Rozhovor s Jakubem Malým jste mohli číst už v tištěném vydání MAM. Kvůli omezenému prostoru se do časopisu vešla jen jeho část. Na webu proto přinášíme rozhovor v plném znění – včetně pasáží včetně pasáží o nástupu autonomních AI agentů, důvěryhodnosti výzkumných dat a o tom, jak umělá inteligence proměňuje práci samotných výzkumníků.
Umělá inteligence zrychluje výzkum trhu, ale zároveň otevírá otázky o spolehlivosti dat. Jakub Malý, CEO agentury Ipsos, vysvětluje, kdy se firmám vyplatí využívat syntetické respondenty a kde už je jejich nasazení příliš riskantní. A proč ani v éře AI neztrácí smysl ptát se skutečných lidí.
Jak se vaši klienti staví k umělé inteligenci? Jsou připraveni ji zapojovat do svého byznysu?
Klienti se podle mě dají rozdělit na dva tábory. První se snaží experimentovat a dostat nové technologie co nejdříve do praxe. Přičemž tady rád připomínám myšlenku Lukáše Benzla z České asociace umělé inteligence, že AI není technická, ale organizační disciplína. Firmy, které experimentují a zároveň tomu dávají odpovídající personální zastřešení, jsou podle mě napřed.
Pak je tu druhá skupina, která je konzervativnější, vyčkává a někdy zaměstnancům používání AI nástrojů dokonce zakazuje. Jenže to nutně vede k tomu, že zaměstnanci nechtějí zůstat stranou a zkoušejí si chatboty nebo agenty na soukromých účtech. A tam může být riziko úniku dat nebo narušení informační bezpečnosti mnohem větší. Paradoxně tak mohou být ve větším ohrožení organizace, které se snaží AI příliš omezovat, než ty, které k ní přistupují aktivně a její používání řídí.
Změnilo se za poslední rok také to, co od vás firmy chtějí?
Myslím, že nastal velmi pozitivní posun. Dříve jsme se setkávali s přístupem: Pojďme udělat něco s AI, protože to máme jako zadání od managementu. Teď se dostáváme ke konkrétním případům využití. Firmy už mají lidi, kteří se této oblasti věnují, mají znalosti a především mandát nové nástroje implementovat.
Přicházejí například s tím, že mají uvnitř organizace obrovské množství informací, ale neumějí je efektivně sdílet. Zaměstnance nebaví procházet adresáře, SharePoint nebo různé databáze. Chtějí mít znalostní bázi, nad kterou mohou pokládat otázky přirozeným jazykem a získávat odpovědi.
Stále se nám totiž stává, že za námi přijdou dva různé týmy jedné firmy s velmi podobným zadáním, aniž by o sobě věděly. My jim pak říkáme, že jejich kolegové řešili totéž před týdnem. A právě tady může AI pomoci. Firmy zjistí, kolik toho už vlastně vědí, a nemusejí znovu vynalézat kolo.
Velké firmy samy disponují obrovským množstvím dat. Proč ještě potřebují výzkumné agentury?
Protože většinou velmi dobře znají vlastní prostředí, ale chybí jim pohled zvenčí. Potřebují vědět, co se děje na konkurenčním trhu, jak se chovají zákazníci konkurence nebo jaké nové postupy ostatní firmy zavádějí. Koneckonců Google, který má pravděpodobně jednu z největších datových základen na světě, je stále naším velkým globálním klientem. Potřebuje zkoumat i to, co se děje mimo jeho platformy a analytické nástroje.
Co považujete za největší změnu, kterou AI v poslední době přinesla?
Modely generativní AI se neustále zlepšují, ať už jde o plnění složitějších úloh, nebo například vytváření stále realističtějších videí. Pro běžného uživatele je také čím dál obtížnější na první pohled rozpoznat, co vytvořila AI a co člověk.
