Claude Cowork a AI agenti: Jak na automatizaci s Matějem Štefaníkem

Přepis epizody

Takže já jsem odešel si dělat kávu, už nevím, co to přesně bylo. A bylo hotovo. AI nemá žádný svůj názor, respektive má vlastně úplně všechny možné názory, které existují. Kdybych ho vyzval, proč to tak je a proč ne jinak, tak nedokáže odpovědět. Tak to API odmítlo, právě na základě nějakých bezpečnostních pravidel, že se snažíme dělat něco proti americké vládě.

Tak já vás všechny vítám u další epizody našeho podcastu Kde skončí zítřek. Dnes máme další speciál se speciálním hostem. Je to Matěj Štefaník. Ahoj, vítám vás všechny. Díky Martine za pozvání. Čau Matěj. My si tykáme, protože se známe z vaší komunitní akce AI.Works. Matěj pracuje ve společnosti Kentico, kde je AI officer a zavádí AI procesy na celé firemní workflow, aby jim to tam všechno fungovalo automaticky a mnohem lépe a efektivněji než dřív a jak je to teď s moderními technologiemi možné. Je schopen divákům a posluchačům říct nějaké zajímavé věci k tomu. Určitě, stoprocentně. Tak se na to pojďme podívat.

Jestli bys našim posluchačům teda jenom nastínil, možná s tím někdo nemá vůbec zkušenost, jaký je ten základní rozdíl od nějakého chatovacího rozhraní, který znají třeba z ChatGPT nebo Gemini, nebo teda klasického chatu, který je samozřejmě i v Claudovi, tak jaký je v tom rozdíl proti chatu v Claudovi, což je ještě zase další nástavba, do toho se nebudeme úplně zabrušovat, ale budeme se soustředit na ten Cowork.

Já bych řekl jednou věcí, ten hlavní rozdíl je, že Claude už umí udělat nějakou práci od A do Z a to je takové hezké marketingové motto. Co se tím myslí, když člověk pracuje s chatem, ať už kdekoliv, ať už je to Claude, nebo ChatGPT, nebo Gemini, tak vlastně člověk je pořád ten, který dělá veškerou orchestraci. Člověk si musí zkopírovat dokumenty, přiložit dokumenty někam, pak poprosí AI chatu, ať mu něco zsummarizuje, možná to točí několikrát tu otázku z různých úhlů pohledu, pak ho poprosí o shrnutí, to shrnutí si zkopíruje, někam ho uloží, možná udělá nějakou práci někde jinde, pak si zase ten výsledek zkopíruje, vrátí se do chatu a takhle víceméně člověk funguje jako orchestrátor aktivit.

U toho Coworku, a to je ten zásadní rozdíl, je, že Cowork má přístup do souborového systému, takže člověk, když si dobře zorganizuje svůj systém, své adresáře, nějakou složku na disku, dá přístup Coworku k té složce, tak Cowork pak krásně umí pracovat přímo s dokumenty, které člověk má, nemusí mu vysvětlovat žádný kontext, nemusí nic přikládat, skvělé, takže to je vlastně fundamentální rozdíl.

Claude Code, když se bavíme i o Claude Code, posouvá ještě dál, posouvá to dál, že dokáže samozřejmě dělat nějaké skripty, mini aplikace, má přístupné další nástroje, třeba které Cowork nemá, takže mu jdou složitější věci, nicméně, já si nemyslím, že třeba pro běžné kancelářské uživatele, Claude Code, i když já strašně rád všem říkám, běžte do Claude Code, použijte Claude Code, z vlastní zkušenosti vím, že většina byznys lidí s tím neuvěřitelně válčí, a to se ani nebavím o tom, když vidí to ošklivé terminálové okno, tak rovnou říkají, že stačí jen ta aplikace, aby se toho lekli.

Ono Claude Code je dostupný i v té desktopové aplikaci jako záložka, to je lepší, nicméně, to stejně není tak jednoduché, jak to na první pohled vypadá, ono to vyhazuje různé chyby, a když člověk nemá tu technickou znalost, tak se strašně rychle ztratí a vzdá to. Ono pro spoustu lidí, když to nevypadá jako Word, tak už tím je problém, že? Je to tak. Takže to je vlastně zásadní rozdíl. Cowork už něco umí, Claude Code toho umí ještě víc, ale za mě vyžaduje trošičku techničtější, analytičtější myšlení, což ne že spousta lidí nemá, jenom to tak nepoužívá, nepřemýšlí nad tím.

A stejně vlastně akorát ten Cowork je nadstavba nad tím Claude Code, ne? Je to tak, že v Anthropicu vlastně udělali takovou mezivrstvu, aby právě ten Claude Code zpřístupnili větším masám, tak nad tím vznikla ta lehká nadstavba Coworku. To je vlastně naprosto skvělé, jako by pod Coworkem je Claude Code, jenom je zabalený do hezčího UI a jsou tam nějaká omezení, právě, aby se uživatelům nezobrazovaly nějaké podivné hlášky. Takže ano, engine, architektura je stejná, jenom to vypadá jinak pro uživatele.

Takže v podstatě nám to osvobodí ruce od nějakého copy-paste a můžeme pracovat nad nějakou svou složkou třeba projektů a v tom řešit to na souborové úrovni a nemusíme furt někde něco ukládat si do poznámek, ukládat si prompty, hledat v nějakých konverzacích a mít to všechno nějak uspořádané na jednom místě. To je vlastně ten primární benefit. Plus asi taky nějaké napojení na aplikace třetích stran přes nějaké MCP servery nebo pojítka, třeba na Google Drive a podobné věci, asi to by tam taky mělo fungovat všechno.

To tam všechno funguje, spousta firem třeba používá Confluence nebo Jiru interně, není problém, zvlášť Atlassian má skvělý konektor, takže není problém si připojit Cowork na Confluence a Jiru a přímo z Coworku s ním pracovat živě a mít vlastně adresář a ještě připojit Confluence kvůli nějakým dokumentacím, procesům a tak a Jiru pro tikety a projekty. Já jsem právě, myslím, že ty Jiry viděl od tebe nějaký takový uživatelský dashboard, že si z toho taháš vlastně jenom data, která tě zajímají a uděláš si to přímo pro sebe. Jaký výstup, což asi? Je to přesně tak, jo.

Samozřejmě člověk, který umí pracovat v Jiře, tak si možná může připravit vlastní dashboardy v Jiře, pokud umí ten jejich jazyk JQL nebo jak se to jmenuje. Ale pro ty normální lidi, kteří jsem i já, tak je mnohem jednodušší říct Coworku, aby mi připravil tento dashboard, vybral mi tady ty projekty, nějak mi to zkombinoval, udělal mi to tak, jak chci i vizuálně, protože samozřejmě Cowork z toho udělá nějakou hezkou HTML stránku a můžu si říct přesně, jak chci. Takže skvělé. Takových věcí, že teď to je takový trend, využít tyto věci. Já myslím, že je.

Tam je pak otázka, jak se k tomu staví ta firma. Jasně. Tak to je hezké, že ho máte v Coworku, jenom možná důležitá věc, že Cowork vlastně funguje lokálně na stanici, nebo tam minimálně ta výchozí, standardní verze. Takže cokoliv tam člověk vidí, tak vidí jenom on, nikdo jiný. A to ještě, když člověk má... Není to úplně týmová práce. Není to úplně týmová práce a ještě to je samozřejmě v důsledku, že člověk pracuje na více počítačích, tak ještě na každém počítači to může mít jinak. Takže, jak se vrátím k tomu IT, tak IT může říct, no tak my vám vyjdeme vstříc, abyste si to tady vyzkoušeli, vyvinuli si mini aplikaci, tak my vám ji nainstalujeme tady někam do firmy. A aby k tomu měli přístup všichni. A to je zase... A zase někdo to může chtít něco jinak a něco jinak. A to je přesně to, jak se k tomu firma postaví. Umožní těm lidem si ty věci dělat, ale pak si třeba je nějak převezme v nějaké formě, umožní jim to někam nainstalovat, to je celá doména.

Museli jsme se bavit o tom, že mezi tím klasickým předplatným Coworku a nějakou enterprise nebo developerskou licencí, tam budou taky rozdíly v tom, co všechno si tam musíš vyžádat, povolit od té firmy za ty konektory a tak, nebo když to máš koupené na sebe, tak se meze nekladou.

Jo, přesně tak. Člověk si koupí licenci na sebe, může si dát, co chce. A v okamžiku, kdy má tu týmovou nebo enterprise variantu, tak vlastně nějaký firemní administrátor. Ten přímo vyjmenuje, které plug-iny a MCP servery se mohou používat a nic jiného si lidé nainstalovat. Jo, tak to určitě dává smysl.

Teď jsem četl nějakou statistiku, že 40 % firem má to pouze nějak nastavené takto, že mají enterprise nebo developerskou verzi nějakého AI a využívají to takhle, jak by se mělo a zbytek jede na nějakém shadow AI a ty firmy kolikrát nevědí, kde ta data všude plují, tak ono je to trošku šílené. Takže blíží se AI Act, už sankcionovaný od někdy 2. srpna, myslím, tak uvidíme, co všechno se kolem toho bude dít. To uvidíme. A samozřejmě tyto věci, není to žádná sranda. Bezpečnostní problémy jsou s tím spojeny a nebudu jmenovat konkrétní, ale i nám se samozřejmě staly nepříjemné věci, které jsme museli řešit. Od různých prompt injection a nesprávně nainstalovaných serverů a MCP serverů a tak, které pak způsobovaly problémy. Takže já naprosto chápu interní IT, není to žádná sranda.

