Proč zrovna šest

Když píšu kód, mám luxus, který si u úsudku nemůžu dovolit: existuje objektivní pravda. Test buď projde, nebo ne. Dotaz vrátí správnou hodnotu, nebo špatnou. U takové práce mi jeden dobrý model stačí, protože jeho výstup umím ověřit proti realitě, ne proti vkusu.

Pozicování webu, copy a to, jak text působí na rozhodovatele, žádnou takovou kotvu nemají. „Zní to důvěryhodně?" není otázka s jednou správnou odpovědí — je to průměr přes hlavy čtenářů, které nevidím. Zeptat se jednoho modelu tady znamená dostat jeden vkus, sebejistě podaný. A já vím, jak přesvědčivě umí model obhájit i názor, který je vedle. Chtěl jsem místo jednoho hlasu rozložení hlasů. Tak jsem na stejný úkol pustil šest modelů najednou.

Úkol byl konkrétní a nepříjemný: recenzovat obchodní a obsahové pozicování mého vlastního webu. Ne kontrola překlepů, ne technický audit — tvrdá otázka, jestli text přesvědčí někoho, kdo zvažuje vážnou zakázku, že jsem pro ni ten pravý. Přesně ten typ posouzení, kde jeden názor málo znamená a kde má člověk sklon slyšet to, co chce slyšet.

Nabízí se námitka: proč nevzít jeden model a nenechat ho o věci přemýšlet víckrát? Zkoušel jsem to a nefunguje to. Model, který se opakovaně ptá sám sebe, se do svého prvního dojmu spíš zakusuje, než aby ho zpochybnil — a když do toho vstoupíte vy, přizpůsobí se tomu, co z vašich otázek vyčte, že chcete slyšet. Iterace jednoho hlasu prohlubuje jednu stopu. Šest nezávislých hlasů udělá něco, co jeden neumí ani po deseti kolech: nesouhlasí spolu.

Jak to bylo postavené

Pravidla byla stejná pro všech šest. Každý model dostal identické podklady — stejné texty webu, stejný kontext, stejné otázky. Žádný z nich neviděl odpovědi ostatních; hodnotili naslepo a nezávisle. Šlo o šest modelů z různých dílen: Claude, dvě varianty z rodiny GPT (jednu přes nástroj Codex), Gemini, Kimi a Fable. Ty dvě z rodiny GPT jsou blízcí příbuzní, kteří se lišili hlavně nastavením — nechal jsem je tam schválně, abych viděl, jestli se rozejdou i ony.

Nad tím vším stál jeden model navíc, v roli koordinátora. Ten sám nehodnotil web — jeho úkolem bylo posbírat šest nezávislých posudků a sesyntetizovat je: kde panuje shoda, kde spor, co řekl jen jeden. Ta dělba je podstatná. Kdo nechá jeden model recenzovat i syntetizovat, dostane jeho vkus dvakrát. Oddělení hodnocení od skládání dohromady je levná pojistka proti tomu, aby se jeden hlas vydával za sbor.

Celé to technicky nebyla velká věda — několik paralelních běhů přes příkazovou řádku a jeden syntézní krok. Hodnota nebyla v nástrojích, byla v disciplíně: identické vstupy a skutečná izolace. Bez izolace se panel modelů zvrhne v ozvěnu, kde druhý přizvukuje prvnímu, a shoda pak neznamená nic.

Kde se shodly všechny: to je ten signál

Nejsilnější výstup celého cvičení nebyl žádný jednotlivý nález. Byla to shoda. Nezávisle na sobě, různými slovy a s různým důrazem došlo všech šest modelů ke stejnému jádru: web mluvil jazykem toho, kdo ho staví, ne jazykem toho, kdo si má objednat. Popisoval, co umím vyrobit, místo toho, co z toho má mít kupující — a nejsilnější důkazy měl schované tam, kde je nikdo nehledá.

Na téhle větě se nezávisle shodlo šest modelů, které se neviděly. To je epistemicky něco jiného než tatáž věta z úst jednoho z nich. Jeden model může mít slepé místo, styl, který zabarvuje všechno, co řekne, nebo prostě smůlu na formulaci. Šest modelů z různých rodin má slepá místa jinde. Když se všechny sejdou na témže závěru bez možnosti se domluvit, klesá pravděpodobnost, že jde o artefakt jednoho konkrétního způsobu uvažování. Shoda napříč nezávislými pozorovateli není součet názorů — je to jiná třída důkazu.

Prakticky to znamenalo, že seznam věcí, kde panovala jednomyslnost, jsem už nebral jako názor. Bral jsem ho jako zadání. O těch bodech nemělo smysl dál diskutovat; smysl mělo je opravit.

