Jak formulovat otázky, aby různé modely daly různé odpovědi

Položíte stejnou otázku čtyřem modelům a dostanete čtyři verze téhož. GPT-4 řekne A. Claude řekne A trochu jinak. Gemini řekne A s jiným příkladem. Mistral řekne A kratší formou.

Vícemodelový přístup nefunguje, pokud všechny modely dostaly identické rámování otázky. Modely jsou trénovány na překrývajících se datech. Bez záměrné diverzifikace otázky produkují překrývající se odpovědi.

Formulace rozhoduje.

Rámec tvrzení

Co článek tvrdí: Stejná otázka více modelům produkuje překrývající se odpovědi. Perspektivní rámování, přiřazení rolí a kontradiktorní formulace záměrně aktivují různé části znalostí modelů. Diverzifikace má smysl u strategických a hodnotových otázek, nikoli u faktických.

Na čem to stojí: Tversky & Kahneman (1981) o vlivu rámování na rozhodování; Heuer (1999) o strukturované analýze; Wei et al. (2022) o chain-of-thought promptingu. Principy jsou odvozené z kognitivní psychologie a prompt-engineeringu.

Kde je to zjednodušení: Článek předpokládá, že změna formulace spolehlivě aktivuje odlišné znalosti, ale míra efektu závisí na konkrétním modelu a tématu. Nediskutuje se kvantitativní měření kvality diverzity ani srovnání s jinými technikami.

Perspektivní rámování

Stejná otázka z různých perspektiv produkuje různé odpovědi. Ne proto, že modely mění „názor“, ale proto, že aktivují různé části trénovacích dat.

Co je perspektivní rámování: ptát se na totéž z pohledu různých aktérů (stakeholderů), disciplín nebo časových horizontů. Každá perspektiva aktivuje jinou podmnožinu znalostí.

Příklad. Výchozí otázka: „Je práce na dálku (remote work) dobrá?“

Čtyři perspektivní verze:

"Jaké jsou výhody práce na dálku z pohledu zaměstnance?"
"Jaká jsou rizika práce na dálku z pohledu manažera?"
"Jak práce na dálku ovlivňuje firemní kulturu z pohledu HR?"
"Jaké jsou dlouhodobé ekonomické dopady práce na dálku na města?"

Proč to funguje: první otázka aktivuje články o rovnováze mezi prací a osobním životem (work-life balance) a produktivitě. Druhá aktivuje manažerskou literaturu o řízení distribuovaných týmů. Třetí aktivuje HR studie o onboardingu a retenci. Čtvrtá aktivuje urbanistické analýzy a ekonomické modely.

Čtyři modely se stejnou otázkou dají podobné odpovědi. Čtyři modely s perspektivně rozlišenými otázkami dají odpovědi, které se doplňují. Syntetizovat je do komplexnějšího obrazu je pak práce pro člověka — nebo pro další krok s AI.

Explicitní přiřazení rolí

Přiřazení explicitní role mění způsob, jakým model strukturuje odpověď. Role aktivuje odpovídající vzorce argumentace z trénovacích dat.

Co je přiřazení role (role-assignment): v promptu explicitně říct „Jsi X, odpovídej jako X.“ Ne vágně („buď kritický“), ale konkrétně („jsi CFO konzervativní firmy“).

Příklad. Výchozí otázka: „Měli bychom investovat do AI?“

Čtyři role:

"Jsi CTO technologické firmy. Argumentuj pro investici do AI."
"Jsi CFO konzervativní firmy. Identifikuj finanční rizika investice do AI."
"Jsi etik. Jaké jsou etické problémy masivní adopce AI?"
"Jsi konkurent. Jak bys využil, kdyby firma do AI neinvestovala?"

CTO bude mluvit o konkurenční výhodě, automatizaci a inovaci. CFO bude mluvit o ROI, cash flow a skrytých nákladech. Etik bude mluvit o bias, transparentnosti a dopadech na zaměstnanost. Konkurent bude mluvit o příležitostech na trhu.

Důležité: role nesmí být vágní. „Buď kritický“ není role — je to instrukce. „Jsi CFO konzervativní firmy s rozpočtem pod tlakem“ je role. Konkrétnost aktivuje specifické vzorce argumentace.