Jo, kolikrát si říkám, že bych to rozhodně nechtěl dělat někde v nějaké bance nebo velké firmě, kde jde o data, tak to asi není žádná legrace to uhlídat v dnešní době. No a máme

Tedy chatboty, které už tady s námi jsou tři až čtyři roky, že? Máme nad tím teď nějaké, jak ty tomu říkáš, chytré workflow, které nám umožňují s těmi chatboty pracovat efektivněji. A máme to, co slýcháme teď posledního půl roku, nebo spíše tři čtvrtě roku, což jsou AI agenti a asi s námi tady ještě chviličku budou. Tak jak se díváš na ten úplně agentní režim, kde to může běžet na serveru samo a chystat ti podklady, aniž bys to musel mít spuštěné někde na lokálním počítači, jak třeba ten Copilot? Jak tomu řekneme, takový příběh.

Já mám to štěstí, přiznejme si, že mám štěstí, že jsem u této vlny AI hned od první verze, v podstatě GPT 3.5, protože to byla ta první velká a úspěšná. Takže jsem jeden z prvních uživatelů a vím, jak to vypadalo tenkrát a vím, jak to vypadá teď. Z hlediska UI to vypadá úplně stejně. Možná tam budou nějaké drobné rozdíly, že takový pohled by člověk nepoznal ten chat a celé to rozhraní, že by se nějak zásadně změnilo. Takže za tři roky se chatová varianta nikam neposunula. Ano, je tam lepší model, možná je možné přidat více typů souborů, možná v menu jsou nějaké další možnosti, o kterých si troufnu říct, že spousta lidí pořád neví, že tam jsou a k čemu tam jsou a jak je dobře použít. Ale ten chat se zásadně nezměnil.

A naprosto drtivá většina lidí pořád funguje tak, jak jsem popsal úplně na začátku. To znamená, já mám nějaké workflow, které dělám v práci nebo ve svém osobním projektu a teď jdu a kopíruji. Všichni to znají: kopíruji, teď se mi rozbije formátování, tak polovinu času pořád řeším, že to reformátuji tak, aby mi to sedělo do toho finálního dokumentu. A to se nezměnilo, tak to fungovalo tenkrát, tak to funguje stejně. Takže to je jeden extrém. A toto rozhraní je strašně pohodlné pro lidi, protože je tak uživatelsky příjemné, intuitivní a jasné. Jasně, cítíš se jak v nějakém messengeru. Na to jsem zvyklý, píšu desítky zpráv denně, možná stovky. Tak na tom vlastně nic není, akorát se bavím s někým jiným a ten mi dobře radí.

A pak je ten druhý extrém a to jsou ti agenti. A agent je v dnešní době takové strašně přetěžované slovo, to taky může znamenat úplně cokoliv. Moje definice agenta je něco, co má nějaký cíl, co má nějaké nástroje a dokáže vlastně s pomocí těch nástrojů dosáhnout toho cíle. Nebo aspoň teoreticky. Takže to je vlastně svým způsobem nezávislá entita. Nějakou paměť? Samozřejmě k tomu nějakou paměť a tak dále, přesně tak. To si myslím, že pro většinu lidí je teď z mého pohledu nezajímavé, protože stejně většina lidí pořád je uvízlá v té chatovací variantě.

A agenti, kdy se člověk musí zamyslet, co je vlastně cíl, dobře si to rozmyslet, říct, jak pozná ten agent, že toho cíle bylo dosaženo. To je podle mě úplně ta závěrečná meta a člověk by se měl projít něčím, co je uprostřed. Já tomu právě říkám chytré workflow, kde se podívá na to, co dělá a zkusí si rozložit svou práci na nějaké smysluplné kroky. Pochopí ten proces. Pochopí ten proces, zautomatizuje si něco nebo udělá si skilly, možná se k tomu za chvilku dostaneme, které mu s tím workflow pomohou, až dostane nějakou jistotu v tom, co dělá, proč to dělá, jak se i to AI chová, tak má smysl začít přemýšlet, možná někde zadefinujeme nějakého agenta.

Jenom čistě prakticky a reálně, třeba Claude, když se spustí, tak je vlastně agent, který má přístupné nástroje a ten cíl mu dává člověk tím, že mu zadává prompt a dává nějaký cíl. Takže, když člověk používá i vlastně svým způsobem Copilot, tak vlastně používá agenty, jenom ne v tom slova smyslu, že já si vytvořím agenta, který mi za mě udělá nějakou práci. Ale u Microsoftu je to něco úplně jiného, než v jiných systémech, že oni vlastně těm automatizacím říkají agenti, přitom to jsou něco jako makra.

Ano, přesně tak. Ale zároveň velice dobře říká, že to vyžaduje toto popsání toho workflow, uvědomění si, kde mi ta AI může a nemůže pomoci. A to si myslím, že je přesně to místo, kde je většina těch běžných uživatelů, kteří mají touhu nebo nadšení to použít, tak zároveň v tomhle momentu na tom ztroskotá. Tam je asi největší problém se přes to prokousat a naučit se v tento moment nějak nadefinovat a nasadit.

Ano, přesně. To je vždycky, když někomu přijdu, nainstaluji mu Claude, když se bavím o Claudeovi, nebavím se s ním o Copilotu, ale vlastně Copilot je to stejné, tak se na to dívají, i když používají tu UI verzi s tím hezkým uživatelským rozhraním, tak stejně neví, co dělat. A pak pochopí, že tam je nějaký adresář, tak si tam něco nahrají a teď s tím něco zkouší. Typicky se třeba za týden, za dva, sejdeme, podíváme se. V adresáři je tisíc souborů. Přesně, v adresáři je naprostý chaos, různé divné podadresáře, které mají naprosto náhodné názvy. Claude vůbec neví, s jakými daty pracovat. Přesně, vůbec neví, co tam je, proč tam je. Tady ještě historické dokumenty se starými daty a nové. A ve starém, nová složka v Excelu s novými daty, naprosto totální chaos. Bez instrukcí, bez ničeho.

A ono to nějak funguje. Protože Claudeovi nezbude, nebo Copilotu nezbude nic jiného, než se vypořádat s tím, co po něm ten uživatel chce. Akorát ti uživatelé jsou často frustrovaní, že nedostávají správné odpovědi. A to je přesně, když se vrátíme zpátky, ta změna. Dobře, tak jaké je moje workflow? Co jsou ty dokumenty, s kterými vlastně pracuji? V jakém formátu jsou? Kolikrát má člověk Excel? Má v něm nějaká data? Nebo to může být cokoliv, i nějaký textový dokument. On sám ví, co ta data znamenají. Ale AI absolutně nemá šanci, co ta data znamenají. I když používá nějaký standardizovaný název, já nevím, příležitost a lead, tak stejně každá firma s tím pracuje trošičku jinak. Takže v téhle firmě může lead znamenat tohle a v té jiné ještě trošičku něco jiného. Ale AI nemá absolutně žádnou šanci, protože uživatel má nějaké své chápání.

A když mi člověk ten kontext nedodá. Což zase, to je přesně to, že musím pracovat jinak. Musím se zamyslet nad tím, co dělám. Musím možná ty věci, co dělám, popsat do nějakých instrukcí nebo do kontextu, aby mi to skutečně začalo pomáhat. Teď je otázka, jestli ti lidé jsou schopni tohle udělat ve výsledku.

Nebo jestli, víš, jak dřív se používal prompt engineering, dělal jsi ty prompty, musel jsi je dělat specificky, musel jsi zachovávat nějakou strukturu. Teď už mám pocit, že ty chatovací aplikace právě, jak jsi říkal, že to rozhraní zůstává, tak mám pocit, že to, co ten uživatel nevidí a je vlastně mezi tím chatem a tím LLM modelem, tak naopak se vyvíjí, že to dělá spoustu věcí za ty lidi. Že když tam ten kontext oni nedodají, tak si ho to nějak dodá samo přes nějaké vyhledávání nebo se trošku snaží lépe s tím pracovat než dřív tady s nějakými nedostatečnými prompty a už zase až tolik, mám pocit, že nezáleží na tom, jak to promptuješ.

Tam možná třeba u těch skillů, ke kterým se za chvíli dostaneme, to úplně neplatí, protože tam na té struktuře zase hodně záleží, ale jestli se to neposune do budoucna tak, že teď už lidé můžou psát jednodušší prompty a odpovídá jim to smysluplně, tak jestli do budoucna i v tom, i v té zaneřáděné složce s tisíci soubory a špatně popsané, jestli to AI se neposune tak, že i se špatně popsaným workflow se to třeba do budoucna nějak zlepší a pochopí, co ten uživatel po něm chce.

Já pořád doufám, že se někdy dostaneme do stavu, kdy já třeba samozřejmě píšu strašně rychle na klávesnici a dělám to celý život, ale já třeba ideálně mluvím. Takže skvělé, že všechny ty nové modely mají vlastně diktování a já ideálně se úplně vyhýbám tomu, abych musel cokoliv psát, ideálně nepíšu vůbec nic, pokud to není jednoduchá otázka. Takže moje ideální rozhraní je, abych měl nějaký mobil, možná stačí jen mobil, a já jenom mluvím a ono to dělá přesně to, co chci a najde si to všechny informace, které potřebuje k vykonání té práce a já si to možná otevřu a řeknu: „Ano, to je přesně ono, běžte a udělejte to.“ Podle mě to k tomu směřuje? To směřuje, to je hezká vize i s tím mluvením, slýchám to z více stran, lidé to čím dál víc používají, ale zase narážíme...

