S AI můžete být lepší. A přesto se víc podobat ostatním.

AI a kreativita mají zvláštní vztah. S pomocí chatbotu můžete tvořit lépe a zároveň podobněji jako ostatní. Co ukazují studie příběhů a nápadů?

AI a kreativita jako ilustrační motiv: všichni jsou nakonec stejní.
Vizualizace vytvořená pomocí AI.

AI a kreativita přinášejí paradox, který při pohledu na povedenou odpověď snadno přehlédneme.

V novinách jsem narazil na tvrzení, že když umělé inteligenci zadáte, ať vybere číslo mezi 1 a 10, odpoví 7. Nenapadlo mě nic lepšího, než to rovnou vyzkoušet. Otevřel jsem svůj ChatGPT a napsal stejné zadání. „Vyber číslo mezi 1 a 10“, a světe div se, můj ChatGPT odpověděl: „sedm“. Důvod je jednoduchý, jazykový model se trénoval na lidském textu a lidé nejčastěji volí 7, protože si myslí, že to je šťastné číslo. A tak se to propsalo i do vah AI modelu.

A tehdy mě napadlo: co když podobně fungují i rady, co od AI všichni dostáváme? Každý máme vlastní chat a pocit, že se AI soustředí právě na nás. Přitom nás může vést během komunikace k podobným nápadům a závěrům, jako miliony ostatních uživatelů — ať už chceme napsat prezentaci, nebo rozjet podnikání.

Když díky komunikaci s AI dostanu nápad, snadno ho považuji za něco výjimečného. Porovnávám ho přece s vlastní hlavou před pěti minutami. Jenže totožná vnuknutí díky AI mohou právě dostávat i ostatní lidé. Lepší brainstorming díky AI ještě neznamená větší náskok před ostatními.

AI může člověku pomoci vytvořit kvalitnější práci a současně připodobnit jeho nápady nápadům jiných lidí. Tenhle paradox už výzkumníci zachytili v příbězích, při brainstormingu i u produktových návrhů. AI a kreativita spolu mají složitější vztah, než slibuje tlačítko „vygenerovat“.

Váš text se zlepšil. Text ostatních také

Anil R. Doshi a Oliver P. Hauser zkoumali, co udělá přístup k nápadům od jazykového modelu s psaním krátkých příběhů. V experimentu shromáždili 293 textů. Část autorů psala bez této pomoci, další mohli získat jeden nebo až pět námětů od AI.

Texty autorů s přístupem k nápadům AI dostávaly lepší hodnocení kreativity, kvality psaní a čtivosti. Zvlášť pomáhala lidem, kteří měli nižší výchozí tvořivost. Současně si však příběhy vzniklé s touto podporou byly navzájem podobnější než texty vytvořené bez ní. Studie vyšla v časopise Science Advances v roce 2024.

To je docela nepohodlný výsledek. Pomoc fungovala. Jednotlivci měli důvod být spokojení. Při pohledu na celý soubor ale ubývalo rozdílů. Člověk u svého displeje viděl povedenější příběh; porovnání s prací ostatních potřebovalo další měřítko.

Podobný mechanismus zachytili Barrett R. Anderson, Jash Hemant Shah a Max Kreminski ve studii s 36 účastníky. Uživatelé ChatGPT vytvářeli více a podrobněji rozpracovaných nápadů než při práci s jiným nástrojem pro podporu tvořivosti. Nápady různých uživatelů ChatGPT si však byly významově podobnější.

Počet nápadů na vašem seznamu tedy může růst, zatímco rozdíly mezi vaším seznamem a seznamem někoho jiného se zmenšují. Z osobního brainstormingu tohle snadno nepoznáte.

AI a kreativita se nedají změřit jedním povedeným nápadem

Je užitečné oddělit kvalitu konkrétního návrhu od rozmanitosti celé nabídky. Deset různých nápadů může být nepoužitelných. Deset podobných návrhů zase může dávat smysl. Když ale hledáme neobvyklé řešení, záleží i na tom, které možnosti jsme vůbec dostali příležitost uvidět.