Kde se rozešly: kalibrace, ne chaos

Zajímavější — a zpočátku matoucí — byly rozpory. Nejnázornější byla tvrdost. V téže věci se modely lišily jako přísný a shovívavý zkoušející: jeden model byl výrazně nejtvrdší kritik z celé šestice, jiný zdaleka nejmírnější. Kdybych četl jen jeden z nich, odešel bych buď s pocitem, že je to katastrofa, nebo že stačí kosmetika.

Klíč byl v tom, co ten rozpor neznamenal. Neznamenal, že se neshodli na problému — shodli se. Lišili se jen v odhadu, jak moc ten problém škodí. Nejtvrdší a nejmírnější model ukazovaly na totéž místo; jeden ho popsal jako překážku, druhý jako promarněnou příležitost. To není chaos, to je kalibrace. Rozpor mi neřekl „nevíme"; řekl mi „tady je problém a tady je rozpětí, jak vážně ho brát". A to rozpětí je samo o sobě informace — mapa nejistoty, kterou z jednoho modelu nikdy nedostanete, protože jeden model vám dá jen svůj jeden bod na té škále a zatají vám, že nějaká škála existuje.

Naučil jsem se u toho číst „osobnost" modelů jako veličinu, se kterou se počítá. Některý model táhne k přísnosti a bezpečnostním varováním, jiný k povzbuzení a hledání toho dobrého. Ani jedno není chyba — pokud víte, který je který, a čtete jejich výrok se správnou korekcí. Panel vám tu korekci dá zadarmo: přísný a mírný se navzájem kotví. Jeden model tuhle kalibraci nemá o co opřít, a tak ji tiše vydává za absolutní pravdu.

Co odhalil jeden a ostatní přehlédli

Byl tam ještě třetí druh nálezu, a ten je nejlepší argument pro celé cvičení. Zatímco pět modelů se soustředilo na celkový obraz — pozicování, publikum, pořadí důkazů — jeden si všiml drobnosti, kterou ostatní přešli. Malé, konkrétní, snadno opravitelné místo, kudy se nejsilnější obsah nedostal ke správnému cíli. Nic strategického. Jen věc, která by fungovala, kdyby byla o pár řádků jinde, a nefungovala, protože nebyla.

Právě tohle jeden model najde a druhý ne — ne proto, že by byl chytřejší, ale protože se dívá pod jiným úhlem a v jiném rozlišení. Kdybych vsadil na jeden hlas, byť ten nejlepší, tenhle nález bych nikdy nedostal. Nezmizel by proto, že je špatný. Mizel by proto, že velký model zaujatý celkovým obrazem má sklon drobnosti podškrtnout a jít dál. Hodnota panelu není jen v tom, že sečte, na čem se všichni shodnou. Je i v tom, že zachytí to, co viděl jen jeden — a co by v průměru zaniklo.

Tady je ovšem hranice, kterou je poctivé přiznat: nález od jednoho modelu je slabší důkaz než shoda šesti. Bral jsem ho proto jinak — ne jako verdikt, ale jako tip k prověření. Osamocené pozorování je hypotéza, ne závěr. Ale i dobrá hypotéza, kterou byste jinak nedostali, za těch pár minut navíc stojí.

Co si z toho beru

Pro subjektivní úsudek je panel nezávislých modelů lepší nástroj než jeden model, kterého opakovanými dotazy vedete k odpovědi. Ne proto, že by šest hlav bylo chytřejších než jedna — u dost dobrého modelu tomu tak být nemusí. Je lepší proto, že vám dá strukturu nejistoty, kterou jeden model ze své podstaty dát nemůže. Shoda je signál. Rozpor je mapa. A osamocený nález je stopa, kterou byste jinak minuli.

Musím k tomu dodat dvě věci, aby to neznělo jako recept na všechno. Za prvé: rozhodnutí zůstalo moje. Panel mi setřídil důkazy a ukázal, kde jsou pevné a kde měkké — ale co s webem udělám, není hlasování modelů. Kdybych se řídil jen tím nejtvrdším, přepisoval bych i to, co fungovalo. Kdybych se řídil jen tím nejmírnějším, neopravil bych nic. Práce byla ta syntéza, ne poslušnost.

A za druhé: tenhle postup je pro velkou část práce zbytečný. Když má úkol objektivní správnou odpověď — kód, výpočet, fakt — je šest modelů drahé divadlo; stačí jeden a ověření proti realitě. Panel se vyplatí přesně tam, kde chybí kotva a kde vás jeden sebejistý hlas nejsnáz svede: pozicování, copy, strategie, cokoli, o čem se rozhoduje podle vkusu a soudu. Tam, kde neexistuje test, který by řekl „ano, tohle je správně", je nejbližší náhradou nezávislá shoda těch, kdo se nemohli domluvit.

Zvažujete, jak zapojit AI do vlastního rozhodování — a kde je naopak zbytečná? → AI konzultace