Co je LLM a co AI opravdu neumí: jazykový model vysvětlený pro majitele firmy

Současné modely Claude mají podle dokumentace Anthropicu spolehlivé znalosti do června 2026 a GPT-6 Astra od OpenAI do 30. dubna 2026, takže o tom, co se stalo později, vám bez vyhledávání na webu neřeknou nic spolehlivého. Co je LLM? Velký jazykový model (large language model) je program natrénovaný na obrovském množství textu, který předpovídá, jak má text pokračovat. Fakta si sám neověřuje, a proto se umí mýlit se stejnou jistotou, s jakou má pravdu. Pro firmu z toho plyne jednoduché pravidlo: návrh textu nechte AI, čísla, jména a právní věci ověří člověk.

Tento průvodce bez technického žargonu vysvětluje, jak vzniká jazykový model, co znamenají tokeny, kontextové okno a datum znalostí, proč si AI někdy vymýšlí a jak si její odpověď ověřit. Pokud už AI ve firmě nasazujete na konkrétní procesy, navazuje na něj pilíř o tom, co se při AI automatizaci firemních procesů opravdu vyplatí. Pokud vám web postavil AI nástroj, praktické kontroly najdete v článku vibe-coded web: checklist první pomoci a nezávislý pohled na kód nabízí technický audit webu.

Co je LLM a jak vzniká: od předpovědi slova k asistentovi

LLM je model natrénovaný na velkém množství textu, který se nejprve naučí předpovídat další slovo a teprve potom ho doladí na asistenta, který odpovídá na otázky.

Anthropic ve svém slovníku pojmů popisuje LLM jako jazykové modely s velkým počtem parametrů, trénované na obrovském množství textových dat. Umějí psát text podobný lidskému, odpovídat na otázky a shrnovat informace. Pro majitele firmy jsou důležité dvě fáze, kterými model projde, protože každá vysvětluje jiný druh chyb.

Předtrénink: model se učí, jak text pokračuje

V první fázi model zpracuje velký korpus textu bez jakýchkoli označení a učí se předpovídat další slovo podle předchozího kontextu. Takto předtrénovaný model podle stejného slovníku sám od sebe dobře neodpovídá na otázky ani neplní pokyny. Umí pokračovat v textu a tím jeho schopnosti v této fázi končí.

Doladění: z textového stroje vznikne asistent

Druhá fáze je doladění (fine-tuning) na dalších datech a metoda RLHF. Při ní lidé seřadí dvě nebo více ukázkových odpovědí a model se učí upřednostňovat ty, které dostaly lepší hodnocení. Teprve potom vznikne asistent, který v chatu odpovídá na otázky. Claude je podle Anthropicu postavený přesně takto: na velkém jazykovém modelu, který byl doladěn a trénován pomocí RLHF.

Praktický důsledek je jeden. Model sám o sobě píše text, který podle naučených vzorů nejlépe pokračuje ve vašem zadání. Pokud od AI potřebujete fakt, dejte jí podklad, ze kterého ho má vzít, a u odpovědi sledujte, zda se na něj odvolává.

Tokeny, kontextové okno a datum znalostí: tři pojmy, které vysvětlí většinu překvapení

Model zpracovává text po tokenech, vidí jen to, co se vejde do kontextového okna, a ví jen to, co bylo v textech před jeho datem znalostí.

Tokeny: jednotka, ve které se měří text i cena

Token je nejmenší jednotka, se kterou model pracuje. Může to být celé slovo, část slova, jeden znak nebo bajt. Podle dokumentace Gemini API od Googlu odpovídá u modelů Gemini jeden token zhruba 4 znakům a 100 tokenů přibližně 60 až 80 anglickým slovům. Anthropic uvádí, že u starších modelů Claude představuje token přibližně 3,5 anglického znaku a modely od Claude 4.7 používají nový tokenizér, který ze stejného textu udělá zhruba o 30 procent více tokenů. Kolik znaků připadá na token, závisí podle Anthropicu na modelu i na jazyce, takže pro češtinu anglické přepočty automaticky neplatí.

