AI dokáže pandemii odhalit dřív než ji zastavit

AI urychluje dohled nad zoonózami, pandemii však sama nezastaví

Nemoci přenášené ze zvířat nevznikají v datovém centru. Vznikají na farmách, trzích, v lesích, při přesunech zvířat a lidí. Umělá inteligence proto může pomoci především s včasnějším zachycením signálu, ne s odstraněním jeho příčiny.

Časopis Nature popisuje využití AI při monitorování zoonóz, tedy infekcí, které se mohou přenést ze zvířat na lidi. Modely dokážou prohledávat velké množství vědeckých publikací, zdravotnických hlášení, genetických údajů, zpráv o výskytu nemocí a dalších signálů. Jejich přínos spočívá v tom, že mohou spojit informace, jejichž zpracování by člověku trvalo příliš dlouho.

To je užitečné při sledování změn v chování virů, odhadu rizikových oblastí nebo hledání neobvyklých vzorců. Model může upozornit, že se v určitém regionu opakuje kombinace příznaků, hostitelů a podmínek, která si zaslouží pozornost. Upozornění však není potvrzená epidemie.

Nejslabším místem zůstává kvalita vstupů. Pokud jsou údaje opožděné, neúplné nebo zkreslené tím, co se v konkrétní zemi vůbec hlásí, může model vytvořit přesvědčivý, ale nesprávný obraz. Rychlost výpočtu nezmění realitu v terénu. Virus se nebude řídit tím, že dashboard svítí zeleně.

Nature zároveň upozorňuje, že prevence závisí na epidemiolozích, laboratořích, zdravotnických systémech a rozhodnutích lidí přímo v ohnisku. Někdo musí signál ověřit. Někdo musí zajistit testování, izolaci, léčbu, komunikaci a logistiku. A někdo musí mít pravomoc jednat dříve, než je jistota úplná.

Pro slovenskou a českou firmu je podstatný širší princip. AI může zlepšit monitoring rizik v dodavatelském řetězci, bezpečnosti práce nebo veřejném zdraví, ale nesmí se stát náhradou za odpovědného člověka. Při kritických rozhodnutích má být radarem a asistentem, ne posledním článkem řetězce.

Co si z toho odnést? Pokud používáte AI ke sledování rizika, vytvořte spolu s modelem také proces ověřování, eskalace a zásahu. Bez něj nekupujete prevenci, ale jen rychlejší upozornění.

GPT-4o zlepšil známky, ne nutně znalosti

Experiment na Bocconi University sledoval 1 053 studentů prvního ročníku v úvodním kurzu managementu. Studenti psali marketingová doporučení pro univerzitní obchod s limitem 180 slov. Výzkumníci je náhodně rozdělili do skupin s kontrolou, lekcí kauzálního uvažování, přístupem ke GPT-4o nebo s oběma zásahy.

Studenti s GPT-4o získali na pětibodové škále téměř o bod více. Jejich texty obsahovaly přibližně o dvě myšlenky více, byly logičtější a více se blížily doporučením tří odborníků. Výzkum zveřejněný prostřednictvím The Decoder však měřil výkon u konkrétního úkolu, ne to, co si studenti odnesli v hlavě.

Lekce o kauzálním uvažování známky nezvýšila. Studenti však častěji vysvětlovali, proč by návrh měl fungovat, kdy by selhal a v čem se jejich řešení liší od řešení spolužáků. Hodnoticí rubrika více odměňovala uhlazenost, strukturu a úplnost než originalitu nebo ověřitelnost předpokladů.

Výhrada je zásadní. Po experimentu nepřišel test bez ChatGPT, který by ukázal, co si účastníci skutečně zapamatovali. Navíc šlo o studenty prvního ročníku z jedné univerzity a úzce vymezený marketingový úkol. Část dodatečných měření navíc prováděly modely od OpenAI a Anthropic, přičemž OpenAI se na výzkumu podílela.

Co si z toho odnést? Při školení nebo firemním vzdělávání nehodnoťte jen výstup vytvořený s AI. Přidejte kontrolní krok bez nástroje, jinak měříte především schopnost vytvořit přesvědčivý dokument.

Co ještě stojí za přečtení?

• EnvHarness od Google, Washington University v St. Louis a UNC Chapel Hill má pod licencí Apache 2.0 měnit statická prostředí pro agenty na adaptivní tréninkové světy.
• Systém Code-as-World převádí reálné video na upravitelný program pro fyzikální simulace MuJoCo a trénink robotického uvažování.
• Tchajwanské úřady podle Nikkei Asia a Techmeme prohledaly kanceláře výrobce desek Unimicron kvůli podezření z označování čínských součástek jako tchajwanských.
• TechCrunch upozorňuje, že americké bariéry vůči zahraničním dronům a robotům nemusí odstranit výhodu čínského výrobního měřítka.
• Kvantové počítače se podle Bloombergu a Techmeme mění z technologické soutěže v geopolitické soupeření s dopadem na kybernetickou bezpečnost a finance.