Za největší změnu považuji posun od promptování k autonomním agentům. Dříve jste si mohla vytvořit asistenta nebo si s pomocí chatbota nějakého agenta naprogramovat. Dnes už máte uživatelsky poměrně dobře zpracované nástroje, kde agentovi nastavíte oprávnění, jednotlivé kroky a míru autonomie. Můžete chtít schvalovat každý další krok, nebo mu úkol svěříte celý.
Podle našich mezinárodních dat ale zároveň rostou obavy z negativních důsledků AI. Ze ztráty kontroly nad technologiemi i z toho, že některé firmy budou s osobními daty nakládat nezodpovědně. Tyto obavy sílí zejména v západních zemích, zatímco například jihovýchodní Asie zůstává vůči AI poměrně entuziastická.
Pojďme k syntetickým respondentům. Ipsos je už také využívá. Co všechno dnes dokážou?
Ano, je to oblast, která mě osobně velmi baví. Ale podobně jako v začátcích generativní AI, kdy si někteří lidé mysleli, že je to magie schopná odpovědět na všechny otázky, musíme být opatrní i u syntetických respondentů. Jsou věci, na které je můžete využít velmi dobře, a naopak věci, u kterých by vás to správně nemělo ani napadnout. Zásadní je, na jakých datech je syntetický model postavený a k jakému účelu jej chcete použít.
Můžeme si to ukázat na konkrétním příkladu?
Představte si, že vytvoříte syntetický panel nad veřejně dostupnými daty o politických preferencích, liberalismu, konzervatismu nebo různých společenských postojích. A pak se ho zeptáte, jestli zákazníkům bude chutnat nová příchuť jogurtu s liči. V takovém případě budete pravděpodobně velmi blízko hodu korunou. Máte zhruba padesátiprocentní šanci, že vám vyjde správná odpověď.
Pokud ale budete mít data od skutečných respondentů o chuťových preferencích, obalech, příchutích nebo reakcích na obrázky ovoce a na jejich základě vytvoříte specializovaný syntetický panel, situace bude úplně jiná. Pak můžete výrazně zvýšit pravděpodobnost, že dostanete relevantní odpověď. U správně nastaveného modelu se můžete dostat na více než devadesátiprocentní úspěšnost při určení správného směru rozhodnutí.
Co přesně znamená správný směr?
Zda bude nová příchuť přijata, nebo ne. Představme si, že skuteční respondenti by ji hodnotili pozitivně z 83 procent a syntetičtí ze 76 procent. Rozdíl tam samozřejmě je, ale pro dané obchodní rozhodnutí nemusí být zásadní. Vy v této fázi potřebujete vědět, jestli má smysl s příchutí pokračovat ve vývoji. A pro takový screening možností mohou syntetičtí respondenti fungovat velmi dobře.
Kde už je naopak jejich použití příliš rizikové?
Například v situaci, kdy jste těsně před uvedením produktu na trh. Máte nový datový tarif mobilního operátora nebo službu ke kreditní kartě, všechno jste připravili a potřebujete poslední ověření, jestli produkt skutečně spustit. Pro tyto validační scénáře stále doporučujeme výzkum na živých lidech. Syntetická data mohou velmi dobře pomáhat při vývoji a výběru možností, ale závěrečné ověření je něco jiného.
Jak velké riziko představují plně syntetická data, pokud se používají nesprávně?
Hodně záleží na tom, na čem jste model natrénovali. Proto je důležité mít partnera, který se v této oblasti orientuje a dokáže být transparentní. Musí být jasné, odkud data pocházejí, jakým způsobem byla zpracována a pro jaké použití je daný model vhodný. Existují organizace, které se na tyto věci ptají velmi podrobně. Vedeme s nimi dlouhé diskuse a myslím si, že je to správně. Ale pak jsou i zákazníci, kteří si někde pořídí umělý vzorek, protože vypadá levně a hezky, stáhnou si ho a jedou dál.