Na to, že zatím musíš mít někde v pozadí ten pořádek v těch složkách, popsané ty věci, aby on věděl, co s nimi má dělat. Podle mě bez nějakého pořádku to nepůjde. V tuto chvíli není žádný dobrý produkt na trhu, o kterém bych věděl, který řeší to, že ti to přidá nějaké tvé informace smysluplně. Notabene, typicky ještě ty osobní informace jsou různé, jako knowledge base, Obsidian nebo Notion.

To asi ano, ale když se bavíš o firmách, když nad tím pracuješ sám, tak to není tak složité si něco takového udělat, ale v okamžiku, kdy pracuje deset lidí v týmu a vy si to musíte sdílet, a když to člověk používá sám, tak kolikrát ví, co tam dal a co tam nedal, a tudíž ví, na co se může v těch odpovědích spolehnout, kdežto když tam pracuje deset lidí a každý tam něco dá a něco tam nedá, tak vlastně nevíš, co v té knowledge base je. Takže to není už jednoduché to pak nasadit do širšího týmu, ale...

Já jsem viděl některá tato workflow a je potřeba zdůraznit, že ty v tom máš extrémní pořádek a všechno máš extrémně dobře rozepsané, popsané, co kam patří, jak se s čím zacházet, a zase na druhou stranu si dovedu představit, že když tady ty markdown soubory ukážeš někomu ve firmě, tak to omdlí, ne? To je samozřejmě pro širší nasazení do firmy, to je právě, to je přesně ten příklad, co jsem říkal. Když člověk zpracuje sám, má nějaký systém, dokáže si ten workflow krásně popsat, zdokumentovat.

Já teda používám Claude a mě už Claude edituje a spravuje i ta workflow. Takže mě vlastně po každé session vyhodnotí, jestli všechno šlo správně, a co ne, tak navrhne změny třeba do dokumentů, co je potřeba tam dopsat, aby to příště fungovalo správně. Ale zase říkám, to je jednoduché dělat individuálně. V širším týmu nebo ve firmě, která má sto zaměstnanců, to je absolutně. A to musí být úplně řešeno jinak.

A dokážu si zase představit menší týmy, menší firmy, takové ty AI-first startupy, to je skvělé. Pokud jsou tam lidé, kteří do toho jsou a mají zájem a jsou proaktivní, tak je to fantastické. Protože oni mají typicky motivaci držet ty věci aktuální, nedělat věci mimo, protože chápou, že když, nevím, chtějí mít veškerý přehled o těchto zákaznících, tak veškeré informace, když je jakákoliv komunikace, tak to někam musí dát, aby ten agent pak věděl. A mají tu motivaci, protože cítí, že je to potřeba, ale když taková ta morálka není a není tam ten tlak na to, aby se data sdílela, tak samozřejmě během chvíle tam polovina chybí a pak už se na to nedá spolehnout a pak už lidé říkají: „Ono mi to navrhlo nějaké věci, co tomu klientovi mám říct, ale tam se s ním přece bavil minulý týden někdo a to tady vůbec není, tak tomu se nedá věřit.“

A tak jak nám v tom můžou pomoct ty skilly, nebo jestli můžeš o těch skillech něco krátce říct, k čemu slouží, jak třeba právě v těchto workflow je nasadit, jak je vytvářet, jak nám můžou pomoct v tom, abychom udrželi tento náš pracovní adresář v nějakém pořádku a nějak to tam fungovalo.

A standardní chatboty, tak ty typicky mají, ty jsi to už jmenoval, Gemini, mají Gemini, ChatGPT, to je myslím Custom GPTs nebo My GPTs, v Claude jsou to projekty, ChatGPT má teda taky projekty, ale to je trošičku něco jiného. A je to vlastně koncept toho, že mám nějakou, nechci říct složku, ale nějaký balíček s nějakým kontextem a s nějakými instrukcemi. Typicky, co jsem viděl lidé, jak používají, mám třeba vytvoření marketingového nějakého materiálu, tak mám k tomu připravené nějaké messagingové instrukce. Jak vypadá třeba typický newsletter, vymýšlím si. A pak jenom člověk napíše: „Tady máš obsah do newsletteru a vytvoř mi newsletter.“

Skill je trošičku k tomu kolmý, protože vlastně skilly můžeš používat jednak uprostřed těch projektů, když se bavíme o Claude. Takže pracuji v projektu, nakopíruji tam tyto informace o newsletteru a pak ještě pod takovým tím trikem slash lomítko a napíšu skill, který v systému mám, tak si ho vlastně i můžu v projektu zavolat. Takže to je trošičku jiný pohled na věc. A skilly vnímám spíš jako workflow. To znamená, fakt popíšu, co se má stát, jak se má něco zpracovat. Takový vícekrokový prompt. V podstatě vícekrokový prompt, který se dá volat odkudkoliv. Je to normálně v chatu, nebo z projektu, nebo vlastně i z jiného skillu. Na konci nějakého skillu může být ještě zavolej skill. Takže třeba dají požadavek na nějaký nový příspěvek na LinkedIn. A on pochopí, že má nasadit toto zlepšení textového výstupu a zavolat ten skill sám, aniž by tam dávali to obrácené lomítko.

Je to tak jedno z doporučení, jak psát skill, že v každém skillu na začátku nahoře je vlastně popis. Tak doporučeně mějte ten popis tak neprůstřelný, abych pochopil, kdy ten skill zavolat. Aby nevolal náhodně. Takže ano, měl by mít dokumentaci. Mělo by to fungovat ideálně tak. Takže když člověk popíše slovně, co chce, tak Claude by měl odtušit, jaký skill použít a použije. Nicméně, pokud člověk ty skilly zná, tak je nejjednodušší je zavolat a je to jeden klik. Určitě.

Hlavně, když píše člověk nějaké systémové instrukce třeba do toho projektu, které se mají provádět v rámci toho projektu, projektové složky, nebo jak říkáš, do skillu volám další skill, tak asi je ideální to tam přímo takhle pojmenovávat, nenechávat to na Claudeovi, aby se rozhodl. Jediný rozdíl je, že když ten člověk skill explicitně zavolá, tak ví, že bude zavolaný, když to nechá na Claudeovi, tak se může stát, že ho uprostřed konverzace bude muset zastavit a říct mu: „Ha, já jsem teď chtěl použít ten skill a budeme to muset zopakovat.“ Jasné, jasné. Jinak by to mělo fungovat stejně.

Nějaké své vlastní na typické use case. Asi to probíhá tak, že ten skill stejně za tebe píše Claude, že? Asi mu jen popisuješ ty funkce, které chceš skillem zpracovávat a on ten skill napíše za tebe a nějak ho zaintegruje.

Já ještě před rokem bych řekl, nebo moje workflow bylo, zkusím si ten skill napsat aspoň sám. A pak na to pustím Claudea, to už jsem opustil a víceméně nemá žádný jiný smysl, než Claudeovi říct, co chci, a ať ten skill udělá sám. Já to dělám úplně stejně. Možná je dobré si to vyzkoušet jednou, aby člověk věděl, jak to vypadá a jaká je struktura, jenom aby dostal správný pocit. Jak to vypadá a jak se to musí psát, protože pak i když si nechá od Claudea vytvořit ten skill a když si ho přečte, tak trošku rozumí tomu, proč je to tak napsané a proč to není napsané jinak. Ale jinak já už teď vůbec nedělám ty věci sám.

Já to říkám lidem na workshopech, že přesně chcete vygenerovat hezkou fotku, nechte si to udělat zpětně, že si tam tu hezkou fotku dáte, necháte si Gemini napsat, jak bys tuhle fotku vygeneroval, a podívejte se, jak obrovský detailně popsaný prompt vám to hodí, ať si uděláte představu o tom, co on od vás očekává, že dostane za vstup. A s těmi skilly je to úplně stejné, že člověk asi, když s tím nemá nějakou zkušenost, tak si nedovede představit ty dvě, tři a čtyřky textového promptu, který tam vznikne, když to napíše Claude. A samozřejmě člověk zdaleka nedomyslí všechny ty věci, když to Claude ty věci domyslí.

Jenom zdůrazním jednu věc, která nemusela vypadnout na první poslech. Proč jsem zdůrazňoval, ať si to člověk vyzkouší sám, je: Ať ty skilly nejsou nějaký black box pro lidi, kde vůbec neví, co se děje a proč se to tak děje. Ať tomu rozumí.

Já vím, že když jsme se bavili, tak jsme měli nějaké téma právě. Možná se k tomu dostaneme za chvíli. A to jsou junior vývojáři a tak nevím, jestli to mám otevírat teď. Dostaneme se k tomu určitě. Tak dobře, tak se k tomu dostaneme.