Christian Terwiesch a jeho spoluautoři zkoumali produktové nápady pro vysokoškoláky. Studie publikovaná v červenci 2026 v Production and Operations Management zjistila, že návrhy jazykových modelů měly vyšší průměrnou kvalitu měřenou deklarovaným zájmem o koupi. Zároveň byly jednotlivě méně nové a jako soubor méně rozmanité.

Hodnocení zájmu o koupi samozřejmě není uskutečněná objednávka. Přesto je to konkrétní doklad, že kvalitní návrhy mohou vznikat uvnitř užšího okruhu řešení. Když máme před sebou jen několik hladce popsaných variant, snadno jim přisoudíme větší šíři, než skutečně mají.

Také Chenglei Si, Diyi Yang a Tatsunori Hashimoto při srovnání výzkumných nápadů našli kombinaci, která se do jednoduché nálepky nevejde. Nápady jejich AI systému odborníci hodnotili jako novější než lidské návrhy, ale analýza generování současně odhalila nedostatek rozmanitosti. Jeden překvapivý výstup pořád není důkaz, že nástroj soustavně prochází všechny zajímavé možnosti.

Sedmička je malá ukázka oblíbené odpovědi

U číslic je podobné zvýhodnění dobře vidět. Při rovnoměrném losování celého čísla od jedné do deseti má každá možnost desetiprocentní šanci. Jazykový model při běžné textové odpovědi vychází z naučených pravděpodobností pokračování. Ty nemusejí číslům přidělovat stejné podmínky.

Peter West a Christopher Potts sbírali od každého testovaného modelu 1 500 platných odpovědí na požadavek rovnoměrně vybrat číslo od nuly do deseti včetně. Porovnávali základní modely Llama 3.1 s jejich dodatečně trénovanými variantami. Sedmička byla nejčastější už u základních modelů a další trénink její převahu zesiloval.

Lidé ji přitom zvýhodňovali dávno před chatboty. William E. Simon už v roce 1971 popsal experiment se 490 vysokoškoláky, kteří měli napsat číslo od nuly do devíti a název barvy. Nejčastěji se objevovala sedmička a modrá.

Moje jediná sedmička nic nezměřila. Výzkumné série však ukazují, že modely mají preference i tam, kde chceme rovnoměrný výběr. U otevřených nápadů se podobnost hledá obtížněji, protože dvě různé formulace mohou nabízet v zásadě stejné řešení.

Osobní rozhovor, společné naučené preference

AI a kreativita se potkávají uvnitř systému, jehož výstup ovlivňuje trénink, zadání i způsob vybírání dalšího textu. Práce Longa Ouyanga a kolegů o InstructGPT popisuje učení z ukázkových odpovědí a lidského hodnocení. Výzkum Ariho Holtzmana a dalších ukazuje, jak výrazně může různorodost výstupů měnit samotný způsob generování.

Osobní tón rozhovoru tyto společné základy nemaže. Model může oslovovat přímo vás, pracovat s vaším příběhem a pořád čerpat z podobných naučených souvislostí jako při odpovědi někomu jinému. Přizpůsobení konkrétnímu člověku a originalita výsledku jsou samostatné vlastnosti.

Liwei Jiang a spoluautoři popsali ve výzkumu Artificial Hivemind podobnost otevřených odpovědí uvnitř jednotlivých modelů i mezi modely. Pracovali se souborem přibližně 26 tisíc anglických otázek, na které existuje více rozumných odpovědí.

Rozsah tohoto jevu je předmětem odborného sporu. Rylan Schaeffer a kolegové v září 2026 zpochybnili některá měřítka této studie: část podobnosti může vyplývat ze společného zadání, nikoli ze stejného nápadu. Upozornili na chybějící lidské srovnání a ukázali, že změna formulace zadání může měřenou rozmanitost zvýšit. Představa nevyhnutelného sjednocení všech lidských nápadů z takových výsledků neplyne.

AI a kreativita v podnikání nezaručují náskok

V podnikání dostává vztah mezi AI a kreativitou praktický význam. Člověk chce nápad, kterým vydělá. Chatbot mu pomůže popsat službu, zákazníka a první nabídku. Výsledek může být užitečný. Z takového rozhovoru se ale nedozvíme, kolik lidí právě rozpracovává podobnou nabídku.

