AI nehalucinuje. Iba ti zrkadlí ako presne vieš formulovať to, čo máš v hlave

Pred pár mesiacmi som si všimol vzorec. Spýtal som sa AI niečo o kvalite — odpoveď bola všeobecná. Skúsil som druhýkrát, presnejšie — lepšie, ale stále off. Tretí pokus, kedy som popísal úplne presne, čo riešim — AI išla rovno k veci.

Prvé, čo mi prišlo na myseľ: model halucinuje, alebo má v sebe slabý kontext k automotive. Ale keď som si to neskôr rozobral krok po kroku, zistil som niečo iné. AI nereagovala zle. Reagovala presne na to, čo som napísal — a to čo som napísal nebolo to, čo som si myslel.

Toto je medzera, na ktorú za 12 rokov v automotive narazil každý kvalitár. Ja som ju iba prvýkrát videl tak ostro, lebo som ju mal pred sebou v textovom dialógu.

To čo máš v hlave vs to čo napíšeš

V hlave máš kompletný kontext. Vieš, o ktorý diel ide. Vieš, ktorý je customer. Vieš, o ktorom procese hovoríš. Vieš, čo sa zmenilo. Vieš, čo si zatiaľ skúšal a čo si vylúčil. Vieš, ktorý audit nález to spustil. Vieš, že tvoj senior už raz povedal „toto bude o tom istom čo v Q3". Vieš všetko.

Do AI hodíš: „Mám problém s povrchovými defektami."

V tej vete nie je nič o type defektu, materiáli, customerovi, kedy to začalo, čo si vylúčil. AI vidí iba šesť slov a má dve možnosti. Buď ti generuje všeobecnú odpoveď z 5 najčastejších príčin povrchových defektov v automotive (presne ten generic output, ktorý ťa štve), alebo sa ťa pýta na kontext (presne ten flow, ktorý vidíš pri smerodajnej AI).

V oboch prípadoch problém nie je v AI. Problém je v tom, že tvoja externá formulácia neobsahuje to, čo máš interne v hlave.

A toto je presne moment, kde si senior kolega vedľa teba pri káve vie pomôcť bez toho, aby si mu to musel vysvetliť. Pozrie ti do očí, vidí výraz, vie, že riešiš ten istý prípad, ktorý si mu spomenul minulý týždeň. Doplní si kontext z neverbálnych signálov, z histórie vašich rozhovorov, z toho, čo vidí na nástenke za tebou.

AI nemá tieto kanály. AI vidí iba text. A iba ten konkrétny text v tom konkrétnom čase. Ak nedonesieš kontext, kontext sa nedoplní sám od seba.

Najprv som myslel, že AI halucinuje. Potom som zistil, že robí presne to, o čo som ju požiadal.

Prvá reakcia, keď dostaneš slabú odpoveď, je obrana ega. Model je hlúpy. AI v automotive ešte nedáva. Toto nie je pre náš segment. Niečo zlé je s modelom.

Toto je pohodlná interpretácia. Druhá interpretácia, ktorá je o niečo nepríjemnejšia, ale väčšinou pravdivá — AI dala presnú odpoveď. Tvoja otázka len nebola presná.

Test si môžeš spraviť sám. Zober si svoju poslednú otázku, ktorá vyzerala „AI to nevedela", a daj ju seniorovi kvalitárovi mimo vašej firmy. Niekomu, kto nepozná váš proces, vašich zákazníkov, vašu históriu. Sleduj, koľko follow-up otázok ti dá pred tým, než ti dá zmysluplnú odpoveď.

Ak ti dá 5 alebo viac otázok — tvoja AI ich potrebovala tiež. Len ti namiesto nich dala generic výstup, lebo nemá ako sa ťa pýtať bez toho, aby si dal AI explicitne povolenie pýtať sa ťa. Smerodajná AI (ako QualityOS) to robí. Generická AI nie — generuje štatisticky najpravdepodobnejšiu odpoveď v priestore tvojej vágnej otázky.

To nie je halucinácia. To je optimálna odpoveď v nedostatočnom kontexte.

Toto nie je problém AI. Toto je univerzálny problém komunikácie.

Po pár týždňoch som si všimol, že táto medzera medzi interným modelom a externou formuláciou nie je špecifická pre AI. Je všade.

