Umělá inteligence má už stovky tisíc různých modelů. Těch celosvětově nejpoužívanějších je sice v řádu desítek, ale z vlastní zkušenosti vím, že nové přibývají tak rychle, že je někdy těžké se v nich vyznat. Které AI modely mají tedy dnes skutečný smysl a kdy sáhnout po kterém? Vítězí ChatGPT, nebo snad čínský DeepSeek?

Jako výkonný ředitel společnosti Everbot AI modelů denně využívám hned několik. Umělá inteligence je u nás pevně zakotvena v samotných základech celé firmy, každý týden nasazujeme nového bota a tyto desítky virtuálních kolegů se už staly běžnou součástí naší organizační struktury. Připravil jsem tak praktický přehled, jak se mezi nejznámějšími AI modely pohybuji.

ChatGPT

• Používaný model: GPT-5, ale pořád i GPT-4o
• Pracovní paměť: 128 tisíc tokenů (zhruba 300+ stran textu)
• Nejlepší využití: analýza obchodních hovorů, tvorba interních školení zaměstnanců

ChatGPT aktuálně drží téměř 60% podíl na globálním trhu s AI chatboty a není se čemu divit. S nedávno představeným GPT-5 se očekávalo, že toto číslo ještě poroste. Naplnění slíbeného kontextového okna s kapacitou jednoho milionu tokenů a nevídaného výkonu se ale nekonalo. Já osobně jsem paradoxně po pár dnech testování dočasně přešel na Grok 4, což bych dřív vůbec nečekal.

GPT-5 mi začal dávat lepší výsledky až ve chvíli, kdy jsem si výrazněji nastavil personalizaci. Například na tvorbu video scénářů, náborových skriptů nebo scénářů pro práci se zákazníky jsem byl s výsledky spokojený. Pokud srovnám GPT-4o a GPT-5, tak u pětky oceňuji hlavně rychlost, ale celkově se mi se čtyřkou pracovalo přirozeněji. Často se k ní vracím, jelikož OpenAI pod tlakem nespokojené komunity zpřístupnilo zpět i starší modely.

I v naší firmě ChatGPT využíváme v řadě klíčových oblastí. Ročně vytváříme desítky interních vzdělávacích materiálů například pro náš obchodní tým. Umělá inteligence nám pomáhá zpracovávat srozumitelné návody, případové studie a také personalizované školicí scénáře. Teď už zvládá nejen bezchybnou češtinu, ale i přizpůsobit míru kreativity.

Často také využívám možnost přepisu a analýzy záznamů obchodních hovorů. Model nejen téměř bezchybně převede audio do souvislého textu, ale na základě promptu vyhodnotí i klíčové momenty a nabídne konkrétní doporučení ke zlepšení komunikace s klientem.

Nebo nahraji základní návrh obchodního pitche a model vygeneruje několik variant s různým tónem a zaměřením, přizpůsobených různým segmentům klientů. Tato personalizace pak výrazně zvyšuje engagement a s pomocí automatické zpětné vazby dokážou naši obchodníci uspět u 70 procent oslovených zákazníků.

---

Claude

• Používaný model: Claude 4 Sonnet a Opus 4.1
• Pracovní paměť: 200 tisíc tokenů (cca 500 stran textu)
• Nejlepší využití: Sonnet na prompt engineering, Opus na složité statistiky, analýzy a komplexní přemýšlení

Claude není kreativní střelec jako ChatGPT, ale spíš klidný stratég. Umí skvěle zpracovat velké objemy dat, takže je ideální na rozsáhlé datové analýzy a složitější analytické úkoly. Obvykle vybírám mezi modely Sonnet nebo Opus podle toho, co zrovna potřebuji. Sonnet je zaměřený na logické uvažování, zatímco Opus je vhodnější pro práci s AI agenty a kódování.

Když jsem s pomocí modelu Claude navrhoval obchodní oddělení, pomohl mi jasně definovat jednotlivé role a navrhnout, jak mezi sebou mají spolupracovat. Pracuji s ním taky na designu AI agentních struktur, kde Claude detailně navrhl, který agent bude zodpovědný za analýzu dat, který za komunikaci se zákazníky a jak mají tyto agenty mezi sebou efektivně předávat informace.

Je také skvělým pomocníkem pro tvorbu master promptů, což je vlastně takový hlavní, komplexní prompt nebo instrukce, která řídí chování AI modelu v rámci určitého úkolu. Při práci s českým výstupem buďte ale opatrní. Model je trénovaný hlavně na anglických datech, takže se může stát, že použije nepřirozené nebo nevhodné obraty.

Z mé zkušenosti je ideální kombinace využití analytického přístupu modelu Claude na hlavní prompt, který poté zpracuje ChatGPT – to je často trefa do černého.

