Přístup k dokumentům ještě není správa know-how. Co AI potřebuje, aby pracovala spolehlivě?

Moderní AI asistenti dokážou pracovat se soubory ze sdílených firemních úložišť. Samotné připojení úložiště proto může být pro některé případy použití užitečné. Pro řízené využívání firemního know-how je však potřeba víc než jen technická dostupnost dokumentu. Článek se zaměřuje na specializovanou znalostní vrstvu, která určuje, co patří ke schválenému know-how, kdo k němu má přístup, zda je stále platné, jak se má používat a v jaké podobě je obdrží model nebo jiný systém.

Základní kontext

Moderní AI asistenti dokážou pracovat se soubory ze sdílených firemních úložišť. Samotné připojení úložiště proto může být pro některé případy použití užitečné. Pro řízené využívání firemního know-how je však potřeba víc než jen technická dostupnost dokumentu.

Tento článek porovnává dvě odlišné architektury. První propojuje AI s dokumenty v běžném pracovním úložišti. Druhá vytváří specializovanou znalostní vrstvu, která určuje, co patří ke schválenému know-how, kdo k němu má přístup, zda je stále platné, jak se má používat a v jaké podobě je obdrží model nebo jiný systém.

Rozhoduje souhra všech funkcí. Metadata, oprávnění i sémantické vyhledávání lze do určité míry vybudovat také nad obecnou platformou. Podstatné je, zda organizace všechny potřebné součásti navrhla, propojila, otestovala a dlouhodobě spravuje sama, nebo používá hotový systém, v němž už tvoří jeden funkční celek.

Článek při porovnání dvou odlišných architektur přístupu AI k firemním dokumentům vychází z následujících základních aspektů srovnání:

• Přístup k souboru není totéž, co správa know-how. AI dokáže vytvořit přesvědčivý návrh z neschválené, zastaralé nebo klientsky specifické verze; kvalita výstupu chybně zvolený podklad nenapraví.
• Pracovní a znalostní korpus plní odlišné role. Publikační hranice určuje, na co se lidé i AI smějí spolehnout; do knihovny vstupují pouze vědomě vybrané položky po lidské kontrole.
• Vyhledávání musí spojit význam s pevnými pravidly. Sémantická podobnost sama o sobě nevypovídá o použitelnosti; rozhodují fasety, platnost, publikační stav a oprávnění uživatele.
• Kvalita kontextu je důležitější než jeho velikost. Cílem je co nejmenší soubor skutečně použitelných položek, nikoli vše, co se dotazu podobá.
• Autoritativní absence je plnohodnotný výsledek. Systém má spolehlivě sdělit, že schválený podklad neexistuje, místo aby nabídl náhodně podobný pracovní dokument.
• Know-how se předává společně s pravidly použití. Ke schválenému obsahu patří instrukce k použití i určení podoby výstupu – celý dokument, citovatelná pasáž, samostatná klauzule nebo pracovní postup.
• Retence neřeší odbornou platnost. A právo dokument otevřít neznamená, že jej AI smí doporučit jako vzor.
• Mechanickou část tvorby dokumentů může převzít deterministický server-side processing. Stejné vstupy a verze vedou ke stejnému výsledku s doložitelnou auditní stopou.
• Přímé připojení úložiště má své místo. Může stačit u malých, stabilních a jednotně přístupných knihoven, které jsou manuálně spravované a uživatel vždy k nalezenému dokumentu následně modelu přidá instrukce k užití; s rostoucí organizační složitostí roste přínos samostatné znalostní vrstvy.

Přesvědčivá odpověď může začít u nesprávného dokumentu

Představme si právníka, který požádá AI asistenta o přípravu oboustranné dohody o mlčenlivosti pro českou společnost a německého obchodního partnera.

V pracovním úložišti se nachází aktuální dvojjazyčná šablona. Vedle ní jsou ale i starší jednostranná verze, vzor pro jinou jurisdikci, dokument výrazně upravený pro konkrétního klienta a pracovní návrh, který nikdy neprošel schválením.

Asistent najde některý ze souborů a vytvoří z něj jazykově přesvědčivý návrh. Uživatel však nemusí poznat:

• které další dokumenty vyhledávání nenašlo,
• proč asistent dal přednost právě této variantě,
• zda věděl, že jde o pracovní nebo klientsky specifický dokument,
• zda zohlednil změnu práva nebo interního postupu,
• zda znal pokyny k rozhodnému právu, podpisovým blokům a povoleným úpravám.

