Textový chatbot je dobrý začátek, ale brzy narazíte na chvíli, kdy je jednodušší něco ukázat než popisovat. Fotka rozbité součástky, snímek chybové hlášky, hlasová poznámka z porady nebo tabulka s padesáti řádky: právě tady začíná být AI o dost praktičtější. A zároveň o trochu víc strašidelná, přiznávám.
Jedno rozhraní, více druhů vstupů
AI, která dokáže pracovat s textem, obrázky, zvukem a někdy i videem, se říká multimodální. Modalita je tu prostě druh informace: text je jedna modalita, obraz druhá, zvuk třetí. Nemusíte si ten termín lepit na lednici, ale hodí se vědět, proč si chatbot umí prohlédnout fotku a pak o ní normálně mluvit.
V praxi to může vypadat docela obyčejně. Nahrajete snímek jídelního lístku a požádáte o překlad. Vyfotíte pokoj a chcete návrhy, kam dát pracovní stůl. Vložíte screenshot nastavení telefonu a zeptáte se, kde hledat určitou volbu. AI se pokusí rozpoznat, co na vstupu je, a spojí to s vaší otázkou.
Slovo pokusí beru vážně. Nevidí jako člověk a nerozumí scéně stejným způsobem jako člověk. Z obrázku dokáže vytáhnout hodně detailů, ale může přehlédnout maličký nápis, splést si předmět nebo si sebejistě domyslet, co na rozmazané části asi bylo. U fotky smlouvy či lékařské zprávy bych proto kontrolovala každý podstatný údaj znak po znaku. Ano, je to nudné. Méně nudné než poslat špatné číslo účtu.
Fotka není jen otázka „co na ní je“
Nejužitečnější bývá spojit soubor s konkrétním úkolem. Místo „popiš mi tuto fotku“ zkuste napsat: „Vypiš text, který je na ceduli čitelný, a nejasná místa označ otazníkem.“ Nebo: „Jsem začátečnice v péči o rostliny. Vidíš na listech něco, co může souviset se škůdci? Nehádej diagnózu, napiš, co mám zkontrolovat.“
Takové zadání modelu napoví, na co se soustředit, a vám dává lepší možnost poznat, co skutečně vyčetl a co už jen doplnil. Podobně funguje pomoc s tabulkou. Můžete přiložit export výdajů a požádat o rozdělení položek do kategorií, součet po měsících nebo návrh grafu. Tabulka ovšem není automaticky pravda jen proto, že má sloupce a mřížku. Než z ní uděláte rodinný finanční plán, ověřte, zda AI správně rozpoznala hlavičky, měnu, datum i prázdné buňky.
Pro citlivější práci mi přijde bezpečnější dodat jen malý, anonymizovaný vzorek. Místo celého seznamu zákazníků stačí několik vymyšlených řádků se stejnou strukturou. AI pak může poradit se vzorcem, tříděním nebo formulací dotazu, aniž by dostala data, která vůbec nepotřebuje.
Hlasovka dovnitř, text ven
Zvuk přináší další pohodlnou zkratku. Přepis řeči znamená převod nahrávky na text: nadiktujete si nápad na cestě domů, necháte ho přepsat a pak z něj uděláte stručný seznam úkolů. Některé nástroje navíc umějí z nahrávky udělat shrnutí nebo vytáhnout rozhodnutí z porady.
Tady bych si hlídala hlavně dvě věci. První je přesnost: jména, odborné výrazy, čísla a více mluvčích dokážou přepis pěkně zamotat. Druhá je souhlas lidí v nahrávce. Porada, telefonát nebo rodinná hlasovka nejsou automaticky materiál, který lze bez dalšího poslat do cizí služby. Pravidla pracoviště a zákony se navíc mohou lišit, takže univerzální větu „tohle je vždy v pohodě“ vám poctivě nedám.
Video je v zásadě ještě bohatší vstup: obsahuje obraz, zvuk a děj v čase. AI může pomoci vytvořit hrubý přepis, najít moment, kde se probírá určité téma, nebo popsat postup v návodu. Dlouhé video ale často znamená více chyb, více dat k nahrání a také více věcí, které je potřeba před sdílením promyslet. Můj vnitřní lenoch by nahrál celý záznam hned; moje opatrnější já mu bere myš.
Nahraný soubor není zpovědnice
Soubor poslaný do AI není vhodné brát jako trezor ani jako kamarádce poslanou zprávu. Než něco nahrajete, stojí za to otevřít nastavení konkrétní služby a zjistit, zda se obsah ukládá, jak dlouho, zda může sloužit ke zlepšování modelu a jaké má účet možnosti ochrany dat. Tyto podmínky se mezi nástroji i typy účtů liší a umějí se měnit.
Bez jasného důvodu bych nenahrávala občanku, pas, smlouvy, zdravotní dokumentaci, hesla, celé životopisy cizích lidí, neveřejné firemní materiály ani fotky dětí. Totéž platí pro screenshoty: často na nich bývá e-mail, telefonní číslo, adresa nebo otevřené notifikace, kterých si člověk všimne až ve chvíli, kdy už je soubor pryč.
Pomáhá jednoduchý test: vadilo by mi, kdyby tento soubor viděl někdo mimo můj okruh? Pokud ano, zkusila bych údaje začernit, vyříznout nepotřebnou část, nahradit je zástupnými hodnotami, nebo AI vůbec nepoužít. Není to paranoia; je to digitální hygiena, podobně jako nezvěřejňovat heslo na nástěnce v kavárně.
Multimodální AI umí zkrátit cestu od „mám v tom chaos“ k prvnímu použitelnému návrhu. Pořád ale platí pravidlo z předchozích dílů: čím důležitější výsledek, tím víc ho ověřujte. Tentokrát navíc přidejte druhé: čím osobnější soubor, tím méně důvodů ho někam nahrávat.