Ještě u těch skillů jsem se chtěl zeptat na nějaký tvůj oblíbený, nebo něco, víš, zvykl jsem si používat ten skill, protože to mi fakt šetří hodně času. Já nemám, já nemám individuální samostatné skilly. Já víceméně vždycky skilly vytvářím v balíčcích, které mi řeší nějaký business problém. Takže můj oblíbený je, a to je zase balíček, a to je zpracování mých

Já generuji tunu poznámek, které si dělám, beru si transkripty z callů, a mám vlastně sadu dovedností, která mi každý tento dokument rozanalyzuje, zjistí, s kým jsem se to bavil, zkontroluje, jestli toho člověka znám, jestli ho mám v nějakém seznamu kontaktů, a udělá mi z toho poznámky z každého meetingu, nebo z každé konverzace, připraví případně úkoly, které vyplynuly, a pak mi ty úkoly jiná dovednost kontroluje a dívá se: „Hele, máš ten úkol v seznamu tvých úkolů?“ Tak v pořádku, tak to zahodí, a když ne, tak mi ho tam přidá, dá mi ho mezi naplánované úkoly. Takže vlastně to je několik dovedností, které nejdřív dělají analýzu, dívají se, zda znám ty lidi, vygenerují mi z toho nějaký návrh, co zjistily, tak to mám takové uživatelské rozhraní, kterým si podívám na ten výsledek, odsouhlasím si to, nebo něco smažu, a pak dám právě druhé dovednosti: „A teď mi to promítni vlastně do mého denního plánu, abych na to nezapomněl.“ Takže to je třeba jedna sada dovedností.

Jiná sada dovedností je třeba na generování obsahu. Já píšu docela dost obsahu, já jsem strašně pomalý na psaní textu, neuvěřitelně pomalý, ale mám hezkou sadu dovedností, která mi to vlastně od nápadu, přes první návrh, až po finální verzi, včetně grafiky, na kterou jsem také antitalent, tak mi to nějakým způsobem připraví a zrychlí mi to, nevím, na desetinu. Takže ve výsledku to vypadá tak, ať si lidé představí, že mluvíš, mluvíš, mluvíš, jak ti to přijde na jazyk a následně se zavolá tato sada dovedností, která z toho na konci vyplivne třeba nějaký článek nebo příspěvek na LinkedIn.

Přesně tak, záleží pak na typu obsahu. Když je to newsletter, tak to jsou většinou, řekněme, jednoduché věci, které nemají hlubokou myšlenku. „Drazí členové naší komunity, tady jsou věci, které se budou dít nebo přihlaste se na meetup.“ Tak tam jsem se dostal do stavu, kdy ten obsah je v podstatě z 99 % korektní na první verzi. A já pak jenom opravuji drobné věci, které bych třeba takhle neřekl. Nicméně, kdykoliv udělám takovou korekci, tak to zase nasdílím s Claudem, protože mám nějaký svůj profil, jak píšu a vždycky mu řeknu: „Upravil jsem to,“ nebo: „Tady máš mou upravenou verzi, podívej se, proč jsi mi to vygeneroval takhle, podívej se, co je potřeba ještě v instrukcích změnit, aby to příště bylo lépe.“ Takže první verze zdaleka nebyla tak dobrá, ale samozřejmě po pěti, deseti iteracích jsem se dostal do stavu, kdy je. Nicméně to je pořád newsletter. Takže je tam nějaký tón komunikace, který tím trénuješ.

Přesně tak. Ale to je pořád newsletter a to já považuji za jednoduchý typ obsahu. To je spíš oznámení nějakých jednoduchých věcí. Jasný, thought leadership, to je úplně jiný formát a tam jsem víc, ten proces je stejný, jenom jsem do toho víc zatažený a čtu si i ty návrhy a opravuji ty návrhy, takže to není tak, že se mi to úplně vygeneruje a na konci je skvělý článek, protože s tím bych určitě nesouhlasil s tou finální verzí.

A je tam na začátku nějaká dovednost nebo nějaký nástroj, který to tvoje povídání, které může být na přeskáčku, může tam být spousta výplňových slov a něco, něco, tak který z toho udělá nějakou sumarizaci nebo přepis, nebo ten přepis je nějakým způsobem korigovaný, nebo... ...a navrhne právě první verzi toho článku. A pak, když je to článek typu thought leadership, tak si opravdu sednu a podívám se, jestli jsme se pochopili, jestli to, co chci říct, je skutečně to, co v tom návrhu je. A typicky je to tak, že ne úplně stoprocentně, takže musím některé věci odmazat nebo doplnit. Pak mám právě ještě druhou dovednost, protože já, nebo myslím, že nejenom já, ale spousta lidí má takové... ...jak bych to řekl, má přesvědčení o něčem a možná by se jim hodilo kritické oko někoho jiného. Takže mám vlastně druhou dovednost, která se mi podívá na ten návrh a snaží se mi konstruktivně zkritizovat, co je špatně, co by mohli jiní lidé říct, kdybych to takhle řekl. Čistě abych měl názor někoho dalšího. Vlastně tyto vstupy jdou do další dovednosti, protože mám svou znalostní bázi, většina mých článků je o AI. Vlastně poměrně extenzivní znalostní bázi o různých technologiích, vendorech, co vydali, různé koncepty. I třeba jak přistupovat k adopci ve firmách a tak dále. Takže já to pak proženu ještě další dovedností přes tu znalostní bázi, která mi k tomu dotáhne různá fakta, statistiky, data, čísla, abych taky nemusel dohledávat sám. A takhle surové vstupy, ten návrh, co chci říct, plus ta podkladová data jdou vlastně do té dovednosti, která mi napíše ten samotný článek. A můj tón komunikace, takže můj styl a všechny ty věci a ta fakta.

Víceméně vždycky to poměrně hezky zkombinuje. U těchto thought leadership věcí si musím dát tu práci. Typicky je tam víc obsahu, než chci. Což je pro mě osobně příjemnější. A že historicky, když jsem třeba používal standardní chaty a diskutovali jsme to dříve, tak spíš tam bylo méně věcí v tom návrhu. A ono je horší to tam doplňovat, protože to typicky mění plynulost třeba celého článku. A je mnohem jednodušší odmazat dvě věty, které jsou tam navíc, než násilím tam něco dodělat, protože se pak musí přepsat třeba x věcí někde jinde. A to mi neuvěřitelně šetří čas, úplně neuvěřitelně. Já bych v životě nebyl schopen psát články, reálně.

A diktuješ to přímo do Claudea, nebo přes nějaký Whisper, nebo něco takového, nebo nějaký diktafon? Já diktuji přímo do Claudea. Což je teda taky novinka, to tam ještě před měsícem nebylo. Ale bohužel to funguje jen v angličtině, jestli to chápu správně. Já byl, protože používám takový nástroj, který funguje v celém systému, jenom si podržím funkční tlačítko a vlastně je to neplacená varianta Whisperu, že můžu kdykoliv diktovat. A nebo mám Claudea a nadiktuji do záznamníku, nahraji to do NotebookLM, ale tam přesně dělám takové ty věci, o kterých jsi mluvil, že si to nechám třeba zkritizovat, víš, vytvoří se různé persony, které se na to podívají z různých úhlů pohledu a člověk tím často fakt zjistí, že je do toho zbytečně ponořený nějak ze svého úhlu pohledu a přijde na zajímavé věci. To je určitě super, to vždycky lidem radím, ať to dělají.

A zároveň, proto jsem se ptal na ty dovednosti, které jsou nad tím prvotním přepisem, protože když se podíváš, jak ti NotebookLM přepíše audio, tak občas je to dost děsivé, špatné a on se stejně v tom nějak zorientuje, takže mi bylo jasné, musíš mít něco, co ti tu korekturu vstupu udělá. No, vtipu, že transkripty, to si myslím, že je obecně problém, protože je to neřešitelný problém pro firmy. To je, to, já si nedokážu představit, jaký, protože s tím by měl problém i člověk, kolikrát pochopit a zorientovat se, kdo co říká, co tím vlastně chce říct. Primární důvod je, že AI nemá kontext, o čem ta diskuze typicky je, když ten transkript vzniká, je to prostě záznam a nikdo na začátku toho meetingu neřekne: „No, tak dneska se bavíme o tom projektu, cílem toho projektu je tohle, tohle, tohle, jsou takové milníky.“ To všichni tak nějak vědí a už řeší konkrétní věci. A jak pak může AI rozumět, o čem se ti lidé baví? No, nemůže. A podle toho pak typicky vypadá ten transkript.

Jasný, to určitě taky je, s transkripty je to trošku věčný problém. Tak. Co tu máme dál. Tohle jsme si v podstatě řekli. Zautomatizujeme denní monitoring konkurence ze zveřejněných zdrojů. No, můžeme klidně.

Ještě bych se zastavil u nějakých hloubkových rešerší a třeba nějakého pravidelného monitoringu dat, který ti může Claude nebo nějací už třeba ti AI asistenti dělat, tak to používáš na něco, abys měl takový výstup a přehled v nějakých tématech? Já mám vlastně takovou týdenní, řekněme, konkurenční rešerši. To si nemyslím, že jsem to dělal v době, kdy jsem začínal s komunitami a chtěl jsem si udělat trošičku přehled o tom, co se děje a co se neděje. Teď už ten třeba tak nějak mám a už mě to tak netrápí, takže jsem to přestal dělat. Ale třeba máme hloubkovou rešerši třeba ve firmě na zákazníky. Za mě to je úplně fantastický případ použití. Jak si pravidelně zjišťovat, co se děje u zákazníků. Jestli

Pokud se mi něco děje, nějaké personální změny, organizační změny, vydali nový produkt nebo něco. To je nerealné dělat manuálně. A Deep Research je skvělý na to, že za pár korun člověk dostane v podstatě up-to-date informace.

