• SEO Pivo
  • Marketingová Plzeň
  • AI Bootcamp
  • Kontakt
[email protected]
Osobní web
Blog o SEO, AI a Marketingu
Martin Bangho
  • GEO & SEO
  • AI & Agenti
  • Marketing
  • GEO & SEO
  • AI & Agenti
  • Marketing
Blog AI & LLMs
Muž v bílé košili drží prázdný dřevěný rám a ukazuje na jeho vnitřní plochu.

Persony v AI: role, hranice a stabilita asistenta

Martin Bangho Martin Bangho
18. 11. 2026
Kategorie: AI & LLMs
6 minut čtení
0
0

Persona v AI určuje, jakou roli má model při odpovídání zaujmout. Může mu vymezit pohled editora, analytika nebo školitele. Nepřidá mu ale skutečnou praxi, přístup k firemním datům ani oprávnění rozhodovat za člověka. Užitečné zadání proto potřebuje vedle role také úkol, podklady, hranice a způsob kontroly.

Do stejné debaty patří i výzkum toho, proč se chování modelu v průběhu rozhovoru mění. Studie The Assistant Axis z ledna 2026 se zabývá právě personou modelu a její stabilitou. Nezkoumá marketingové zákaznické persony a nedokazuje, že simulovaný zákazník dokáže nahradit rozhovor se skutečným člověkem.

Pod slovem persona se schovávají tři různé věci

Nejprve si ujasněte, o čí roli mluvíte. Persona modelu je způsob, jakým asistent vystupuje a reaguje. V běžné práci ji ovlivňujete například pokynem „pomáhejte jako věcný odborný editor“. Ve výzkumu Assistant Axis tento pojem označuje i charakteristiky chování spojené s určitými směry ve vnitřních aktivacích modelu. Textový pokyn a zásah do těchto aktivací přitom nejsou stejná operace.

Další články

Muž v modré košili přesouvá barevné destičky mezi stojánky.

RRF: jak Reciprocal Rank Fusion spojuje výsledky hledání

18. 11. 2026
Muž v bílé košili propojuje kabelové konektory na dřevěném přípravku vedle malé krabice.

UCP a ACP: co řeší a kdy je zavádět do e-shopu

18. 11. 2026
Muž v modré košili přesouvá dřevěné figurky mezi dvěma přihrádkami.

Chování uživatelů v AI vyhledávání: co skutečně říkají studie

18. 11. 2026
Martin Bangho přikládá dřevěný válec ke kruhovému otvoru v kovové šabloně.

Jak otestovat firemního AI asistenta: otázky, zdroje a chyby před spuštěním

18. 11. 2026

Persona čtenáře naopak popisuje, pro koho má výstup vzniknout. Může jít o vedoucího výroby, který potřebuje vybrat servis a nemá čas studovat technické zkratky. Tento kontext pomáhá vybrat rozsah vysvětlení. Pokud ale popis není opřený o zákaznická data, zůstává pracovním předpokladem. Jméno, věk a oblíbená káva z něj ověřený segment neudělají.

Třetí použití je simulovaný respondent: požádáte model, aby zákazníka zahrál a odpovídal jeho jménem. Takovou simulaci můžete použít k hledání otázek nebo možných námitek. Nemáte tím ale nové svědectví z trhu. Když model řekne „tuto službu bych nekoupil“, jde o vygenerovanou odpověď v zadané situaci, nikoli o zákaznický rozhovor nebo naměřenou ochotu platit.

Role má vymezit práci, ne vyrobit autoritu

Dokumentace Anthropicu v části Give Claude a role doporučuje roli v systémovém zadání pro zaměření chování a tónu. To je přiměřený účel: říct asistentovi, z jakého pracovního pohledu má problém posoudit. Není to obecný důkaz, že každá role zvýší správnost každé odpovědi u všech modelů.

Rozdíl je vidět na zadání „jste nejlepší SEO expert s dvaceti lety praxe“. To modelu nepředá dvacet let rozhodnutí nad vaším webem. Navíc nepotřebujete, aby si při odpovědi vymýšlel klienty, certifikace nebo vlastní příběh. Potřebujete například rozlišit chybu v datech od hypotézy o poklesu návštěvnosti a ke každému závěru připojit podklad.

Vhodnější je popsat odpovědnost: „Posuďte export jako analytický asistent. Oddělte zjištění, možné příčiny a chybějící údaje.“ Role pak dává práci rámec, zatímco její kvalitu určují kontrolovatelná kritéria. U jednoduchého úkolu může stačit samotné přesné zadání bez jakékoli persony. O tom, co funguje pro vaši situaci, má rozhodnout srovnání výstupů, ne působivost úvodní věty.