Výsledek nevypadá jako chyba, a právě proto může být nebezpečný. Ani kvalitní výstup modelu nenapraví nesprávně zvolený podklad. Mnohem důležitější je zjistit, zda AI dostala pro daný účel správné a schválené know-how spolu s pravidly jeho použití.

Obecná úložiště toho umějí mnoho. Správa know-how je však komplexnější problém

Běžné podnikové platformy umožňují vyhledávat, používat vybrané typy štítků a přebírat přístupová oprávnění ze souborového systému. Company knowledge v ChatGPT například respektuje stávající oprávnění uživatele a uvádí zdroje. Aplikace se synchronizací průběžně aktualizují obsah i oprávnění. Copilot Studio nad SharePointem omezuje výsledky podle oprávnění a může využívat tenant graph grounding se sémantickým vyhledáváním.

Tyto možnosti mohou být pro mnoho týmů užitečné. Skutečný rozdíl mezi obecným konektorem a specializovanou znalostní aplikací je nicméně třeba hledat dál než v samotné schopnosti vyhledávat v obsahu.

Rozdíl se ukáže při celé cestě od dotazu k výsledku:

Otázka	Obecné úložiště a AI konektor	Specializovaná znalostní vrstva
Kde je související soubor?	Obvykle dokáže dobře odpovědět	Dokáže precizně odpovědět
Je to schválené know-how, nebo pracovní dokument?	Závisí na navržených metadatech a konfiguraci	Rozlišuje pracovní návrh od publikovaného know-how přímo v obsahovém modelu
Je položka odborně stále použitelná?	Vyžaduje zvláštní proces nad rámec běžné retence	Platnost, revize a vyřazení z výsledků jsou řízenou součástí životního cyklu know-how
Smí ji AI doporučit jako vzor?	Obvykle se odvozuje ze zdrojových oprávnění a instrukcí agenta	Doporučení závisí na stavu publikace, platnosti, přístupu a pravidlech použití
Co znamená prázdný výsledek?	Vyhledávání nic nenašlo; agent může zkusit jiný zdroj	U spravovaných kategorií potvrzuje, že žádný schválený podklad není k dispozici
Jak má AI dokument použít?	Pokyny musí odvodit z dokumentu nebo obecné dovednosti	Instrukce jsou připojeny ke třídě obsahu i ke konkrétní položce
V jaké podobě se má obsah vrátit?	Závisí na konektoru a modelu	Podobu výstupu určuje typ znalosti a příslušná pravidla
Lze výsledek vytvořit opakovaně bez generativní variability?	Vyžaduje další automatizační vrstvu	Obsah lze propojit s deterministickým programem dokumentu
Jak se pracovní dokument stane schváleným know-how?	Obvykle zůstává ve zdrojovém korpusu; proces „povýšení“ na know-how je nutné doplnit	Vybraný soubor vstoupí jako návrh, projde klasifikací, kontrolou a teprve potom publikací
Co se stane, když se zdrojový dokument změní?	Synchronizace může aktualizovat dostupný obsah	Změna se předloží jako návrh; schválená verze se bez nového lidského rozhodnutí nezmění
Lze zpětně doložit, co AI obdržela?	Závisí na logování konkrétní platformy a konfiguraci	Záznam obsahuje verzi obsahu, pravidel, instrukcí, údajů o platnosti i způsobu předání

Obecnou platformu lze s většími či menšími obtížemi nakonfigurovat tak, aby pokryla určitou část pravého sloupce. Organizace tím ovšem sama přebírá návrh a provoz specializovaného znalostního systému. Vedle porovnání funkcí je proto třeba zvážit také volbu mezi konfigurovatelnou platformou a hotovou aplikací navrženou pro konkrétní účel.

Co obnáší vybudovat znalostní systém nad SharePointem

Nad obecnou obsahovou platformou lze vybudovat téměř libovolný podnikový proces. V praxi to ale vyžaduje více než zapnout konektor:

• navrhnout taxonomii a obsahové typy,
• určit vlastníky a schvalovatele,
• vytvořit pravidla platnosti a publikace,
• propojit metadata s vyhledáváním a pokyny pro AI agenta,
• rozhodnout, v jaké podobě má systém vracet šablony, odborné zdroje, postupy a klauzule,
• implementovat vrstvu, která bude výše uvedené realizovat,
• nakonfigurovat oprávnění a výjimky,
• udržovat celé řešení při změnách dokumentů, modelů a AI nástrojů.