A zvlášť Deep Research, já nevím, jak moc lidé, zase nevím, jestli vůbec vědí, že někde v menu se dá vybrat Deep Research. Doufejme, že ano. Naši posluchači by mohli. Tak ta výhoda je, typicky spousta lidí říká: research a kvalita a halucinace. Tak specificky Deep Research je trénovaný na to, aby držel kvalitu a měl faktické odkazy.

Až do té míry, že má v podstatě definovanou strukturu, jak má citovat zdroje, a až do té míry, že když Deep Research model člověk používá ne přímo v tom uživatelském rozhraní, ale volá ho přes API a říká mu, v jakém jiném formátu ta data chce, tak stejně chybuje a stále se vrací k tomu předefinovanému natrénovanému formátu, protože to má tak natrénováno. Takže je těžké to v něm zlomit.

Takže je skvělý fakticky, já si nevybavil v testování, že by se mi stalo, a neříkám, že se to nemůže stát, ale nepamatuju si, že bychom měli třeba falešný odkaz na něco, co nefungovalo. Prostě se to nestalo. A to neříkám, že se to nemůže stát. Dříve to bylo úplně běžné. Dříve to bylo běžné, ale za mě to teď funguje skvěle.

To je jedna věc, ale za mě pořád je hlavní benefit, že toto bychom nikdy nebyli schopni dělat rukama. Každý měsíc nebo dva by si tamhle deset lidí v obchodním týmu vzalo několik dnů práce, že by si udělali update přes všechny klienty, které máme. To je prostě nereálné. To se nikdy nestane. A pak jenom řešíš to, jestli za to, že občas tam třeba něco nemůže být přesně, jestli vlastně ta cena nebo ta hodnota, kterou za to máš, že to v 95 % je správně, je vlastně, to je úplně skvělé ve finále.

Já to mám stejné s tou mojí knowledge base. Je mi jasné, že když mi to kompletně manageuje Claude, já už nevím, co v té knowledge base všechno mám. Dělá mi to Claude. Já jsem to předtím dělal ručně. Vím, že se to nedalo škálovat, že jsem se dostal do stavu, kdy to není možné reálně dělat. Teď mi to dělá Claude, je mi jasné, že tam něco není správně, ale stejně to má za mě fantastickou hodnotu. Tak stejně má i ten klientský research. My bychom to nikdy neměli, takhle to máme, možná tam jsou 2–3 % nepřesných informací. No a co?

A běží ti to teda v nějakém, to by asi v Cloud Code, ale může to asi být i ten Covework, kde ten Deep Research je nastavený na spuštění jednou za týden a on se takto provede. Ano, přesně tak. Je to nějaký načasovaný task, není to nějaký agent, který běží někde na serveru. V Coveworku to může být, tam jsou ty opakované tasky a jenom zase připomínám, aby to běželo v Coveworku, musí běžet počítač a když neběží počítač, tak se to nepustí.

Tak jsme řešili teď před vysíláním, před natáčením, že tady jsou nějaké změny, že Claude to posouvá teď do cloudu, ten Covework zaintegroval to, dříve to tam bylo jako samostatná záložka, teď už je to přímo vedle toho chatu, takže jsou tam nějaké změny, už asi taky se snaží, aby právě to nemuselo být na spuštěném počítači a odehrálo se to někde cloudově, ale uvidíme, jak to bude vyrolováno. Novinka teď asi poslední týden, tak já jsem si to bohužel ještě neměl prostor, takže nedokážu komentovat, ale minimálně u těch opakovaných tasků by ta cloudová varianta byla úplně excelentní. A to se dokážu představit, že pak všechny ty problémy s tím, že člověk zavře omylem laptop a ráno přijde a zjistí, že mu to neseběhlo, on to vždycky každý může pustit ručně, to není problém, jenom na to musí taky člověk myslet.

Já třeba v Cloud Code mám nastavené takovéhle nějaké opakované věci, které mi berou data z různých našich sociálních sítí, kanálů z YouTube, ze Spotify a tak. A protože většinou ty služby nemají API a jednoduše nejde z nich vytahovat ty věci, tak si to normálně otvírá v Chromu přes cloud, který umí ovládat Chrome a sám si to najde na těch stránkách, vyscrinshotuje si to a zapíše si to do nějakého našeho dashboardu, kde pak ta čísla vidím. Taky je to věc, která by mě zabrala každý den hodinu nějakého klikání a prolézání všech těch platforem, protože to není někde centralizované, třeba ta data kolem toho podcastu jsou fakt strašně roztříštěná, protože tady to nahráváš jako audio, tady to nahráváš jako video, na Spotify to musíš nahrát jinak. A takhle za mě to ta automatizace udělá všechno sama, akorát si musím vzpomenout a musím ji občas pustit sám, protože třeba zaklapnu počítač na noc. Když to už moc nedělám teda.

Já bych právě jenom zdůraznil to, co teď říkáš, a to je, toto historicky nebylo možné dělat. Jasně. A lidé ani ta data neměli. Teď to možné je, akorát se lidé musí dostat k tomu, aby si to nakonfigurovali a rozjeli. A to se vracíme zpět k tomu, kde začít a že lidé nevědí, kde začít, jak by to měli udělat. A tím pádem je nemohli použít při rozhodování. Velmi často se stává, že ti lidé vlastně ani nevědí, proč by ta data potřebovali, protože teď je nemají, žijí bez nich a ani nevědí, jak je efektivně využívat. Nevědí, kam by to mohlo posunout. To je ono.

Hele, a když ty máš teda tak sofistikovaně to nastavené v rámci projektu, v rámci adresářů, v rámci nějakých skillů, které ti v tom běží, tak jak moc často se ti stane, že proběhne nějaká aktualizace, vydají nový model, vydají nové rozhraní a někde něco přestane fungovat nebo někde se něco sype? Stává se to? Přemýšlím, jestli se mi to někdy stalo. Určitě se mi stalo, zrovna shodou okolností to bylo minulý týden. Nevím, co vydal Anthropic nějakou novou verzi, ale vím, že zase to není Covework, je to Cloud Code, tak omlouvám to posluchačům, ale Cloud Code, typicky, když ho člověk o něco poprosil. A bylo to správně, ale překvapilo mě to. A říkám, co je? Kdybych se bavil hypoteticky o nějakém scénáři, tak bych asi byl nepříjemně překvapen. Takže stát se to může, ale upřímně toto byla nepříjemná jedna věc teď minulý týden. Ještě se musím podívat, jestli to něco není na mé straně. Ale jinak si nepamatuju, že by mi nějaký skill přestal fungovat, nebo něco mi přestalo fungovat tím, že přišla nová verze. To se fakt nestalo.

Mám takové ty, jak oni říkají bleeding edge use casey, které jdou na hranu. Mám prostě takové, já nechci, normální prostě. Nic moc složitého, spíš je to, že mi to šetří tu práci. Ale když někdo šlape a fakt těží na poslední token a úplně ty extrémní use casey, tak možná narazí, že se ten model začne chovat trošičku jinak a najednou mu to nefunguje tak, jak si myslel. Ale upřímně na to já jsem zatím nenarazil.

Jak moc velké pravomoce vlastně jsi mu ochoten dát? Takže já třeba mám data v počítači, protože já třeba tam mám udělaný skill, který mi čistí hard disk, což pro spoustu lidí je no go, ale prostě takové ty cache různé a tak mi to krásně najde a vždycky, když už mi to pak najde, že mám pět giga místa na disku a spustím Photoshop, tak řeknu Coveworku a on promaže cache, samozřejmě se nezeptá co kde, jak, jestli může smazat nebo nemůže smazat, tak teď si mě trošku znejistil, že bych u toho počítače měl dosedět a dívat se, jestli po 60 sekundách nebudu mít ten disk až moc prázdný, ale kde je ta u tebe hranice prostě, co bys mu povolil?

Já upřímně pracuji v režimu plan-execute. Upřímně nevím, jestli je to ještě teď potřeba, možná bych dal teď tu moji zkušenost z minulého týdne stranou, protože čerstvé to bylo. Jasně. A to je, já vždycky, to bylo historicky, vždycky chci vědět, jak nad tím Claude přemýšlí, než ho nechám cokoliv exekvovat. Přišlo mi z mé vlastní zkušenosti lepší nechat ho vypsat si vlastně ten plán, co fakt udělá krok za krokem, abych ho přinutil si to zformulovat, než abych ho on the fly nechal pracovat tak, jak pracuje. Byla to moje zkušenost, že to tak je spolehlivější. Takže to je stále, to je víceméně pořád můj režim. Já kdykoliv něco chci, tak přijdu, dám plánovací režim, nechám ho,

Řeknu mu, co chci, nechť mu nejdříve řeknu: udělej plán. Kolikrát ho ani nečtu, jenom ho přinutím, aby ten plán udělal, a pak mu řeknu: tak a teď exekvuji. Samozřejmě u těch složitějších věcí si to projdu a podívám se, jestli souhlasím s tím, co udělal, nebo co chce udělat. Takže cokoliv je naplánované. Já cokoliv naplánuji a pak, jakmile už mu dám execute, tak teď jo, teď tam mají tu novou variantu auto-execute.

Dříve se ptal pořád, takže víceméně po několika dnech takové práce člověk... dříve tam bylo auto, nebo ignore, dangerous, já už nevím, jak se to jmenovalo. Takže člověk to mohl vypnout a Claude fungoval kompletně nezávisle. Můžeš stále dát bypass všeho. Akorát teď tam mají ten auto-accept, což je takové, že oni tam mají nějaký klasifikátor, který vyhodnotí, co jsou to za úkoly, které Claude chce exekvovat. A když je to málo rizikové, tak ho to prostě nechá, ale občas se stane, že se tě na něco zeptá. Auto-accept, to je vlastně předposlední varianta té svobody a poslední je, že dáš bypass. Jo, přesně tak. Tak, protože tam jsou různé modely, tak pochopí, že jsou firmy, které tady tu bezpečnostní složku berou trošku vážně a snaží se na tom taky něco zapracovat.