Co si o tom myslím a co z toho plyne pro firmy

Názor

U AI v kritických oblastech odmítám představu, že lepší model automaticky znamená lepší prevenci. Příběh zoonóz to ukazuje přesně. Model může přečíst více zpráv, spojit více proměnných a upozornit dříve než člověk. Pandemii však nezastaví, protože nemá laboratoř, pravomoc uzavřít ohnisko ani důvěru místních lidí. To nejsou nedostatky konkrétní verze modelu. To je hranice mezi predikcí a jednáním.

Stejný problém vidím ve firemních AI projektech. Týmy ukážou hezký prototyp, který klasifikuje riziko nebo shrnuje data. Pak se zjistí, že nikdo neurčil, co se má stát po varování. Pokud upozornění nemá vlastníka, termín a povolený zásah, systém jen vyrábí další zprávu do inboxu. Inbox už dnes není ohrožen nedostatkem zpráv.

Experiment s GPT-4o přidává druhou lekci. Lepší výsledek na papíře automaticky neznamená lepší učení. V marketingu i automatizaci se často díváme na výstup, který lze snadno ukázat. Méně často ověřujeme, zda člověk nebo proces po odstranění nástroje stále funguje. To je rozdíl mezi pomocí a závislostí.

Důsledek pro slovenskou a českou firmu

Pro běžnou středoevropskou firmu z toho vyplývá jednoduchý návrh. U každého AI procesu sepište čtyři body: jaký signál systém sleduje, kdo ho ověřuje, jaký zásah může následovat a co se stane při výpadku. Týká se to nákupu, zákaznické podpory, kybernetické bezpečnosti i kontroly kvality. Pokud neumíte pojmenovat čtvrtý bod, ještě nemáte automatizaci, ale demo.

Ve zdravotnictví a potravinářství bude laťka vyšší. Slovenská i česká firma potřebuje kromě technického řešení dohled odborníka, audit dat a zdokumentovaný postup při chybném doporučení. Konkrétní požadavky se mohou lišit podle sektoru a národní regulace, princip je však v obou zemích stejný. Odpovědnost zůstává na organizaci, ne na modelu.

Při interním vzdělávání zaveďte dvojí měření. První hodnocení by mělo sledovat kvalitu dokumentu s AI. Druhé by mělo ověřit, zda pracovník dokáže vysvětlit rozhodnutí, upravit ho a zopakovat postup bez asistenta. Firmu to na začátku stojí trochu více času, ale chrání ji před tím, aby si růst produktivity zaměnila za hezčí výstup.

Časový horizont je krátký. Monitoring procesu lze upravit během týdne. Změna hodnocení práce potřebuje několik týdnů, protože je třeba vybrat vzorek, nastavit kontrolu a dohodnout odpovědnost. Investice dává smysl teprve tehdy, když se ušetřený čas využije na ověřování, rozhodování nebo kontakt se zákazníkem. Jinak jen urychlíte výrobu dalších dokumentů, které nikdo nečte.

Co si z toho odnést? AI nasazujte spolu s vlastníkem rozhodnutí a testem bez AI. Pro slovenskou a českou firmu je to levnější pojistka než pozdě zjišťovat, že systém jen dobře napodoboval výsledek.

Na závěr

Postoj lidí k AI se podle analýzy Glassdooru zhoršil. Podíl pozitivních zmínek klesl z 81 % v roce 2019 na 43 % v polovině roku 2026, zatímco negativní dosáhly 53 %. Největší frustraci vyjadřovali pracovníci likvidace pojistných událostí, kterým firmy často vnucují chybné nástroje bez podpory.

To je užitečná připomínka i mimo technologie. Zaměstnanec většinou neodmítá AI proto, že nerozumí budoucnosti. Odmítá nástroj, který mu přidá kontrolu, vezme úsudek a ještě ho nechá nést následky.

Výzva k implementaci AI dne

Do jednoho týdne nasaďte u jednoho interního AI procesu jednoduchý AI incident log v Google Sheets nebo Microsoft Lists. Každé upozornění modelu musí obsahovat datum, vstup, doporučení, rozhodnutí člověka a výsledek ověření. Začněte například u třídění zákaznických reklamací nebo kontroly podezřelých objednávek.

Obchodu nebo zákaznické podpoře to ušetří opakované zapisování a hledání starých případů. Při pěti až deseti případech denně může tým ušetřit přibližně 30 až 60 minut denně. Spuštění zvládnete za 2 až 4 hodiny, pokud už máte data na jednom místě.

Nejčastěji to ztroskotá na tom, že nikdo není vlastníkem záznamu a lidé přestanou zapisovat výjimky. Určete proto konkrétní jméno a týdenní kontrolu. Vyberte si jeden proces, zapište první varování a přidělte jim člověka, který na ně zareaguje.