Organizace tak může mít všechny potřebné technické stavební kameny, a přesto nemusí mít fungující znalostní systém. Dobře to ilustruje CRM řešení: lze je postavit i v tabulkovém procesoru, zatímco hotová aplikace už nabízí připravený datový model, pracovní postupy, bezpečnostní pravidla, uživatelské rozhraní a průběžný vývoj zaměřený na danou oblast.

Přesnější argument proto zní: Obecná platforma poskytuje stavební kameny. Specializovaná aplikace z nich vytváří hotový provozní model pro správu a použití know-how.

To může výrazně snížit náklady na návrh, integraci, údržbu i zavedení celého řešení v organizaci.

Pracovní úložiště a schválená knihovna plní odlišné role

Častou obavou je, že vznikne další úložiště. Pokud by specializovaná aplikace kopírovala celý týmový disk a průběžně zrcadlila každý pracovní soubor, vyvolalo by to další otázky: která verze je správná, co se stane po přejmenování, jak se budou synchronizovat oprávnění a zda se klientská úprava nemůže omylem stát novou šablonou.

Rozumnější je rozlišit dva korpusy:

1. Pracovní korpus obsahuje dokumenty z každodenní činnosti, klientské soubory, návrhy a historické výstupy.
2. Znalostní korpus obsahuje položky vědomě vybrané, upravené, klasifikované a schválené pro opětovné použití.

Takové uspořádání vytváří publikační hranici mezi tím, co organizace při své práci vytvořila, a tím, na co se její lidé a AI smějí spolehnout jako na schválené know-how. Data se tedy nekopírují bezúčelně; do znalostní knihovny se zařazují jen vědomě vybrané položky.

Dokument z pracovního úložiště lze vybrat jako kandidáta k opětovnému použití. Jednou z vhodných cest je výběr konkrétních souborů ze sdíleného úložiště. Aplikace pak průběžně nezrcadlí celý disk, ale načte pouze položky, které uživatel sám vybral. Soubor uloží jako návrh, zaznamená jeho původ a verzi zdroje a navrhne klasifikaci. Ke schválenému know-how jej lze zařadit teprve po kontrole člověkem.

Tato hranice je technická i organizační. Pro řízený výběr lze využít úzce vymezený přístup, tj. oprávnění ke konkrétním souborům, které uživatel zpřístupnil, nikoli jako přístup k celému disku. Například Google jej řadí mezi „non-sensitive“ rozsahy s přístupem po jednotlivých souborech. Tento přístup usnadňuje vědomý výběr jednotlivých položek. Pokud uživatel později znovu vybere tentýž soubor po jeho změně, schválený dokument se automaticky nepřepíše. Systém vytvoří návrh změny, o němž rozhodne správce.

Tento model zároveň překonává omezení adresářové struktury. Jeden dokument může současně spadat do určité právní oblasti, jurisdikce, jazyka, odvětví, typu transakce i oddělení. Do jediné stromové struktury jej proto nelze smysluplně zařadit podle všech těchto hledisek. Štítky a fasety umožňují dokument zobrazit v několika souvislostech, aniž by se musel kopírovat do různých složek.

Výsledkem je specializovaná knihovna, která slouží jako spolehlivý zdroj schváleného a opakovaně použitelného know-how.

Vyhledávání musí rozumět významu a současně respektovat pevná pravidla

Uživatelé se často neptají stejnými slovy, jaká obsahuje dokument. Mohou hledat „ujednání pro případ změny kontroly“, zatímco knihovna používá termín „change of control“. Sémantické vyhledávání může významovou podobnost zachytit i bez doslovné shody.

Sémantická podobnost ale sama o sobě neříká, zda je dokument použitelný. Významově velmi blízká klauzule může patřit do jiné jurisdikce, jiného typu smlouvy nebo již neplatné šablony.

Spolehlivý výběr výsledků proto kombinuje:

• plnotextovou shodu pro přesné pojmy a názvy,
• sémantickou podobnost pro různé formulace stejného záměru,
• štítky a fasety pro odbornou oblast, odvětví, jurisdikci, jazyk a typ dokumentu,
• stav platnosti a schválení,
• přístupová pravidla konkrétního uživatele,
• pravidla, která určují relevanci a způsob použití.

Výsledkem má být co nejmenší soubor použitelných kandidátů.

Tento přístup odpovídá vývoji retrieval-augmented generation. Původní koncept RAG propojil generativní model s externím vyhledáváním. Následný výzkum zdůraznil význam kvalitní indexace, doplnění kontextu k jednotlivým pasážím, filtrování a pečlivého výběru výsledků. Vektorová databáze ani dlouhé kontextové okno samy o sobě nezaručí, že model dostane správné podklady.

