AI neřeší problém v textu

AI šetří čas, ale skutečná hodnota vzniká až tam, kde mění úsudek. Studie ukazuje 6 režimů použití a vysvětluje, proč je rozdíl mezi rychlejším výstupem a lepší návratností zásadní.

---

AI už vám šetří hodiny na návrzích, shrnutích i prvních verzích textů. Jenže studie Tima Gorichanaze z Drexel University, představená na ASIS&T 2025, ukazuje na 205 reálných použití z Redditu a anglicky mluvícího prostředí, že problém není v nástroji ani licenci. Je v režimu použití. A rozdíl je pro marketing dnes zásadní.

Produktivita není totéž co návratnost a rozdíl leží v režimu použití AI

V praxi už AI používáme skoro samozřejmě. Licence běží, nástroje jsou v týmu a běžný denní provoz stojí na návrzích, shrnutích a prvních verzích textů. To je reálná produktivita. Jenže rychlejší výstup ještě neznamená vyšší návratnost.

Právě tady se vyplatí zpřesnit pohled. Rozdíl mezi tím, co z AI dostáváme, a tím, co z ní lze skutečně vytěžit, neleží v samotném nástroji. Leží v režimu použití. Jedno použití komprimuje realizační vrstvu práce. Druhé začíná měnit vrstvu úsudku. A právě tam vzniká páka, kterou v běžné praxi často míjíme.

Na rozdíl od marketingového nadšení kolem „AI vše vyřeší“ tady zdroj pracuje střízlivě. Studie Tima Gorichanaze z Drexel University, prezentovaná na ASIS&T 2025, analyzovala 205 reálných případů použití ChatGPT a pojmenovala šest módů práce: psaní, rozhodování, identifikaci, generování nápadů, mluvení a kritiku. Data pocházela z Redditu a mířila na anglicky mluvící uživatele, takže zobecnitelnost má své meze. Přesto taxonomie sedí překvapivě dobře na to, jak lidé AI opravdu používají.

To je důležité i pro nás. Většina tržní praxe dnes stojí hlavně na dvou režimech, které řeší hotový výkon. Jenže vysoký přínos se rodí jinde: tam, kde AI pomáhá přemýšlet, prověřovat předpoklady a měnit workflow. McKinsey i EY dlouhodobě popisují stejný problém z jiného úhlu. Organizace AI používají často, ale jen malé procento z nich ji má skutečně přepsanou do pracovního postupu tak, aby z toho vznikla výrazná obchodní hodnota.

Proto si další části článku nebudeme představovat jako seznam „co všechno AI umí“. Budeme je číst jako rozdíl mezi execution layer a judgment layer. AI dnes nejčastěji komprimuje právě tu vrstvu práce, kde ji většina lidí používá nejvíc. Hodnota ale vzniká až tam, kde mění způsob rozhodování, ne jen rychlost produkce.

Psaní jako největší realizační mód s vysokým podílem, ale omezenou strategickou přidanou hodnotou

V datech Tima Gorichanaze z Drexel University a ASIS&T 2025 vychází psaní jako jasně největší způsob využití AI. Tvoří 47 % případů, a to není drobnost ani okrajová odchylka.

Do psaní patří návrhy, úpravy, shrnutí, překlady i samotné generování textu. V běžné marketingové praxi přesně tady AI nejčastěji končí, protože práce s textem je snadno viditelná, rychlá a okamžitě použitelná.

Stejný obraz potvrzuje i McKinsey. Jejich průzkum ukazuje, že mezi nejčastěji hlášené případy použití AI patří tvorba obsahu a zachycování informací. McKinsey zároveň uvádí, že 63 % organizací používajících generativní AI ji primárně nasazuje na tvorbu textu.

Právě v tom je ale podstatný háček. Když se práce s AI zastaví u psaní, využíváme jen realizační vrstvu. AI pak zrychluje úkol, který už by jinak proběhl stejně, jen s menším třením a ve větším objemu.