V Anthropicu teď bylo trošku pozdvižení s tím Fable 5 a podobnými věcmi. Chvíli nám to fungovalo, chvíli nám to nefungovalo, teď nám to zase funguje a podle některých benchmarků nám to nefunguje tak dobře, jak to fungovalo předtím, protože tam různé věci zakázali. Zároveň významný Sonnet. Jak ty s tím pracuješ nebo nepracuješ? Tady s tím přepínáním různých modelů na různé funkce, nebo jedeš všechno třeba v Opusu a nic jiného tě nezajímá?

Což možná spousta lidí neví, že Claude, podle mě i Cohere, i kód mohou vytvářet nezávislé agenty, které dostanou nějaký konkrétní úkol. Typicky to Claude dělá tak, že tomu agentovi dá nižší model, protože nepotřebuje ten nejlepší. Že vlastně u Opusu není pro běžné uživatele absolutně žádný důvod vybírat něco jiného, nějaký jiný model než Opus.

Fakt reálně není žádný důvod. Tak důvod jsou peníze, ne? No jo, za předpokladu, že běžný uživatel spálí ten budget, který má, ale já si nedokážu představit, co by lidi dělali. No hele, když jsem, než jsem přešel na Maxplan a měl jsem dvacetidolarové Pro, tak jak jsme se bavili o tom deep researchi, tak tam necháš udělat dva deep researche, trošku se o tom pobavíš a dvacetidolarový plán je pryč. Ok, fair, pokud dělám deep research, tak jo, ale za běžné otázky, mám otázku a tak, to nemá... pokud má samozřejmě, mám tady PowerPoint a chci vygenerovat novou verzi nebo něco, tak to sežere všechny tokeny. Ale za normálních podmínek nemá absolutně žádný smysl něco měnit a dávat tam Sonnet.

Takhle, takže bys chtěl vyšší rychlost, ale myslím si, že tam asi úplně uživatel nepozná, ne? Já nevím, je to ten důvod, je to tam. Já naopak, když historicky, kdyby se objevil, bavíme se o Fable, což by měl být silnější model než poslední verze Opusu. Spíš to mám tak, že když vím, že mám potřebu fakt se nad něčím zamyslet a chci to nejlepší, co může být, tak bych zapnul ten extrasilný model na něco konkrétního. Nevím, řeším nějakou složitou architektonickou věc, nebo mám nějaký nápad a potřebuji to fakt dobře promyslet. Ok, tak to zapnu, to vím, že mi sežere mnohem více tokenů, taky to poběží mnohem déle, než když by to bylo normální. A pak se zase vrátím zpátky k tomu normálnímu the best. Takže já nad tím nepřemýšlím, normálně uživatelsky.

Naopak, když vyvíjím, což já mám nějaký miniprojektík a něco si zkouším, tak tam nad tím člověk přemýšlí poměrně intenzivně. Nicméně pořád to není tak, že já bych úmyslně použil Sonnet. Spíš to nechávám na Opusu, abych, když mi organizuje, orchestruje tu práci, tak možná těm agentům dá menší model. Ty menší modely reálně pak má smysl používat až v aplikacích. Jakože máme nějakou business aplikaci, která má nějakou AI logiku, tak tam pak řeším každý cent, protože když mi to někde bude volat tisíckrát, tak ten rozdíl je zásadní. Nebo v nějakých těch agentních systémech. Tak tam to dává smysl, protože reálně řeším peníze.

U toho subscription... A i když řešíš peníze, tak to jde tak daleko, že zapneš Haiku? Haiku jsem ještě já nikdy. Já nejhůře, co jsem vždycky, nebo nejhůře... Vždycky jsem šel na Sonnet. Nebo jsem používal nějaký úplně... Haiku je trošku... Opravdu jednoduchý model. Ale zase, pokud to může být úplně jednoduché, je třeba nějaký jednoduchý klasifikátor intentu nějakého textu. Nepotřebuje právě obří tokeny drahého modelu. A to je ono. Jednoduchou věc ti zvládne nějaká i lama, která prostě ti běží lokálně. Přesně. Ale zase, když bych to dělal v chatu v UI, tak nebudu nikde klikáním vybírat kvůli tomu menšímu modelu. Prostě na to spálím tokeny Opusu. Jak říkáš?

A to úplně stejně. Používal jsem vlastně Sonnet akorát z důvodu toho, že jsem něco programoval a jel jsem na menší předplatné nebo už mi docházel kredit. Takže jsem jel přes Sonnet, až když narazil na nějakou věc, kterou nedokázal vyřešit, tak jsem přepnul na Opus, tento opravil nebo rozchodil a zase pokračoval na Sonnetu. Ale jinak za mě teda teď nejlepší poměr cena/výkon je ten Opus, který je skvělý a se spoustou věcí si poradí.

Já jenom poslední komentář z mé strany, že Fable, já nevím kolik, dva, tři týdny, tak ten já typicky třeba používám na architektonickou práci, ve smyslu software, softwarová architektura. Chci, aby se mi třeba podíval na codebase a zanalyzoval a navrhl mi nějaký architektonický třeba refactoring nebo něco. Tak na to použiju Fable a pak se přepnu a vytvořím plán, co jsou kroky, které se musí udělat, a pak se přepnu do Opusu a nechám to dělat Opus. Takže tohle jsem udělal, tohle jsem udělal, tohle jsem neudělal, tohle ještě čeká.

Takhle jsem se chtěl zastavit u takové věci, kterou jsi taky zmiňoval v rámci toho CoWork workshopu, a to je sycophancy, kdy člověk tak vlastně návodně se zeptá toho modelu a ten je tak poslušný a chce ti tak ve všem vyhovět, že ti zároveň odpoví prostě už tak jinak. Jak se tomu vyhnout?

Dříve jsme stále řešili nějaké halucinace, které už plus minus jsme schopni z té umělé inteligence se jim vyhnout, ale teď nás čekají další nástrahy prostě toho, že to pak nefunguje tak, jak bychom si představovali. A to, aby vyhovělo a snažilo se pomoct uživateli. Musíš odpovědět. Musíš nějak odpovědět a musíš mu být nápomocen. Takže odtud vytrvalé, takže on dokáže naprosto stejně vehementně bránit jednu pozici a pak se přepne a úplně stejně vehementně se vší silou brání úplně přesně opačnou pozici se stejně dobrými a silnými argumenty. A to je základ toho problému.

Takže za mě jediný způsob, jak se tomu dá vyhnout, je, že člověk neřekne třeba svůj názor předem, když se ho něco ptá. Neřeknu mu: toto je moje myšlenka a myslím si, že to je skvělé. Řekni mi na to svůj názor. To už smrdí tím, že se ti bude snažit vyhovět a více ti vyjít vstříc. Já jsem i na tom školení ukázal právě krásný příklad kolegy, který vyloženě do toho promptu napsal. Řešíme tady nějaký komerční problém. A tady máme skvělý nápad, jak to vyřešit a potřebujeme si potvrdit, že je to možné.

Jasně. Zadání zní skvěle, tak já vám to potvrdím, že to je fantastický nápad. Určitě neřekne: to je špatně, dělej to jinak, že? Myslím si, že Anthropic jde cestou, že se snaží, aby to Claude dělal. Ale když bych takhle formuloval otázku, tak bych absolutně vůbec nevěřil tomu, co mi Claude odpoví. A to je úplně zbytečné, já jsem mu i říkal: to jste řešil úplně zbytečně, to je ztráta času. Cokoliv, co se v tom chatu potom objeví... A není to žádný nestranný pohled, je to prostě potvrzení toho, co jste po něm chtěli, jak vám to potvrdil. Nebo nějaké úplně až zbytečně konkrétní informace, tak se tak strašně snaží té paměti držet, že to pokazí celý ten výsledek, že prostě já tam dám špatný obsah a už on tou svou knowledge base nepřebije to, co já jsem mu tam dal, protože to bere jako svatý grál, že já jsem mu do té paměti napsal něco a už to neověřuje a nerozporuje, takže na takové věci asi pozor. Já

Řekl jsem to s vtipem. Ale já reálně to řeším při každém složitějším dotazu, když po Claudeovi nebo i ChatGPT něco chci. Ale reálně, teď si nedělám srandu. Já se vždycky zamýšlím, jestli tak, jak se teď ptám, nemám v podstatě pro něj návodnou otázku, na kterou je jediná správná odpověď, kde mi to potvrdí. Fakt to řeším. A podle mě jinak není možné se vyhnout tomu, aby člověk neměl víceméně jenom potvrzení toho, co chce slyšet.

Já si myslím, že jak říkáš, je potřeba nedávat tam tu návodnou otázku, že teď jsme přišli na něco skvělého, potvrďme si to, ale spíš řešíme tohleto téma, udělej research, dej mi nějaké nápady, jak k tomu přistupovat a přistupovat k tomu s nějakou otevřenou myslí, než mu tam rovnou napsat to řešení už ve své otázce.