Customer komunikácia. Pošleš zákazníkovi email „máme drobný problém s dimensional charakteristikou, ale je to pod kontrolou". Zákazník reaguje s tromi follow-up otázkami: ktoré charakteristiky, koľko kusov, či sú nejaké v jeho sklade. Ty si v hlave vedel, že je to nominálna hodnota +0.05 mm cez tolerance, na 12 kusoch z batch 4521, a žiadne nešli zákazníkovi. Ale v emaili je iba „drobný problém". Ping pong na 4 dni.

Audit response. Audítor sa pýta „popíšte mi reakčný plán na non-conformity". Odpovieš „máme reakčný plán, je v dokumentácii". Audítor: „ktorá dokumentácia, kde je RACI matica, kto je rozhodovacia autorita pri eskalácii". Ďalších 30 minút výsluchu, lebo si nepriniesol konkrétnosť hneď.

8D D2 — popis problému. Najslabšie miesto väčšiny 8D dokumentov. „Customer reported defect on housings." Bez množstva, batch, customer scorecard pozície, kedy detekované, kde detekované. D4 root cause potom blúdi, lebo D2 nezadefinoval scope.

PFMEA Failure Mode. „Surface defect." V poriadku ako tag, ale ako Failure Mode v PFMEA je to katastrofa — Severity sa nedá obhájiť, Occurrence je odhad, Detection je tipovaná. Failure Mode nie je dostatočne konkrétny, aby trojica informovala risk priority number.

Vo všetkých štyroch prípadoch je to ten istý mechanizmus. Vnútorný model je bohatý. Externá formulácia je chudobná. A druhá strana — či už audítor, customer, kolega, alebo AI — dokáže pracovať iba s externou formuláciou.

AI ako mirror, nie messenger

Zaujímavé na AI je, že ti túto chybu zviditeľní rýchlo. Ľudia ťa dlho znášajú s vágnymi formuláciami. Customer ti odpíše s otázkami, ale nepovie explicitne, že tvoj vstup bol chybný. Audítor ti dá dôveryhodný feedback, ale málokedy ti povie „tvoja odpoveď bola príliš všeobecná" — len si dá tichú poznámku. Kolega ti pomôže, lebo ťa pozná, ale prejde tým bez komentára.

AI nemá tento ohľad. Dostaneš nejakú odpoveď a buď ti pomôže, alebo nie. Ak nepomôže, nie je to len strata času — je to spätná väzba „tvoj input nebol dosť precízny".

Tu sa stáva kľúčový rozdiel, ktorý chcem zdôrazniť. AI nie je messenger. Je to mirror. Keď ti odpoveď nesedí, prvé, čo treba urobiť, nie je opraviť AI ďalšou otázkou. Treba sa vrátiť k pôvodnej otázke a prečítať si ju z pohľadu niekoho, kto nevidí, čo máš v hlave. Akú otázku by mal? Čo by si chcel doplniť?

Toto cvičenie sa volá output-input reflexia. Output ti hovorí, čo bolo s inputom v poriadku a čo nie. Použij to.

Konkrétne techniky lepšej formulácie

Pri praktickom používaní QualityOS som našiel 4 vzorce, ktoré zlepšujú kvalitu odpovedí dramaticky. Sú jednoduché a zaberú ti 30 sekúnd navyše. To je čas, ktorý ušetríš na 3 follow-up iteráciách.

1. Konkrétne pomenuj objekt. Nie „diel", ale „lisovaný plastový kryt svetlometu z polykarbonátu pre VW MQB platform". Nie „audit nález", ale „VDA 6.3 P6 audit nález ohľadom traceability na linke 03". Nie „reklamácia", ale „reklamácia od Renault, počet 240 kusov, mesiac 2026-04, charakteristika dimensional cez upper tolerance". Konkrétnosť robí 60 % rozdielu.

2. Konkrétne pomenuj zmenu. Kvalitárske problémy majú väčšinou trigger v čase. Nová forma, nový operátor, nová revízia, nový dodávateľ, nová zmluvná teplota. „Začalo to po revízii formy 12.5.2026" je 100× hodnotnejšia informácia ako „má sme problém od mája". Časová kotva je polovičná analýza.

