AI v marketingu

Od konce roku 2022, kdy OpenAI vydalo ChatGPT pro veřejnost, jsem ho testoval spíš potichu. Na interních věcech, osobních projektech, vedlejších experimentech. Moc jsem to neprezentoval — prostě jsem pracoval na pozadí, zkoušel, co funguje a co ne. Stavěl automatizace, ladil prompty, učil se, jak funguje machine learning, na kterém celé LLM stojí.

A teď se mi stává zajímavá věc: když se s někým bavím do větší hloubky o AI, z konverzace se občas stává konzultace z mé strany. Neplánovaně a nezamýšleně. Lidé se mnou chtějí konzultovat AI, zajímá je to. Dokonce mi píšou — ne kvůli Meta Ads, ale kvůli AI.

A já si říkám — kde je ta propast mezi tím, co vidím v praxi, a tím, co se o AI říká na konferencích? Průzkumy vypadají růžově. McKinsey říká 88 % firem "používá AI." Ale kolik z nich AI reálně škáluje? Třetina. Většina e-shopů, se kterými pracuju, používá AI tak, že si někdo občas otevře ChatGPT. A to je v pořádku. Ale je to jiná liga než mít AI v procesu rozhodování.

Tenhle článek je o tom, co jsem se za ty roky naučil. Kde jsem narazil, co funguje a proč — a hlavně proč většina problémů s AI nemá nic společného s AI.

Proč AI dává blbosti

Kdyby mě někdo požádal, ať to řeknu jednou větou: kontext.

Představte si, že někomu řeknete "jeď do Brna." Ale vy chcete, aby jel do Karlových Varů. Řeknete mu špatné zadání — dostanete špatný výsledek. To není chyba toho člověka. A není to chyba AI. Je to chyba vstupu.

Garbage in, garbage out — úplně stejný princip, který řešíme s klienty u měření. Když nedokážu zařídit kvalitní data na vstupu, nezachrání mě algoritmus. A nezachrání mě ani v dnešní době tak moc skloňovaná kreativa.

Ale je tu ještě druhý problém, o kterém se mluví míň: context window. Každý jazykový model má omezený prostor pro informace, se kterými pracuje. Překročíte ho — a model začne halucinovat. Ne proto, že by byl hloupý, ale proto, že jste ho zahlcili. Dáte příliš málo — vymýšlí si, protože nemá z čeho čerpat. Optimální práce s context window — kolik informací dát, jak je strukturovat, co vynechat — je dovednost, kterou se většina markétérů nikdy neučila. A přitom rozhoduje o tom, jestli dostanete použitelný výstup, nebo odpad, který vypadá přesvědčivě.

A jak model přiřazuje váhu jednotlivým tokenům, někdy se zafixuje na opak toho, co chcete. Napíšete "nechci, aby text byl prodejní" — a on se chytí slova "prodejní" a produkuje přesně to. Proto fungují příklady líp než instrukce. Ukázat modelu, co je správný výstup a co špatný — jeden dobrý příklad nahradí deset odstavců vysvětlování.

Tohle jsem nepochopil z jednoho článku. Machine learning, na kterém LLM stojí — byť je postavené na transformerech, je to podmnožina ML — za pochopení téhle oblasti děkuji Jirkovi Maternovi z Machine Learning College. A technické základy — jak si počítač překládá kód, jaké existují databáze, jak funguje SQL a v čem je to magic pro práci s daty, jak funguje React (vymyslel ho Facebook a stojí na něm), jak se řeší bezpečnost na backendu — to mi pomohl pochopit Honza Barášek. Neuvedl mě do téhle problematiky — on mě do ní hodil. Doslova. Ale pak mi pomohl se neutopit.

Není to magie — je to matematika a pravděpodobnost. A když to chápete, pracujete s AI úplně jinak. Přestanete slepě věřit výstupům, které vypadají přesvědčivě, ale nedávají smysl.

Vidím kurzy, které slibují: nechte si od AI udělat landing page. Jasně — AI vám udělá landing page. Ale za tou stránkou je potřeba databáze a backend. Formulář musí někam padat. API klíče nesmí být odhalené na frontendu. A co SEO? Chcete tu stránku indexovat? A co měření, datalayer, favicon, core web vitals? Vizitka je jiná věc než landing page s formulářem. I když to řešíte přes Lovable nebo Bolt.new. Bez kontextu a bez pochopení toho, co se děje pod kapotou, je AI generátor průměru. A průměr vypadá skvěle v demu na konferenci, ale v praxi nezafunguje.

