Kolik času jste strávili laděním AI tak, aby fungovala přesně podle vašich představ? Půl hodiny, hodinu, možná víc. Pinkali jste prompty, definovali roli, formátovali výstup — a pak to konečně klaplo. Výsledek byl přesně takový, jaký jste chtěli. Logicky jste tedy řekli: Ulož si to. Takhle to dělej příště. Zakonzervuj to kouzlo jako uloženou dovednost. Jenže druhý den, se stejným úkolem a novými daty, jste tu uloženou dovednost (skill) spustili — a bylo to k ničemu. Proč se to děje a co s tím, vysvětluje studie „From Context to Skills: Can Language Models Learn from Context Skillfully?" publikovaná na arXiv (2604.27660).
Iluze učení: lokální úspěch zaměněný za skutečnou dovednost
Základní problém je přesně v tomto záměně. Když AI jednou správně vyřeší úkol, neznamená to, že pochopila hluboká pravidla, která k řešení vedla. Zapamatovala si povrchní vzorec — výsledek — ale ne skutečný mechanismus, který ho vytvořil.
Studie tento jev ilustruje na příkladu z deskové hry na hrdiny. Nahrajete do AI pravidla a zadáte scénář: máte zraněnou postavu. AI správně navrhne léčebné kouzlo — a vy jí řeknete, ať si tuto úvahu uloží jako trvalou dovednost pro léčení. Příště ale AI začne kouzlo spamovat donekonečna, protože ji to mechanické omezení — mana, počet tahů — zcela uniklo. Namapovala si situaci na akci (zranění = léčení), ale nepřijala hlouběji pravidla ze zdroje. Zapamatovala si výsledek, ale ne vzorec, který ho vytvořil.
Klíčový rozdíl leží v tom, co studie nazývá ověřitelným úkolem oproti nestrukturovanému učení z kontextu. V programování má AI okamžitou zpětnou vazbu: buď kód funguje, nebo kompilátor ohlásí chybu na konkrétním řádku. Při práci s textovými dokumenty — manuály, daty, analýzami — tento „soudce" mizí. AI si v podstatě známkuje vlastní úkol a to nikdy nedopadne dobře.
Proč nestačí ani obsáhlý kontextový prompt
Možná vás napadlo: vložím celý dokument do jednoho velkého kontextového okna a nechám AI napsat shrnutí pravidel. Jenže i tato cesta má své slabiny. Velká kontextová okna trpí tzv. ředěním pozornosti — AI začne odpovídat obecně, odvykládává obsah, ale nemá vnitřní motivaci rejpat se v detailech, dokud ji k tomu někdo agresivně nenutí. A ruční sepisování podrobných systémových promptů pro každý dokument je ekonomicky i kognitivně nereálné. Nemůžete od lidí chtít, aby ručně dolovali každou poznámku pod čarou z každého firemního dokumentu.
Studie proto navrhuje jiné řešení: nechat AI, aby si vytvořila vlastní neúprosnou zpětnou vazbu. Výsledkem je framework nazvaný Ctx2Skill (Context to Skill).
Jak funguje Ctx2Skill: tři role v aréně
Ctx2Skill je multiagentní systém, kde proti sobě v uzavřené smyčce bojují tři role umělé inteligence.
Vyzyvatel (Challenger) čte zdrojový dokument a používá ho jako zbraň. Jeho úkolem je generovat co nejtěžší možné úkoly — s brutálními požadavky přímo z textu, kombinující pravidla z různých stránek dokumentu.
Logik (Reasoner) se snaží tyto úkoly vyřešit pomocí svého aktuálního seznamu dovedností. Typicky sahá po obecných přístupech z tréninku — a právě tady se projeví mezery.
Soudce (Judge) hodnotí výstup logika čistě podle zadání vyzyvatele. Je naprosto neutrální a neúprosný. Pokud logik navrhne zastaralé řešení nebo přehlédne klíčové omezení z dokumentu, soudce ho potopí a chybu vrátí zpět do systému.
Koevoluce řízená selháním — a nebezpečí příliš mnoha kol
Když logik selže, jeho chyba putuje do dalšího submodulu: k navrhovateli a generátoru. Navrhovatel zjistí, co přesně chybělo a co vedlo k selhání. Generátor pak fyzicky přepíše seznam dovedností — doplní pravidla, upraví stará, odstraní zastaralé. Tatáž chyba se tak už nikdy nezopakuje.