To je užitečné, ale není to největší páka. Hodnota roste až ve chvíli, kdy AI zasáhne do rozhodování, posuzování nebo redesignu workflow. U high performerů se rozdíl neukazuje v tom, že píší víc textu. Ukazuje se v tom, že přestavěli postup práce a AI přesunuli tam, kde zlepšuje úsudek, ne jen produkci.

Proto je psaní důležité, ale samo o sobě strategii nepřepisuje. AI zde komprimuje právě tu vrstvu práce, kterou většina lidí používá nejčastěji. A tím současně odhaluje limit současné praxe: většina organizací umí AI využít k rychlejší realizaci, mnohem méně už k vyšší rozhodovací kvalitě.

Identifikace jako druhý pilíř pracovního postupu s AI

Po psaní přichází v datech Tima Gorichanaze z Drexel University, publikovaných na ASIS&T 2025, identifikace. Tvořila dalších 10 % případů a v praxi drží roli rychlého vysvětlení, faktické odpovědi nebo shrnutí dokumentu.

V běžném marketingovém provozu tu často vidíme stejný vzorec: téma prozkoumáme, AI z něj vytáhne syntézu a my jdeme dál. Právě v tom je identifikace užitečná, protože zkracuje cestu k orientaci v materiálu a šetří čas na rozjezd další práce.

Zároveň ale nejde o mód, který by sám o sobě vytvářel největší hodnotu. Identifikace zůstává hlavně na realizační vrstvě, kde AI pomáhá zpracovat informace rychleji, ne kde měníme způsob uvažování nebo rozhodování.

To je důležitý rozdíl, který v marketingu často přehlížíme. Mnoho týmů používá AI právě tady nejčastěji: chtějí rychleji číst, shrnovat a vysvětlovat. Výsledkem je slušná produktivita, ale ne nutně hlubší pákový efekt.

Gorichanazův seznam to potvrzuje nepřímo i skladbou celku. Psaní a identifikace dohromady tvoří naprostou většinu toho, jak lidé i firmy AI skutečně používají. Jenže právě v těchto dvou módech se práce nejvíc podobá zrychlené produkci, ne redesignu workflow.

V tom je i korekce běžného pohledu. Nejsilnější stránka identifikace neleží v tom, že „umí odpovědět“. Leží v tom, že zkracuje chvíli mezi otázkou a dalším krokem. Hodnota je pořád reálná, jen zůstává blíž operativě než strategii.

Rozhodování jako místo, kde AI zlepšuje úsudek přes strukturované prověření předpokladů

V rozhodovacím módu už nejde o to, aby AI rychle vyplivla použitelný text. Jde o to, aby pomohla prověřit předpoklady, které si do rozhodnutí neseme ještě dřív, než je uzavřeme. Právě tady podle Tima Gorichanaze z Drexel University, publikovaného v rámci ASIS&T 2025, vzniká jiný typ hodnoty než v běžném generování výstupů.

V praxi to znamená práci s otázkami, které marketéři řeší denně, ale často jen podle citu. Co má v AI viditelnost a zaslouží prioritu? Je problém značky v architektuře obsahu, nebo spíš ve získávání signálů? Jak rozdělit omezený rozpočet mezi SEO a GEO? A kdy má smysl eskalovat problém vedení, místo aby se opravoval až v pozdější fázi práce? Zdrojová studie tyto situace popisuje jako rozhodovací vrstvu, ne jako další variaci na rychlé zadání pro model.

Podle článku většina zkušených lidí tyto soudy opírá o zkušenost a intuici. AI do toho nevstupuje jako náhrada úsudku, ale jako strukturované prověření, které nutí zformulovat, na čem rozhodnutí stojí. To je důležitý rozdíl. V běžné praxi se AI často používá jen na urychlení výstupu. V rozhodování ale dává hodnotu až ve chvíli, kdy přinutí tým zpřesnit vlastní předpoklady.

Klíčový je kontext. Zdroj výslovně říká, že bez něj rozhodovací mód nefunguje dobře. Je potřeba dodat konkurenční prostředí, aktuální viditelnost, historický výkon a strategická omezení. Bez těchto vstupů dostaneme jen obecnou odpověď. S nimi může AI pomoci oddělit, co je skutečný problém, a co jen šum v interpretaci dat.

