Dolaďování mění AI z univerzálního pomocníka ve specialistu

1. Úvod: proč se o dolaďování mluví právě teď

V mnoha organizacích je AI jako nový kolega: rychlá, neúnavná a překvapivě schopná. Zároveň je ale často příliš univerzální.

Umí psát, shrnovat, analyzovat a hledat nápady. Nemusí však znát jazyk zákazníků dané firmy, nepsaná pravidla oboru, tón značky nebo výjimky, na kterých v praxi nejvíce záleží.

Právě tady přichází na řadu dolaďování.

Dolaďování neboli fine-tuning znamená další trénování již připraveného modelu AI na vlastních, pečlivě vybraných datech. Myšlenka je jednoduchá: místo opakovaných pokynů obecnému modelu ho trvaleji naučíte, jaké odpovědi požadujete.

Není to kouzelná hůlka. Dolaďování nenapraví špatnou strategii, nekvalitní data ani nejasný proces. Při správném použití ale může AI výrazně pomoci: omezit hádání, zvýšit konzistenci a lépe ji přizpůsobit skutečné práci organizace.

2. Co znamená dolaďování modelu?

Dolaďování je další trénování modelu AI.

Výchozím bodem je velký předtrénovaný model, který se z obrovského množství materiálu naučil jazyk, struktury a obecné souvislosti. Při dolaďování se dále učí z užšího souboru dat: například z odpovědí zákaznické podpory, klasifikací právních textů, podkladů produktové podpory nebo ukázek psaní ve stylu značky.

Jednoduché přirovnání:

Předtrénovaný model AI je jako schopný redaktor s širokým záběrem. Umí psát o mnoha tématech, ale nezná styl, zákazníky ani interní postupy vaší firmy.

Dolaďování připomíná zaškolení. Model dostane desítky, stovky nebo tisíce příkladů toho, jak v daném prostředí vypadá dobrá odpověď.

Google popisuje supervised fine-tuning jako metodu, která pomocí příkladů učí model nové dovednosti nebo požadovanému chování. Hodí se například pro klasifikaci, shrnování, získávání informací a odpovědi zaměřené na konkrétní obor.^[1]

Důležité je toto: dolaďování nedělá z modelu především úložiště znalostí. Zlepšuje jeho schopnost pracovat určitým způsobem.

3. Dolaďování, zadávání a RAG — jaký je mezi nimi rozdíl?

Mnohé organizace zaměňují tři věci: zadávání promptů, RAG a dolaďování.

Zadávání promptů znamená dávat modelu pokyny. Například: „Odpověz přátelsky, stručně a odborně.“ Je to rychlá a levná cesta ke zlepšení výsledků.

RAG neboli retrieval-augmented generation znamená, že AI pro svou odpověď vyhledává informace v externím zdroji, například ve firemních dokumentech, databázi nebo centru nápovědy. Je vhodné, pokud potřebujete aktuální či snadněji dohledatelné informace.

Dolaďování modelu (fine-tuning) naopak mění chování modelu. Pomáhá, když opakovaně potřebujete stejnou kvalitu, styl, strukturu, klasifikaci nebo rozhodovací logiku.

Dobré orientační pravidlo:

• Použijte zadávání promptů, když potřebujete rychlé zlepšení.
• Použijte RAG, když má model vyhledat aktuální nebo firemní informace.
• Použijte dolaďování, když se model má naučit určitý způsob odpovídání, třídění, psaní nebo jednání.

Dokumentace Microsoftu shrnuje přínosy dolaďování prakticky: může zvýšit kvalitu oproti samotným promptům, využít více příkladů, než se vejde do kontextového okna, ušetřit tokeny díky kratším zadáním a snížit odezvu, zejména u menších modelů.^[2]

4. Proč dolaďování funguje?

Dolaďování funguje, protože modely AI se učí z příkladů.

Ukážete-li modelu mnoho kvalitních příkladů převodu vstupu na správnou odpověď, začne tento postup napodobovat. Nejen si pamatuje jednotlivé odpovědi, ale učí se vzorec: co je podstatné, jaký tón zvolit, v jakém pořadí věci uvádět a jakým chybám se vyhnout.

