Představte si, že se AI zeptáte na další krok projektu. Najde starou prezentaci, dvě poznámky ze schůzek a poslední plán. Ve všech je jiný termín. Model si jeden vybere a odpoví naprosto přesvědčivě. Technicky fungoval správně: prošel podklady a poskládal odpověď. Jen nevěděl, který dokument je současný zdroj pravdy.
Tohle je podle mě slabé místo většiny návodů na „druhý mozek pro AI“. Hodně řeší aplikaci, strukturu složek a způsob, jak do systému dostat další obsah. Méně už řeší, jak poznámky stárnou, co je rozhodnutí, kdo je za informaci odpovědný a co má AI udělat, když se zdroje rozcházejí.
Ve svém pracovním systému proto nedržím jen znalosti. Potřebuji v něm vidět priority, projekty, rozhodnutí, nedokončené věci, čekající návaznosti a pravidla práce. Smyslem není vybudovat krásnou knihovnu. Smyslem je, aby člověk i agent našli správný kontext pro další krok a dokázali přiznat, když chybí.
Začněte jedním rozhodnutím, ne importem celého života
První verzi nezačínejte přesunem všech e-mailů, dokumentů a poznámek do nové aplikace. Vyberte si jednu opakovanou situaci, ve které dnes AI pokaždé znovu vysvětlujete kontext. Může to být příprava týdenních priorit, pokračování produktu, vyhodnocení obchodních příležitostí nebo tvorba podkladů pro poradu.
Napište si, jaké rozhodnutí má systém podpořit. Kdo ho dělá? Jaké podklady potřebuje? Co se často mění? Kde dnes leží poslední platná verze? A jak drahá by byla chyba? Pokud na tyto otázky neumíte odpovědět, další konektor ani vektorová databáze vám nepomohou.
Pro první pokus stačí obyčejná složka s textovými soubory nebo malý prostor v nástroji, který už používáte. Git se hodí tam, kde chcete vidět historii změn a přesný rozdíl mezi verzemi. Notion nebo jiná databáze dává smysl pro úkoly, vztahy a stavové přehledy. Důležitější než značka nástroje je, zda AI dokáže najít současnou odpověď a člověk ji umí zkontrolovat.
Oddělte čtyři druhy informací
Jeden velký dokument „všechno o projektu“ se rychle rozpadne. Smíchá totiž věci, které mají odlišnou životnost i účel. V minimální verzi rozlišuji čtyři vrstvy:
- Současný stav: co právě platí, jaký je cíl, priorita, vlastník a nejbližší krok.
- Rozhodnutí: co jsme zvolili, kdy, proč a které varianty jsme odmítli.
- Pracovní podklady: poznámky, návrhy, konverzace a rozpracované výstupy, které ještě nepopisují potvrzený stav.
- Zdroje: odkazy na smlouvy, e-maily, analytiku, repozitáře nebo veřejné podklady, kde lze tvrzení ověřit.
Toto rozdělení chrání před častým omylem: zápis ze schůzky není automaticky rozhodnutí a návrh od AI není nový fakt. Nejdřív musí projít lidským posouzením a teprve potom se může promítnout do současného stavu nebo pravidel.
Nemusíte kvůli tomu vyrábět složitou taxonomii. Stačí, když má každý projekt jedno jasné místo se současným stavem, krátký přehled rozhodnutí a odkaz na detail. Historii můžete archivovat. Agent nepotřebuje načíst všechno dopředu; potřebuje mapu, podle které si vyžádá správný detail ve chvíli, kdy ho potřebuje.
Ke každé důležité informaci přidejte původ a stáří
Věta „cíl projektu je spustit pilot v říjnu“ vypadá konkrétně. Bez data a původu ale nevíte, jestli jde o včerejší rozhodnutí, nebo půl roku starý plán. U důležitých záznamů proto pomáhá několik prostých údajů: stav, vlastník, datum posledního ověření a zdroj pravdy.
Nemusí být u každé poznámky. Patří hlavně tam, kde by zastaralá informace změnila doporučení nebo akci. Cena, termín, zodpovědnost, dostupnost služby a schválená priorita si zaslouží větší opatrnost než obecná inspirace z článku.
Stejně důležitý je pokyn pro konflikt. Když AI najde dvě odlišné verze, nemá si tiše vybrat tu novější nebo delší. Má pojmenovat rozpor, ukázat zdroje a požádat o rozhodnutí. To není selhání asistenta. To je správné zacházení s nejasností.
Citlivé podklady směrujte, nekopírujte
Druhý mozek svádí k představě, že všechno musí být na jednom místě. Nemusí — a často ani nemá. Klientská komunikace, osobní údaje, smlouvy, přístupy nebo interní finanční podklady mohou zůstat v systémech, které pro ně mají správná oprávnění.