Právě tady se ukazuje rozdíl mezi execution layer a judgment layer. V realizační vrstvě AI zrychluje práci, kterou bychom stejně udělali ručně. V hodnoticí vrstvě pomáhá rozhodnout, co má smysl dělat vůbec. McKinsey podle citovaného zdroje uvádí, že AI používá 88 % organizací, ale jen 6 % vysoce výkonných organizací a ty jsou 3,6krát častěji nucené zásadně přepracovat pracovní postupy. Jinými slovy: rozdíl nevzniká v promptu, ale v redesignu workflow.

To je i pointa, kterou článek akcentuje nejvíc. Rychlejší výstup z nezměněného procesu není lepší rozhodnutí. Může to být jen rychlejší opakování stejné chyby. Výstup z AI proto nemáme brát jako hezký návrh k přečtení, ale jako reálný vstup do rozhodnutí. Kdo zůstane u jednorázového dotazu, získá jen zrychlenou odpověď. Kdo si přestaví postup, získá lepší úsudek.

Studie Tima Gorichanaze z Drexel University, publikovaná na ASIS&T 2025 a zasazená i do širšího rámce McKinsey, tak nepřidává další nástroj. Přesněji ukazuje, kde má AI smysl: tam, kde má tým prověřit vlastní logiku dřív, než podle ní utratí rozpočet, čas nebo reputaci.

Generování nápadů jako hledání mezer v entitách, autoritě a signálech značky

V datech Tima Gorichanaze z Drexel University, publikovaných na ASIS&T 2025, tvořilo generování nápadů jen 9 % použití. Právě tady ale vzniká páka, kterou běžná praxe často míjí.

Většina týmů si pod ideací stále představí rychlý seznam obsahových témat. To je pohodlné, jenže málo užitečné. Skutečná ideace začíná až ve chvíli, kdy hledáme mezery v tom, co o značce vědí systémy AI, kde značka chybí mezi relevantními entitami a jaké autoritativní úhly zůstaly neobsazené.

Gorichanazův článek podle redakčního shrnutí míří přesně sem: ptá se, které tematické oblasti značka neuchopila dost silně, a které mezery mezitím vyplnily modely z jiných zdrojů. To je zásadní posun. Neřešíme jen, o čem psát dál. Řešíme, kde značka v modelových datech i ve veřejném prostoru ztrácí prostor.

Do stejné logiky patří i signály komunity. Nejde jen o to, co značka tvrdí sama o sobě. Důležitější je, jak ji LLM vracejí při dotazech v kategorii, jak ji rámují diskuse a co by bylo potřeba, aby se ten obraz změnil. V praxi to znamená sledovat, zda značka skutečně získává autoritu, nebo jen produkuje další obsah bez dopadu na reprezentaci v AI prostředí.

Podobně pracujeme i s tím, co už model „má v hlavě“ z tréninkových dat. Pokud se v těchto datech ukazuje obraz značky, který vlastní obsah nikdy neřešil nebo neopravil, vzniká mezera, kterou klasický content plán často vůbec neodhalí. Právě tady má ideace hodnotu: neptá se na další nápad, ale na další slepé místo.

To je také důvod, proč AI v tomto režimu funguje dřív než konkurence nebo klientský audit. Umí rychle promítnout možné mezery do konkrétních otázek a vytáhnout oblasti, které tým přehlédl. Nejde o kreativitu pro kreativitu. Jde o cílené mapování prostoru, kde se rozhoduje o viditelnosti značky.

Rozdíl je tedy v metodě. Seznam nápadů uzavírá téma. Ideace ho otevírá, ale s omezeními, opakováním a ochotou jít tam, kam se tým běžně nedívá. Právě tak vzniká práce, která nepřidává jen další položky do plánu, ale odhaluje, kde značka skutečně ztrácí půdu pod nohama.

Mluvení jako příprava na skutečné interní a klientské rozhovory

V Gorichanazově taxonomii jde o mód, v němž s AI vedeme rozhovor, místo abychom od ní jen sbírali hotové výstupy. Ve studii tvořil 8 % případů. Na první pohled působí nenápadně, protože po něm nezůstává viditelný artefakt. V praxi ale často přináší víc než další rychle vygenerovaný text.