V zákaznické podpoře může dolaďování model naučit, že dobrá odpověď:

• rozpozná problém zákazníka,
• nejprve přímo odpoví na otázku,
• potom uvede postup,
• neslibuje, co firma nedokáže splnit,
• zachová tón značky.

To je jiné než dlouhé pokyny na začátku každého rozhovoru. Dolaďování promění část pokynů ve vlastní naučený způsob práce modelu.

5. Kdy je dolaďování správná volba?

Dolaďování se hodí zejména tam, kde se stejný úkol často opakuje a kritéria úspěchu jsou jasná.

Mezi vhodná použití patří například:

• sjednocení odpovědí zákaznické podpory,
• klasifikace dokumentů,
• tvorba obchodních zpráv ve firemním stylu,
• shrnování právních či technických textů,
• směrování požadavků podpory,
• zvládnutí oborových pojmů a způsobů vyjadřování,
• osvojení tónu značky,
• přizpůsobení menšího a levnějšího modelu konkrétnímu úkolu.

Dolaďování není nejlepší volbou, pokud model nezná aktuální fakta. V takovém případě bývá lepší RAG.

Pokud se ptáte „Co o tomto produktu říká náš nejnovější ceník?“, musí model informaci vyhledat ve zdroji.

Pokud se ptáte „Jak naše firma odpovídá na takové zprávy zákazníků?“, může být dolaďování výbornou volbou.

6. Pohled firmy: vlastní jazyk, kontext a kvalita

Každá organizace má vlastní jazyk.

Banka komunikuje jinak než herní společnost. Veřejný sektor jinak než růstová firma. Zdravotnické centrum nemůže odpovídat stejným stylem jako e-shop.

Největší přínos dolaďování často není technický, ale kulturní. Pomáhá AI osvojit si, jak v dané firmě vypadá dobrá komunikace.

Může jít například o to:

• jak zákazníkovi oznámit chybu,
• jak vyřídit reklamaci,
• jak vysvětlit technickou věc laikovi,
• jak obchodník komunikuje s různými zákaznickými segmenty,
• jak uspořádat interní analýzu pro vedení.

Dobré dolaďování činí AI méně obecnou. Nezní jako „umělá inteligence“, ale jako schopný pracovník dané organizace.

7. Příležitost pro startupy: menší model, přesnější produkt

Pro startupy může být dolaďování zvlášť zajímavým nástrojem.

Velký obecný model může být pro konkrétní použití drahý, pomalý nebo zbytečně široký. Dolaďování umožňuje naučit menší model jednu věc opravdu dobře. To může snížit náklady a zlepšit uživatelskou zkušenost.

Představme si B2B SaaS firmu. SaaS je software používaný jako cloudová služba za předplatné. Firma vyvíjí nástroj, který analyzuje zpětnou vazbu zákazníků a třídí ji podle témat.

Zpočátku tým používá obecný model a prompty. Funguje to přijatelně, ale odpovědi kolísají. S přibývajícími zákazníky se problémy s kvalitou projeví.

Dolaďováním může firma model naučit třídit zpětnou vazbu přesně do kategorií používaných v produktu. Výsledek může být rychlejší, levnější a konzistentnější.

Pro startup z toho plyne důležitý poznatek: dolaďování není jen technická funkce. Může být konkurenční výhodou.

8. Praktické příklady

Slabý příklad

Firma se rozhodne doladit model, protože „to dělají všichni ostatní“.

Data shromáždí ve spěchu. Dostanou se do nich zastaralé odpovědi podpory, protichůdné pokyny a nedokončené dokumenty. Model řádně neotestuje. Nakonec odpovídá sebejistě, ale nevhodným tónem a někdy se zastaralými údaji.

Problém nebyl v AI. Byl ve špatné přípravě.

Lepší příklad

Firma vybere jediné použití: návrhy odpovědí na reklamace.

Tým shromáždí 300 kvalitních příkladů dřívějších odpovědí. Právní oddělení, podpora a tým značky je ověří. Model se testuje na samostatných datech, která při trénování neviděl.

Výsledky se zlepší, ale konečné odpovědi stále schvaluje člověk.