---

Gemini

• Model: Gemini 2.5 Pro
• Pracovní paměť: přes 1 milion tokenů (celá kniha nebo rozsáhlý kód)
• Nejlepší využití: automatizace práce v Google Workspace

Největší sílu v Gemini vidím v hlubokém propojení se službami Googlu. Pro mě funguje jako spolehlivý firemní AI asistent. Rychle zvládá rutinní práci v prostředí Google Workspace, na kterém stojí naše firemní procesy. Píšu s jeho pomocí e-maily, které potřebuju mít dobře formulované, ale nechci se s nimi zdržovat. Často ho využívám ke shrnutí rozsáhlých tabulek v Google Sheets do přehledných výstupů pro rozhodování, například při hodnocení marketingových kampaní.

V některých oblastech má ale stále co dohánět. Sumarizace e-mailů ještě není úplně spolehlivá a při rychlém analytickém náhledu do tabulek mi občas přijde přesnější ChatGPT. Na druhou stranu když potřebuji rychle něco zpracovat přímo v Google Workspace bez nutnosti kopírovat data jinam, je integrovaný Gemini výborný pomocník, který udrží práci v tempu.

Poslední dobou Gemini zkouším i na scénáře řízení úkolů a testuji, jak díky umělé inteligenci optimalizovat týmovou spolupráci.

---

DeepSeek

• Model: DeepSeek V3
• Pracovní paměť: 128 tisíc tokenů (zhruba 300+ stran textu)
• Nejlepší využití: Transparentní rozhodovací proces a podpora vývoje softwaru

DeepSeek stojí na třech základních pilířích. Dokáže velmi efektivně pracovat hned v několika jazycích nad rámec obyčejného překladu. V daném jazyce „uvažuje“ a nabízí tak velmi kvalitní výstupy i například v technických oblastech. Výsledky navíc nepodává jen jako jednotný výstup, ale ukazuje postup svého uvažování. Lze tak sledovat logiku, která za řešením stojí, a mít nad ním co největší kontrolu.

Tento model v Everbotu nejvíce využívají především naši vývojáři a produktoví manažeři, kteří se podílejí na vývoji naší aplikace. Pomáhá jim například s generováním technické dokumentace, návrhem produktových architektur nebo při vývoji nových funkcí.

Často ho využívají také k revizi backendové logiky nebo při promýšlení práce s daty a správě vývojových větví. Oceňují hlavně to, že model ukazuje způsob, jakým k řešení došel, takže se s ním dá dobře testovat víc variant a vybrat tu nejvhodnější.

---

Grok

• Model: Grok 4
• Pracovní paměť: 256 tisíc tokenů (zhruba 600+ stran textu)
• Nejlepší využití: Pokročilá práce s daty a interaktivní vývoj kódu

Grok jsem ještě donedávna zapínal jen občas, spíš na sledování trendů v médiích než kvůli generativní práci. Nový model 4 ale díky svému výkonu, který ho posunul mezi špičku tradičních AI benchmarků, nakonec přilákal moji pozornost a po zklamání z ChatGPT 5 se stal mým dočasným útočištěm. Během dne po něm sáhnu, když potřebuji rychlou SWOT analýzu nebo výpočet ROI. Byl bych opatrný u ověřování faktických informací, jelikož občas trpí na halucinace.

Grok 4 není určený pro jednoduché úkoly jako základní chat nebo připomínky, tam by stačil nižší model. Místo toho vyniká v úkolech, kde potřebujete kombinovat data, podrobný výzkum nebo strategické myšlení.

Pro naše vývojáře je Grok 4 obzvláště cenný, jelikož funguje jako interaktivní programovací notebook. To znamená, že mohou psát kód postupně, řádek po řádku, a Grok si pamatuje kontext, což velice usnadňuje ladění, optimalizaci a testování kódu v reálném čase.

Jak se v tom vyznat?

Zorientovat se v tom, který AI model je na co nejlepší, může být docela únavné. Upřímně? Nedá se ani začít používat všechny. Každý umí něco trochu jiného, ale orientace mezi nimi vyžaduje čas a zkušenosti. Nejvíc se mi osvědčila kombinace ChatGPT a Claudu, ale klíčové je každý model opravdu dobře naučit na vlastních datech, bez toho to prostě nejde.

Osobně se těším na dobu, kdy už nebudu muset přemýšlet, který z modelů použít. Jen zadám úkol a systém si sám vybere ten nejvhodnější. Dnes je pořád trochu překážka, že uživatel musí znát jednotlivé rozdíly a rozhodovat se mezi nimi.

Tohle se snažíme řešit i v Everbotu. V jedné aplikaci propojujeme více AI modelů, takže stačí zadat jediný prompt a okamžitě vidíte odpovědi vedle sebe. Snadno je porovnáte a vyberete tu, která vám nejvíc vyhovuje. Odpadá tak zdlouhavé přepínání mezi nástroji i opakované zkoušení.