Centrální kontext může obsahovat bezpečné shrnutí a odkaz na zdroj: co v něm je, kdo k němu smí, jak se k němu dostat a kdy je potřeba ověřit aktuální stav. Agent pak ví, kde hledat, ale nevzniká zbytečná kopie citlivých dat v každém nástroji a konverzaci.
Stejnou hranici nastavte pro akce. Přečíst stav projektu je něco jiného než odeslat e-mail, změnit produkční systém nebo utratit peníze. Dobře postavený kontext neříká jen to, co agent ví. Říká také, co smí udělat sám a kde musí zastavit před lidským potvrzením.
Zaveďte krátkou smyčku údržby
Největší práce nezačíná při založení složek. Začíná ve chvíli, kdy se skutečnost změní. Po poradě vznikne nové rozhodnutí, projekt se posune, nabídka přestane platit nebo se objeví důležitá výjimka. Pokud se tato změna nevrátí do systému, AI bude sebejistě pracovat se včerejším světem.
Stačí jednoduchá smyčka. Po významné práci se zeptejte: změnilo se rozhodnutí, současný stav, další krok nebo pravidlo? Pokud ano, upravte příslušný zdroj pravdy. Raw poznámku ponechte jako historii nebo ji archivujte, ale nedovolte, aby soupeřila s aktuálním stavem.
Jednou týdně projděte nedokončené věci, čekající návaznosti a informace s krátkou životností. Co čeká na člověka? Co už není relevantní? Co se změnilo jen v e-mailu, ale ne v projektovém přehledu? Bez této kontroly žádný jednorázově dobře napsaný prompt aktuálnost systému neudrží.
Stejný princip platí pro automatizace. V článku Vytvořením automatizace práce nekončí popisuji, proč se vyplatí kontrolovat nejen spuštění, ale i výsledek, výjimky a další užitečnost.
Otestujte systém otázkami, na kterých může selhat
Nespoléhejte na pocit, že máte složky uklizené. Dejte AI konkrétní úkol a sledujte cestu k odpovědi. Pro první kontrolu stačí pět otázek:
- Dokáže najít současný cíl a nejbližší krok projektu?
- Umí doložit, z jakého zdroje tvrzení vzala a kdy byl naposledy ověřen?
- Pozná rozpor mezi starým plánem a novým rozhodnutím?
- Neotevře nebo nezopakuje citlivý obsah mimo povolený kontext?
- Navrhne užitečnou akci, ale zastaví se před krokem, který vyžaduje člověka?
Když systém odpoví špatně, neopravujte jen poslední prompt. Zjistěte příčinu. Chyběl fakt? Nebylo jasné, který soubor je autorita? Byla instrukce příliš obecná? Nebo AI neměla přístup ke zdroji, který rozhodnutí skutečně obsahuje? Oprava pak patří do správné vrstvy.
Co se dá připravit během jednoho odpoledne
Vyberte jeden aktivní projekt a založte mu krátký přehled. Napište do něj cíl, současný stav, vlastníka, nejbližší rozhodnutí a odkazy na skutečné zdroje. Vedle přidejte jednoduchý záznam rozhodnutí a místo pro pracovní poznámky. Nakonec AI řekněte, který soubor je autorita, jak má postupovat při rozporu a které akce vyžadují potvrzení.
Pak systém použijte na reálnou přípravu porady nebo týdenního plánu. Nechte AI uvést zdroje a nejistoty. Po skončení zapište jen to, co se skutečně změnilo. Tím máte první celý cyklus: systém dodal práci potřebný kontext, pomohl s rozhodnutím a přijal jeho výsledek zpět.
Takový základ lze u jednoho přehledného projektu připravit během odpoledne. Ve větším týmu bude déle trvat dohoda o vlastnících, oprávněních a skutečných zdrojích pravdy. Teprve když malý okruh funguje, přidávejte další projekty, konektory nebo automatické aktualizace. Vyšší autonomie bez kvalitního kontextu jen urychlí chyby. A větší archiv bez pravidel údržby dá AI více materiálu, ve kterém se může splést.
Pokud chcete podobný princip ověřit na jednom firemním procesu, na stránce AI workflow sprint popisuji, jak nejdřív vymezit workflow, podklady, výjimky a lidské checkpointy a až potom řešit nástroj.
Další čtení: Tiago Forte popisuje druhý mozek jako externí systém, který má znalosti vracet do konkrétní práce. Anthropic v textu o context engineeringu vysvětluje, proč agent potřebuje malý a relevantní kontext místo všeho najednou. Praktický firemní příklad přidává Meta ve svém popisu auditovatelného organizačního druhého mozku. Struktura a testy v tomto článku jsou moje praktická interpretace těchto principů, ne univerzální standard.