Jak s AI reálně pracujeme

Většina lidí vnímá AI jako chat okno. Napíšu otázku, dostanu odpověď. Říkám si — to je jako jet autem jen na první rychlostní stupeň.

Já dnes většinu práce dělám v Claude Code. Ve dvanácti jsem spouštěl vlastní servery na Warcraft 3 po LAN síti, zkoušel jsem se dostat jako scripter do Ultima Online — programovat jsem neuměl, ale na POL serveru jsem si dokázal reverse engineeringem spustit lokální prostředí. Ten přístup — rozložit problém na atomy, i když nevím, jak funguje celek — mě provází dodneska. Dnes řeším servery, RAG systémy, automatizace na Trigger.dev, Hugging Face modely.

Agentický přístup pracuje s kontextem úplně jinak než chat. V chatu se kontext ztrácí, model zapomíná, opakujete se. V agentickém workflow AI pracuje s celým projektem — čte soubory, prochází dokumenty, vrací se k předchozím krokům. Je to rozdíl jako mezi telefonátem a tím, když někoho posadíte vedle sebe a ukážete mu celou obrazovku.

Jeden z nejjednodušších triků: řekněte AI, kým má být. "Jsi designér webových stránek s 13 lety zkušeností, specializuješ se na e-commerce." Model se zafixuje do konkrétního pole znalostí. Ale to je jen začátek — my pracujeme se skills. Strukturované soubory znalostí s referencemi, které model načítá při úkolu. Skill na GTM implementaci, na analytiku, na analyzování Meta Ads účtů, na design, na scénáře pro UGC videa. Každý fixuje AI do kontextu a oboru. Výsledek je jiný svět než generický prompt. A mimochodem — i vy si takový skill můžete vytvořit.

A využívám AI už při psaní samotného promptu. Popíšu, co potřebuju, nechám model navrhnout prompt, ten pak použiju. LLM je v generování instrukcí pro sebe sama často lepší než já ručně. Existuje na to i Prompt Cowboy. Čas strávený přípravou vstupu se vrací mnohonásobně.

MCP servery — Model Context Protocol — nám propojily AI přímo s nástroji. Notion, GA4, Meta Ads, Figma, Nano Banana. Trvalo mi, než jsem pochopil, v čem je skutečná hodnota. Příklad: ladím SOP nebo metodiku, potřebuju challengovat její strukturu, najít slepá místa — LLM mi pomůže a výstup se rovnou vloží do Notion. Zvětšilo to rychlost, ale hlavně hloubku, do jaké mohu jít. Když AI převezme rutinu, mám prostor jít pod povrch — tam, kde se dějí zajímavé věci. Korelace, vzorce, nesrovnalosti, které z běžného reportu nevyčtete.

Perplexity používám na vstupní research u nového klienta. Rychlý vhled do segmentu, pain points, konkurenční krajina. Žádná analýza není lepší než špatná analýza, ale vstupní vhled potřebuju — i proto, abych klientovi dokázal klást lepší otázky. Otázky, které nemají nic společného s kampaní: Jaké máte e-mailové automatizace? Jak dobře znáte svého zákazníka? Kde ztrácíte lidi mezi prvním a druhým nákupem? AI dá výchozí bod. Klient dá realitu.

A Cowork? Víte jaká bolest je nastavit policies pro Google Cloud Project? To UI je někdy peklo. Fakt. Claude Cowork nebo Google Shell a nastavím, co potřebuju. Bez proklikávání pěti úrovní menu, kde každá stránka vypadá jinak.

Reporting — ze 4 hodin na 30 minut. Meeting summaries. Anomaly detection — když CPA skočí o 40 %, chci to vědět dřív než klient. A proč dřív než klient? Protože v momentu, kdy klient přijde za vámi s problémem, který jste měli vidět vy — nepotřebuje vás. Hodnota agentury není v tom, že spravuje kampaně. Je v tom, že vidí věci dřív a rozumí jim líp. Pokud tohle nedokážete, jste jen ruce na klávesnici. A na to AI stačí sama.