Nejsilnější využití vidíme v přípravě na interní a klientské konverzace, kde mají slova přímý dopad na rozpočet, důvěru i další postup. AI tu neplní roli autora, ale protivníka, kolegy nebo druhé strany jednání. Právě v tom se mění kvalita člověka, který pak skutečně sedí u stolu.

Článek zmiňuje klientský hovor o poklesu organické návštěvnosti a slabé viditelnosti v AI vyhledávání. V takové situaci nestačí jedna snadná odpověď. Potřebujeme udržet dvě oddělená příčinná vysvětlení a nenechat je spláchnout do jedné zjednodušené verze problému. Mluvení s AI pomáhá právě s tímhle tříděním argumentů před samotným rozhovorem.

Stejnou funkci má interní briefing k obhajobě investic do GEO vedle rozpočtu na SEO před vedením, které obě disciplíny zaměňuje. Z pohledu běžné praxe bychom často jen sepsali podklady. Tady ale jde o něco jiného: zkusit si, jak budou znít otázky, kde se panel zastaví a které formulace vyvolají nedorozumění.

Nejužitečnější částí je role-play a simulace protiargumentů. Můžeme chtít, aby AI zastupovala druhou stranu a tlačila na slabá místa. Můžeme také projít verzi rozhovoru, která se pokazí, a sledovat, kde ztrácíme kontrolu nad vysvětlením. Hodnota nevzniká v souboru ani v reportu. Vzniká v lepším výkonu člověka v čase.

Tohle je přesně rozdíl mezi execution layer a judgment layer. Mluvení neslouží k produkci dalšího textu pro systém. Slouží k lepšímu úsudku v situaci, kde bude rozhodovat reakce, načasování a schopnost obhájit postoj. A právě tady AI komprimuje vrstvu práce, kterou lidé nejčastěji používají už dnes, jen obvykle na úrovni rychlého výstupu.

Smysl tohoto módu tedy není v měřitelném artefaktu, ale v tom, že do místnosti vstupujeme připravenější. EY ve svém Work Reimagined Survey uvádí, že AI v práci používá 88 % zaměstnanců, ale zásadně transformujícím způsobem jen 5 %. Vzorek čítal 15 000 zaměstnanců a 1 500 zaměstnavatelů napříč 29 zeměmi. I tady je vidět, že přínos nevzniká z pouhého používání, ale z redesignu způsobu práce. U high performerů se právě tahle vrstva mění nejvíc.

Kritika jako způsob, jak před strategickým cyklem odhalit slabiny vlastní práce

Většina marketérů používá AI hlavně na výrobu výstupů. Kritika míří jinam. V datové sadě Tima Gorichanaze z Drexel University, představené na ASIS&T 2025, tvořila jen 6 % případů. Přesto patří mezi nejcennější režimy, protože neurychluje produkci, ale kontroluje, co už vzniklo.

Právě tady se láme rozdíl mezi execution layer a judgment layer. Na realizační vrstvě AI text doplní, přepíše nebo shrne. V hodnoticí vrstvě zpochybní nárok, odhalí rozpor nebo ukáže, že se opíráme o zastaralou premisu. Hodnota nevzniká počtem vygenerovaných stran, ale kvalitou posouzení před dalším strategickým cyklem.

Gorichanaz popisuje kritiku jako nejpřímější režim pro každodenní praxi, ale zároveň jako ten, který naráží na největší organizační odpor. To dává smysl. Firmy si zvykly používat AI k tvorbě výstupů, ne k jejich rozebírání. Jenže právě v rozboru se často ukáže slabina, kterou interní revize přehlédla.

Typicky jde o tři věci. Za prvé o nepodložené entitní nároky v obsahové strategii. Za druhé o nesoulad mezi tím, co značka o sobě tvrdí, a tím, co o ní vrátí dobře položený dotaz na LLM. Za třetí o zastaralé premisy v GEO doporučeních, které už neodpovídají současné situaci.