S delším kontextovým oknem roste význam kvalitního kontextu

Jeff Dean, Chief Scientist v Google DeepMind a Google Research, ve své přednášce na Princeton University z 10. února 2026 postavil vedle sebe dvě vlastnosti Gemini: delší kontextové okno a čistý kontext. V přednášce spojuje přehlednější informace v kontextovém okně s omezením halucinací a s učením v rámci kontextu. Důležitá tedy není jen velikost kontextového okna, ale zejména také kvalita podkladů, které model dostane.

Podstatná výhoda specializované znalostní vrstvy spočívá v tom, jak připraví kontext, který model po vyhledání obdrží. Určuje, které položky vůbec připadají v úvahu, které se před předáním modelu vyřadí a jaké instrukce se k vybranému obsahu připojí. Její přínos tak sahá dál než k nalezení významově podobného textu a zahrnuje také řízení pracovního kontextu.

Před předáním výsledku vrstva zohlední publikační stav, odbornou platnost, přístupová pravidla a strukturované fasety. Model tak může dostat malý soubor použitelných položek, případně spolehlivou informaci, že schválený podklad chybí. Vrstva vybraný obsah doplní pravidly použití a zvolí odpovídající podobu výstupu – celý dokument, přesný úsek, samostatnou klauzuli nebo postup. Pracovní kontext díky tomu zůstává přehledný, jednoznačný a dobře použitelný.

Výzkum dlouhého kontextu poskytuje tomuto návrhovému principu konkrétnější oporu. Liu et al. v práci Lost in the Middle zjistili, že výkon modelů může výrazně klesat podle toho, kde se relevantní informace v dlouhém vstupu nachází, a to i u modelů určených pro dlouhý kontext. Amiraz et al. následně ukázali, že nerelevantní pasáže dohledané RAG systémem mohou model rozptýlit a vést k nesprávné odpovědi. Práce RECOMP proto zkoumá kompresi dohledaného obsahu a selektivní doplnění kontextu, včetně možnosti nepřidat nic, pokud nalezené dokumenty nepřinášejí relevantní informace. Tyto studie podporují postup, při němž model dostane co nejmenší relevantní a řízený kontext namísto veškerého obsahu, který se dotazu podobá.

Někdy je nejlepší přiznat, že schválený dokument neexistuje

Obecné vyhledávání se obvykle snaží najít alespoň něco relevantního. Při odborné práci však někdy potřebujeme, aby systém spolehlivě rozpoznal, že mezi schválenými podklady není nic použitelného.

Prázdný výsledek běžného vyhledávání může mít řadu příčin: nepřesný dotaz, chybu indexace, chybějící oprávnění nebo skutečnou neexistenci dokumentu. Agent proto může hledání rozšířit, sáhnout do jiného zdroje nebo odpovědět na základě obecných znalostí modelu.

Autoritativní nepřítomnost však musí být vymezena přesně. Jestliže firma v systému spravuje vzory a klauzule, ale nikoli právní prameny, prázdné hledání mezi právními prameny nesmí vést k závěru, že neexistuje žádný právní předpis ani relevantní judikatura. Takový závěr by byl stejně nebezpečný jako volba nesprávného dokumentu.

Kvalitně navržená specializovaná vrstva proto rozlišuje, které třídy know-how firma skutečně udržuje. Existenci schváleného podkladu posuzuje podle spravované kategorie a schváleného korpusu celé firmy, takže nevychází jen z omezeného pohledu konkrétního uživatele. Může tak sdělit, že žádný schválený vzor neodpovídá dotazu, aniž by prozradila existenci položek, k nimž uživatel nemá přístup.

Jestliže je tedy specializovaná knihovna pro danou kategorii výslovně určena jako autoritativní zdroj schváleného know-how, může prázdný výsledek nést přesnější význam:

Pro tuto situaci není k dispozici žádný schválený vzor. Nepoužívej náhodně podobný pracovní dokument a vyžádej si odborné rozhodnutí.

Takové chování lze označit jako autoritativní absenci. Prázdný výsledek je v tomto případě řízenou odpovědí systému. V kritické situaci systém raději odmítne nabídnout „nejlepší dostupný odhad“ a zároveň se nevydává za autoritativní zdroj v oblasti, kterou firma vůbec nespravuje.

