Jak použít AI debatu, když nevíte, co si o věci myslet

Některé otázky nemají problém s nedostatkem odpovědí. Mají problém s přebytkem jistoty.

Zeptáte se AI: "Co máme udělat?" a dostanete uhlazené doporučení. Vypadá rozumně. Jenže vy jste se nepotřebovali dozvědět hotový závěr. Potřebovali jste pochopit kompromisy (trade-offy) a slepé skvrny.

Právě pro takové situace je AI debata lepší než přímý dotaz na "správnou odpověď".

AI debata není delegace rozhodnutí na modely. Je to outsourcing strukturovaného nesouhlasu, aby váš úsudek měl z čeho vycházet.

Rámec tvrzení

• Co článek tvrdí: Při rozhodování pod nejistotou je strukturovaná AI debata užitečnější než přímý dotaz na doporučení. Klíčové je navrhnout role s odlišnými cíli a metrikami, stanovit pravidla debaty a z výsledku extrahovat vlastní závěr, nikoli hledat konsensus modelů.
• Na čem to stojí: Heuer (1999) o strukturované analýze; Tversky & Kahneman (1981) o rámování rozhodnutí; Du et al. (2023) o multiagentní debatě pro zlepšení faktické správnosti; Dhuliawala et al. (2023) o chain-of-verification. Přístup vychází z adversariálních analytických technik.
• Kde je to zjednodušení: Článek neuvádí empirická data o tom, kdy debata skutečně vede k lepším rozhodnutím oproti jednomu modelu. Kvalita výstupu závisí na návrhu rolí, který je netriviální. Steelman pravidlo je doporučení, jehož dodržení modely nelze garantovat.

Kdy potřebujete debatu, ne odpověď

První filtr je jednoduchý: je otázka faktická, nebo rozhodovací?

Faktické otázky (termín, vzorec, API endpoint) chcete řešit verifikací, ne debatou. Debata je vhodná tam, kde neexistuje jedna jasná odpověď a rozhodujete mezi konfliktními cíli.

Typické příklady:

• najmout člověka vs. investovat do automatizace,
• vstup do partnerství s dodavatelem,
• priorita mezi rychlostí release a kvalitou.

Signály, že debata dává smysl:

• více legitimních perspektiv,
• nejistá priorita kritérií,
• výrazné vedlejší dopady,
• potřeba obhájit rozhodnutí před dalšími lidmi.

V takových případech je lepší získat silné argumenty pro a proti než předčasný kompromis.

Nastavte role, které se liší strukturálně

Nejčastější chyba: role jsou jen kosmetické. "Jeden model pro, druhý proti" často vytvoří dvě podobné odpovědi v jiném tónu.

Lepší je navrhovat role podle cílů, omezení a metrik.

Příklad: zavedení nového AI nástroje do firmy.

Použijte role jako:

• CFO (ROI, cash flow, vendor lock-in),
• Operations (implementace, incidenty, SLA),
• Právník/compliance (data, smlouvy, audit),
• Team lead uživatelů (adopce, onboarding, reálný dopad na práci).

Každá role má jiné "co je úspěch" a jiné "co je nepřijatelné". To vytváří užitečný nesouhlas.

Praktická šablona role:

• Kdo jsi
• Co chráníš (hlavní metrika)
• Čeho se bojíš (failure mode)
• Jaký řešíš horizont

Tahle čtyři pole zlepší debatu víc než dlouhý obecný prompt.

Nastavte pravidla debaty, jinak dostanete paralelní monology

Debata bez pravidel bývá jen kolekce názorů. Užitečná debata potřebuje formát.

1. Steelman před kritikou

Každá role musí nejdřív shrnout nejsilnější argument druhé strany a teprve pak namítat. Snížíte tím zjednodušující karikatury argumentu (strawman odpovědi) a zvýšíte kvalitu napětí.

2. Námitka musí mít podmínku přijatelnosti

Místo "to je risk" vynucujte formát:

• riziko,
• dopad,
• podmínka přijatelnosti.