3. Konkrétne pomenuj, čo si zatiaľ vylúčil. Toto sa nehovorí, lebo si myslíme, že je to zbytočné. Ale je to gold. „Operátor sme vylúčili — všetci traja produkujú rovnaký defekt. Batch sme vylúčili — defekt naprieč troma batch-mi. Paint booth filtration sme vylúčili — merania sú v rozsahu. Podozrenie máme na elektrostatiku medzi lisom a paint booth-om." Toto je 5 hypotéz preverených a 1 hypotéza zostávajúca. AI s týmto kontextom ti nebude opakovať „skontrolujte filtre". Pôjde priamo k elektrostatickej hypotéze.

4. Konkrétne pomenuj customer-a alebo štandard. Kvalita v automotive je customer-specific. „Aký je PPAP requirement?" — odpoveď AIAG-VDA general je všeobecná. „Aký je PPAP requirement pre BMW production part, Level 3, current revision Q1 protokol?" — AI ide rovno k BMW Customer Specifics. Mená customer-ov a štandardov sú anchor pre concrete answer.

Tieto 4 vzorce ovplyvňujú kvalitu odpovede viac ako akékoľvek vylepšenie modelu, ktoré sa stane v ďalšom roku. Nie tým, že robíš inú AI, ale tým, že prinášaš inú otázku.

Side effect — celkovo lepší inžinier

Po pár mesiacoch tej disciplíny som si všimol niečo nečakané. Začal som lepšie písať emaily customerom. Audit responses sa skracovali, lebo audítor nemal toľko follow-up otázok. 8D D2 popisy boli ostrejšie. Tím meeting agendy mali jasnejšie body.

Nebol to plánovaný side effect. Bol to dôsledok toho, že som si zvykol pýtať sa v hlave „ak by toto čítal niekto, kto nevidí môj proces — pochopil by, čo riešim?" — pretože presne túto otázku som potreboval položiť pred každou interakciou s AI. A keď si ju kladieš každý deň, prirodzene ti vleze aj do iných kanálov.

Toto je ten nečakaný benefit, ktorý sa v marketingu AI tools nikdy nespomína. Predáva sa rýchlosť, automatizácia, efektivita. Reálna hodnota pre skúseného kvalitára je často disciplína formulácie, ktorú si nadobudne ako vedľajší účinok denného používania.

V HELLA-Forvia som mal 24-členný tím. Polovica z nich boli juniori. Najslabšia vec na ich práci nebol nedostatok znalostí — bol to nedostatok presnosti v komunikácii. „Máme problém" namiesto „máme nezhodu na charakteristike X v procese Y od dátumu Z". AI im túto disciplínu trénovala rýchlejšie než ktorýkoľvek mentor-program.

Strategická téza — AI ako tréner, nie iba ako tool

Štandardná naratíva AI v práci je „AI mi šetrí čas, urobí to za mňa rýchlejšie". Toto je užitočné, ale chudobné.

Bohatšia naratíva, ktorú som videl fungovať pri kvalitároch, je „AI ma trénuje formulovať veci jasnejšie, lebo mi neodpustí, keď to neviem". Ľudský kolega ti odpustí. Audítor ti odpustí (a dá si poznámku). Customer ti odpustí (a pošle follow-up emaily). AI ti neodpustí — dostaneš generic output a vidíš to v reálnom čase.

Tento systém spätnej väzby je rýchlejší ako akákoľvek mentorovacia rola, ktorú by si mohol mať. Senior kolega ťa môže opraviť raz za týždeň. AI ťa opraví 30× za deň, pokojne a bez ego-vzťahov.

A keď to robíš pol roka, tvoja verbálna disciplína sa zlepší naprieč všetkými kanálmi.

V QualityOS sme tento prístup zabudovali do AI Assistanta explicitne — pýta sa containment pred root cause, scope pred hypotézou, evidence pred záverom. To znamená, že už pri prvej otázke ti formuje precíznejšiu odpoveď tým, že ťa donúti k precíznejšiemu vstupu. Ale princíp platí všeobecne, aj keď používaš inú AI.

Najbližšie keď dostaneš slabú odpoveď, nepýtaj sa „čo je s AI". Pýtaj sa „čo bolo s mojou otázkou".

V automotive kvalite ten rozdiel rozhoduje o tom, či sa do problému ponoríš za hodinu, alebo za týždeň.

Podľa mňa je AI najlepší tréner formulácie, ktorého môžeš mať. A keď si to uvedomíš, prestaneš s AI bojovať a začneš ju používať ako mirror, ktorým je.