Také výzkum modelů ukazuje, že schopnost neodpovědět je důležitou součástí spolehlivosti. Zhang et al. v práci R-Tuning experimentálně ukázali, jak zlepšit schopnost modelu odpovídat na známé otázky a neodpovídat na otázky mimo jeho znalosti. Podobný princip lze uplatnit už před samotným dotazem na model. Specializovaná znalostní vrstva se nemusí spoléhat na odhad modelu, nakolik si je odpovědí jistý, a může zpracování zastavit na základě doložitelného faktu, že ve spravovaném korpusu pro danou kategorii chybí schválený podklad.

Tento princip je zvlášť důležitý u šablon, právních stanovisek, závazných interních postupů nebo obsahu s omezenou dobou platnosti. Přesvědčivě napsaný náhradní text zde nemusí být přijatelným výsledkem.

S dokumentem musí AI dostat také instrukce k použití

Ani správně vybraný dokument nezaručuje správné použití. Samotná šablona zpravidla nezachycuje všechny souvislosti, se kterými její autor pracoval:

• kdy se použije a kdy ne,
• jaké informace je třeba nejprve získat,
• které části jsou neměnné,
• které varianty závisejí na podmínkách,
• jaká ustanovení musejí být změněna společně,
• které chyby se opakují,
• kdy je nutná lidská eskalace.

Tyto informace tvoří nedílnou součást know-how a z textu dokumentu je nelze vždy bezpečně odvodit.

Výzkum The Instruction Hierarchy upozorňuje, že jazykové modely mohou mít potíže s rozlišením důvěryhodných systémových pokynů od textu uživatele nebo třetích stran. Autoři proto navrhují jasně stanovit prioritu jednotlivých úrovní instrukcí. Znalostní vrstva nemůže ovlivnit trénink externího modelu ani zaručit, že každý AI nástroj tuto hierarchii dodrží. Může však pracovat se stejným principem: pravidla použití držet odděleně od běžného obsahu, navázat je na konkrétní třídu a položku a předávat je spolu s výsledkem jako výslovné instrukce.

Specializovaná znalostní vrstva proto může vracet obsah doplněný instrukcemi k použití. Ty kombinují pravidla společná pro danou třídu dokumentů s pokyny ke konkrétní položce. Zároveň určují podobu výstupu:

• schválená šablona se vrátí celá, aby model neztratil podstatná ustanovení;
• odborný zdroj se vrátí jako přesné, citovatelné pasáže;
• samostatná klauzule se vrátí v čistém textu spolu s omezeními použití;
• pracovní postup se vrátí jako posloupnost kroků;
• původní soubor v binární podobě se předá tehdy, když je nutné zachovat strukturu a formátování.

Znalostní server tak určuje, co model dostane a podle jakých pravidel má s výsledkem dále pracovat.

Retenční politika neřeší odbornou platnost

Obecné obsahové platformy mohou podporovat retenční štítky, records management, klasifikaci citlivosti a automatické mazání či uchovávání. Tyto funkce jsou důležité, ale často bývají velmi složité na nastavení a udržování, a navíc řeší jiný problém.

Retenční politika například odpovídá na otázku, jak dlouho musí organizace dokument uchovat. Neříká nutně, zda je jeho právní nebo odborný obsah stále vhodný pro nové použití.

Odborná platnost dokumentu může záviset na:

• změně právní úpravy,
• rozhodnutí soudu nebo regulátora,
• novém interním pravidle,
• nahrazení šablony novou verzí,
• zkušenostech z dalších projektů,
• uplynutí pravidelného kontrolního intervalu.

Specializovaný systém může dokument po skončení platnosti skrýt nebo jej ponechat dostupný s jasným varováním. Několik souvisejících položek lze spojit s jednou událostí, například s účinností nové regulace. Pokud se datum účinnosti změní, promítne se změna jednotně do všech dotčených dokumentů.

Právě v tom se správa souboru liší od správy jeho odborné platnosti a použitelnosti.

Právo dokument otevřít ještě neznamená, že jej AI smí doporučit

Moderní konektory mohou respektovat oprávnění zdrojového systému. AI tak uživateli zpravidla nezpřístupní soubor, který nesmí otevřít přímo. Jde o důležitý bezpečnostní základ.

Znalostní knihovna však často potřebuje jemnější pravidla:

• uživatel smí pracovní dokument otevřít, ale AI jej nesmí nabízet jako schválený precedent;
• správce smí vidět neplatnou šablonu, ale běžný uživatel ji nemá dostat ve výsledcích;
• juniorní pracovník může získat položku pouze s upozorněním nebo povinnou kontrolou;
• klientsky specifická verze může být dostupná v příslušném spisu, ale nesmí vstoupit do obecné knihovny;
• neveřejný návrh může být viditelný schvalovatelům, nikoli běžným uživatelům knihovny.