Tokeny rozhodují o dvou věcech. Při placení přes API se podle nich počítá cena: Google píše, že cenu volání Gemini API určuje mimo jiné počet vstupních a výstupních tokenů. V tokenech se měří i kapacita modelu, tedy kolik textu najednou zvládne.

Kontextové okno: pracovní paměť modelu

Kontextové okno je veškerý text, který model při tvorbě odpovědi vidí, včetně samotné odpovědi. Anthropic ho v dokumentaci ke kontextovému oknu nazývá pracovní pamětí modelu a odlišuje ho od dat, na kterých se model učil. Současné modely Claude mají okno o velikosti 1 milion tokenů, což je podle Anthropicu zhruba 555 tisíc slov. GPT-6 Astra má podle OpenAI okno 1,05 milionu tokenů.

Velké okno neznamená, že model všechno v něm využije stejně dobře. Podle stejné dokumentace s rostoucím počtem tokenů klesá přesnost a schopnost vybavit si detaily. Anthropic tento jev nazývá context rot. Chatová rozhraní jako claude.ai navíc mohou při dlouhé konverzaci posouvat okno průběžně, takže nejstarší části ustupují novým. Pokyn z úvodu dlouhé konverzace proto model na jejím konci dodržet nemusí.

Datum znalostí: hranice, za kterou model nevidí

Každý model má datum, do kterého jsou jeho znalosti nejúplnější a nejspolehlivější. U modelů Claude Fable 5.1, Opus 5.5, Sonnet 5.5 a Haiku 5.5 je to podle přehledu modelů Anthropicu červen 2026. U GPT-6 Astra je to podle přehledu modelů OpenAI 30. duben 2026. Na novější události, změny zákonů či ceníků odpoví model správně jen tehdy, když mu je někdo dodá: vy vložením podkladu, nebo aplikace vyhledáváním na webu.

Pojem	Co to je	Co s tím uděláte
Token	Slovo, část slova nebo znak, se kterým model počítá; v tokenech se měří kapacita i cena u API	U dlouhých dokumentů a u API počítejte v tokenech, ne ve stranách
Kontextové okno	Veškerý text, který model při odpovědi vidí, včetně odpovědi	Důležitý pokyn zopakujte, na novou úlohu otevřete novou konverzaci
Datum znalostí	Hranice, do které jsou znalosti modelu nejspolehlivější	U aktuálních témat dodejte zdroj nebo zapněte vyhledávání
Teplota a náhodnost	Nastavení pestrosti odpovědí; stejný dotaz může dát jinou odpověď	Důležitou odpověď si nechte vytvořit dvakrát a porovnejte

Když vás odpověď AI zklame, zjistěte nejprve, na který z těchto limitů jste narazili. Na tom závisí oprava: chybějící podklad doplníte, přeplněnou konverzaci začnete znovu a zastaralý údaj ověříte ve zdroji.

Proč AI odpovídá s jistotou i tehdy, když se mýlí

Halucinace je text, který je fakticky nesprávný nebo nesedí s podkladem, a podle Anthropicu se jí nevyhnou ani nejpokročilejší modely.

I ty nejpokročilejší jazykové modely včetně Claude podle návodu Anthropicu na omezení halucinací někdy vytvoří text, který je fakticky nesprávný nebo v rozporu s podkladem, který dostaly. Doporučené techniky je podle stejného návodu výrazně omezí, ale úplně neodstraní. Kritické informace je třeba ověřit vždy, zejména u rozhodnutí s vysokými sázkami.

Příčina zapadá do toho, jak model vzniká. Předtrénovaný model se učil pokračovat v textu a ověřování pravdivosti v tomto tréninku nebylo. Plynulá a sebevědomá věta proto o správnosti odpovědi nic neříká.

Stejná otázka, jiná odpověď

OpenAI v návodu ke generování textu píše, že obsah, který model vytvoří, je nedeterministický a že i různé verze modelů ze stejné rodiny mohou dát různé výsledky. Anthropic dodává, že ani při teplotě nastavené na nulu nejsou výsledky úplně stejné. Teplota je nastavení náhodnosti: vyšší dává pestřejší formulace, nižší drží nejpravděpodobnější znění.

