Pýtate sa na dojazd elektromobilu a dostanete odpoveď o životnom prostredí.
Požiadate o zhrnutie zmluvy a model vám vráti jej prepis. Známa frustrácia? Nie je to chyba modelu, ale najčastejšie chyba v zadaní. Kvalita výstupu je priamo úmerná kvalite podnetu (promptu) – a to platí dvojnásobne, ak model používate na technické analýzy, kde je presnosť kritická.
Prečo si model „nedomyslí“, čo potrebujete
Jazykové modely nie sú čítačky myšlienok. Generujú text pravdepodobnostne, na základe vzorov z tréningových dát. Podľa analýzy OpenAI z roku 2024 (zahŕňajúcej státisíce interakcií) až 60 % nepresných odpovedí možno pripísať nejednoznačnému alebo neúplnému zadaniu, nie chybe samotného modelu. Inými slovami: čím presnejšie definujete cieľ, tým menej priestoru na interpretáciu modelu nechávate.
Základom je pochopiť, že model nerozumie zámeru, ale reťazcu slov. „Napíš niečo o batériách“ je preň výzvou na generovanie všeobecného textu. „Porovnaj kapacity batérií Modelu 3 Long Range a Modelu Y Long Range, uveď zdroj údajov a vysvetli rozdiel v reálnom dojazde“ je už technická špecifikácia, ktorá vedie k merateľnému výsledku.
Štruktúra podnetu, ktorá funguje
Účinný podnet má štyri vrstvy. Prvou je rola – definujte, za koho model odpovedá. „Si technický redaktor magazínu o elektromobilite“ je inštrukcia, ktorá nastaví slovník aj hĺbku. Druhou je kontext – relevantné fakty, ktoré model nemusí poznať, napríklad „nabíjacia krivka tohto modelu klesá po 60 % kapacity“. Treťou je úloha – presný pokyn, čo má byť výstupom. Štvrtou je formát – štruktúra, dĺžka, tón.
Predstavme si modelový príklad: chcete porovnať dva nabíjacie adaptéry. Slabý podnet: „Ktorý je lepší?“ Silný podnet: „Porovnaj adaptér X a Y z hľadiska maximálneho nabíjacieho výkonu, účinnosti pri rôznych teplotách a ceny za kWh. Výstup naformátuj ako tabuľku s piatimi riadkami a záverom v dvoch vetách.“ Rozdiel je v tom, že druhý podnet definuje kritériá, štruktúru aj rozsah – model nemusí hádať, čo považujete za „lepší“.
Konkrétne techniky, ktoré zvýšia presnosť
1. Rozdeľte komplexnú úlohu na kroky. Model stráca presnosť pri viacstupňových požiadavkách. Namiesto „Analyzuj tento text a navrhni zlepšenia“ použite postupnosť: „1. Zhrň text v troch vetách. 2. Identifikuj päť logických chýb. 3. Navrhni opravy s odôvodnením.“ Každý krok je samostatná jednotka, ktorú model zvládne spoľahlivejšie.
2. Použite negatívne vymedzenie. Povedzte, čo výstup NESMIE obsahovať. „Odpovedz bez marketingových fráz“ alebo „Nepoužívaj štatistiky bez uvedenia zdroja“ výrazne zvyšuje technickú hodnovernosť. Model má tendenciu dopĺňať všeobecné pravdy; explicitný zákaz ich filtruje.
3. Definujte formát výstupu. Ak potrebujete dáta na ďalšie spracovanie, požadujte štruktúrovaný výstup. „Vráť odpoveď ako JSON s kľúčmi: model, dojazd_WLTP, dojazd_reálny, cena_EUR“ je inštrukcia, ktorú model zvládne spoľahlivo. V texte sa stratí presnosť, v štruktúre nie.
4. Poskytnite príklad. Jeden vzorový výstup je účinnejší ako tri odseky vysvetľovania. „Takto má vyzerať odpoveď: [príklad]“ – model napodobní štruktúru aj hĺbku. Táto technika je obzvlášť účinná pri technických porovnaniach.
Pasce, na ktoré narazíte
Najväčšou pascou je neurčitý jazyk. Slová „približne“, „zhruba“, „nejaký“ dávajú modelu licenciu na nepresnosť. Ak potrebujete konkrétne čísla, pýtajte sa na ne explicitne. Druhou pascou je preťaženie kontextom. Model má obmedzené okno pozornosti; príliš veľa irelevantných informácií rozptyľuje. Do podnetu dávajte len to, čo súvisí s úlohou.
Tretia pasca je subtílnejšia – sugestívne otázky. „Nie je pravda, že nabíjanie DC ničí batériu?“ model potvrdí, aj keby to nebola celá pravda. Formulujte neutrálne: „Aké sú dlhodobé účinky častého DC nabíjania na kapacitu batérie?“ Takáto formulácia podnecuje k vyváženej odpovedi.
Overenie a iterácia
Aj najlepší podnet nezaručí dokonalý výstup. Kľúčová je verifikácia: skontrolujte čísla, overte fakty, porovnajte s nezávislými zdrojmi. Ak je odpoveď nepresná, neupravujte ju – upravte podnet. Doplnenie kontextu, spresnenie kritérií alebo zmena formátu často vyrieši problém, ktorý sa zdal byť chybou modelu.
Efektívny podnet je zručnosť, ktorá sa dá trénovať. Začnite s jednoduchou šablónou: rola, kontext, úloha, formát. Postupne pridávajte negatívne vymedzenia a príklady. Výsledok spoznáte podľa toho, že odpovede prestanú byť „zaujímavé“ a začnú byť použiteľné.
Technický záver: Podnet ako špecifikácia, nie rozhovor
Formulovanie podnetu je presne to, čo odlišuje amatéra od profesionála – nie je to konverzácia, ale špecifikácia požiadaviek. Model nie je partner na diskusiu, ale nástroj na spracovanie inštrukcií. Čím presnejšie definujete vstupné parametre, výstupný formát a kritériá kvality, tým spoľahlivejší výsledok dostanete. Pre technických používateľov, ktorí pracujú s dátami a číslami, je to rozdiel medzi textom, ktorý treba prepisovať, a dokumentom, ktorý možno rovno použiť. Venujte formulácii podnetu päť minút navyše – ušetrí vám to hodinu opravovania.
Zdroje
- OpenAI – Prompt Engineering Guide, platform.openai.com (citované 5. 8. 2026)
- Deng a kol., 2023 – „The Impact of Prompt Formulation on LLM Output Accuracy“, arxiv.org (citované 5. 8. 2026)
