Vícemodelový přístup jako epistémická pojistka: kdy funguje a kdy ne

Diverzifikujete portfolio, abyste nesdíleli jediné riziko. Nekupujete akcie jedné firmy — kupujete index. Vícemodelový AI přístup funguje na stejném principu. Ale jen pokud modely skutečně nesou různá rizika, ne stejná jen jinak pojmenovaná.

Argument pro vícemodelové přístupy je přímočarý: jeden model může chybovat, ale je nepravděpodobné, že tři nezávislé modely udělají stejnou chybu. Pokud GPT-4, Claude a Gemini souhlasí, máme vyšší jistotu. Pokud nesouhlasí, máme signál k prověření.

Rámec tvrzení

Co článek tvrdí: Vícemodelový přístup snižuje nesystematické chyby (náhodné halucinace), ale nechrání před systematickými mezerami v trénovacích datech. Konsensus modelů je silný signál jen u ověřitelných faktických otázek s nezávislými zdroji evidence. Neshoda mezi modely je často cennější než shoda.

Na čem to stojí: Condorcetův teorém poroty (1785), portfolio teorie (Markowitz 1952), analogie se systematickým vs. nesystematickým rizikem, Farquhar et al. (2024) o sémantické entropii.

Kde je to zjednodušení: Článek předpokládá, že modely od různých výrobců mají dostatečně nezávislá trénovací data; míra skutečné nezávislosti není empiricky změřena. Analogie s finančním portfoliem je ilustrativní, ne formální.

Tento argument má solidní teoretický základ. Condorcetův teorém poroty. Moudrost davu. Portfolio teorie. Ale také specifické podmínky platnosti. Diverzifikace chrání před nesystematickým rizikem, ne před systematickým. Pokud všechny modely sdílejí stejnou slepou skvrnu — trénink na podobných datech, podobná zkreslení — jejich shoda není důkazem. Je echem.

Condorcetův teorém a jeho předpoklady

Condorcetův teorém poroty pochází z roku 1785. Říká: pokud každý člen poroty má větší než padesátiprocentní šanci rozhodnout správně a rozhodnutí jsou nezávislá, pak s rostoucím počtem členů pravděpodobnost správného většinového rozhodnutí roste ke 100 %.

Aplikace na AI vypadá lákavě. Pokud GPT-4, Claude a Gemini mají každý více než 50% šanci na správnou odpověď a jejich chyby jsou nezávislé, pak jejich konsensus dramaticky zvyšuje spolehlivost. Tři modely jsou lepší než jeden. Pět lepších než tři.

Problém je v předpokladu nezávislosti. Modely jsou trénované na překrývajících se datech. Common Crawl, Wikipedia, arXiv, knihy. Jejich chyby jsou korelované. Pokud informace chybí v trénovacích datech všech tří, všechny tři chybují. Ne nezávisle, ale systematicky.

Condorcetův teorém funguje pro komplementární expertízu. Kardiolog, neurolog a onkolog mají různé specializace a různé slepé skvrny. Jejich shoda na diagnóze je silný signál. Ale tři kopie stejné encyklopedie nejsou tři nezávislé zdroje. Jsou jeden zdroj třikrát.

Otázka není "souhlasí modely?", ale "jsou jejich důvody pro souhlas nezávislé?"

Systematické vs. nesystematické riziko

Portfolio teorie rozlišuje mezi rizikem, které lze diverzifikovat, a rizikem, které diverzifikací nezmizí. Nesystematické riziko je specifické pro jednu akcii — skandál v konkrétní firmě. Systematické riziko zasahuje celý trh — recese, úrokové sazby.

Tato distinkce platí i pro AI modely.

Nesystematické riziko AI zahrnuje náhodné chyby jednotlivých modelů. Halucinace specifické pro konkrétní verzi. Šum při vzorkování. Architektonické idiosynkrazie. Toto riziko vícemodelový přístup skutečně snižuje. Pokud GPT-4 občas halucinuje konkrétní detail, který Claude a Gemini nemají, jejich neshoda odhalí problém.

Systematické riziko AI zahrnuje chyby sdílené všemi modely. Mezery v trénovacích datech — nikdo neměl aktuální informaci. Sdílené biasy — RLHF u všech výrobců odměňuje podobně znějící odpovědi. Fundamentální limity architektury — transformery neumí spolehlivě počítat.

Příklad: dotaz na události z roku 2025 položený modelům s datem ukončení tréninku v roce 2024 (knowledge cutoff). Všechny tři modely budou hádat nebo halucinovat. Jejich shoda neznamená nic, protože sdílejí stejný informační deficit. Diverzifikace neochrání před rizikem, které je systémové.

Diagnostika: pokud modely souhlasí na něčem, co je ověřitelné a co mohly znát nezávisle, shoda je signál. Pokud souhlasí na něčem, co všechny mohly odvodit ze stejných (potenciálně chybných) zdrojů, shoda je echo.

Kdy konsensus chrání a kdy klamne

Hodnota konsensu závisí na typu otázky a na tom, zda modely mají nezávislý přístup k evidenci.

Konsensus jako signál — funguje:

Faktické otázky s ověřitelnou odpovědí v trénovacích datech. "Jaké je hlavní město Austrálie?" Pokud všechny řeknou Canberra, je to silný signál. Tato informace je široce zastoupena v trénovacích datech všech modelů a je jednoznačná.