Pro firmu je to podstatné u všeho, co se opakuje. Pokud AI třídí faktury nebo odpovídá zákazníkům, stejný vstup nemusí dát pokaždé stejný výstup. Takový proces potřebuje kontrolu nebo pevné pravidlo mimo model, což rozebírá i článek o automatizacích pro malé firmy v n8n a Make. Bez nich se chyba v jednom z běhů může ukázat až u zákazníka.

Co AI opravdu neumí: pět hranic, se kterými je třeba počítat

Jazykový model neví nic po svém datu znalostí, nevidí vaše firemní data, dokud mu je nedáte, nezaručí stejnou odpověď dvakrát, u dlouhého textu ztrácí přesnost a sám si neověří, zda má pravdu.

1. Neví, co se stalo po datu znalostí. Aktuální ceny, zákony a novinky mu dodejte sami, nebo použijte vyhledávání na webu a zdroj odpovědi otevřete.
2. Nevidí vaše firemní data. Model pracuje s tím, co se naučil při tréninku, a s tím, co je v kontextovém okně. Technika RAG, kterou Anthropic popisuje ve slovníku pojmů, vkládá relevantní dokumenty do okna v okamžiku otázky. Teprve tehdy může odpověď stát na vašich podkladech.
3. Nezaručí stejnou odpověď. Výstup je nedeterministický, proto u opakovaných úloh kontrolujte vzorek výsledků.
4. U dlouhého textu ztrácí přesnost. S rostoucím počtem tokenů klesá přesnost i vybavování detailů. Dlouhý dokument rozdělte na části nebo chtějte od modelu doslovné citace.
5. Neověří se sám. Halucinace techniky omezí, ale neodstraní. Poslední kontrola zůstává na člověku.

Která hranice vás bude pálit, závisí na úloze. Tabulka níže je naše doporučení, ne pravidlo výrobců:

Úloha	Hodí se na LLM?	Co zkontroluje člověk
První návrh e-mailu nebo příspěvku	Ano	Tón, jména a každý slib vůči zákazníkovi
Shrnutí dokumentu, který jste vložili	Ano, s citacemi	Zda citace v dokumentu opravdu jsou
Aktuální ceny, zákony a termíny	Jen s vyhledáváním nebo vaším podkladem	Zdroj a datum, ke kterému platí
Opakované třídění poptávek nebo faktur	Ano, s pravidelnou kontrolou	Náhodný vzorek výstupů
Právní nebo daňové rozhodnutí	Jen na přípravu otázek	Odborník, který za odpověď ručí

Jak si odpověď AI ověřit: postup v pěti krocích

Dovolte modelu říct „nevím“, omezte ho na váš podklad, u dlouhého dokumentu chtějte nejprve doslovné citace, každé tvrzení nechte podložit a důležitou odpověď vytvořte dvakrát.

Všech pět kroků vychází z návodu Anthropicu na omezení halucinací a zvládne je i člověk, který tématu nerozumí:

1. Dovolte mu říct „nevím“. Podle Anthropicu výslovné svolení přiznat nejistotu může výrazně snížit množství nepravdivých informací. Do zadání napište: „Pokud to v podkladu není, napiš, že to nevíš.“
2. Omezte ho na váš podklad. Napište, aby použil jen informace z vložených dokumentů, a ne své obecné znalosti.
3. U dlouhého dokumentu chtějte nejprve citace. U dokumentů nad 20 tisíc tokenů Anthropic doporučuje, aby model nejprve vytáhl doslovné citace a teprve potom dělal samotnou úlohu.
4. Ke každému tvrzení chtějte zdroj. Model má ke každému tvrzení najít podpůrnou citaci a tvrzení bez ní stáhnout. Alespoň jednu citaci si pak sami vyhledejte v původním dokumentu.
5. Důležitou odpověď vytvořte dvakrát. Pokud se dvě odpovědi na stejný dotaz liší v podstatné věci, je to podle Anthropicu signál možné halucinace.

