Framework pro AI-asistovaný výzkum: jak nepřijít o kritické perspektivy

Rychlost AI je svůdná. Dokáže zkrátit hodiny rešerše na minuty.

Stejná rychlost ale umí zrychlit i špatný postup. Nejčastější problém není, že by model "nic neuměl". Častější problém je, že jeden model dostane roli sběrače, analytika, kritika i syntetika zároveň. Výsledek pak vypadá hladce, ale chybí mu oponentura.

Pokud chcete AI použít na výzkum nebo rozhodovací podklad, potřebujete metodologii. Ne složitou. Jen dost disciplinovanou, aby oddělila fáze práce.

Níže je čtyřfázový framework, který funguje i bez specializovaného nástroje.

Rámec tvrzení

Co článek tvrdí: AI-asistovaný výzkum vyžaduje oddělení fází: sběr, hloubková analýza, kritická oponentura a syntéza. Sloučení těchto fází do jedné konverzace vede k povrchním a nedostatečně ověřeným výstupům.

Na čem to stojí: Heuer (1999) o strukturované analýze v intelligence; Kahneman, Sibony & Sunstein (2021) o rozhodovacím šumu; Du et al. (2023) o multiagentní debatě; Dhuliawala et al. (2023) o chain-of-verification. Framework vychází z analytických metod intelligence community.

Kde je to zjednodušení: Článek neposkytuje empirické srovnání fázového přístupu s jednofázovým. Počet fází (čtyři, resp. pět) je pragmatická volba, nikoli empiricky odvozený optimální počet. Účinnost závisí na kvalitě promptů a disciplíně uživatele.

Kdy tenhle framework použít

Framework se hodí hlavně tehdy, když:

otázka není čistě faktická,
existuje více legitimních perspektiv,
závěr ovlivní rozhodnutí,
nechcete zaměnit první draft za výzkum.

Naopak je zbytečně těžký pro rychlé otázky typu "vysvětli pojem" nebo "udělej první seznam nápadů". Tam stačí běžný chat.

Fáze 1: Definujte otázku, rozsah a kritéria

Než pustíte AI do práce, ujasněte tři věci.

Co přesně je výzkumná otázka

Špatně: "Zjisti něco o trhu."

Lépe: "Jaké jsou hlavní rizikové faktory při zavedení AI asistenta do zákaznické podpory ve středně velké firmě a které z nich vyžadují pilotní test před rolloutem?"

Přesná otázka snižuje šanci, že AI vyrobí široký, ale nepoužitelný text.

Co je mimo rozsah (scope)

Bez jasných hranic rozsahu (scope) AI ráda rozšiřuje zadání. To je užitečné v exploraci, ne ve výzkumném procesu.

Předem určete geografii, časový horizont, typ organizace a aspekty, které teď neřešíte.

Jak poznáte dobrý výstup

Definujte kritéria dřív, než uvidíte odpovědi:

pokrytí klíčových perspektiv,
jasné předpoklady,
oddělení faktů a hypotéz,
seznam otevřených otázek,
použitelnost pro další rozhodnutí.

Bez tohoto kroku AI snadno dodá text, který se čte dobře, ale těžko hodnotí.

Fáze 2: Široký průchod (breadth pass) - sběr směrů a hypotéz

Cílem první fáze není mít správný závěr. Cílem je neztratit důležité směry.

Zadejte roli typu „research scout“ nebo „mapovač prostoru“. Její úkol:

vypsat perspektivy,
identifikovat proměnné a rizika,
sepsat otázky k ověření,
nedělat finální doporučení.

Pokud v této široké fázi (breadth) požádáte o závěr, model začne předčasně syntetizovat. Tím ztratíte část diverzity, kterou chcete teprve zkoumat.

Zkrácená prompt šablona

"Jsi research scout. Tvůj cíl není závěr, ale mapa tématu. Vypiš hlavní perspektivy, proměnné, typická selhání (failure modes) a otevřené otázky. Odděl tvrzení od hypotéz."

Výstup široké fáze (breadth) má vypadat jako mapa, ne esej.