Výborný příklad

Firma vytvoří celý proces:

Nejprve změří současnou kvalitu. Potom určí, jak vypadá dobrá odpověď. Vyčistí data, doladí model a porovná výsledky s výchozím stavem. Roztřídí chyby a model postupně zlepšuje.

Zároveň určí, kdy smí AI jednat samostatně a kdy musí odpověď zkontrolovat člověk.

Tak vypadá vyspělé používání dolaďování.

9. Data: surovina pro dolaďování

Nejdůležitější otázka dolaďování nezní „Jaký model vybereme?“

Nejdůležitější otázka je „Máme dost kvalitních dat?“

Dobrá data pro dolaďování jsou:

• reprezentativní,
• kvalitní,
• aktuální,
• konzistentní,
• ověřená,
• relevantní pro dané použití.

Špatná data učí model špatným návykům. Obsahují-li starší odpovědi podpory nejasné formulace, nesplnitelné sliby nebo zastaralé postupy, může je dolaďování ještě posílit.

Projekt dolaďování proto často vyžaduje spíše redakční a obchodní práci než jen technickou realizaci.

Někdo musí rozhodnout, jak vypadá dobrá odpověď.

10. Rizika a úskalí

S dolaďováním souvisí několik rizik.

Prvním je přeučení. Model se příliš přizpůsobí trénovacím datům a nedokáže poznatky dobře přenést na nové situace.

Druhým rizikem je nevhodný účel použití. Dolaďování se používá k aktualizaci faktů, přestože správným řešením je RAG nebo vyhledávání v databázi.

Třetím rizikem je únik dat. Obsahují-li trénovací data osobní údaje, obchodní tajemství nebo citlivé informace zákazníků, je nutné s nimi zacházet mimořádně pečlivě.

Čtvrtým rizikem je falešná jistota. Doladěný model může působit důvěryhodněji, protože mluví hlasem organizace. To však nezaručuje, že má vždy pravdu.

NIST profil rizik generativní AI upozorňuje mimo jiné na halucinace, zabezpečení, soukromí, autorská práva, zkreslení a rizika hodnotového řetězce. Dolaďováním nezmizí; při slabých datech a dohledu mohou dokonce zesílit.^[3]

11. Etický a právní pohled

V Evropě nelze dolaďování posuzovat odděleně od regulace.

Nařízení EU o umělé inteligenci vstoupilo v platnost 1. srpna 2024 a většina pravidel se začne uplatňovat 2. srpna 2026. Povinnosti pro modely AI pro obecné účely se na nově uváděné modely začaly vztahovat už 2. srpna 2025.^[4]

Pro firmu to znamená alespoň tři věci.

Zaprvé musí chápat svou roli: používá cizí model, upravuje ho, nebo zákazníkům nabízí vlastní systém AI?

Zadruhé musí zdokumentovat, jaká data používá a proč.

Zatřetí musí posoudit rizika. Doladit model pro návrhy marketingových textů je něco jiného než pro podporu rozhodování ve zdravotnictví.

Kodex zásad EU pro modely AI pro obecné účely se zabývá mimo jiné transparentností, autorskými právy a bezpečností i zabezpečením.^[5]

Odpovědné dolaďování tedy není jen „vytvoření lepšího bota“. Zahrnuje také správu dat, řízení rizik a vedení.

12. Budoucnost: kam se dolaďování posouvá?

Budoucnost dolaďování nepřinese jedinou velkou změnu, ale několik souběžných trendů.

1. Přibude menších specializovaných modelů

Ne každý úkol vyžaduje největší dostupný model. V mnoha případech je rozumnější menší, dobře doladěný model: levnější, rychlejší a snáze řiditelný.

2. Dolaďování se propojí s RAG

Nejlepší budoucí řešení nevsadí jen na jednu metodu. Model se dolaďováním naučí správně jednat a RAG mu dodá aktuální informace.

Prakticky: dolaďování učí „jak odpovídat“, RAG zajišťuje „z čeho informace vycházejí“.

3. Hodnocení se stane zásadní konkurenční výhodou

Trénování modelu bude snazší. Rozhodující však bude měření kvality, třídění chyb a řízení rizik.

Firmy, které dokážou výstupy AI systematicky hodnotit, budou postupovat rychleji než ostatní.