Ani tento postup halucinace úplně neodstraní. Čísla, jména, termíny a vše, co půjde zákazníkovi, úřadu nebo do smlouvy, si proto před odesláním přečte člověk, který za výsledek odpovídá.

V praxi: jak s jazykovými modely pracujeme ve firmě Denva

Na tomto blogu píše první návrh AI a každé číslo v článku musí mít zdroj, který jsme v den psaní otevřeli.

I tento článek vznikl s pomocí AI, což stránka pod ním uvádí. Pravidla jsou stejná, jaká doporučujeme vám: každé číslo, datum a název produktu má odkaz na oficiální dokumentaci, kterou jsme při psaní opravdu otevřeli, a co se ověřit nedá, do textu nejde. Data znalostí modelů a velikosti kontextových oken se mění s každou novou verzí, proto u nich uvádíme měsíc, ke kterému platí. Stejné pravidlo doporučujeme i pro texty na vašem webu. Jak odpovědi AI ve vyhledávání mění návštěvnost webů, rozebírá článek o Google AI Mode a dopadu na váš web.

U webů, které postavily AI nástroje jako Cursor, Lovable, Bolt nebo v0, platí totéž co u textu. Výsledek může vypadat funkčně, ale slabiny jsou skryté pod povrchem. Model umí napsat kód, který vypadá správně, stejně jako umí napsat větu, která správně zní. Proto u takových webů děláme technický audit zaměřený na vzory typické pro vibe-coding.

Výrobci uvádějí přepočty tokenů pro angličtinu a Anthropic výslovně píše, že počet znaků na token závisí na jazyce. Kdo plánuje AI na české dokumenty přes API, ať si kapacitu a cenu ověří na vlastním vzorku českého textu.

Závěr: kdy AI důvěřovat a kdy ji zkontrolovat

Pokud AI používáte na návrhy textů, e-mailů a shrnutí z vlastních podkladů, pokračujte a zaveďte pět kroků kontroly z tohoto článku. Pokud od ní čekáte aktuální fakta, ceny nebo právní odpovědi, dejte jí zdroj nebo zapněte vyhledávání a zdroj otevřete. Pokud ji chcete zapojit do procesu, který běží bez člověka, určete nejprve, kdo a jak často kontroluje vzorek výstupů. A pokud vám AI napsala web nebo jeho kód, potřebuje stejnou kontrolu jako text, jen od někoho, kdo ví, co má být pod povrchem.

FAQ

Časté otázky.

Co je LLM jednoduše řečeno?

LLM je velký jazykový model, tedy program natrénovaný na obrovském množství textu, který předpovídá, jak má text pokračovat. Po doladění na asistenta umí odpovídat na otázky, shrnout dokument nebo napsat návrh textu. Fakta si však sám neověřuje.

Je Claude nebo ChatGPT totéž co LLM?

Jsou to aplikace postavené na jazykových modelech. Anthropic popisuje Claude jako asistenta založeného na velkém jazykovém modelu, který byl doladěn a trénován metodou RLHF, a OpenAI v dokumentaci přirovnává generování textu přes své API k práci s ChatGPT.

Proč si AI někdy vymýšlí?

Model se učil pokračovat v textu a ověřování pravdivosti v tom tréninku nebylo, proto umí napsat sebevědomou, ale nesprávnou odpověď. Anthropic tomu říká halucinace a uvádí, že techniky jako svolení říct „nevím“ nebo citace z podkladu ji výrazně omezí, ale úplně neodstraní.

Ví AI, co se děje dnes?

Sama od sebe ví jen to, co bylo v textech před jejím datem znalostí. U současných modelů Claude je to podle Anthropicu červen 2026, u GPT-6 Astra podle OpenAI 30. duben 2026 (stav k říjnu 2026). Novější informace musí dostat od vás nebo přes vyhledávání na webu.

Co je token a proč na něm záleží?

Token je slovo, část slova nebo znak, se kterým model pracuje. U modelů Gemini je to podle Googlu zhruba 4 znaky anglického textu. V tokenech se měří, kolik textu model najednou zvládne, a při placení přes API i cena.