Představme si dva lidi, kteří oba chtějí začít s malým kapitálem, pracovat z domova a prodávat služby místním firmám. Podobnost jejich návrhů nemusí být záhadná. Zadali podobná omezení. Oba navíc mohou dostat jiný název projektu, jiný text webu a stejný základní způsob vydělávání.

Odtud pochází moje obava z falešného pocitu náskoku. Výstup srovnávám s tím, co jsem měl před otevřením chatu. Když podobnou pomoc dostane konkurence, relevantní srovnání se změní. AI mi mohla pomoci připravit se lépe, aniž mi poskytla cokoli výlučného.

Podobný obor přitom může uživit více firem. Rozhoduje dostupnost služby, důvěra a schopnost odvést práci. Nicholas Otis a spoluautoři v experimentu s keňskými podnikateli nepotvrdili průměrný účinek AI poradce na tržby a zisk. Účinky se však lišily podle výchozí výkonnosti: slabší podnikatelé si vedli hůře, silnější mohli získat. Výzkumníci spojují tento rozdíl zejména s výběrem rad k realizaci.

Samotný nápad je zkrátka jen část obchodu. Konkurenční výhodu hledám v tom, co dokážu dodat já a co někdo skutečně potřebuje. Pochvala plánu v chatu žádného zákazníka nezavazuje.

Stroj vám může nápad vymyslet i odkývat

Když hodnotíme AI a kreativitu, máme po ruce velmi ochotného posuzovatele: tentýž model. Navrhne řešení a na další dotaz vysvětlí, proč je dobré. Právě tady bych byl zvlášť přísný na to, co považuji za ověření.

Miles Turpin a kolegové ukázali, že modelová vysvětlení mohou opomíjet vlivy, které odpověď skutečně posunuly. Výzkum Mrinanka Sharmy a dalších zachycuje přitakávání uživateli i na úkor pravdivosti. Přesvědčivé zdůvodnění proto samo nepotvrzuje originalitu ani proveditelnost návrhu.

Nepomůže ani nechat si vygenerovat nadšené reakce zákazníků a pak je začít brát jako průzkum trhu. Shibani Santurkar a spoluautoři srovnávali postoje modelů s průzkumy pro šedesát amerických demografických skupin. Našli výrazné nesoulady, které přetrvávaly i při výslovném nasměrování modelu na danou skupinu.

Skutečný zákazník může nabídku odmítnout, nerozumět jí nebo za ni nechtít zaplatit. Tuhle možnost potřebujeme zachovat. Jinak si uvnitř jednoho rozhovoru vyrobíme nápad, jeho obhajobu i publikum, které mu zatleská.

AI a kreativita potřebují také váš vlastní materiál

AI a kreativita se nemusejí potkávat jen u prázdného zadání. Kontext umí odpověď změnit. Už výzkum GPT-3 vedený Tomem Brownem ukázal přizpůsobování instrukcím a ukázkám v textu bez nového dotrénování. Má smysl dodat vlastní pozorování, omezení a zkušenosti, ke kterým se obecný dotaz vůbec nedostane.

Také Terwieschův tým našel způsoby, jak rozmanitost nápadů zvýšit. Pomáhalo kombinování různých modelů, cílené změny zadání a vnášení odlišných omezení či perspektiv. Není nutné přijmout první seznam jako celý dostupný prostor možností.

Pro vlastní práci z toho vyvozuji jednoduchý postup. Nejdřív přinést něco konkrétního: postřeh z rozhovoru, problém zákazníka, vlastní otázku. Pak nechat AI hledat různé způsoby zpracování. Nakonec vybírat podle toho, co obstojí mimo chat, a část návrhů bez lítosti zahodit. Další uhlazená varianta nemá automaticky větší hodnotu než předchozí.

Na té sedmičce mě nakonec nejvíc zajímá naše měřítko. U čísla snadno poznáme, že se opakuje. U dobře napsaného nápadu nás může zastavit už spokojenost s tím, jak dobře zní.

První otázka proto zní, jestli mi AI pomohla vytvořit něco lepšího. Hned za ní má přijít druhá: co z toho je pořád moje a čím se výsledek skutečně liší?

Kam dál

Zdroje a rešerše

Štítky