Fáze 3: Hloubkový průchod (depth pass) - analýza po jednom směru

Nejčastější chyba je vzít mapu z breadth fáze a rovnou požádat AI o "shrnutí všeho". To přeskočí hloubku.

Lepší postup je zpracovat každý perspektivní směr samostatně.

Jedna analýza = jeden směr

Vyberte směr a zadejte hloubkovou analýzu:

jaké má předpoklady,
co je silný argument,
kde je zranitelné místo,
jaká data chybí,
jaké existují alternativní interpretace.

Tím snížíte riziko, že AI smíchá několik témat do povrchního kompromisu.

Co má být výstup hloubkové (depth) fáze

Užitečný výstup obsahuje:

hlavní tvrzení,
podpůrné důvody,
předpoklady,
limity,
otevřené otázky.

Role v této fázi není copywriter. Je to analytik. Strožší forma bývá výhoda.

Fáze 4: Ďáblův advokát (devil's advocate) - kritická oponentura

Bez oponentury dostanete dobře znějící argumentaci. Ne nutně robustní.

Role ďáblova advokáta (devil's advocate) má jinou práci než analytik:

hledat slabiny argumentu,
testovat předpoklady,
ukázat, co by změnilo závěr,
odlišit drobnou námitku od fatálního rizika.

Formát námitky, který funguje

Použijte jednoduchý formát:

Tvrzení (claim): co analytická fáze tvrdí
Vulnerability: kde je slabina
Impact: proč na ní záleží
What would change my mind: jaká data nebo podmínka námitku oslabí

Tím se kritika mění z dojmu na rozhodovací materiál.

Nežádejte po této roli "vyvážené shrnutí". V této fázi chcete ostrou oponenturu, ne kompromis.

Fáze 5: Syntéza (co je robustní, co sporné, co dál)

Teprve po kritice má smysl syntetizovat.

Dobrá syntéza nevyhladí neshodu. Zarámuje ji:

Robustní závěry

Body, které přežily kritiku a mají dost opory pro další krok.

Sporné body

Kde se role neshodly nebo chybí data.

Další akce

Co má následovat:

ověřit konkrétní tvrzení,
spustit pilot,
přizvat doménového experta,
doplnit data.

Takový výstup je praktičtější než jediné finální doporučení, protože ukazuje mapu jistoty i nejistoty.

Nejčastější chyby v AI-asistovaném výzkumu

Jeden model dělá všechno

Na začátku to šetří čas. Na konci to často zvyšuje slepé skvrny.

Příliš brzká syntéza

Jakmile požádáte o shrnutí příliš brzy, AI začne harmonizovat konflikty dřív, než jste je skutečně viděli.

Nejasná kritéria kvality

Bez kritérií se hodnotí hlavně styl a dojem.

Záměna argumentační kvality za faktickou správnost

Silný argument může stát na slabém faktu. Proto vždy držte seznam bodů k ověření.

Žádný log otevřených otázek

Bez seznamu neznámých vzniká falešný pocit uzavřeného tématu.

Rychlý přehled: zkrácený checklist

Definuj otázku, rozsah (scope) a kritéria.
Udělej široký průchod (breadth pass) bez závěru.
Zpracuj hloubkovou (depth) analýzu po jednotlivých směrech.
Přidej oponenturu role ďáblova advokáta (devil's advocate).
Syntetizuj na robustní body, sporné body a další akce.

Závěr

AI-asistovaný výzkum není jedna konverzace. Je to metodologie, která odděluje sběr, analýzu, kritiku a syntézu.

Když tyto fáze smícháte, dostanete rychlý text a slabou oporu pro rozhodnutí. Když je oddělíte, dostanete pomalejší, ale mnohem použitelnější výstup.

CrossChat může tento framework zrychlit přes role a workflow. Stejnou disciplínu ale zvládnete i ručně, pokud si udržíte oddělené fáze a nenecháte AI dělat závěr před kritikou.

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/
Kahneman, D., Sibony, O., Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Little, Brown Spark. ISBN: 978-0316451406.
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: Codex + GPT-5.2 Verze 1: Codex + GPT-5.2

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