Fyzická umělá inteligence naráží na data z práce, ne jen na modely

TL;DR:

• Roboti a pracovní agenti ukazují stejné pravidlo: samotný silnější model nestačí, když nemáš dobré ukázky reálné práce.
• Nový směr sběru dat nezachycuje jen výsledek, ale i záměr, nejistotu, chybu a opravu člověka.
• Pro malé týmy je praktická otázka jednodušší: kde zkušený člověk dělá rozhodnutí, která dnes nejsou nikde vidět.
• Lidská kontrola zůstává klíčová hlavně v momentech výjimky, překvapení a drahého omylu.
• První krok není nákup dalšího nástroje, ale mapování práce, u které máš dobré příklady, opravy a jasná kritéria kvality.

Představ si zkušeného operátora, který desetkrát za den opraví chybu dřív, než ji kdokoliv zapíše. V objednávce si všimne divného detailu, u zákaznického požadavku pozná výjimku, při kontrole výstupu ví, že něco „nesedí“. Pro tým je to běžná zkušenost. Pro systém umělé inteligence je to často prázdné místo: vidí zadání a výsledek, ale nevidí, proč člověk v půlce práce zpomalil, co ho zarazilo a podle čeho se rozhodl jinak.

Právě tady je užitečné číst zprávy z robotiky. Fyzická umělá inteligence, tedy AI v robotech a provozech, kde se pracuje s věcmi v prostoru, naráží na tvrdý limit: nestačí mít model, který dobře vypadá v ukázce. Musíš mít dost kvalitních dat z reálných situací, ve kterých člověk něco vnímá, zkouší, kazí, opravuje a potvrzuje.

Popsaný experiment TechCrunch AI ukazuje krajní verzi tohoto problému: v San Leandru robotický trenér sbírá ukázky práce při úloze podobné hraní Jengy, má náhlavní zařízení s kamerou a zároveň senzory mozkové aktivity. Cílem není efektní čtení myšlenek. Jde o ověření, jestli soubor trénovacích dat, tedy dataset, doplněný o signály jako záměr, chyba nebo překvapení, pomůže robotickým modelům pracovat lépe.

Model nevidí to, co člověk nikdy nezaznamenal

U textových a kancelářských úloh často vzniká stejný omyl jako u robotů: tým čeká, že lepší model doplní chybějící kontext sám. Jenže model nemůže spolehlivě převzít práci, jejíž pravidla existují jen v hlavě zkušeného člověka.

Když automatizuješ odpovědi zákazníkům, nestačí uložit finální odpovědi. Potřebuješ vědět, podle čeho člověk poznal nespokojeného zákazníka, kdy eskaloval problém, kdy odpověď zkrátil a kdy raději položil doplňující otázku. Když stavíš interního agenta pro třídění požadavků, nestačí seznam hotových kategorií. Potřebuješ ukázky hraničních případů, oprav a rozhodnutí, která odlišují rutinu od rizika.

To je širší lekce fyzické AI: úzké hrdlo často není v tom, že model neumí přemýšlet. Je v tom, že organizace neumí vyrábět dobrá pracovní data.

Nejcennější signál vzniká v momentu zaváhání

Hotový výsledek je důležitý, ale pro učení systému bývá slabý. Hodně říká až cesta k němu: kde člověk zpomalil, co si ověřil, co odmítl a jak poznal chybu.

Ve fyzické práci to může být pohled na vratkou kostku, změna pohybu ruky nebo překvapení po nečekaném pádu. V kancelářské práci to může být přepsaná věta, smazaná automatická odpověď, ruční oprava kategorie nebo poznámka „tady potřebujeme člověka“. Tyto stopy nejsou vedlejší. Právě ony říkají, kdy je úloha jednoduchá a kdy systém vstupuje do prostoru, kde drahý omyl bolí.

Pro konzultanta nebo malý tým z toho plyne praktické pravidlo: nezačínej otázkou, jaký model použít. Začni otázkou, které části práce dnes zkušený člověk opravuje potichu. Tam pravděpodobně vzniká nejcennější trénovací materiál.

Agent potřebuje vědět, kdy si má říct o pomoc

Jeden z nejzajímavějších motivů zdrojového případu je myšlenka, že míra lidské námahy může napovědět, kdy má systém použít náročnější model. Přeloženo do běžné práce: ne každá úloha si zaslouží nejdražší a nejpomalejší postup. Ale systém musí poznat, kdy už obyčejný postup nestačí.

Zakladatel, který staví interního agenta, může mít tři vrstvy práce. První jsou rutinní úlohy, kde stačí levnější model a jasná pravidla. Druhá jsou sporné případy, kde se vyplatí silnější model nebo delší kontrola. Třetí jsou situace, které má převzít člověk: právní riziko, nespokojený klíčový zákazník, nevratná změna v datech nebo rozhodnutí bez dost důkazů.

Dobrý agentský systém proto není jen automat, který vše vyřídí. Je to pracovní prostředí, které umí rozlišit běžný krok od výjimky. A to se nenaučí z prezentace produktu, ale z konkrétních příkladů práce, chyb a oprav.

Lidská kontrola není brzda, ale zdroj kvality

U podobných experimentů je snadné sklouznout k představě, že cílem je člověka obejít. V praxi je to opačně. Člověk je zdroj signálu, podle kterého systém poznává kvalitu.

To neznamená nahrávat všechno a všude. U mozkové aktivity, kamer, pracovních záznamů i citlivých dat platí, že bez jasného účelu, souhlasu, omezení a ochrany soukromí vzniká víc rizika než hodnoty. Zvlášť u malých týmů dává smysl začít méně invazivně: ukládat před a po verze výstupů, důvody oprav, příklady odmítnutých návrhů, rozhodovací poznámky a typické výjimky.

Lidská kontrola má být součást systému od začátku. Ne jako formální razítko na konci, ale jako způsob, jak průběžně vytvářet lepší data. Když člověk opraví špatnou odpověď a vysvětlí proč, nevzniká jen lepší výsledek pro daný případ. Vzniká materiál pro další učení.

Začni inventurou signálů, ne seznamem nástrojů

Pokud chceš téma převést do vlastní práce, udělej jednoduchou inventuru. Vyber jednu opakovanou úlohu, u které dnes uvažuješ o automatizaci. Sepiš tři běžné příklady, tři hraniční příklady a tři chyby, které zkušený člověk často opravuje. Ke každému doplň, jak pozná správný výsledek a kdy by měl systém požádat o zásah.

Pak se podívej, co z toho už skutečně zaznamenáváš. Máš uložené opravy? Důvody rozhodnutí? Případy, kdy automatický návrh neprošel? Víš, které situace mají jít na člověka? Pokud ne, nemáš zatím problém s volbou modelu. Máš problém se signály.

To je hlavní lekce z fyzické AI pro běžnou práci: budoucí výkon nebude stát jen na větších modelech. Bude stát na schopnosti zachytit, kde člověk vidí záměr, nejistotu, chybu a kvalitu. Kdo tato místa pojmenuje dřív, bude stavět automaty, které méně hádají a lépe vědí, kdy mají zpomalit.

Zdroj

TechCrunch AI: https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/