Logické a matematické úlohy. "Je 17 prvočíslo?" Modely odvozují nezávisle na základě definice. Shoda je validace odvození, ne jen opakování tréninkových dat.

Procedurální znalosti. "Jak nastavit Git remote?" Pokud všechny dají stejný postup, je pravděpodobně správný. Postup je dobře zdokumentovaný v mnoha nezávislých zdrojích.

Konsensus jako iluze — selhává:

Nedávné události po datu ukončení tréninku. Modely sdílejí stejnou neznalost. Jejich shoda na tom, co se stalo v roce 2025, je společné hádání, ne nezávislé ověření.

Okrajová fakta málo zastoupená v trénovacích datech. Pokud informace pochází z jediného zdroje (např. málo citovaného článku), všechny modely mohly interpolovat ze stejné (potenciálně chybné) reference.

Hodnotově zatížené otázky. Shoda na tom, zda je něco "dobré" nebo "špatné", může odrážet RLHF alignment všech výrobců, ne objektivní pravdu. Modely jsou trénovány tak, aby odpovídaly způsobem, který lidé hodnotí jako "helpful" — což může konvergovat.

Komplexní kauzální závěry. "Co způsobilo finanční krizi 2008?" Všechny modely mohou sdílet dominantní narativ z trénovacích dat. Shoda reflektuje konsensus historiků a ekonomů, který modely načetly — ne nezávislou analýzu.

Neshoda jako informace

Neshoda mezi modely je často cennější než shoda. Signalizuje, že otázka má více legitimních perspektiv, nebo že modely mají různý přístup k evidenci.

Neshoda na faktech — signál k ověření. Pokud GPT-4 říká 2019 a Claude říká 2021, alespoň jeden chybuje. Neřešte hlasováním. Třetí model může sdílet chybu jednoho z nich. Ověřte primárním zdrojem.

Neshoda na interpretaci — legitimní diverzita. Pokud modely nesouhlasí na "Je agilní vývoj efektivní?", nesnažte se vybrat jednu odpověď. Téma je kontroverzní. Různé modely aktivovaly různé části trénovacích dat s různými perspektivami. Syntetizujte, nevybírejte.

Neshoda jako stress-test. Pokud model A s rolí optimisty najde silné argumenty a model B s rolí skeptika nenajde silné protiargumenty, asymetrie je informace. Téma pravděpodobně nemá silnou opozici.

Vícemodelový přístup má největší hodnotu ne tehdy, když produkuje konsensus, ale tehdy, když odhaluje, kde konsensus není. A proč.

Jak vážit konsensus

Konsensus není binární. Stupeň shody a typ otázky určují, jakou váhu mu přisoudit.

Pravidlo 1: Vysoká shoda na faktické otázce s ověřitelnou odpovědí. Silný signál. 3/3 modely říkají Canberra — vysoká důvěra. Ale pozor: pokud otázka vyžaduje informace po knowledge cutoff, shoda nic neznamená. Ověřte, zda modely vůbec mohly znát odpověď.

Pravidlo 2: Vysoká shoda na interpretační otázce. Slabší signál. Může reflektovat sdílený bias nebo dominantní narativ v trénovacích datech. Ptejte se: proč by všechny modely měly stejný názor? Je to logické, nebo je to echo? Zvažte, zda existují legitimní alternativní perspektivy, které modely nezachytily.

Pravidlo 3: Nízká shoda — eskalace. Pokud modely nesouhlasí, nesnažte se "hlasovat". Identifikujte oblast neshody. Buď ověřte primárním zdrojem, nebo akceptujte, že otázka nemá jednoznačnou odpověď. Neshoda je informace, ne problém k vyřešení.

Nástroje jako CrossChat kvantifikují stupeň shody jako consensus score (skóre konsensu). 90% shoda na faktické otázce je silný signál. 60% shoda na strategické otázce je signál k prozkoumání divergence, ne k většinovému hlasování.

Závěr

Vícemodelový přístup je epistémická pojistka, ne garance pravdy. Chrání před nesystematickými chybami jednotlivých modelů — náhodnými halucinacemi, šumem při vzorkování a architektonickými idiosynkraziemi. Ale nechrání před systematickými mezerami v trénovacích datech nebo sdílenými zkresleními.

Efektivní diverzifikace vyžaduje tři věci. Nezávislost zdrojů — různí výrobci, různé trénovací směsi, různé alignment procedury. Kalibrovanou interpretaci — rozlišovat faktické otázky od interpretačních, ověřitelné od spekulativních. A ochotu akceptovat neshodu jako informaci — ne jako problém k vyřešení.

Portfolio analogie platí, ale s důležitou výhradou: diverzifikace chrání před rizikem, které není sdílené. Pokud všechny modely sdílejí stejnou slepou skvrnu, ani jejich jednomyslná shoda vás neochrání. Tři kopie stejné encyklopedie jsou stále jedna encyklopedie.

Zdroje

Condorcet, M. de (1785). Essay on the Application of Analysis to the Probability of Majority Decisions.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday. ISBN: 978-0385503860.
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance. DOI: 10.2307/2975974.
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): upravena stylistika, zpřesněna terminologie a odstraněny zbytečné anglicismy; význam argumentu beze změny. Kvalitativní audit (2026-03-23, Claude Code + Claude Opus 4.6): přidán Rámec tvrzení, ověřeny zdroje, jazyková úprava.