Ale ani tady to není černobílé. Jeden A/B test od PPC Hero mě zaujal víc než velké case studies: AI copy + lidská editace mělo nejnižší cost per lead. Čistě AI copy mělo dvojnásobný CPL. AI + člověk poráží oba přístupy samostatně. AI generuje varianty rychle, ale člověk přidává kontext značky, kulturní relevanci, strategický záměr. Pattern, který vidím konzistentně.

Meta Ads: Nabídka je důležitější než kreativa

Meta na konci 2024 spustila Andromeda. Algoritmus se neptá "komu to zobrazit." Ptá se "co mi říká váš obsah o tom, koho hledáte."

V klientských účtech to vidím jasně — úzké cílení obecně moc nefunguje. Diverzifikace formátů a multimédií pomáhá. Ale co reálně dělá největší rozdíl, není kreativa sama o sobě. Je to nabídka. Pracujeme víc s daty o tom, co je vstupní produkt. Co kupují zákazníci jako první u nás. Čím vstoupí do našeho světa — pokud to takhle poeticky přeženu.

Můžete mít skvělou kreativu na špatný produkt — a algoritmus to nevyřeší. CPM v Advantage+ vzrostly o 94 % YoY. Zajímavá korelace: děláme věci rychleji, ale platíme za to víc. Kam ta rovnice konverguje?

Nezávislá Measured.com po 30+ testech zjistila, že platformový ROAS Advantage+ nafukuje realitu — ASC silně alokuje na existující zákazníky. Jako tachometr, co ukazuje 180, ale jedete 90. Většina agentur to přehlíží — platformový reporting vypadá skvěle a nikdo se neptá, kolik z toho je skutečný přírůstek.

Kreativní diverzita je kompetitivní páka — 12–20 konceptů, refresh každé 1–3 týdny. AI tady pomáhá, zrychluje iteraci variant. Ale bez jasné nabídky a pochopení vstupního bodu zákazníka je i ta nejlepší kreativa jen hezký obrázek, který nic neprodá.

Co to znamená — pro nás, pro Česko, pro vás

Skoro nikdo v marketingu neřeší bezpečnost práce s AI. API tokeny na frontendu, konverzace sdílené pro učení modelů — jedno přepnutí v nastavení, ale kdo o tom ví? Řešíme kampaně za miliony a málokdo se ptá, kam klientská data tečou. To by měla být základní hygiena.

V Česku se o AI hodně mluví, ale data dosud chyběla — APEK spustil první benchmark AI v českém e-commerce teprve v lednu 2026. Rohlik, Alza, Smartsupp jsou dál, než by člověk čekal. Ale běžný e-shop? 69 % českých firem nemá datovou strategii. A firma, která chce "AI personalizaci," ale nemá vyřešenou ani segmentaci zákazníků, řeší špatný problém. Technologie není bariéra. Základy jsou bariéra. Děravý kbelík.

A z agenturního prostředí: 27 % agentur už bylo požádáno o snížení cen kvůli AI. AI neeroduje kreativitu. Eroduje cenovou sílu dobrých nápadů. Zajímalo by mě, jak se tahle dynamika vyvine za rok.

Občas se mě klienti ptají, jestli je AI hrozba nebo příležitost. Říkám si, že to je špatná otázka. AI je nástroj. A nástroj sám o sobě nic nezmění — záleží na tom, kdo ho drží, proč a s jakým kontextem.

AI zrychluje to, co už funguje. Nezachrání to, co nefunguje. Nemáte čistá data? Dostanete sebevědomější špatné odpovědi. Nemáte jasno v tom, komu prodáváte? Žádný model to za vás nevymyslí.

Začal jsem tichým testováním na vedlejších projektech. Dneska AI řídí podstatnou část naší interní infrastruktury. Ale to, co se nezměnilo — a co se nezmění — je potřeba rozumět tomu, co se děje pod kapotou. Ať už je to kampaň, web, data, nebo jazykový model.

Algoritmus odpovídá na otázky. Ale někdo musí klást ty správné.

---

Za technické základy děkuji Honzovi Baráškovi. Za machine learning Jirkovi Maternovi z Machine Learning College. Kompletní datový research k tomuto článku s citacemi z McKinsey, Gartner, ČSÚ, EIB, Measured.com a dalších je k dispozici na vyžádání.