Přístupová oprávnění určují, zda uživatel smí soubor otevřít. Znalostní politika jde o krok dál a určuje, zda jej systém smí v daném stavu a pro daný účel doporučit.

Modulární dovednosti fungují nejlépe ve spojení s konkrétním obsahem

Současné AI platformy podporují modulární dovednosti, které se načítají podle potřeby. Oproti jednomu rozsáhlému souboru se všemi firemními instrukcemi jde o podstatný posun.

Rozsáhlý univerzální manuál nicméně může (a s přibývajícím obsahem zpravidla bude) obsahovat pravidla z nesouvisejících oblastí, jejich duplicitní verze, vzájemné rozpory i časově citlivé informace.

Po načtení zabírá v kontextovém okně místo vedle dotazu, historie konverzace a dalších zdrojů. Výzkum dlouhého kontextu přitom ukazuje, že samotná kapacita okna nezaručuje stejně spolehlivé využití každé vložené informace.

Modulární dovednost popisuje obecný postup, například jak zkontrolovat smlouvu nebo připravit stanovisko. Specializovaná knihovna přidává pokyny vybrané podle konkrétního dokumentu, jeho třídy, platnosti a oprávnění uživatele.

Oba principy se vhodně doplňují. Dovednost určuje obecný pracovní postup a znalostní server dodává správný obsah včetně pravidel pro jeho konkrétní použití.

Od znalosti k opakovatelnému vytvoření dokumentu

Většina práce s know-how má generativní povahu. AI musí porozumět situaci, pracovat s neúplnými informacemi, navrhnout řešení a upozornit na nejasnosti.

Vedle toho existují kroky, které mají pokaždé proběhnout stejně:

• doplnit identifikační údaje na všech požadovaných místech,
• zvolit správné bloky podle zadaných podmínek,
• zachovat pořadí, formátování a neměnná ustanovení,
• sestavit dokument ze schválených částí,
• zaznamenat, které verze zdrojů byly použity.

Zde je vhodné oddělit úsudek od mechaniky. AI může zjistit potřebné údaje a vyřešit nejednoznačnosti; deterministický server potom sestaví dokument podle přesně definovaných pravidel. Stejné vstupy, stejná verze programu a stejné verze zdrojů mají vést ke stejnému obsahovému výsledku. Aby toto tvrzení nebylo jen marketingovou zkratkou, musí integrační rozhraní přesně vymezit také povolené vstupy. Kvalitní návrh proto zahrnuje jejich transparentní popis pomocí JSON Schema a OpenAPI. Server vynucuje stejné datové typy a povolené hodnoty, umožňuje pevně nastavit konkrétní verzi programu a zaznamenává přesné verze vložených částí. U souborů Word může systém vytvářet stabilní kontrolní součet obsahu. Regresní testy pak upozorní, pokud změna programu nebo zdrojové klauzule ovlivní dříve schválený výsledek.

Deterministické sestavování na správu know-how přirozeně navazuje a rozšiřuje ji. Jakmile organizace ví, která šablona je schválená, jaké má proměnné a za jakých podmínek se používají její jednotlivé části, může v tomto know-how vyhledávat a zároveň podle něj opakovatelně sestavovat dokumenty.

Kdy může přímé připojení úložiště stačit

Přímý konektor je rozumné řešení, pokud:

• existuje jen několik jasně odlišitelných souborů,
• uživatel zpravidla zná přesný dokument,
• všichni mají stejná přístupová oprávnění,
• obsah se mění zřídka,
• nejsou potřeba specifické instrukce ani revizní cykly,
• případný chybný výběr má omezené následky.

S růstem knihovny nicméně přibývají nejen soubory, ale také jejich varianty, vzájemné vztahy, jurisdikce, oprávnění, výjimky, instrukce a rozhodnutí o platnosti. Důvodem pro samostatnou znalostní vrstvu je především tato organizační složitost.

Jak specializovaná vrstva funguje v praxi

1. Pracovní dokument projde schválením a zařadí se do znalostní knihovny

Správce vybere kvalitní dokument z dokončeného projektu jako kandidáta k opětovnému použití. Může jej nahrát přímo nebo vybrat v připojeném disku prostřednictvím rozhraní s přístupem pouze ke zvoleným souborům. AI pomůže rozpoznat proměnné a podmíněné části. Pro každý soubor zvlášť navrhne klasifikaci podle odborné oblasti, jurisdikce, jazyka, odvětví a oddělení a připraví instrukce k použití.