Praktický přínos spočívá v tom, že strukturovaná AI kritika umí posunout diskusi s klientem i vedením. Problém nevzniká až ve chvíli, kdy se propíše do čísel. Kritika ho vytáhne dřív, než začne škodit v datech i v rozhodování. Pro zkušeného praktikanta je to rozdíl mezi reakcí na důsledek a včasným zásahem do příčiny.

Proto má kritika specifické místo mezi šesti způsoby práce s AI, které Gorichanaz popsal. Nepřináší nejvíc „viditelné“ práce, ale umí oddělit lidi, kteří jen produkují, od lidí, kteří opravdu posuzují. A právě tam často vzniká strategická hodnota, kterou běžný workflow vůbec neumí zachytit.

Rozdělení mezi realizační a hodnotící vrstvu

V praxi se AI nerozděluje podle typu nástroje, ale podle typu práce, kterou za nás přebírá. Do realizační vrstvy spadá psaní a identifikace. Do hodnotící vrstvy patří rozhodování, generování nápadů, kritika a mluvení.

To je důležitější rozdíl, než se na první pohled zdá. V realizační vrstvě AI hlavně zkracuje cestu od zadání k výstupu. V hodnotící vrstvě pomáhá promýšlet, co má výstup znamenat, kde má slabiny a jak má změnit naše rozhodnutí.

McKinsey ve svém workplace research uvádí, že jen 1 % lídrů označuje své firmy za skutečně zralé v nasazení AI. Tedy za firmy, které ji mají plně zapojenou do workflow a vidí i obchodní efekt. To přesně ukazuje, kde se většina praxe zasekla: u rychlejší produkce, ne u přestavby práce.

AI v realizační vrstvě: rychlejší výstup, menší páka

Psaní a identifikace patří k nejpoužívanějším módům, protože okamžitě šetří čas. Umíme s nimi generovat text, upravovat ho, shrnovat, překládat i vysvětlovat fakta. Vypadá to jako velký skok kupředu, ve skutečnosti ale často jen komprimujeme práci, kterou jsme už dřív dělali ručně.

Právě tady se ukazuje slabina běžného marketingového používání AI. Tým dostane rychlejší první verzi, rychlejší souhrn nebo rychlejší odpověď. Hodnota tam existuje, ale hlavně na úrovni kapacity. Sama o sobě ještě nevytváří lepší obchodní rozhodnutí.

Zdrojová taxonomie podle Tim Gorichanaz z Drexel University, představená na ASIS&T 2025, popisuje realizační vrstvu jako užitečnou, ale omezenou. Pomáhá vykonat práci. Nevede automaticky k tomu, že práci posoudíme lépe.

Hodnotící vrstva: místo, kde AI začíná měnit úsudek

V rozhodování už nejde jen o rychlost. Jde o to, zda AI umí prověřit předpoklady dřív, než se uzavře směr další práce. Podle zdroje má dobré použití v tomto módu dostat do kontextu konkurenční prostředí, aktuální viditelnost, historický výkon a strategická omezení.

Teprve potom má výstup smysl brát jako skutečný vstup do rozhodnutí. Ne jako text, který rychle přelétíme a odložíme. Rozdíl tedy nedělá jednorázový prompt, ale workflow, které z výstupu dělá součást rozhodovacího procesu.

To je místo, kde AI může zlepšovat úsudek. Ne tím, že rozhodne místo nás. Ale tím, že nás donutí lépe pojmenovat situaci, rizika a omezení.

Generování nápadů není seznam nápadů

V běžné praxi si pod ideací mnoho lidí představí rychlý seznam témat. Zdroj ale mluví o něčem užším a užitečnějším. V generování nápadů jde o mapování entitních a autoritativních mezer, o signály komunity a o to, jak značka vypadá v modelových datech.

To znamená, že nejde o prosté „dej mi deset nápadů na obsah“. Jde o hledání míst, kde značka chybí, kde ji systémy AI reprezentují slabě nebo kde autoritu přebírá někdo jiný. Právě tam vzniká skutečná ideace.