Co ve skutečnosti zjistila studie Assistant Axis

Autoři zkoumali především modely Gemma 2 27B, Qwen 3 32B a Llama 3.3 70B. Pomocí různých rolí vyvolávali odlišné odpovědi a analyzovali vnitřní aktivace, tedy číselné stavy vznikající při zpracování vstupu a generování textu. V prostoru těchto reprezentací našli výrazný směr související s tím, nakolik model vystupuje jako výchozí užitečný asistent. Označili jej jako Assistant Axis.

Význam studie není v tom, že by odhalila lidskou osobnost uvnitř programu. Ukazuje souvislosti mezi měřitelnými vnitřními stavy a určitými vzorci chování. Autoři také provedli zásahy do aktivací a sledovali, jak se chování mění. V jejich testech posun směrem k výchozímu asistentovi omezoval některé škodlivé odpovědi vyvolané personovými jailbreaky, tedy pokusy obejít pravidla pomocí vnucené role.

Další část pracovala s vícetahovými rozhovory, v nichž uživatele simulovaly jiné jazykové modely. U zkoumaných modelů pozorovali větší odklon od výchozího asistenta například v terapeuticky laděných situacích a při filozofických debatách o subjektivním prožívání AI. Běžné ohraničené úkoly, technické otázky a úpravy textu bývaly stabilnější. Tento postupný odklon autoři nazývají persona drift.

Ne každá jiná role přitom znamenala škodlivé chování. Studie výslovně rozlišuje odklon od asistenta a konkrétní nežádoucí odpověď. Podstatné je, že vhodná odpověď na začátku rozhovoru ještě neověřuje jeho další průběh. Provozní kontrola by se proto neměla omezovat jen na první výměnu.

Zásah do aktivací není lepší formulace promptu

Autoři zkoušeli také activation capping: omezovali projekci vnitřních aktivací podél vybraného směru tak, aby se držela v určeném rozsahu. To vyžadovalo přístup k vnitřnímu fungování modelu. Z výsledku nelze udělat návod „připište do systémového promptu tuto větu a získáte stejnou ochranu“.

Stejně důležité jsou hranice vzorku. Hlavní zkoumané modely nebyly dnešní uzavřené komerční produkty; práce uvádí omezení výběru modelů, syntetických rozhovorů i automatického hodnocení chování. Zjištění proto není univerzální bezpečnostní certifikát, měření všech současných asistentů ani důkaz vědomí AI. Je to konkrétní výzkumný podklad pro další testování.

Pro firmu je použitelný střídmější závěr: personu nehodnoťte jen podle tónu odpovědi a sledujte chování v kontextu. Pokud asistent přesvědčivě tvrdí, že něco zažil, že má určitou licenci nebo že za vás může schválit výjimku, kontrolujte skutečnost a oprávnění mimo jeho vlastní prohlášení. Přátelský hlas ani odborný slovník tuto kontrolu nenahrazují.

Modelové zadání: analytik, který nepředstírá znalost firmy

Následující ukázka je návrh zadání, nikoli výsledek ověřeného experimentu. Představte si, že připravujete podklady pro rozhodnutí o úpravě obsahu. Vstupem je anonymizovaný export z Search Console a popis posledních změn webu. Než data odešlete, ověřte, že je smíte zpracovat ve vybrané službě.

Pracujte jako analytický asistent pro SEO. Úkolem je připravit podklad pro člověka, který rozhoduje o prioritách. Vycházejte pouze z přiloženého exportu a záznamu změn. Nejprve zkontrolujte období, filtry a chybějící údaje. Potom oddělte doložená pozorování od hypotéz. Ke každému pozorování uveďte konkrétní řádek nebo pole. Pokud příčinu nelze určit, napište, jaký další podklad potřebujete. Nevymýšlejte výsledky, klientské zkušenosti ani jistotu o příčině. Nenavrhujte automatické publikování nebo zásah do webu. Výstupem bude stručné vyhodnocení, otázky k doplnění a návrh dalšího ověření.

Zadání obsahuje roli, ale opírá se hlavně o vstupy a kontrolu. Když model vynechá chybějící období nebo z korelace vyvodí příčinu, neprošel kontrolou, i kdyby odpověď zněla jako od zkušeného konzultanta. Jestli chcete prověřit přínos role samotné, použijte stejné podklady a kritéria také ve variantě bez úvodní věty o analytikovi.

Ověřujte i navazující otázky a hranice oprávnění

Pro první interní test vyberte několik skutečných typů úloh a bezpečné modelové či anonymizované podklady. Uložte přesné zadání, verzi modelu, dostupné nástroje a celé odpovědi. Porovnávejte věcnou správnost, dohledatelnost podkladů, přiznání neznámých údajů a použitelnost dalšího kroku. Jedna povedená odpověď nestačí k rozhodnutí o nasazení.