Může se stát, že se synteticky vytvořený výzkum začne vydávat za skutečný?
To už se stalo, ve Spojených státech se objevily případy synteticky vytvořených volebních dat, která byla publikována jako běžné výzkumy. Média je převzala, někteří politici se na ně odvolávali, a tím výsledkům dodávali další důvěryhodnost. Teprve když se o to začali zajímat investigativní novináři a pokládali otázky, ukázalo se, že se nikdo žádných respondentů neptal. Autoři se následně hájili tím, že šlo o sociální experiment, který měl prověřit, zda média taková data převezmou.
To je samozřejmě extrémní příklad. Ale velmi dobře ukazuje, proč se musíme ptát na původ dat.
Není problém i v tom, že média a zadavatelé výzkumů dostatečně neověřují, odkud data pocházejí?
I to se může stát a není to nic nového. Řada médií, komentátorů nebo veřejně vystupujících osob původu dat nevěnovala dostatečnou pozornost ani před příchodem syntetických respondentů. V české asociaci SIMAR například existuje doporučení k takzvanému datovému pasportu, tedy k informacím, které by měly výzkumná data doprovázet. Jenže ne každý se na ně ptá.
Už mnoho let mluvím o velké datové inflaci a AI ji ještě umocňuje. O to silnější je poptávka po datech, u kterých víte, odkud pocházejí a můžete jim věřit. Vidíme to u firem i velkých mezinárodních organizací. Nejde jim o to mít jakákoliv data, která někde létají v digitálním ekosystému, potřebují spolehlivý základ pro rozhodování.
Setkáváte se i s chybami při interpretaci syntetických dat?
Viděl jsem například výstupy, které u syntetických dat hovořily o statisticky významných rozdílech. Jenže takové vyhodnocování, jaké používáme u výběrových vzorků ze skutečné populace, na syntetická data jednoduše přenést nemůžete. Přesto se takové závěry publikují. To je podle mě naprostý nesmysl. Je to skoro jako debata s plochozemci. Je důležité, aby bylo transparentní nejen to, odkud data pocházejí, ale také jak vznikala, jak se zpracovávala a co z nich skutečně můžeme vyvozovat.
Jak se s nástupem AI promění práce samotných výzkumníků?
Myslím, že podstata naší práce se zase tolik nezmění. Vždycky bude důležité správně prodiskutovat s klientem zadání a posoudit, jestli dává smysl. Potom nastavit a kontrolovat proces získávání a zpracování dat. A nakonec přidat analytickou hodnotu, která klientovi pomůže se rozhodnout. Tyto tři fáze zůstávají stejné od dob tužky a papíru až po syntetickou produkci dat. Zásadně se ale mění nástroje, kterými je naplňujeme. Dnes dokážeme některé mezinárodní projekty v desítkách zemí realizovat v řádu dnů, zatímco dříve trvaly týdny nebo měsíce.
Některé firmy už kvůli AI omezují nábor juniorních zaměstnanců. Nepřipravujeme tím obor o budoucí odborníky?
Já si myslím, že takový přístup není správný. Když jsem začínal jako asistent ještě při studiu, dělal jsem úplně jiné činnosti než kolegové, kteří do firmy nastoupili mnohem dříve. Ti mi vyprávěli, jak přenášeli děrné štítky z jednoho místa na druhé. Já už jsem nic takového nezažil. To ale neznamená, že jsem nebyl junior, jen se změnila náplň práce na vstupní pozici. A přesně to se děje i dnes.
AI samozřejmě přináší větší tlak na adaptaci a vzdělávání. Pokud se s novými nástroji nenaučíte pracovat, zatímco vaši kolegové ano, nebude to tak, že vám ujíždí vlak. On už vám dávno ujel. V tomto ohledu vidím pozitivní efekt. O vzdělávání a dlouhodobém rozvoji zaměstnanců se nejen mluví, ale firmy to i skutečně realizují, a to je podle mě velmi důležité.
