AI panel místo intuice: framework pro byznysová rozhodnutí pod nejistotou

Velké rozhodnutí. Neúplné informace. Časový tlak. Poradce by vám dal jeden pohled — svůj. AI panel může simulovat optimistu, skeptika, právníka i zákazníka zároveň. Pokud víte, jak ho sestavit.

Tento framework vychází ze structured analytic techniques (SAT), tedy metod používaných analytiky zpravodajských služeb pro rozhodování pod nejistotou. Adaptovali jsme ho pro byznysový kontext s podporou více AI modelů.

Rámec tvrzení

Co článek tvrdí: Byznysová rozhodnutí pod nejistotou lze zkvalitnit panelem čtyř AI perspektiv (optimista, skeptik, právník, zákazník). Paralelní a nezávislé dotazování různých modelů odhalí slepé skvrny lépe než jeden poradce. Různé modely mají různé tendence, které lze strategicky využít.

Na čem to stojí: Structured Analytic Techniques z prostředí zpravodajských služeb (Heuer, 1999), princip Self-Consistency (Wang et al., 2023) a výzkum detekce halucinací pomocí sémantické entropie (Farquhar et al., 2024).

Kde je to zjednodušení: Tvrzení o tendencích konkrétních modelů (GPT-4 diplomatický, Claude opatrný) jsou zevšeobecnění, která se mohou měnit s každou novou verzí. Framework nepokrývá situace, kdy všechny modely sdílejí stejnou slepou skvrnu. Přiřazení „levnějšího modelu" optimistovi je pragmatické zjednodušení bez empirického podkladu.

Krok 1: Definujte rozhodnutí jako otázku

Kvalita AI odpovědi závisí na kvalitě otázky. Vágní "co si myslíte o tomto projektu?" nevyprodukuje užitečný výstup.

Transformujte rozhodnutí na testovatelnou hypotézu. Ne "měli bychom investovat?", ale "je investice X za podmínek Y přijatelná při předpokladech Z?"

Příklad transformace: "Investovat do rozšíření skladu?" se stane "Je investice 500 tisíc do rozšíření skladu s očekávaným ROI 3 roky přijatelná při růstu tržeb 15 % ročně a alternativních nákladech pronájmu 80 tisíc měsíčně?"

Přidejte kontext, který ovlivňuje rozhodnutí. Časový horizont. Rozpočet. Akceptovatelné riziko. Co je fallback, pokud se plán nezdaří.

Kontrolní seznam před zadáním:

Co přesně rozhoduji? (akce, ne téma)
Jaká jsou omezení (constraints)? (čas, peníze, kapacita)
Co je alternativa, pokud řeknu ne?

Krok 2: Přiřaďte čtyři perspektivy

Každá perspektiva má svou funkci. Optimista hledá příležitosti. Skeptik hledá slepá místa. Právník identifikuje rizika. Zákazník testuje hodnotu.

Optimista odpovídá na otázku: Jaké jsou nejlepší možné výsledky? Co musí fungovat, aby toto byl homerun? Jeho úkolem není být naivní — ale explicitně pojmenovat podmínky úspěchu.

Skeptik odpovídá na otázku: Co může selhat? Které předpoklady jsou nejkřehčí? Skeptik nehledá důvody proč ne — hledá slabiny, které optimista nevidí.

Právník (Risk) odpovídá na otázku: Jaká je právní expozice? Regulatorní omezení? Reputační riziko? Právník neřeší, zda je nápad dobrý — řeší, co se stane, když se něco pokazí.

Zákazník odpovídá na otázku: Proč by zákazník preferoval toto řešení před alternativami? Co ho může odradit? Zákazník testuje product-market fit z vnějšku.

Variace pro interní rozhodnutí: zákazníka lze nahradit „zaměstnancem“ (pro HR rozhodnutí), „konkurencí“ (pro strategická rozhodnutí) nebo „regulátorem“ (pro compliance).

Krok 3: Vyberte modely pro role

Různé modely mají různé tendence. GPT-4 bývá diplomatický a vyvážený. Claude tíhne k opatrnosti a důkladnosti. Gemini přináší širší kontext. Tyto tendence nejsou chyby — jsou to vlastnosti, které lze využít.

Proč nehomogenní panel: pokud všechny čtyři role obsadí stejný model, dostanete čtyři variace téhož pohledu. To není panel — to je jeden hlas čtyřikrát.

Praktické přiřazení rolí:

Skeptik: Silnější model (GPT-4, Claude Opus). Kritická analýza vyžaduje nuance.
Právník: Silnější model. Právní a regulatorní rizika vyžadují přesnost.
Zákazník: Střední model (Gemini Pro, Claude Sonnet). Perspektiva zákazníka je strukturovanější.
Optimista: Může být levnější model (GPT-3.5). Hledání příležitostí je nejjednodušší role.

Nákladová optimalizace: skeptik a právník potřebují kvalitu — investujte do silnějšího modelu. Optimista může být levnější, protože jeho role je méně komplexní.