Položka nejprve zůstane návrhem. Po odborném posouzení ji lze publikovat jako schválené know-how s doloženým původem, vlastníkem, účelem, přístupovými pravidly, dobou platnosti a způsobem použití. Novější verze stejného zdroje se znovu předloží ke kontrole, takže se do schváleného obsahu nikdy nepropíše bez nového lidského rozhodnutí.

2. AI připraví návrh ze správné šablony

Uživatel popíše požadovaný dokument běžným jazykem. Znalostní server spojí sémantické vyhledávání s pevnými filtry a vybere pouze použitelné kandidáty.

Spolu se šablonou předá modelu instrukce: které informace musí získat, co smí měnit, jaké varianty závisejí na okolnostech a co musí před odevzdáním zkontrolovat. AI tak pracuje se správným dokumentem a zároveň zná pravidla jeho použití.

3. Schválenou klauzuli lze použít znovu bez ztráty kontextu

Uživatel nepotřebuje celý vzor, ale například doložku o změně kontroly nebo ustanovení o indexaci ceny. Server vrátí čistý text příslušné části spolu s původem, podmínkami a omezeními použití.

Klauzule je doplněna informacemi o tom, kdy je vhodná a s čím musí být sladěna, takže se z ní nestane anonymní text vytržený z původního dokumentu.

4. Systém bezpečně přizná, že schválený podklad chybí

Pokud knihovna neobsahuje schválený precedent pro danou kombinaci jurisdikce, typu transakce a dalších podmínek, AI nedostane náhodně podobný pracovní dokument. Uživatel obdrží informaci, že je potřeba odborné rozhodnutí nebo vytvoření nového vzoru.

To je v kritické odborné práci stejně hodnotný výsledek jako nalezení správné šablony.

5. Mechanickou část tvorby dokumentu převezme deterministický server

AI nebo jiný systém obdrží seznam požadovaných údajů, získá je od uživatele a předá programu pro sestavení dokumentu. Server vyhodnotí podmínky, doplní údaje, sestaví schválené části a vrátí hotový soubor.

Model se může soustředit na odborný úsudek a nejednoznačné otázky. Opakovatelná mechanická část zůstává přesná, verzovaná a kontrolovatelná. Systém současně eviduje, která verze programu a které verze zdrojů byly použity a zda se výsledek změnil oproti poslednímu kontrolnímu výstupu schválenému člověkem.

6. Externí osoba vyplní údaje a obdrží hotový dokument

Specializovanou znalostní službu lze propojit s portálem, přes který klient, protistrana nebo jiný externí subjekt poskytne požadované údaje a dokumenty.

Požadované údaje určuje konkrétní program pro sestavení dokumentu. Portál proto ví, které informace musí získat, zobrazí je ve srozumitelném formuláři a po vyplnění je předá deterministickému generátoru. Výsledkem je dokument sestavený ze schválené verze know-how bez ručního přepisování údajů z nesourodých e-mailů a příloh.

Stejný princip lze prostřednictvím API využít v CRM, case managementu, klientském portálu nebo jiném podnikovém systému. Know-how se tím mění z pasivní knihovny na řízenou službu.

Budování důvěry

U důvěryhodného provozního modelu musí být možné zpětně ověřit, jaká pravidla byla při rozhodování použita. Kvalitní návrh proto kromě samotného předání obsahu zaznamenává klientskou aplikaci, druh výsledku, verzi dokumentu, verzi jeho pravidel, verzi instrukcí přiřazených ke štítku, stav platnosti i podobu výstupu. Změny publikačního stavu, klasifikace, platnosti a dalších obsahových pravidel procházejí auditem.

Podobný důraz na strukturovanou dokumentaci najdeme také v odborných rámcích pro odpovědnou AI. Výzkumníci společnosti Google v práci Data Cards označují původ dat, jejich zamýšlené použití a další vývoj za důležité informace pro odpovědné a informované nasazení. NIST Generative AI Profile podobně zdůrazňuje dokumentaci, hodnocení a řízení rizik v průběhu celého životního cyklu systému. Specializovaná znalostní vrstva využívá stejný přístup při správě organizačního know-how a jeho předávání. Původ, vlastník, účel, platnost, verzi a historii změn eviduje ve strukturované podobě.

U prázdných výsledků systém rozlišuje běžný stav „nic nenalezeno“, autoritativní absenci a situaci, kdy kandidáti existovali, ale vyřadila je pravidla přístupu, publikace nebo platnosti. Správce může zjistit důvod, aniž by se neoprávněný uživatel dozvěděl o existenci dokumentu s omezeným přístupem. Testy modelových scénářů navíc ověřují, co se zvolenému uživateli musí vrátit a co se mu naopak vrátit nesmí.