Například: vendor lock-in je riziko, drahá migrace je dopad, export dat a exit podmínky jsou minimální podmínka.

Z kritiky se tím stává rozhodovací materiál.

3. Neptejte se na konsensus v prvním kole

Když se zeptáte brzy na závěr, modely sklouznou do bezpečného středu. V prvním kole chcete divergenci. Ve druhém mapu konfliktů. Teprve pak syntézu.

U většiny praktických rozhodnutí stačí jedno až dvě kola. Delší debata mívá klesající výnos.

Jak z debaty vytěžit vlastní závěr

Cílem není určit vítěze. Cílem je lépe strukturovat vlastní rozhodnutí.

Místo otázky "Kdo má pravdu?" použijte tento výstup:

1. Rozhodovací kritéria

• Co se ukázalo jako klíčové?
• Které metriky jsme před debatou podcenili?

2. Otevřená rizika

• Co je stále nejasné?
• Co vyžaduje data nebo pilot?

3. Trigger pro změnu rozhodnutí

• Jaký signál z praxe by vedl ke změně?
• Který předpoklad je nejkritičtější?

To je praktičtější než věta typu "AI doporučuje variantu B".

Když role zásadně nesouhlasí, není to selhání. Je to často nejcennější signál: problém má reálné napětí a nelze ho poctivě zploštit na jednu odpověď.

Pak je čas na další vrstvu:

• primární data,
• pilotní experiment,
• člověk se specifickou expertízou.

AI debata má být přípravná vrstva rozhodnutí, ne náhrada odpovědnosti.

Časté chyby, proč AI debata nepomůže

Záměna debaty za fact-checking. Debata neověří datum ani benchmark.

Příliš podobné role. Dva "analytici" často produkují dvě verze téhož.

Předčasný konsensus. Hodnota debaty je v řízené divergenci, ne v rychlé harmonii.

Delegace hodnotového soudu na model. AI umí strukturovat argumenty, ne nést vaše priority.

Mini šablona pro AI debatu

1. Otázka: Jaké rozhodnutí řešíme a v jakém horizontu?
2. Role (2-4): Každá má jiný cíl a failure mode.
3. Kolo 1: Argument + steelman druhé strany.
4. Kolo 2: Námitka + podmínka přijatelnosti + kompromis.
5. Syntéza: Kritéria, otevřená rizika, další krok.

Pokud už v syntéze víte, že potřebujete pilot nebo data, debata splnila účel.

Nástroje jako CrossChat tento proces zrychlují přes role a workflow. Stejnou metodu ale zvládnete i ručně ve více chatech, když udržíte disciplínu rolí, pravidel a syntézy.

Zdroje

• Heuer, R. J. (1999). Psychology of Intelligence Analysis. CIA Center for the Study of Intelligence. https://www.cia.gov/resources/csi/books-and-monographs/psychology-of-intelligence-analysis-2/
• Tversky, A. & Kahneman, D. (1981). The Framing of Decisions and the Psychology of Choice. Science. DOI: 10.1126/science.7455683.
• Du, Y. et al. (2023). Improving Factuality and Reasoning in Language Models through Multiagent Debate. arXiv:2305.14325. DOI: 10.48550/arXiv.2305.14325.
• Dhuliawala, S. et al. (2023). Chain-of-Verification Reduces Hallucination in Large Language Models. arXiv:2309.11495. DOI: 10.48550/arXiv.2309.11495.

Historie úprav

Koncept: Claude Code + Anthropic Sonnet 4.6 Verze 1: Claude Code + Anthropic Sonnet 4.6 Verze 2: Codex + GPT-5.2

Jazyková revize (2026-02-25, Codex + GPT-5): upravena stylistika, zpřesněny formulace a doplněny české ekvivalenty vybraných anglicismů; obsah beze změn. Kvalitativní audit (2026-03-23, Claude Code + Claude Opus 4.6): přidán Rámec tvrzení, ověřeny zdroje, jazyková úprava.