Ano, je to celkově nebezpečné. Člověk, i když si toho je vědom, tak je to strašně složitý příklad a řeší se nějaký koncept, nějaký nápad, nebo třeba design systému. Člověk se baví s nějakým kolegou třeba mimo, dostane nějaký nápad a přijde a řekne, drahý Claude, tady máme ještě nějaký externí pohled na věc. Zkus se podívat na ten koncept, tak jak je to napsané teď a zkus si to nějak sloučit, protože některé věci třeba můžou být validní, ale některé ne. Budu mu věřit, že to je dál nestranně, nebo to vezme tak, že ta nová věc je vlastně autoritativně mu předhozená, že to má zapracovat za každou cenu a on vlastně jenom tomu vyhoví. Fakt to je vlastně poměrně složitá věc, protože když mu to člověk napsal obráceně, tak on by to vzal úplně stejně a řekl by, no jo, to je blbost.

Určitě, určitě. Tohle je zrovna věc, která se asi bude měnit s těmi modely a s nějakým dalším vývojem. Podle mě, já vím, že to záleží, že ta architektura těch modelů je nějaká, že to vlastně vyplývá trošku z toho, jak jsou trénované, ale asi se budou tomu do budoucna bránit, aby to takhle fungovalo. Jedna věc je nějaký sociální rozměr, zvlášť u těch mladších lidí, kteří s těmi chatboty pracují a berou je možná víc vážně než starší generace, tak jsou určitě takové ty nešťastné situace, kdy si někdo i vzal život a tak, tak věřím, že do toho vstoupí vlády, nebo nějaká legislativa, a budou chtít lepší kontrolu.

Ale já si pamatuju, jak to fungovalo právě úplně na začátku. Já si to pamatuju, že ta konverzace byla taková, že člověk nikdy úplně nevěděl, co dostane přesně na konci. Proto vznikl prompt engineering, aby se vědělo, jak to má být zadáno. A pak byla taková doba, minus dva až dva a půl roku, kdy to upadalo, protože ty modely začaly být poměrně chytré a vlastně nezáleželo až tak na tom, co bylo na začátku. A co na konci a dokonce, jestli to bylo smysluplné nebo nesmysluplné, čili kolikrát tam nakopíroval nějaký nesmysl, který někde z transcriptu vytáhl. A to AI stejně pochopilo, co člověk chce.

Ale myslím, že se dostáváme ještě dál a jak se ty modely zlepšují, tak naopak je potřeba si dávat zatraceně dobrý pozor, co jim člověk říká. Protože oni jak jsou chytré, tak si domýšlí víc a víc věcí, které dřív třeba vypadly hned, že to je chyba. Takže já naopak víc přemýšlím teď, co vlastně chci, a proto i tu psychologickou stránku zdůrazňuji, že je fakt dobré na to myslet, jak se člověk ptá, protože ty modely jsou teď chytré a domýšlí si milion věcí, a když jim člověk něco neřekne, i Claude, třeba ChatGPT se neptá nikdy. Claude se i v chatu zeptá, kolikrát, že si chce udělat upřesňující otázky. To je super. Jestli to pochopil správně. Ale samozřejmě nemůže se zeptat 30 otázek. Takže vybere 3, 4, ale věřím tomu, že měl dalších 30, na které si nějak interně odpověděl. Takže to je vlastně ještě teď důležitější možná, než to historicky dřív bylo. A taky proto, že ty modely toho teď umí mnohem víc. Takže když je něco špatně a pochopí špatně, tak může dělat škodu. Když to historicky ti maximálně dal špatnou odpověď. Špatnou odpověď. Jasné. To je ono.

A když se bavíme o tom, že on spoustu věcí teď kontroluje a nějakým způsobem se snaží vyhodnotit, co ty po něm chceš. Došel jsi někdy, jak jsi zmiňoval, že mladí tam píšou ledacos. Byly ty případy špatné, kde je to navedlo na neúplně hezké věci. Tak došel jsi někdy do tady toho bodu, že se mi třeba stalo, že jsem to zkoušel, jak rychle to zareaguje. Zareaguje na tyto, řekněme, společensky závadné otázky, takže jsem se ptal na nějaké hazardní hry a podobně. A asi po třetí zprávě už mi tam vyskočilo varování: obraťte se na tu a tu linku, máte zřejmě problémy s hazardem a tak. Že mě to překvapilo, jak rychle si mě to zaškatulkovalo do něčeho takového. Stalo se ti něco podobného?

To se mi nestalo, ale třeba když jsme řešili customer research ve firmě jako projekt, jsme se bavili na začátku, tak se nám stalo, že třeba když naším klientem byla nějaká vládní organizace v Americe, tak když vlastně ten agent prošel jejich web a požádali jsme pak, myslím, že to bylo ChatGPT, o nějaké shrnutí, co se vlastně v té agentuře stalo na základě toho research, tak to API odmítlo právě na základě nějakých bezpečnostních důvodů, že se snažíme dělat něco proti americké vládě. Říkám, to je absurdní, ty údaje jsme normálně přes ten deep research získali, takže deep research neměl problém, a když jsme pak poprosili API, aby nám to sumarizovalo, tak nám odmítlo.

Ono je tam vidět, jak ty bezpečnostní vrstvy jsou na různých úrovních, na různých nástrojích jinak nastavené, protože s tím mám také podobnou zkušenost, že třeba v Claudeově aplikaci na stejný dotaz mě to zastaví nějaká bezpečnostní vrstva, a když si jdu otevřu kód, tak ta mě nezastaví, protože to teče přes nějakou jinou linku, přes jinou bezpečnostní obranu. Takže člověk občas, když nenarazí na správnou odpověď v aplikaci, tak si najde cestu jinde. Ale já nejsem takový ten průzkumník, který testuje ty limity, já vím, že kolegyně, měli jsme podobnou diskusi, jako máme teď my dva, a já jsem říkal, že se mi to nikdy nestalo osobně, a ona říká, že se jí to stává, že právě zkouší, co může a co ne, a říkám, ty jo, tak nechci riskovat, že mi zablokují API nebo něco.

Když jsme byli u těch mladých a jak s tím pracují, tak co si myslíš ještě o těch juniorních pozicích a konkrétně v tom IT, asi je to dost velký problém, že často seniorní pracovníci si radši rozjedou pár agentů, než by vychovávali nějakého juniorního pracovníka, který jim po pěti letech z firmy uteče a jde dělat někde za jiné peníze nebo pro někoho jiného. Tady se asi shodnu s kamarádem, který za mě to je samozřejmě strašně krátkozraké, protože možná za tři, čtyři roky odejdou stávající seniorní vývojáři a kde pak se naberou ti jiní potenciálně senioři. Takže podle mě to je krátkozraké a podle mě se to změní.

Co já vnímám jako mnohem složitější je, celkově jak se posouvá, jak zvlášť mladší generace s tím AI pracuje a jak spoléhá na ty výstupy, které AI poskytuje. Z hlediska okolností zase minulý týden jsem se bavil s kamarádem, který mi popisoval, že mají juniorního analytika, business analytika, návrháře systému. Tak to už si posteskl, že ten člověk v podstatě v mnoha případech, že je chytrý, to není o tom, že by byl hloupý, naopak je velmi chytrý, ale v mnoha případech se spokojí s tím, co mu ten Claude připraví jako analýzu a návrh, ale že vlastně do detailu nerozumí, když by ho vyzval, proč to tak je a proč ne jinak, tak nedokáže odpovědět, protože to sám nenapsal a vlastně úplně přesně neví, proč to napsal. Když to čteš shora dolů, tam on říká, to je v pořádku, jenom když ho začneš vyzývat, proč tak a proč ne jinak, tak úplně ne

Mé projekty, tak mi zase nevadí až tak kvalita, nebo nějaké bezpečnostní věci. Přepsal jsem si své požadavky, pak jsem je odladil s AI, aby mi doladili nějaké detaily, a pak jsem ho předhodil Fable, ať mi naimplementuje to řešení. Pak si pustím tu aplikaci a ona se nějak chová. Já říkám, ty jo, proč se chová takto? A teď jsem se vrátil k tomu Fable a ptal jsem se ho, proč takto? A on mi teď začal vysvětlovat, že to takto a to byl ten důvod. A já říkám, a já vlastně vůbec, a proč se to tak udělalo? A to je přesně ono. Ono to nějak funguje na základě toho, jak mi navrhl, že by to mělo fungovat. To, co jsem dohlédl, tak jsem akceptoval, ale byla tam spousta jiných věcí, které on nějak rozhodl. A já jsem vůbec nevěděl. A to je vlastně úplně stejný příklad s tím byznys analytikem. Ten model mu to nějak připravil, dávalo to smysl, ale když se ho kolega zeptal, proč a proč by to nemohl dělat jinak, tak on řekl, aha, já vlastně nevím, možná. Nepřemýšlel jsem.

