Prompt engineering

Prompt není zaklínadlo. Je to produkční kód vašeho e-shopu

Když AI píše popisky, odpovídá zákazníkům nebo třídí dotazy na podpoře, nemůžete si dovolit, aby výsledek závisel na náladě modelu. Popisek s vymyšleným parametrem znamená vrácené zboží. Odpověď v cizím tónu nahlodává značku, kterou budujete roky. A prompt, který „nějak funguje”, se rozsype při první aktualizaci modelu — a vy se to dozvíte od zákazníků, ne z reportu.

Nekonzistentní výstupy přitom nejsou jen kosmetika. Znamenají víc ručních oprav, pomalejší publikaci produktů, riziko špatných informací u zboží — a nejistotu, jestli se na automatizaci vůbec dá spolehnout.

Většina e-shopů má dnes prompty rozeseté po poznámkách, sdílených dokumentech a hlavách jednotlivců. Nikdo neví, která verze je aktuální, proč zrovna funguje a co se stane, když ji někdo „vylepší”. A čím déle to tak zůstává, tím hůř se AI škáluje: každá nová kategorie, jazyk nebo člen týmu otevírá stejný chaos znovu. To není systém — to je loterie s vaší značkou v sázce.

Od pokusů k systému: data → pravidla → produkce → kontrola

Prompty stavíme jako vývojáři, ne jako kouzelníci. Čtyři vrstvy:

• Data. Prompt dostane skutečná produktová data — parametry, kategorie, skladovost, tón vaší značky. Ne obecné zadání „napiš hezký popisek”.
• Pravidla. Definujeme, co výstup musí a nesmí obsahovat: povinné parametry, zakázané superlativy, právní formulace, délku i strukturu.
• Produkce. Prompty verzujeme a testujeme na sadě reálných produktů a dotazů z vašeho provozu. Každá úprava projde regresním testem — hned vidíme, jestli nezhoršila něco, co už fungovalo.
• Kontrola. Kvalitu měříme podle kritérií definovaných předem, ne od oka. Víte, kolik výstupů prošlo, kolik spadlo a proč.

Nestavíme prompty od stolu. Přes deset let děláme e-shopy — feedy, automatizace, produktová data — a přesně takhle držíme kvalitu ve vlastním nástroji GPTFEED, který generuje produktové popisky v objemech, kde ruční kontrola každého kusu není možná. Co si ověříme na vlastním provozu, teprve pak nasazujeme klientům.

Ukázka: třídění dotazů na zákaznické podpoře

Ilustrační průchod jedním dotazem:

• Vstup: e-mail zákazníka — „Objednal jsem před týdnem, nic nedorazilo, a navíc bych chtěl změnit barvu.”
• Zpracování: prompt dotaz klasifikuje (stav objednávky + změna objednávky), přiřadí prioritu a připraví návrh odpovědi s daty konkrétní objednávky.
• Výstup: roztříděný tiket s hotovým návrhem odpovědi — operátor kontroluje a odesílá, místo aby četl, třídil a psal od nuly.

Stejný princip funguje pro popisky (vstup: parametry produktu → výstup: popisek v tónu značky), překlady variant do dalších jazyků nebo kategorizaci recenzí.

Co přesně dostanete

• Auditní zprávu: kde vaše AI implementace ztrácí kvalitu a proč
• Produkční prompty pro vaše use-casy — popisky, podpora, klasifikace dotazů
• Verzovanou promptovou knihovnu se šablonami připravenými k použití
• Testovací sadu reálných případů a kritéria měření kvality
• Doporučení pro volbu modelu, práci s daty a navazující workflow
• Zaškolení týmu, aby prompty uměl rozvíjet bez rozbití toho, co funguje

Nic z toho neskončí v šuplíku: knihovnu tým používá a upravuje bez začínání od nuly a součástí předání jsou i pravidla, kdy výstup pustit automaticky a kdy ho musí zkontrolovat člověk.

Co jde ven samo a co po schválení

Hranici automatizace nastavujeme s vámi, ne za vás. Typicky: interní výstupy (klasifikace dotazů, pracovní návrhy popisků) běží automaticky, cokoli směrem k zákazníkovi — odeslané odpovědi, publikované popisky — prochází schválením člověkem, dokud vám testovací sada nedá důvod pustit víc. Součástí návrhu je i datová hygiena: jaká produktová a zákaznická data smí do modelu vstoupit, v jaké podobě, a co zůstává výhradně u vás.

Kdy vám prompt engineering nepomůže

Buďme upřímní — jsou situace, kdy lepší prompt nic nezachrání:

• Nemáte definovaný proces ani cílový výstup. Nejdřív je potřeba vědět, co má AI vlastně dělat — to je práce pro úvodní konzultaci, ne pro knihovnu promptů.
• Problém je v datech. Neúplné parametry produktů, děravý feed, chybějící kategorizace. Lepší prompt nezachrání špatná data — nejdřív se opravují ona.
• Skutečný zádrhel je integrace. Když AI nemá jak číst objednávky nebo zapisovat do e-shopu, řeší se napojení a workflow, ne formulace promptu.

Pokud u vás platí něco z toho, řekneme vám to na první schůzce na rovinu — a navrhneme, co dává smysl řešit místo toho.

Střílí vaše AI jednou trefu, jednou vedle?

Pošlete nám 3–5 výstupů, se kterými nejste spokojení — popisky, odpovědi podpory, cokoli. Vrátíme vám stručnou diagnózu: jestli je problém v promptu, datech, procesu nebo integraci — a co má smysl řešit jako první. Nezávazně.