Takové použití mění roli AI z generátoru výstupů na nástroj pro odhalování slepých míst. A to je pro marketing cennější než další seznam námětů do kalendáře.

Kritika jako kontrola hotové práce

Kritika pracuje s už hotovým materiálem. Hledá slabiny, které nám při výrobě snadno uniknou. Patří sem nepodložené entitní nároky, nesoulad mezi tím, co značka říká o sobě, a tím, co o ní vrací dobře položený dotaz, i zastaralé GEO premisy.

V tom je její síla i její nepopulárnost. Místo podpory produkce přichází kontrola kvality. Místo hladkého souhlasu přichází nepříjemné otázky. Přesto právě tady AI pomáhá oddělit práci, která vypadá hotově, od práce, která je skutečně obhajitelná.

Pro marketingovou praxi je to důležitý posun. Nechceme jen rychleji vyrábět. Chceme dřív zachytit slabé místo, než se promění v problém v datech nebo v klientské debatě.

Mluvení jako zkouška úsudku v reálném čase

Mluvení patří do hodnotící vrstvy, i když nevytváří viditelný artefakt. Podle zdroje má největší smysl jako příprava na interní a klientské konverzace, hraní rolí a simulace protiargumentů.

To je zásadní rozdíl od jiných módů. Přínos se nemusí objevit v dokumentu, tabulce ani reportu. Může se projevit až ve výkonu člověka, který do jednání vstoupí lépe připravený a přesnější v argumentaci.

EY ve Work Reimagined Survey ukazuje podobný princip v širším pracovním kontextu: velká většina lidí AI používá, ale jen malá část ji proměňuje transformačně. I tady platí, že hodnota neleží ve frekvenci používání, ale v dopadu na chování a výkon.

Otázka už nezní, co AI umí, ale co s ní děláme my

Celý problém se dnes láme na jednoduché diagnostické otázce: zlepšuje AI náš úsudek, nebo jen zrychluje výstup kolem něj? Pokud zůstáváme u realizační vrstvy, zrychlení je reálné, ale omezené. Pokud AI zapojíme do hodnotící vrstvy, začíná měnit kvalitu našeho rozhodování.

McKinsey i závěry Tim Gorichanaz z Drexel University ukazují stejný směr. Firmy, které AI skutečně využívají naplno, nepřidávají jen další nástroj. Přepracovávají workflow. A právě to odděluje běžné použití od praxe, která vytváří trvalou hodnotu.

Pro nás z toho plyne jednoduchý závěr: nestačí měřit, kolik výstupů AI vyrobí. Musíme sledovat, jestli zlepšuje rozhodnutí, kontrolu, přípravu a schopnost vidět slabiny dřív než konkurence.

AI není problém. Problém je, kde jí necháváme pracovat

Největší chyba v dnešní AI praxi není to, že bychom nástroj používali málo. Častěji ho používáme moc úzce. Když z AI děláme hlavně rychlejší psací a shrnovací stroj, získáme vyšší tempo, ale ne lepší úsudek. A právě to je rozdíl, který v marketingu rozhoduje o tom, jestli AI skutečně pomáhá výsledkům, nebo jen zvedá objem práce bez větší páky.

Zkušenost z praxe je v tomhle docela neúprosná: hodnotu nevytváří samotný výstup, ale to, zda AI zapojíme i do rozhodování, ideace, kritiky a přípravy na rozhovory, kde se láme rozpočet, priorita i odpovědnost. Jakmile ji držíme jen na realizační vrstvě, zrychlujeme to, co už děláme. Jakmile jí dáme prostor zasahovat do úsudku, začínáme měnit celý workflow.

To je nepříjemná, ale užitečná kontrolní otázka pro každý tým: používáme AI proto, abychom pracovali rychleji, nebo proto, abychom se rozhodovali lépe? Pokud je odpověď pořád hlavně o rychlosti, pak nejspíš jen zdokonalujeme výkon na vrstvě, kterou AI zároveň nejvíc stlačuje. A to není strategie. To je jen efektivnější rutina.

Zdroj: searchenginejournal.com

---