Kombinace s perspektivním rámováním je silná. Model A dostane roli optimisty a perspektivu zákazníka. Model B dostane roli skeptika a perspektivu regulátora. Výsledky se budou lišit nejen v obsahu, ale i ve struktuře argumentu.

Kontradiktorní formulace

Záměrně formulovat otázku tak, aby jedna verze tlačila na „pro“ a druhá na „proti“. Ne jako manipulace, ale jako zátěžový test argumentů.

Co je kontradiktorní formulace: ptát se na tutéž věc se záměrně opačně rámovanými prompty. Model je citlivý na rámování. Otázka „proč X selhává“ aktivuje jiné argumenty než „proč X funguje“.

Příklad. Téma: efektivita agilního vývoje.

Verze A: "Jaké jsou hlavní výhody agilního vývoje oproti waterfall?"

Verze B: "Proč agilní vývoj často selhává v enterprise prostředí?"

Obě otázky se ptají na totéž téma — ale z opačných stran. Verze A aktivuje success stories, case studies úspěšných transformací, argumenty pro flexibilitu. Verze B aktivuje post-mortem analýzy, kritiky metodologie, strukturální problémy ve velkých organizacích.

Jak interpretovat výsledky: pokud obě verze produkují silné argumenty, téma je skutečně kontroverzní. Obě strany mají legitimní body. Pokud jedna verze produkuje silné argumenty a druhá slabé, první strana je pravděpodobně lépe podložená.

Varování: nepoužívat jako „nachytávací“ techniku. Cíl není potvrdit předem daný závěr. Cíl je získat oba pohledy a pak rozhodnout na základě kvality argumentů.

Kdy diverzitu nechcete

Ne každá otázka profituje z diverzity odpovědí. Faktické otázky s jednou správnou odpovědí by měly konvergovat, ne divergovat.

"Jaký je vzorec pro výpočet plochy kruhu?" Chcete konvergenci. Správná odpověď je πr². Pokud čtyři modely dají čtyři různé vzorce, problém není v nedostatečné diverzifikaci — problém je v tom, že modely chybují.

"Jak vytvořit pull request v GitHubu?" Chcete konzistentní postup. Čtyři různé postupy jsou matoucí, ne obohacující.

Signál: pokud na faktickou otázku dostanete diverzní odpovědi, nezkoušejte diverzifikovat víc. Ověřte primárním zdrojem.

Kdy diverzifikovat:

Strategické otázky: "Měli bychom expandovat na nový trh?"
Hodnototvorné otázky: "Je tento přístup etický?"
Predikce: "Jak se trh vyvine v příštích pěti letech?"
Otázky zahrnující trade-offs: "Co obětujeme, když zvolíme X?"

Na tyto otázky neexistuje jedna správná odpověď. Diverzita perspektiv je výhoda, ne chyba.

Checklist formulace

| Typ otázky | Technika | Příklad transformace | |------------|----------|---------------------| | Strategická | Perspektivní rámování | "Je X dobrý?" → "Jaké jsou výhody X z pohledu Y?" | | Rozhodovací | Přiřazení role | "Měli bychom X?" → "Jsi CFO. Jaká jsou rizika X?" | | Evaluační | Kontradiktorní | "Funguje X?" → "Proč X selhává?" + "Proč X funguje?" | | Faktická | Žádná (chcete konvergenci) | "Jaký je vzorec?" → "Jaký je vzorec?" |

Vícemodelový přístup přináší hodnotu pouze tehdy, když modely dostávají otázky, které aktivují různé části jejich znalostí. Stejná otázka čtyřem modelům je plýtvání. Perspektivní rámování, přiřazení rolí a kontradiktorní formulace jsou nástroje pro záměrnou diverzifikaci.

Nástroje jako CrossChat umožňují přiřadit různým modelům různé role v rámci jednoho workflow a syntetizovat jejich odpovědi automaticky. Formulace otázky, výběr role a agregace odpovědí v jednom rozhraní.

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.
Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903. DOI: 10.48550/arXiv.2201.11903.

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 omezeny anglicismy; metodický obsah zůstává zachován. Kvalitativní audit (2026-03-23, Claude Code + Claude Opus 4.6): přidán Rámec tvrzení, ověřeny zdroje, jazyková úprava.