Studie popisuje ještě jeden zdánlivě překvapivý mechanismus: zpětnou vazbu z úspěchů. Pokud logik vyřeší i tu nejzáludnější past vyzyvatele, tenhle úspěch se pošle vyzyvateli zpět — a ten musí ještě přitvrdit, nalézt ještě extrémnější kombinace pravidel. Bez tohoto tlaku by se logik naučil jen snadno dosažitelné úkoly a na hluboká pravidla by se vykašlal. Je to jako s odolností bakterií vůči antibiotikům: pokud se antibiotikum nevyvíjí, bakterie si vytvoří základní odolnost a přestane se adaptovat.
Jenže tady je háček. Pokud systém spustíte na příliš mnoho kol, nastane tzv. adversariální kolaps: vyzyvatel přestane řešit realitu a začne vymýšlet patologické scénáře, kde se potkává sedm nesmyslných pravidel způsobem, který v praxi nikdy nenastane. Logik začne svůj seznam dovedností nafukovat obranou proti těmto šílenostem, až ztratí schopnost řešit normální každodenní věci.
Systém proto používá chytrou vnitřní pojistku: zpětné přehrávání v čase (temporal replay). Z každého kola si schová nejbrutálnější selhání i nejlehčí úspěch a na konci prožene všechny verze logika touto testovací sadou. Nevybírá nejsilnější verzi na těžkých úkolech, ale tu s nejlepší rovnováhou mezi těžkým a lehkým. K tomu využívá Laplasovo vyhlazování — matematický mechanismus, který tvrdě penalizuje dovednosti, jež kvůli specializaci na extrémní případy zapomněly zvládnout základy. Data ukázala, že nejlepší verze dovedností téměř nikdy nepocházela z posledního kola — nejčastěji optimum nastalo při druhé nebo třetí iteraci. U GPT-4.1 měl ideální seznam dovedností kolem 700 slov; systém sám zahodil pozdější monstra čítající tisíce slov.
Výsledky: starší model poráží novější bez frameworku
Při testech na čtyřech kontextových úlohách z benchmarku CL-Bench Ctx2Skill konzistentně zlepšoval míru úspěšnosti napříč různými základními modely. GPT-4.1 s tímto frameworkem vzrostl z úspěšnosti přibližně 11 % na 16,5 %, přičemž překonal i modely, které v té době běžely bez tohoto frameworku. Výsledek ilustruje, že procesní architektura dokáže vynahradit hrubou sílu a počet parametrů: starší model s dobře navrženou smyčkou zpětné vazby může překonat novější model, který jen reaguje z tréninku bez hlubší analýzy kontextu.
Co z toho vzít pro každodenní práci s AI
I pokud nemáte zájem stavět vlastní multiagentní systémy, filozofie Ctx2Skill nabízí přímý praktický návod. Prostý zápis toho, co jednou zafungovalo, je past — uložená šťastná cesta vám neukáže hranice, jen potvrdí, že AI umí v ideálních podmínkách dobře hádat.
Pokud chcete dovednost, která přežije kontakt s realitou, musíte si zahrát na vyzyvatele. Zátěžově testujte: dejte AI záměrně neúplný dokument, vymyslete drsné omezení, vyprovokujte rozpor. Zjistěte, kde AI vzdá a kde začne halucinovat. A když se to rozbije — neříkejte jí „zkus to znova". Použijte tu chybu jako signál. Postavte kolem ní mantinel a napište kontrolní seznam přímo do instrukcí. Systém budujte na selháních, ne na úspěších.
AI a člověk: stejný princip učení
Ctx2Skill nakonec odhaluje zajímavou symetrii mezi tím, jak se učí neuronová síť a jak se učí člověk. Neuronová síť se naučí skutečné dovednosti jen pod neustálým tlakem a skrze chyby. Pokud dostává jen šťastné cesty, naučí se iluzi úspěchu — ale pod tlakem praskne. Přesně jako člověk, který nikdy neklopýtl, má jen štěstí, ne skutečnou dovednost.
Technologie, která umí takhle přesně zkoumat a opravovat vlastní mezery, není strašák, který bere práci. Je to nástroj, který přebírá tu část práce, kde výsledek je jasně měřitelný — a člověku uvolňuje prostor pro to, kde skutečnou přidanou hodnotu vytváří on: rozhovor, kontext, lidský úsudek.
