blog.consultee.biz

Firma môže mať mimoriadne hodnotné know-how a napriek tomu ho prakticky nevedieť používať. Predstavme si odborný webinár rozdelený do desiatich videí. K tomu máme: 10 video kapitol vo formáte MP4, jeden pracovný materiál v PDF, niekoľko hodín hovoreného odborného obsahu, praktické príklady, ktoré vo firemnom webe ani dokumentácii nikde inde nie sú. Z pohľadu človeka je to hodnotný obsah. Z pohľadu klasického vyhľadávania však vzniká problém. Ak si niekto spomenie: „V treťom videu sa niekde hovorilo o tejto situácii.“ môže mu zostať jediná možnosť: otvoriť video a hľadať. Pri jednej nahrávke sa to ešte dá zvládnuť. Pri desiatkach webinárov a stovkách hodín videa už nie. Práve tu môže byť veľmi užitočné spracovať video, audio a súvisiace dokumenty do znalostnej vrstvy, nad ktorou dokáže AI vyhľadávať. Používateľ potom nemusí vedieť, v ktorom videu alebo na ktorej strane PDF sa odpoveď nachádza. Môže jednoducho položiť otázku. A kvalitne navrhnutý syst...

Firemný AI agent začne byť skutočne zaujímavý až vtedy, keď nevie iba odpovedať. Musí vedieť pracovať. Napríklad: nájsť zákazníka v CRM, pozrieť objednávku, vyhľadať faktúru, prečítať dokumentáciu, skontrolovať termín v kalendári, pripraviť e-mail, vytvoriť úlohu, alebo zavolať interné API. Práve tu sa však vývoj AI agenta mení z jednoduchého chatbotového projektu na integračný projekt. Model musí mať bezpečný a jednoznačný spôsob, ako získať dostupné nástroje, pochopiť ich parametre a zavolať ich. Jednou z technológií, ktorá tento problém rieši, je Model Context Protocol – MCP . V poslednom období sa MCP stal významnou súčasťou agentového ekosystému. Podporujú ho rôzne AI nástroje a frameworky a používa sa na prepájanie modelov s externými dátami a funkciami. To však neznamená, že každú firemnú integráciu treba okamžite prerobiť na MCP. A už vôbec nie, že pripojenie MCP servera je iba technická otázka typu: „Máme URL servera, pridáme ju agentovi a hotov...

Keď sme na prelome rokov 2025 a 2026 začali intenzívnejšie pracovať s AI nad odbornými dátami, predstava bola pomerne jednoduchá. Ak jazykovému modelu dodáme kvalitné odborné podklady, správne ich spracujeme, uložíme do vyhľadateľnej znalostnej vrstvy a nastavíme prísne pravidlá odpovedania, výsledkom bude AI, ktorá si nebude vymýšľať. Realita je komplikovanejšia. Kvalitné zdroje, RAG, vektorové vyhľadávanie, dobré inštrukcie a systematické testovanie dokážu počet nesprávnych odpovedí výrazne znižovať. Nemôžeme však z toho urobiť absolútny sľub: „Táto AI nikdy nebude halucinovať.“ Takéto tvrdenie by samo osebe nebolo zodpovedné. Presnejšie je povedať: „Systém navrhujeme tak, aby minimalizoval priestor na vymýšľanie, odpovede opieral o overené zdroje a pri nedostatku informácií radšej priznal neistotu.“ A práve to je podľa našich skúseností správny cieľ pri profesionálnych firemných AI riešeniach. Čo vlastne znamená, keď AI „halucinuje“? Pod pojmom halucinácia...