A jak tedy poznáš AI, které funguje a které dává dobré výsledky potom v těch realizovaných projektech, od nějakého AI-slopu, kterého je plný internet? Bavili jsme se tady o tom i s Davidem Spáčelem, například u videí a fotek, kde jsou sociální sítě tím zaplavené. Ale zároveň mám pocit, že co se týká nějakých utilit, dovedností, malých aplikací, že toho je spousta. Nic z toho, nebo ne, nic z toho, to bych zase byl přísný, ale spousta z toho je jen taková nablýskaná bída a vlastně to do detailu není úplně použitelné. Tak jak se v tom vyznat? Já si myslím, že jediné, co pomůže, je mít vlastní zkušenost, jak AI funguje, aspoň do nějaké míry. A to člověku dá možnost, když něco vidí v nějakém YouTube videu, v tutoriálu, si říct, jo, to dává smysl a to může fungovat, anebo rovnou řekne, no to je jasné, ale to je vyloženě ušité na míru, a když bych to použil pro sebe, tak to samozřejmě nikdy fungovat nebude. Já na to nemám lepší odpověď. Díky, já už to samozřejmě poznám, tak nějak pocitově uvnitř. Když vidím video, tak už to ani nepouštím, nebo když něco slyším. Nebo teď jsem někde viděl i statistiku, že nejvíc zaneřáděné sociální sítě, které jsou, tak je to LinkedIn, kde je údajně 60 % svinstva. Teď jsem to četl tento týden. Vždycky si může být téměř jistý, že to někde vygenerovalo kompletně AI. Ale zároveň to je vidět, že ano, na tom LinkedInu. Jasně, to je přesně ono, tam je to téměř jasné. A na druhou stranu, já bych rád řekl jednu věc, a to je, mě třeba neuráží AI obsah. Já odebírám newslettery, které vím, že jsou od začátku do konce AI generované. Takže to je stejně ve finále o té hodnotě a informaci, která v tom newsletteru nebo v tom postu je. Takže to je zajímavé, dobře, tak to má smysl. Problém samozřejmě je, že když už toho člověk vidí příliš mnoho, tak už ani není schopen zaregistrovat, že něco možná tu hodnotu má. Byl schopen ty články vyprodukovat svou nějakou... není přirozeně nadaný tím, aby něco napsal, nebo udělal nějakou hezkou fotku, a to AI v tom pomáhá jen jako pomocný nástroj, takže je to v pořádku. A proč takový obsah zavrhovat, když to má smysl?

Tak co tě v poslední době nebo za poslední třeba tři měsíce v té AI oblasti nejvíc překvapilo? Nějaká taková novinka, jestli jsi řekl, wow, to jsme tu ještě neměli, to je skvělé, že teď máme takovou nějakou novinku. Mám vlastně jednu věc, a to je také trošičku déjà vu, že se vracím k mým studentským létům. A teze mé disertační práce byla víceméně na téma AI a optimalizace AI nebo vyhledávání s pomocí nějaké znalosti o nějaké konkrétní doméně, zjednodušeně řečeno. A my jsme tenkrát na to používali knowledge grafy, ontologie, což je nějaký graf, kde máš zachycené vazby mezi objekty a entitami v nějakém systému nebo v realitě. Tenkrát to bylo extrémně akademická věc a já sám jsem tenkrát moc nevěřil tomu, že i kdybych ten výzkum dodělal, že se to dostane někam reálně prakticky. Bylo to vyloženě akademické, jestli to může fungovat a co všechno by se muselo splnit. A šlo to tak trošku do šuplíku a vlastně ta věc teď má po dvaceti letech úplně brutální návrat a je spousta právě tady těch knowledge grafů, různých knihoven a aplikací. A začne se to strašně rozvíjet. A ten důvod je jednoduchý. Tenkrát byl problém, že vlastně neexistovalo obecné AI, které si přečetlo nějaký text a dokázalo to na ten knowledge graf namapovat. Neexistovalo, nebylo žádné porozumění jazyku na takové úrovni. A teď to jde. Muselo se trénovat nějakou neuronovou síť. A pak nechám agenta, který mi vezme nějaký obsah a vlastně mi to namapuje na to mé chápání světa. Takže za mě to si nemyslím, že je z posledních tří měsíců. On už možná trvá nějakou dobu. Ale já jsem si to teď tak nějak uvědomil poslední tři, čtyři, pět, šest měsíců. Říkám si, aha, teď jsem to řešil vlastně. A teprve po dvaceti letech to má nějaké širší, praktičtější použití. Takže to si myslím, že je úplně super. A myslím, že očekávám, že se to ještě více rozmáhne a rozjede, protože to strašně pak pomáhá právě s kontextovým inženýrstvím. Jednoduchý příklad: máš firmu, která řeší nějaké problémy, máš něco o zákaznících, tak strašně jednoduše v tom knowledge grafu můžeš udržovat všechny zajímavé informace, co se u toho zákazníka děje, s kým se bavil, s kým se nebavil, co se vztahuje k nějaké jiné entitě, kterou ty řešíš ve svém byznysu. To bys normálně nemohl, s těmi knowledge grafy můžeš a pak nad tím můžeš vystavit třeba cloud kódu přes API, strašně krásně vyhledávat a dohledávat si souvislosti. A ty se můžeš ptát na všechny takové zajímavé věci, a když se ten člověk, vymýšlím teď, když se ten člověk bavil s tím a tím obchodníkem, tak ty věci dopadly dobře, když se bavil s tím a tím, tak chápeš, najednou máš ta data, to AI ti to krásně pomůže zpracovat a namapovat a ty si nad tím můžeš dělat analýzy, co bys historicky nemohl a teď můžeš, takže to je úplně skvělé.

Firmy nasazují AI do svých firemních workflow, ale myslím si, že u toho bychom strávili strašně moc času, když to necháme na někdy příště, protože to by taky byl zajímavý bod asi i z tvojí praxe. To by asi bylo nadlouho. Já budu rád, když zase někdy přijdeš a budeme se o tom moci pobavit a i o nějakých novinkách, třeba u toho Cloudu, co se vyvrbí během dalších měsíců. A na závěr jsem ještě chtěl tady zmínit tu vaši komunitu AI that works, které se já rád účastním a chodím na vaše meetupy, tak jestli nás pozveš na něco, co chystáte do budoucna. Ano, super. My už máme dva termíny na září a na listopad. Teď v listopadu je to jedenáctého listopadu, je to středa, budeme součástí. Na můj svátek, tak to je krásné. Brno AI nebo JIC. A to asi organizuje ještě nějaká jiná organizace, tak omlouvám se všem. A tam bude více akcí a my to máme jedenáctého listopadu. A to téma asi budeme směřovat k něčemu jako AI first, AI native firmy, co to znamená. A nějaké příklady, jak taková firma může fungovat, což si myslím, že bude extrémně zajímavé. A v září, to teď přesně nevím datum, bude to patnáctého nebo šestnáctého. A to je středa. Tak to zase bude téma změna mindsetu. Protože, a to by byl asi můj první komentář, když se vrátím k těm firmám. A v čem ty firmy nejvíc tápou, tak ty firmy nejvíc tápou v tom, že vnímají adopci AI jako nějaký IT projekt, změnu technologie. Ale to je reálně v podstatě všechno o změně mindsetu a změně práce. Takže se chceme v září vlastně zaměřit na to, co to znamená změna mindsetu. Jeden přijde mluvit o tom, co to znamená pro firmu jako celek a jak se tím oni procházeli. Jeden bude mít spíš zaměření na jeden tým. Jak se tím procházel tým a s tím se potýkali a s čím ne. A pak tam bude spíš individuální změna, co to znamená pro člověka. Co dělá jinak, než dělá třeba před rokem nebo před dvěma. Takže si myslím, že to

Budou extrémně zajímavé věci. Super, tak to se těším. A uvidíme. Takže tak. To se těším, to se tam určitě uvidíme.

Ještě na závěr, to je úplně takový dotaz, co jsem tady řešil i s Davidem Spáčelem, jestli máš nějaké rady na digitální detox, jak se od těch technologií taky trošku odprostit a co třeba děláš nebo neděláš proto, abys neměl pořád telefon v ruce nebo nějaké AI workflow v hlavě.

To pořád řešíme s manželkou. Ona vždycky mi říká, že si nejvíc odpočine tím, ale to já si neodpočinu, protože když cvičím fyzicky, tak mi hlava pořád funguje a pořád mi přemýšlí nad všemi těmi věcmi, co bych mohl dělat. Ale co funguje mně, je to taky fyzická práce, ale vyžaduje vlastně soustředění. Máme zahradu, a je taková pololesní zahrada, takže já, když potřebuji odrelaxovat, tak jdu a něco dělám v zahradě, stříhám si stromy, keříky, něco dělám. To člověk se musí soustředit, nemůžeš přemýšlet nad normálními věcmi. Je to i fyzicky náročné, takže vlastně pro mě tohle je upřímně nejlepší věc, co můžu dělat.

Jo, to určitě funguje. Já se teď vrátil z filmového festivalu v Karlových Varech a vždycky říkám, že to je strašný restart pro hlavu, protože člověk tam zhlédne 20-30 filmů a to mu úplně přemaže mozek. Že fakt se soustředíš na ta témata v těch filmech a nemyslíš na nic jiného. Takže třeba i takové věci pomáhají se od toho odprostit.

Super, tak já moc děkuji. Ještě mám za úkol pozvat naše posluchače a diváky na festival Černá AI do Ostravy, kde speciálně pro nás máme slevový kód RAW FUTURE. Dám vám to tam ještě do komentářů, abyste si to našli v popisu dílu, jak ho uplatnit a dostanete 20% slevu na tento festival. Takže tam se můžeme potkat i osobně.

Matěj, tobě moc děkuji a doufám, že se tady nevidíme naposledy a zase tady za čas probereme novinky v AI a v tom, jak s nimi pracuješ. Já taky díky za pozvání a určitě příště můžeme probrat třeba právě tu adopci do firem, to bude určitě široké téma. Super, tak já se budu těšit. Bylo to super, díky. Díky, měj se. Taky.

Titulky vytvořil JohnyX.