# Práce s AI a research

## Nástroje

Claude Code s Opus 5 jako hlavní pracovní prostředí, protože pracuje přímo se soubory; výstup je rovnou složka, kterou přebíráte, ne konverzace, ze které se něco vykopíruje. Vedle toho Cursor s GPT-5.6 na druhou, nezávislou verzi téhož zadání. Veřejné stránky Aibility jsem načítal přímo ze zdroje.

## Co jsem udělal jinak než „napsal to s AI"

Postavil jsem zadání **dvakrát paralelně, dvěma modely od různých výrobců**, které o sobě navzájem nevěděly a psaly do oddělených složek. Ne kvůli variantám textu, ale aby se ukázalo, kde se oba nezávisle shodnou (tam je rozhodnutí robustní) a kde se rozejdou (tam je rozhodnutí moje a musím ho obhájit). Odevzdání je sloučení obou větví, ne výstup jednoho běhu. Aby to sloučení nebylo jen dojem, hodnotily obě verze po blocích dva nezávislé modely naslepo, s randomizovaným pořadím a s kontrolou position biasu.

Druhá věc: rozhodnutí a čísla nejsou v promptu, ale v souboru. `06-engine/kampan.yaml` je zdroj pravdy pro celou kampaň. Když se změní proposition, mění se na jednom místě, ne v deseti textech. To je zároveň důvod, proč se balík dá předat; nový člověk nepotřebuje moje prompty, potřebuje ten soubor.

## Kde AI pomohla

- Průchod balíčkem a vytažení všech čísel i s jejich zdrojem a omezením do jedné tabulky, ze které vznikl `ZDROJE.md`.
- Tři komunikační úhly na stejném zadání, každý s vlastní situací a mechanismem. Bez toho bych psal první nápad.
- Audit živého webu proti balíčku; tři z pěti rozporů bych při ručním čtení minul.
- První drafty stránky a e-mailu, kde jsem měnil hlavně rytmus a konkrétnost.
- Mechanická kontrola claimů. `06-engine/validate-copy.py` porovná každé číslo v draftu proti allowlistu; při finální kontrole našel dva firemní údaje, které v allowlistu chyběly, takže by v kampani stály bez doložení.

## Co jsem sám změnil nebo ověřil

- **Headline jsem nechal přepsat, protože se sám nikdy nevybral.** Věta „Používáš AI denně. Stavíš z toho systém?" prošla třemi verzemi zadání a všude se jen kopírovala z té první. Nechal jsem si proto vygenerovat devatenáct alternativ na různých mechanismech, prošel je a vybral. Výsledná věta je jiná než ta zděděná; nezajímalo mě, že už byla „schválená", ale jestli obstojí vedle alternativ.
- **Každé číslo jsem dohledal zpátky do balíčku.** Model dvakrát navrhl spojit 86 % / 8 % s datasetem o návycích (73 % / 1 %). Balíček to výslovně zakazuje, jsou to jiné zdroje a definice. Zákaz jsem zapsal do enginu jako tvrdé pravidlo, ne jako poznámku.
- **Opravil jsem dvě číselné chyby, které vznikly v AI draftech.** Formulace „opakovatelné postupy z toho staví 8 %" čte osm procent jako podíl z těch osmdesáti šesti, přestože jde o dva samostatné podíly. A v jednom postu stálo „patříte do té osminy", jenže osmina je 12,5 %, ne 8 %.
- **Zahodil jsem přirovnání úrovní k matici dvou os.** Vypadalo chytře, ale Explorer, