Co je umělá inteligence? Průvodce pro podnikatele, kteří chtějí víc než jen chatovat

1. Moment, kdy přestanete AI brát jako hračku

Stáhl jsem XML soubor všech objednávek z našeho e-shopu. Otevřel Claude.ai. Vložil. Napsal mu jen krátký prompt, který začínal dotazem: „Umíš s tím pracovat?" A pak jsem chvíli jen zíral, co se dělo dál.

Claude si nepřečetl ten XML jako tabulku. Napsal si vlastní Python kód, prohrabal data, spočítal vazby mezi produkty a zákazníky a vrátil mi tři pozorování, které jsem nikdy ze svých excelových tabulek nevyčetl. Tehdy mi v hlavě vznikl nápad na produkt, ze kterého postupně vyrostly Spacestats. Umělou inteligenci jsem od té chvíle přestal vnímat jako vylepšený Google.

Tenhle text je pro vás, kdo s AI nyní začínáte stejně jako já v roce 2023. Tehdy byl ChatGPT pomocník na přepisování e-mailů a nic víc. Ukážu vám rozdíl mezi chatovacím použitím AI a jejím nasazením v reálném byznysu: data, schvalování, rizika, náklady a hranice autonomie. Vycházím z toho, co jsme za poslední rok postavili pro české e-shopy: analytika objednávek, automatické odpovědi na komentáře pod reklamami, interní monitoring KPI.

Předem upozorňuju: tohle není akademická definice ani PR prospekt. Pokud chcete pochopit, co AI v roce 2026 vážně umí a kde leží hranice mezi hypem a praxí, jste tady správně.

2. Co je umělá inteligence (a co rozhodně není)

AI není databáze, vyhledávač ani lidské myšlení v počítači. Není to robotický mozek, který by chtěl vládnout světu. A přes všechen marketing nejde ani o „myšlení" v lidském slova smyslu.

Umělá inteligence v roce 2026 znamená v naprosté většině případů velký jazykový model, anglicky Large Language Model, zkratka LLM. Patří sem ChatGPT, Claude, Gemini, Grok a podobné. Pod kapotou je to gigantický statistický stroj, který se naučil z miliard textů z internetu předvídat, jaké slovo je nejpravděpodobnější další. Nic víc, nic míň. Když mu napíšete „Praha je hlavní město", odhadne, že další slovo bude „Česka", protože to viděl v tréninkových datech milionkrát.

Z této banální vlastnosti vyrostlo něco zajímavého. Modely se postupně zlepšily nejen v predikci slov, ale i v predikci kroků řešení problému, struktury kódu, postupu ve firemní analýze. Adopce AI v Česku roste rychle, ale přesná čísla se liší podle metodiky a podle toho, zda zahrnují i AI funkce zabudované v běžných aplikacích (Microsoft Copilot v Office, autoresponder v Gmailu, návrhy v Adobe).

Důležitý rozdíl, který v běžných článcích nenajdete. Stará školní informatika učila programovat pravidla: pokud zákazník koupil X, doporuč Y. AI nedostane pravidla. Dostane data a sama si vytvoří vnitřní model toho, jak svět funguje. Když jí pak řeknete „doporuč produkt", použije ten model. Někdy se trefí lépe než zkušený obchodník. Někdy si vymyslí nesmysl s naprostou jistotou. Tomu druhému se říká halucinace a je to největší problém produkčního nasazení (tedy AI nasazené v reálném provozu, ne v hraní).

A poslední věc k definici. Když slyšíte zkratku AGI (artificial general intelligence), znamená to hypotetický model, který by uměl všechno, co umí člověk. AGI dnes neexistuje, a o tom, kdy přijde, se odborníci nedohodnou. Co máme teď, se technicky jmenuje Narrow AI neboli úzce zaměřená inteligence. Stačí to na nepředstavitelně užitečné věci. Nestačí to na nahrazení mozku.

3. Kolik volnosti dát AI

První verzi našeho AI analytika Axela jsme stavěli klasicky. Inženýrsky čistě. Pro každý úkol jsme mu dali nástroj: spočítej obrat za měsíc, načti skladové zásoby, srovnej cenu s konkurencí. Desítky nástrojů, každý pečlivě nakódovaný. Hlavní motivace byla úspora tokenů (jednotek, ve kterých se platí za AI volání).

Výstupy byly průměrné. Axel uměl odpovědět, kolik jsme měli minulý měsíc objednávek. S ničím novým nepřišel.

Pak jsem mu všechny nástroje sebral. Dal jsem mu surová data padesáti tisíc objednávek a řekl: poraď si. A výstupy se výrazně zlepšily. Axel sám napsal Python skripty, sám si položil otázky, které mě nenapadly, a sám našel vzor: zákazníci, kteří v lednu objednali doplňkový sortiment, mají v dubnu třikrát vyšší pravděpodobnost druhého nákupu než ostatní. Tohle žádný náš nástroj nemohl odhalit, protože jsme se na to nikdy nezeptali.

Z toho jsem se naučil rozlišovat dva režimy. Pro explorativní analytiku, kde hledáte něco, co nevíte, dejte modelu volnost a širší kontext. Pro akce v produkci, kde model něco doopravdy mění (rozesílá e-maily, mění ceny, odpovídá zákazníkům), naopak držte úzké nástroje a explicitní pravidla. Co se hodí pro hledání vzorů v datech, by ve výrobním prostředí způsobilo chaos.

Praktický důsledek pro vás. Pokud někde stavíte AI řešení a dostáváte mdlé výsledky, zeptejte se: dělá ten agent průzkum, nebo vykonává akci? Pro průzkum chybí kontext. Pro akci chybí jasně definovaná pravidla. Diagnóza určuje řešení.

4. Typy AI nástrojů: AI-first vs. AI přidaná dodatečně

Trh je dnes plný „AI nástrojů". Většina z nich jsou starší produkty, ke kterým někdo přilepil ChatGPT API a do názvu přimaloval fialovou hvězdičku. Říkám tomu AI nalepená navrch. Funguje to obvykle špatně, protože samotný produkt nebyl navržen kolem schopností AI.

Druhý typ je AI-first architektura. Tady je velký jazykový model jádrem celého řešení a kód kolem něj existuje jako nezbytný obal pro datový vstup, autentizaci, logování a uživatelské rozhraní. Spacestats jsme od první řádky stavěli takto. Nejsme produkt s AI funkcí. Jsme AI agent obsluhovaný minimem kódu nutného k tomu, aby pracoval v reálném prostředí e-shopu.

Rozdíl uvidíte na výsledcích. AI nalepená navrch vám napíše univerzální e-mail „Děkujeme za nákup". AI-first agent zná historii zákazníka, ví, že kupuje podruhé, a doplní e-mail o informaci, že produkt, který si vybral, jste minule dodali za 24 hodin. Rozdíl není v modelu, ale v tom, zda má systém přístup ke kontextu zákazníka a smí podle něj jednat.

Druhé dělení je podle typu úkolu. Generativní AI vyrábí obsah: texty, obrázky, kód, video. Sem patří ChatGPT, Midjourney, Claude, ElevenLabs. Analytická a agentní AI řeší konkrétní úkoly s daty a akcemi v reálném světě. Naši Axel a Herb spadají do druhé kategorie. U e-shopů bývá vyšší dlouhodobá hodnota právě v analytice, zákaznické podpoře a interních procesech, než v jednorázovém generování obsahu pro marketing. Osobně si myslím, že kreativní práce tvořená lidmi, od fotek a videa přes hudbu a texty až po web design, bude AI porážet ještě dlouho. Generativní modely hledají nejpravděpodobnější řešení, a nejpravděpodobnější řešení je z definice průměr. Proto čistě AI generovaná kreativa málokdy přinese něco originálního. Neznamená to, že AI v kreativě nemá místo. Má, a velké. Jen platí, že výstup z AI v rukou grafika porazí výstup z AI v rukou člověka, který řemeslu nerozumí. Nástroj se změnil, vkus a cit pro řemeslo zůstávají tím nejpodstatnějším rozdílem. Ostatně přesně proto říkáme, že stavíme na AI a spoléháme na lidi.

Jak poznáte, jestli kupujete AI-first produkt, nebo produkt s AI přidanou dodatečně? Zeptejte se, kdy začal vývoj jádra. Pokud firma startovala v roce 2018 a v roce 2024 přidala AI tlačítko, je to skoro vždy AI přidaná dodatečně. Pokud firma vznikla v roce 2023 nebo později a od začátku staví kolem LLM API, pravděpodobněji to bude AI-first produkt. Není to dokonalá metrika, ale jako první filtr funguje.

5. Jak vypadá AI agent v provozu

Náš další agent se jmenuje Herb. Odpovídá na komentáře pod Meta reklamami pro klienta, kterému jsme ho nasadili jako automatizaci komunikace s publikem. Vysvětlím, jak funguje, protože to ukazuje, kde dnes leží hranice mezi automatizací a riskováním.

Komentář přijde pod reklamou. Herb ho během sekundy vidí, sáhne do databáze e-shopu a zkontroluje, jestli člověk, který komentuje, u klienta v minulosti něco objednal. Pokud ano, ví, kdy a co. Sestaví návrh odpovědi a pošle ho do webového rozhraní Spacestats, kde Herb žije, nebo na Telegram klienta. Klient vidí příspěvek, všechny komentáře pod ním a u každého rovnou připravenou odpověď od Herba. Může si ji nechat vygenerovat znovu, upravit, nebo když je napsaná dobře, jedním klikem odeslat. Odpověď se hned objeví přímo pod příspěvkem nebo reklamou na Facebooku či Instagramu.

Výsledek? Klient odhaduje úsporu času na odbavení komentářů zhruba o tři čtvrtiny oproti stavu před nasazením. Konkrétní čísla závisí na objemu komentářů, který facebooková stránka a reklamy generují. Žádný komentář ale neuteče bez schválení. Tomu se říká human-in-the-loop, doslova člověk v procesu. Znamená to systém, kde AI udělá většinu práce, ale klíčové momenty (odeslání zprávy ven, změna ceny, rozhodnutí o vrácení peněz) potvrzuje člověk.

Můj pohled na produkční AI v roce 2026: tam, kde AI komunikuje s reálnými lidmi nebo mění věci ve světě, je human-in-the-loop dnes velmi vhodný. Existují výjimky, ale jsou to výjimky. Kdykoliv někde slyšíte slib plně autonomního AI agenta, který vám něco rozhoduje bez kontroly, mějte se na pozoru. Buď to nefunguje, nebo brzy přestane. Nebo funguje, dokud nezpůsobí škodu, kterou nikdo nečekal. Budoucnost je v proaktivní AI a větší autonomii agentů, ale v roce 2026 tam ještě nejsme.

Plánujeme Herba postupně automatizovat víc. Otázka je, jestli to klienti budou chtít. Můj odhad: u komunikace s lidmi zůstane člověk v procesu nadlouho. U interní analytiky, kterou dělá Axel, půjde autonomie rychleji dál.

6. Kam odcházejí vaše data

Tato sekce se často opomíjí, ale měla by tu být. Pokud chcete AI použít na firemní data, musíte rozumět tomu, kam odcházejí.

Free a Plus verze chatovacích nástrojů (ChatGPT, Claude.ai, Gemini Free). Obsah, který tam vložíte, může poskytovatel použít ke zlepšení svých modelů, pokud to explicitně nezakážete v nastavení. Každý z těchto nástrojů to umožňuje. U Gemini free verze sice lze trénování vypnout (přes vypnutí Gemini Apps Activity), ale za cenu ztráty historie chatů. Citlivá firemní data (osobní údaje zákazníků, ceny, kontrakty, interní dokumenty) sem nepatří.

Placené API (OpenAI API, Anthropic API, Gemini API od Google). Tato vrstva má v podmínkách, že obsah zákazníka se k tréninku nepoužívá. Data se krátkodobě uchovávají pro kontrolu zneužití, řádově dny až týdny podle poskytovatele a nastavení, ale nepoužívají se na trénink modelů. Přesné lhůty najdete v aktuálních podmínkách konkrétního poskytovatele. Pro většinu firemních scénářů je tato vrstva přiměřená.

Lokální modely (Llama, Mistral, Qwen). Modely běží na vašem hardwaru, nebo na pronajatém dedikovaném serveru, který patří jen vám. Žádné odchozí volání na API třetích stran, data zůstávají pod vaší kontrolou. Nejvyšší úroveň ochrany. Cenou je menší kvalita oproti špičkovým komerčním modelům a nutnost se o provoz starat, ať už na vlastním hardwaru, nebo na pronajatém serveru.

Druhá rovina: smluvní vztahy. Pokud zpracováváte osobní údaje zákazníků a předáváte je AI poskytovateli, vzniká podle GDPR řetězec správce, zpracovatel a subzpracovatel (článek 28 GDPR). Potřebujete DPA (Data Processing Agreement) s poskytovatelem. Velcí poskytovatelé (OpenAI, Anthropic, Google) ho nabízejí standardně i pro běžné API účty, často je přímo součástí obchodních podmínek nebo se podepisuje online. Není to výsada drahých enterprise plánů.

Třetí rovina: logování a oprávnění. Každý prompt a každá odpověď AI agenta by měly být zalogované. Pokud agent provedl akci (poslal e-mail, změnil cenu), musíte mít možnost zpětně zjistit, proč k tomu došlo. Bez audit logu nemá AI v produkčním systému co dělat.

7. Kde ve firmě začít s AI (a kde rozhodně ne)

Nejčastější chyba firem, které s AI začínají: chtějí postavit agenta, který by řídil firmu, vyráběl produkty a do toho ještě uvařil kávu. Tedy něco velkého a vágního. Lepší přístup je obrátit pořadí.

Vyberte tři úkoly ve vaší firmě, kde by AI mohla pomoct, a vyplňte pro ně tabulku:

• Objem práce. Kolik hodin týdně na tom někdo tráví?
• Opakovatelnost. Jak moc se každý případ podobá ostatním?
• Dostupnost dat. Máme strukturovaná data, ze kterých může AI vycházet?
• Riziko chyby. Co se stane, když AI odpoví špatně? Trapný e-mail, nebo žaloba?
• Měřitelný dopad. Můžeme za měsíc změřit, jestli to funguje?
• Human-in-the-loop. Kdo bude schvalovat výstupy?
• Náklady na provoz. Kolik to bude měsíčně stát na tokenech? (Například AI avatar na HR pohovory, odpovídající v reálném čase, může na API měsíčně stát víc než člověk na částečný úvazek.)

Vyhrává úkol s velkým objemem práce, vysokou opakovatelností a měřitelným dopadem, u kterého je riziko chyby přijatelné. Typicky to bývají odpovědi na opakující se zákaznické dotazy, automatické třídění příchozích požadavků (reklamace, doprava, vrácení), sumarizace nahrávek z porad, generování popisků produktů ve velkém, hledání anomálií v prodejních datech. Naopak špatná volba, alespoň pro první projekt: cokoliv, kde chybný výstup způsobí právní problém, kde data nemáte digitalizovaná, kde je každý případ unikátní.

Druhá důležitá rada. Začněte s tím nejjednodušším: chatovacím nástrojem za 20 dolarů měsíčně. Vyřešte úkol manuálně v prostředí Claude nebo ChatGPT. Změřte čas, kvalitu, počet chyb. Pokud to funguje, máte důkaz o životaschopnosti a teprve potom investujte do vlastního agenta. Většina projektů, které jsme viděli zkrachovat, začala stavěním vlastního agenta dřív, než kdokoli ověřil, že problém vůbec dává smysl řešit pomocí AI. Takhle jsme se několikrát spálili i my.

8. Proč AI revoluce patří lidem s humanitním vzděláním

Nemám titul z informatiky. Studoval jsem filozofii a psychologii a živil se jako hudební producent a zvukový inženýr, od aranží po mix a mastering. Roky jsem to bral jako handicap pro práci v technologii. Poslední roky práce s AI mi ukázaly, že je to přesně naopak.

Práce s AI v roce 2026 vyžaduje schopnosti, které programátorské a technické vzdělání moc nepěstuje. Trpělivost s nejednoznačností. Schopnost rozebrat dlouhý text na argumentační kostry a najít slabá místa. Vůli číst stejnou věc desetkrát, než pochopíte, co autor opravdu říká. Schopnost kriticky přemýšlet nad systémy, které dnes nejsou řádky kódu, ale především text. Představivost. Tyto dovednosti vám dá analýza filozofických textů na vysoké škole. Ne kurz Pythonu. Na druhou stranu dodávám: jednoduchý interní nástroj dnes postavíte i bez seniorního vývojáře, ale u většího systému, který má běžet stabilně a dlouhodobě, se bez něj zatím neobejdete.

Ještě víc mě ale překvapuje, jak moc se práce s AI podobá hudební produkci. Producent stojí napůl cesty mezi technickým a kreativním povoláním. Pracuje s technickými nástroji, ale rozhoduje se podle emocí, co tenhle prvek udělá se skladbou, kam ji posune tempo, dynamika, nálada. Řeší barvu zvuků, akustiku nahrávací místnosti i přístup k postprodukci. A taky jak říct muzikantovi, že by skladbě prospělo, kdyby to, co chce zahrát, nezahrál. Když produkujete písničku, jste v dlouhém řetězci rozhodnutí. Skladba, texty, tónina, harmonie, melodie, rytmus, tempo, nástroje, mikrofony, studio, muzikanti, dynamika, aranž, mix, mastering. Každý krok závisí na předchozím. A platí pravidlo, které producenti znají: fix in the mix nefunguje. Pokud je první článek řetězce špatný, málokdy se ho v dalších částech povede zachránit.

Stavění AI nástrojů vypadá úplně stejně. Špatně definovaný problém. Mizerný prompt. Nedostatek kontextu. Chybně připravený datový základ. To všechno se v dalších fázích neopraví. Když vidíte AI projekt, který zápasí s výsledky, devětkrát z deseti se chyba stala na začátku, ne na konci.

Z toho plyne praktická rada pro firmy. Když najímáte člověka na práci s AI, nehledejte primárně technika. Hledejte někoho, kdo umí kriticky myslet, dobře číst a strukturovaně psát. Nástroje se naučí za pár měsíců. Kvalitní strukturované myšlení trvá léta.

Existuje pro to i termín. Prompt engineering (umění napsat dobrý dotaz na AI) ustupuje context engineeringu (umění modelu předat správný kontext, správně zarámovat úkol a kriticky analyzovat výstup). První dovednost se dá naučit za týden. Druhá je hlubší. Umět se na výstup podívat kriticky, nenechat se strhnout tím, jak sebejistě AI věci říká, a poznat, kdy vám model tvrdí něco, o čem víte, že má být jinak. A přesně tuhle dovednost trénuje humanitní vzdělání.

9. Mezi hypem a realitou

Když jsem v roce 2023 začal používat ChatGPT, byla AI overhyped. Lidé čekali, že za rok bude bez práce polovina programátorů a copywriterů. S příchodem Midjourney a dalších modelů na generování obsahu to vypadalo, že o práci přijdou i grafici a fotografové. Stalo se něco jiného. Polovina lidí se naučila s AI pracovat a posunula se v produktivitě. Druhá polovina to ignorovala a začíná to být znát na jejich kariéře.

Co znělo v roce 2023 jako přehnaný slib, dnes už v praxi funguje. Multimodální modely berou text, obraz, zvuk i video v jednom. AI agenti samostatně píší a upravují software celé hodiny v kuse (Claude Code, Codex, Gemini Code Assist). A modely udrží kontext celého projektu, ne jen jedné otázky.

Zároveň dnes existuje nový hype. Setkal jsem se s odhadem, že 80 až 90 % AI projektů zůstane v repozitáři na GitHubu a nikdy se nedostane do reálného provozu. Nepamatuji si přesný zdroj, ale s tím, co vidím u klientů a v komunitě, ten odhad odpovídá. Mnoho lidí propaguje na sociálních sítích AI postupy, které sami nepoužívají. Konference se předhánějí v ukázkách, které fungují pět minut na pódiu a pak ne.

Já sám sociální sítě kolem AI sleduji jen minimálně, šetřím si tím nervy a čas. Držím se primárních zdrojů. Newslettery přímo od OpenAI a Anthropic, jejich YouTube kanály, k tomu IBM Technology a občas podcast. Informace beru od těch, kdo modely staví, ne od těch, kdo o nich dělají obsah. A souhrn zbytku mi obstará aplikace Pulse AI od českého startupu BottlecapAI (bottlecapai.com/pulse), padesát minut týdně a vím to nejdůležitější.

Co bude dál podle mého odhadu? Multi-agentní systémy, kde se AI agenti baví mezi sebou a řeší komplexní úkoly. Lokální modely, které poběží na notebooku bez internetu. Lepší integrace s podnikovými systémy a databázemi. To všechno přijde v horizontu jednoho až dvou let, pokud nepřijde nějaký regulační šok.

Co AI stále neumí a nevypadá to, že brzy bude umět? Skutečné kauzální uvažování. Když AI řekne „B se stalo, protože A", má pravdu jen statisticky, ne příčinně. Pro většinu byznysových úkolů to stačí. Pro vědu, medicínu a soudnictví je to limit, který se zatím nedaří překonat.

10. Budoucnost už je tady

Po třech letech práce s AI mám jednoduchou tezi. V AI vidím budoucnost, ale ta budoucnost je teď. Není to „přijde za pět let". Není to „možná za dvacet". Je to možnost, kterou máte dnes večer, když si otevřete Claude nebo ChatGPT a začnete zkoušet.

Praktická rada na závěr. Nezačínejte výběrem nástroje. Začněte problémem, který vás ve firmě nejvíc bolí. Vyberte jeden opakovatelný proces. Otestujte AI na vzorku dat. Měřte čas, chybovost a náklady. Pokud to za měsíc dává smysl, rozšiřujte. Pokud ne, posouváte se na další úkol.

Když narazíte na strop placeného chatovacího nástroje a budete potřebovat něco vlastního (přístup k databázi, automatické akce, integrace), budete vědět, kde hledat pomoc. Stavění AI agentů na míru je dnes nové řemeslo. Učí se ho desetitisíce lidí, ale udělat agenta, který běží stabilně v produkci, s daty, logováním a lidskou kontrolou, je pořád vzácná dovednost. Spacestats vznikly přesně z této potřeby a podobné nástroje budou přibývat.

Pokud si z celého článku odnesete jen jednu věc, ať je to tato:

11. Časté otázky

Co je to umělá inteligence?

Umělá inteligence dnes v praxi znamená především velké jazykové modely, jako je ChatGPT, Claude nebo Gemini. Jsou to statistické systémy trénované na obrovském množství textů, kódu a obrázků, které ve vstupu hledají vzory a predikují pravděpodobný další krok nebo odpověď. Nejde o lidské myšlení, ale z této banální mechaniky vzniká dojem inteligence.

Co všechno umí umělá inteligence v roce 2026?

V praxi dnes AI zvládá přepis nahrávek a překlady, analýzu firemních dat, psaní a úpravu kódu, generování obrázků a videí, odpovídání na zákaznické dotazy, plánování úkolů a samostatné vyhledávání informací na internetu. Hranice se posunula od „umí napsat text" k „umí samostatně vyřešit zadaný cíl". U důležitých výstupů ale stále vyžaduje lidskou kontrolu.

Jak funguje umělá inteligence?

Model se při tréninku naučí z miliard textů odhadovat, jaké slovo nejpravděpodobněji následuje. Když mu pak položíte dotaz, skládá odpověď slovo po slově podle těchto naučených vzorů. Stejný princip se škáluje od dokončování vět až po psaní kódu a plánování úkolů. Spolehlivost ale není zaručená, model si občas vymyslí nesmysl s naprostou jistotou, tomu se říká halucinace.

Je AI bezpečná pro moje firemní data?

Záleží na použité službě, nastavení účtu a typu dat. Citlivá firemní data nepatří do bezplatných chatovacích nástrojů bez kontroly podmínek. Pro firemní použití je nutné řešit zpracování dat, DPA smlouvu, přístupová oprávnění, logování a smluvní podmínky poskytovatele. Pro nejcitlivější data existují lokální modely běžící na vlastní infrastruktuře bez odchozího internetového volání.

Jak využít AI v podnikání a e-shopu?

Mezi nejrychlejší výhry patří odpovědi na opakující se zákaznické dotazy, analýza prodejních dat a hledání anomálií, generování popisků produktů ve velkém. Pokročilejší úroveň znamená AI agenty proaktivně sledující KPI a hlásící odchylky, jak to dělá náš Axel pro klienty Spacestats.

Kdo vymyslel umělou inteligenci?

Mezi klíčové osobnosti patří Alan Turing s jeho teoretickou prací v 50. letech a John McCarthy, který je spojován se zavedením pojmu artificial intelligence na Dartmouth workshopu v roce 1956. Moderní éru velkých jazykových modelů významně ovlivnil výzkumný článek „Attention Is All You Need" z Google Brain v roce 2017. Veřejnost si AI všimla až v listopadu 2022, kdy OpenAI vypustila ChatGPT.