Krok 4: Proveďte konzultaci paralelně

Sekvenční konzultace — model po modelu — má problém. Pozdější modely mohou být ovlivněny předchozími odpověďmi, pokud je vidí. Paralelní zadání zachovává nezávislost.

Proč na nezávislosti záleží: informační hodnota neshody je vysoká pouze tehdy, když modely odpovídaly nezávisle. Pokud skeptik viděl odpověď optimisty, jeho kritika může být reakcí na specifickou formulaci, ne na samotný plán.

Jak zadat: každý model dostane stejný kontext (investiční memo, strategický plán, návrh projektu). Každý model dostane explicitně zadanou roli.

Příklad promptu pro skeptika: "Jsi kritický analytik. Tvým úkolem je identifikovat slabiny následujícího plánu. Nenavrhuj řešení, pouze pojmenuj rizika a slabé předpoklady. Kontext: [dokument]"

Důležité: nepožadujte „objektivní analýzu“ — požadujte konkrétní perspektivu. Objektivita je abstrakce. Perspektiva je prakticky použitelná.

Krok 5: Syntetizujte protichůdné pohledy

Hodnota panelu není v tom, že čtyři hlasy řeknou totéž. Hodnota je v mapování oblastí shody a neshody.

Identifikace shody: Kde se všechny čtyři role shodují, je signál silný. Pokud optimista, skeptik, právník i zákazník řeknou "timing je špatný" — timing je pravděpodobně špatný.

Identifikace divergence: Kde se skeptik a optimista neshodnou, je třeba další ověření. Neshoda není chyba — je to signál, že problém má více legitimních pohledů.

Rozhodovací matice: Sepište do tabulky perspektivu, stanovisko a zdůvodnění. Vizualizace pomáhá identifikovat vzorce.

| Perspektiva | Stanovisko | Zdůvodnění | |-------------|------------|------------| | Optimista | Ano | Růst trhu, výhoda prvního hráče (first-mover advantage) | | Skeptik | Podmíněně | Cash flow riziko v Q3 | | Právník | Ano s výhradou | Regulatorní změna možná v 2027 | | Zákazník | Ne | Cena převyšuje vnímanou hodnotu |

Váha hlasů: Ne všechny hlasy jsou rovnocenné. Právník má veto na právní riziko — pokud říká „toto je nelegální“, ostatní hlasy jsou irelevantní. Zákazník má veto na product-market fit — pokud říká „toto nekoupím“, optimismus je zbytečný.

Finální rozhodnutí: Člověk rozhoduje na základě syntetizovaného přehledu. AI panel osvětluje — nerozhoduje.

Kde framework selhává

Vágní zadání: "Co si myslíte o projektu?" produkuje generické odpovědi. Specifická otázka produkuje specifickou odpověď.

Homogenní panel: Čtyři instance stejného modelu se stejným promptem produkují čtyři variace téhož pohledu. Diverzita modelů i promptů je klíčová.

Ignorování neshody: Pokud skeptik a optimista nesouhlasí a vy to ignorujete, proč jste se ptali? Neshoda je informace — ne překážka.

Automatické přijímání konsensu: Čtyři modely mohou sdílet tutéž slepou skvrnu. Trénovali na podobných datech, mohou mít podobné mezery. Konsensus je signál — ne důkaz. Více o tomto problému v článku o AI skupinovém myšlení.

Framework shrnutí

| Krok | Co udělat | Výstup | |------|-----------|--------| | 1. Definice | Transformovat rozhodnutí na testovatelnou hypotézu | Jasná otázka s constraints | | 2. Perspektivy | Přiřadit role: optimista, skeptik, právník, zákazník | Matice rolí | | 3. Modely | Vybrat různé modely pro různé role | Přiřazení modelů | | 4. Konzultace | Zadat paralelně se stejným kontextem | Čtyři nezávislé odpovědi | | 5. Syntéza | Identifikovat shodu a neshodu | Rozhodovací matice |

Byznysová rozhodnutí pod nejistotou nevyžadují jistotu. Vyžadují strukturovaný proces, který odhalí slepé skvrny dříve, než se stanou nákladnými chybami. Framework čtyř perspektiv mění AI z „orákula, které radí“ na „panel, který osvětluje“.

Nástroje jako CrossChat umožňují zadat tutéž otázku více modelům paralelně a vizualizovat jejich neshody — takže nemusíte ručně kopírovat kontext mezi okny a porovnávat odpovědi v tabulce.

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/
Wang, X. et al. (2023). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171. DOI: 10.48550/arXiv.2203.11171.
Farquhar, S. et al. (2024). Detecting hallucinations in large language models using semantic entropy. Nature. DOI: 10.1038/s41586-024-07421-0.

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): zpřesněna stylistika a terminologie, opraveny uvozovky a neobratné anglicismy; obsahový rámec zachován. Kvalitativní audit (2026-03-23, Claude Code + Claude Opus 4.6): přidán Rámec tvrzení, ověřeny zdroje, jazyková úprava.