4. Vlastní data organizace získají novou hodnotu

Nejlepší rozhovory se zákazníky, obchodní hovory, odpovědi podpory a odborné analýzy už nejsou jen archivem. Jsou trénovacím materiálem.

Ovšem jen tehdy, jsou-li kvalitní a použitelné.

5. Regulace promění divoké experimenty v profesionálnější práci

Dolaďování bude postupně přecházet od experimentů k řízeným procesům. Dokumentace, audit a zabezpečení nejsou brzdy, ale podmínky používání AI v důležitých úkolech.

13. Závěry

Dolaďování patří k nejúčinnějším způsobům, jak zvýšit užitečnost AI pro organizaci.

Jeho hodnota nespočívá v tom, že model „ví více“. Spočívá v tom, že lépe zvládá konkrétní úkol.

Může firmě pomoci jednotněji komunikovat se zákazníky, rychleji zpracovávat informace, vyvíjet lepší produkty a rozšiřovat odbornou práci.

Dolaďování však vyžaduje disciplínu. Nejprve musíte vědět, co chcete zlepšit. Potom shromáždit správná data. A následně měřit, testovat a dohlížet.

Nejlepší otázka nezní „Můžeme model doladit?“

Lepší otázka je: „Který pracovní úkol je pro nás natolik důležitý a opakovaný, že se vyplatí AI pořádně naučit požadovanou kvalitu?“

Právě tehdy se dolaďování mění z technického pojmu v nástroj podnikání.

14. Praktické postupy a šablony

A. Rozhodovací postup: potřebujete dolaďování?

Položte si pět otázek:

1. Opakuje se úkol často?
2. Lze jasně definovat dobrý výsledek?
3. Máme kvalitní příklady?
4. Nestačí samotné zadávání promptů?
5. Potřebuje se model naučit chování, nejen vyhledávat informace?

Pokud alespoň čtyřikrát odpovíte ano, může být dolaďování rozumnou volbou.

B. Postup pro začátečníky

1. Vyberte jedno úzce vymezené použití.
2. Shromážděte 50–100 kvalitních příkladů.
3. Určete, co dělá odpověď dobrou.
4. Nejprve vyzkoušejte prompty.
5. Dolaďujte teprve tehdy, když problém přetrvává.
6. Porovnejte výsledky s výchozím stavem.
7. Ponechte člověka v procesu kontroly kvality.

C. Postup pro pokročilé

1. Vytvořte hodnoticí sadu, kterou model při trénování neuvidí.
2. Označte druhy chyb: fakta, tón, struktura, chybějící informace, nesprávný závěr.
3. Vytvořte první doladěnou verzi.
4. Změřte výsledky.
5. Zlepšujte data, nejen model.
6. Pokud problém souvisí s aktuálností informací, přidejte RAG.
7. Dokumentujte verze, zdroje dat a rizika.

D. Pracovní šablona týmu

Vyplňte společně:

• Způsob použití:
• Proč je důležitý:
• Současný problém:
• Kritéria dobré odpovědi:
• Zdroje trénovacích dat:
• Kdo data schvaluje:
• Co se model nesmí naučit:
• Jak se měří kvalita:
• Kdy člověk kontroluje odpověď:
• Kdy je třeba model aktualizovat:

E. Kontrolní seznam před dolaďováním

• Data byla ověřena.
• Osobní údaje byly odstraněny nebo řádně zpracovány.
• Zastaralé příklady byly odstraněny.
• Dobrá odpověď je definována.
• Testovací data jsou oddělena od trénovacích.
• Rizika byla posouzena.
• Způsob použití je vymezen.
• Výsledky se porovnávají s výchozím stavem.
• Používání modelu se dokumentuje.
• Role člověka je jasná.

F. Shrnutí jednou větou

Dolaďování se vyplatí tehdy, když AI nepotřebuje jen více vědět, ale pracovat konzistentně lépe právě podle potřeb vaší organizace.

Zdroje

1. Introduction to tuning — Generative AI on Vertex AI, Google Cloud Documentation
2. Customize a model with fine-tuning — Microsoft Foundry
3. Artificial Intelligence Risk Management Framework: Generative AI Profile — NIST
4. AI Act — Shaping Europe's digital future, European Commission
5. The General-Purpose AI Code of Practice — European Commission