Tím se vyjasňuje i hranice odpovědnosti. Znalostní server může doložit, jaké údaje vydal po obdržení konkrétního požadavku. Nemůže však zpětně prokázat, že externí AI asistent službu použil pokaždé, kdy měl. Kvalitně navržená znalostní služba proto předává připojeným nástrojům také pravidla, která určují, kdy mají dát spravovanému korpusu přednost, a eviduje připojenou klientskou aplikaci. Testování směrování v různých AI aplikacích, podrobnější statistiky řazení výsledků a měření toho, zda systém vrací veškerý relevantní obsah, patří do navazující vrstvy nad základní governance.

Specializovaná aplikace má v této oblasti výhodu díky svému úzkému zaměření. Soustředí se na spolehlivý proces od schválení znalosti až po její použití. Může proto rozvíjet podrobné kontrolní mechanismy a auditní stopu, aniž by současně řešila všechny ostatní funkce univerzálního pracovního prostředí.

Přístup, schválení, instrukce a provedení tvoří čtyři samostatné vrstvy

Připojené úložiště zpřístupňuje dokumenty. Dobře nakonfigurovaná obecná platforma k nim může přidat určitá metadata, oprávnění a třeba i sémantické vyhledávání. Pro velmi jednoduché knihovny to může být dostačující. Tento přístup nicméně příliš dobře neškáluje a neřeší problematiku komplexně.

Specializovaná znalostní vrstva se stává důležitou tam, kde organizace potřebuje ucelený model správy a používání know-how:

1. Schválení – určit, co je publikované know-how, komu je dostupné a zda je stále platné;
2. Instrukce – předat know-how spolu s konkrétními pravidly a ve správné podobě;
3. Provedení – podle potřeby převést know-how do opakovatelného, verzovaného a deterministického pracovního postupu;
4. Nasazení – poskytovat jeden řízený zdroj různým AI nástrojům, ať už jako hostovanou službu, nebo ve vlastní infrastruktuře.

Obecná platforma může poskytnout stavební prvky takového systému. Specializovaná aplikace je nabízí jako předem integrovaný celek. Stručně řečeno: pracovní úložiště uchovává to, co firma má; správně navržená znalostní báze však reálně řídí, na co se její AI smí spolehnout. Její dlouhodobá hodnota spočívá ve schopnosti propojit jednotlivé možnosti dostupných technologií do důvěryhodného a prakticky použitelného procesu.

Zdroje a další čtení

• ISO 30401:2018 – Knowledge management systems – Requirements
• OpenAI: Company knowledge in ChatGPT
• OpenAI: ChatGPT apps with sync
• OpenAI: ChatGPT Workspace Agents
• OpenAI: Get started with ChatGPT Work
• Microsoft: Add SharePoint as a knowledge source in Copilot Studio
• Microsoft: Retention for SharePoint and OneDrive
• Google Drive API: Search by labels and field values
• Google Drive API: Choose Google Drive API scopes
• Google Picker: Overview
• Princeton CS: Distinguished Colloquium – Jeff Dean, 10 February 2026
• Google Research: Jeffrey Dean
• Gemini Team: Gemini 1.5 – Unlocking multimodal understanding across millions of tokens of context
• Anthropic: Customize Claude Cowork
• Anthropic: Agent Skills and progressive disclosure
• Anthropic: Contextual Retrieval
• Liu et al.: Lost in the Middle – How Language Models Use Long Contexts (TACL 2024)
• Amiraz et al.: The Distracting Effect – Understanding Irrelevant Passages in RAG (ACL 2025)
• Xu et al.: RECOMP – Context Compression and Selective Augmentation (ICLR 2024)
• Zhang et al.: R-Tuning – Instructing Large Language Models to Say „I Don’t Know“ (NAACL 2024)
• Wallace et al.: The Instruction Hierarchy
• Google Research: Data Cards – Purposeful and Transparent Dataset Documentation for Responsible AI
• NIST: Artificial Intelligence Risk Management Framework – Generative AI Profile
• Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Model Context Protocol: Architecture overview

---

Martin Loučka, Advokát | Librato.ai | Jetstack.cloud

Text vznikl ve spolupráci se společností Librato.ai, která vyvíjí specializovanou platformu pro správu a bezpečné využití firemního know-how v AI nástrojích. Její architektura staví zejména na řízení platnosti a přístupových oprávnění, instrukcích předávaných společně s obsahem a deterministickém sestavování dokumentů.