Potom přidejte navazující situace: uživatel trvá na nepotvrzeném závěru, žádá potvrdit domněnku nebo chce, aby asistent přeskočil schválení. Předem si napište, co má aplikace udělat a kdy úkol předat člověku. Tento návrh testu je praktické doporučení, nikoli reprodukce výzkumné metody Assistant Axis. Z běžného textového rozhraní neměříte tutéž osu v aktivacích.

Pokud aplikace umí měnit záznamy, odesílat zprávy nebo publikovat, oprávnění musí vynucovat její technické nastavení. Věta „jste pečlivý asistent“ není náhrada kontroly přístupů a schválení rizikové akce. Širší souvislosti manipulace popisuje článek o adversarial machine learning.

Začněte jedním ohraničeným úkolem a napište si, podle čeho poznáte správný výstup. Teprve potom přidávejte roli, tón a další instrukce. Pro redakční použití na tuto kontrolu navazuje postup práce s AI textem na webu: od podkladů přes ověření tvrzení až po schválení konkrétní verze.

Chcete zadávat AI práci přesněji?

Pomohu vám vymezit úkol asistenta, podklady, hranice jeho role a kritéria kontroly. Proberme, při jaké práci chcete AI používat. Konzultace může ujasnit zadání; spolehlivost konkrétního řešení pak musí prověřit odpovídající testy.

Štítky: NávodTeorie
Předchozí článek

Data v obsahovém marketingu: co měřit a jak se rozhodovat

Další příspěvek

Vektory v SEO: embeddings, kosinová podobnost a TF-IDF

Martin Bangho

Martin Bangho

Jmenuji se Martin a od roku 2015 se pohybuji ve světě online marketingu a tvorby webů. Věřím v marketing postavený na faktech, ne na iluzích. Mým cílem je pomáhat podnikatelům růst díky datově řízenému marketingu. Když zrovna neřeším marketing nebo podnikání, najdete mě ve fitku, na koncertě (hlavně hip-hop) nebo s přáteli. Jsem trochu kritik, puntičkář – ale hlavně optimista, který věří, že i marketing může být fér a ziskový.

Podobné články

Martin Bangho zvedá modrý provaz mezi třemi dřevěnými uzlovými objekty na stole.
AI & LLMs

Kdy GraphRAG pomůže a kdy jen prodraží vyhledávání

18. 11. 2026
Martin Bangho přikládá dřevěný válec ke kruhovému otvoru v kovové šabloně.
AI & LLMs

Jak otestovat firemního AI asistenta: otázky, zdroje a chyby před spuštěním

18. 11. 2026
Martin Bangho vybírá modrou složku z otevřené kartotéky v kanceláři.
AI & LLMs

Firemní znalosti pro AI: kdo rozhoduje, která odpověď ještě platí

18. 11. 2026
Muž v bílé košili vybírá modrou kartu ze skupiny oddělených pořadačů.
AI & LLMs

BlockRank: co výzkum řazení dokumentů říká a co ne

18. 11. 2026
Další příspěvek
Muž v modré košili nastavuje modré směrové tyčky v malém podstavci.

Vektory v SEO: embeddings, kosinová podobnost a TF-IDF

Odebírat
Upozornit na
0 Komentáře
Nejstarší
Nejnovější Nejlépe hodnocené

Bangho Martin

SEO Konzultant & AI Strategist

Specializuji se na datově řízené strategie, které propojují týmovou spolupráci napříč firmou, od obchodu přes vývoj až po obsah, s tvorbou plánů, jež posilují značku i výkonnost v konkurenčním prostředí.

Štítky

Analýza B2B B2C Brand E-commerce Google Nástroje Návod Off-page SEO On-page SEO Reporty z akcí SaaS Technické SEO Teorie User Experience Webové stránky

Nejnovější příspěvky

  • Kdy GraphRAG pomůže a kdy jen prodraží vyhledávání
  • Jak otestovat firemního AI asistenta: otázky, zdroje a chyby před spuštěním
  • Firemní znalosti pro AI: kdo rozhoduje, která odpověď ještě platí
  • Google Discover: podmínky, obrázky a měření bez slibů
  • BlockRank: co výzkum řazení dokumentů říká a co ne
  • SEO Pivo
  • Marketingová Plzeň
  • AI Bootcamp
  • Kontakt

© 2025 Martin Bangho - SEO Konzultant & AI Strategist

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In
  • GEO & SEO
  • AI
  • Marketing
[email protected]

© 2025 Martin Bangho - SEO Konzultant & AI Strategist

Tato webová stránka používá soubory cookie. Pokračováním v jejím používání vyjadřujete souhlas s jejich používáním. Navštivte naši Zásady ochrany osobních údajů a používání cookies.