AI Univerzita · 90 min videa4 minuty čtení
GEO, lokální agenti a Claude Code: zkušenosti z praxe
Zkopírovat do AI☆ Přečíst později
Firmy přicházejí o kontrolu nad tím, jak je popisují jazykové modely — syntetizovaná odpověď může obsahovat chybné nebo cizí informace a není snadné to zjistit ani napravit. Klíčem není honit konkrétní klíčová slova, ale mít strukturované a pravdivé informační aktivum. Zároveň platí, že agentní nástroje jsou dnes dostupné i mimo technické profese a jejich schopnosti se mění tak rychle, že má smysl vracet se i k nástrojům, které dříve nefungovaly.
- GEO a informační aktivum: Optimalizace pro jazykové modely (GEO) není o technickém nastavení robota nebo sitemapy — to se mění příliš rychle. Jde o to, aby informace o firmě, které existují online, byly správné, konzistentní a přístupné modelům. Michal to přirovnává k finančnímu aktivu: stejně jako máš přehled o každé koruně ve firmě, měl bys mít přehled o každé informaci, která o tobě koluje.
- Konkrétní riziko špatné syntézy: Michal zjistil, že jazykový model přiřadil jeho firmě pricingový software, který vůbec nedělá — model si informaci přebral z jiné firmy na Firmy.cz. Podobně moderátor podcastu zjistil, že AI označila jeho kurz za vedený někým jiným. Tato chyba může přímo ovlivnit zákazníky.
- Jak měřit viditelnost v modelech: Namísto sledování klíčových slov si připrav sadu zhruba šesti až deseti promptů relevantních pro tvůj obor (ideálně vygenerovaných samotným modelem v anonymním okně, aby nebyl výsledek zkreslen tvým obsahem). Testuj je pravidelně, například jednou za 14 dní, v anonymním režimu prohlížeče. Michal provozuje nástroj, který kromě přítomnosti ve výsledcích měří také konzistenci a pravdivost informací.
- Stochastické versus RAG modely: Část modelů odpovídá pouze z naučeného korpusu (stochastické), část si aktivně vyhledává informace za běhu, například Perplexity nebo Chat GPT s webovým vyhledáváním. Strategie pro každý typ se liší, přičemž u modelů trénovaných na starých datech nelze zpětně nic ovlivnit.
- Lokální agenti pro citlivá data: Michal provozuje agenty napojené na lokální modely (na Macu s 64 GB RAM) pro úlohy, kde nechce, aby data opouštěla počítač — například klasifikace spamu, zpracování poptávek do CRM nebo přidělování úkolů. Jako lokální modely používá GPT-4o open source variantu a experimentuje s modelem od českého startupu Bottle Cap (Tomáš Mikolov). Lokální provoz výrazně snižuje náklady — za 30 dní spotřeboval přibližně 700 milionů tokenů.
- Hermes jako praktický agent pro automatizaci: Hermes si pamatuje pracovní postup (tzv. skill) po prvním průchodu úlohou a příště ji provede samostatně podle plánu. Michal takto automatizuje například čtvrtletní výkazy odpadů: agent si sám načte data z tabulky, vypočítá spotřebu, vyplní výkaz a pošle e-mail ke schválení. Hermes dnes lze provozovat i v cloudu bez nutnosti vlastního serveru.
- Claude Code versus Claude Cowork: Michal tráví nejvíce času v Claudovi, kde platí tarif za 200 dolarů měsíčně. Claude Code je původně programátorský nástroj, který ale uživatelé masivně používají na administrativu a marketing — Anthropic proto vydal Claude Cowork jako uživatelsky přívětivou variantu bez zobrazení zdrojového kódu. Praktický rozdíl: v Coworku nelze během konverzace přepnout model, zatímco v Claude Code to možné je.
- Orchestrace modelů podle složitosti úlohy: Michal vědomě rozděluje úlohy — jednoduché věci jako zakládání kontaktů v CRM nechává na lokálním levném modelu, složitější analýzy a kódování přesouvá na Claude Code s Opusem nebo Fable, přičemž Codex od OpenAI nechává hlavně pro agentní běh na pozadí. Přirovnává to ke stavbě domu: pro každou práci existuje správný nástroj.
- Claude Fable 5 a jeho silné stránky: Michal oceňuje Fable 5 hlavně za schopnost udržet nadhled v dlouhých projektech a nepouštět kontext. Konkrétní příklad: pomocí Fable sestavil tabulku 26 služeb firmy s odhadem ziskovosti, konkurenčnosti a maximální ceny za zákazníka — práce, která by jinak zabrala celý pracovní den. Marketingová pracovnice odhadla, že asi 80 procent výstupu bylo přímo použitelných bez úprav.
- Budoucnost: hlasové modely s plnou agentností: Michal předpovídá, že do roka přibyde možnost kombinovat hlasovou komunikaci s paralelním programováním, plánováním a prací s dokumenty v jedné relaci. Dnes hlasový režim funguje pouze na konverzaci — nelze z něj zároveň zadat upomínku, napsat kód nebo uložit skill. Jeho děti (14 a 17 let) přirozeně používají hlasový chat a model pro učení, což potvrzuje směr vývoje.
- Hlavní rada do příštího roku: Nezamykat se do jednoho nástroje a vracet se k těm, které dříve nevyhovovaly — za měsíc mohou být výrazně lepší. Michal přidal, že budoucí pracovní trh se bude lámat nejen na tom, kdo AI ovládá, ale kdo je schopen nést zodpovědnost za její výstupy — a tuto schopnost žádný model nedodá.
pro tebe
Sekce o agentní automatizaci rutinní administrativy pomocí Hermesu a Claude Code přímo odpovídá Honzovu zájmu o produktivitu — konkrétní postup od zadání úlohy po automatické doručení výsledku mailem je okamžitě aplikovatelný bez programátorského zázemí.
verdikt
Shrnutí ti pro orientaci stačí, ale pokud tě zajímá část o CRM workflow a orchestraci modelů podle složitosti úlohy, Michal ji vysvětluje s konkrétními příklady v druhé polovině rozhovoru — tam je hustota praktických detailů vyšší než co se dá přepsat do textu.
