Mellon se ptali 319 lidí, kteří AI v práci používají aspoň jednou týdně, a prošli 936 konkrétních pracovních úloh. Vyšlo jim, že čím větší důvěru má člověk v AI, tím míň kritického myšlení u sebe vykazuje. A naopak, čím větší důvěru má u dané úlohy sám v sebe, tím víc. I tady jde o to, co lidé vypovídají sami o sobě, ne o změřený výkon.
Sedí mi to ale přesně na tu kalkulaci. Sebedůvěra u konkrétní úlohy není povaha. Znamená to, že víte, co z ní má vyjít.
A ještě jedna ukázka, jak to vypadá v praxi. Loni v červnu se českým byznysovým tiskem prohnala studie MIT Media Lab o kognitivním dluhu. Měřili EEG lidem, kteří psali eseje s ChatGPT, s vyhledávačem a bez pomoci, a skupina s jazykovým modelem měla nejslabší mozkovou konektivitu. Jenomže je to pořád nerecenzovaný preprint na 54 lidech z pěti bostonských univerzit a existuje k němu odborná kritika, která napadá velikost vzorku i metodiku. Zajímavé, ne průkazné.
Kouzlo
Nic z toho není argument proti AI. Půlku provozu si bez ní už neumím představit a další věci na ni postupně převádíme. Jenomže čím víc toho běží samo, tím přesněji musím umět popsat, jak vypadá správný výstup. To je jediná část, kterou delegovat nejde.
Kouzlo není v tom napsat něco dlouhého a hezkého.
Kouzlo je v tom vysvětlit těžké věci v jedné či dvou větách. Jedině tak se pozná, že tématu rozumíte.
Kouzlo je v tom, že kriticky poznáte, že prostě tomu tématu nerozumíte. A zachováte se podle toho.
Kde jsou nějaké kurzy na kritické myšlení?
Zdroje
- Niederhoffer, K. a kol.: AI-Generated „Workslop“ Is Destroying Productivity, Harvard Business Review, září 2025 – https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
- Lee, H.-P. a kol.: The Impact of Generative AI on Critical Thinking, Microsoft Research a Carnegie Mellon University, 2025 – https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
- Kosmyna, N. a kol.: Your Brain on ChatGPT, MIT Media Lab, arXiv preprint, červen 2025 – https://arxiv.org/abs/2506.08872
- Stanković, M. a kol.: Comment on: Your Brain on ChatGPT, arXiv, 2026 – https://arxiv.org/abs/2601.00856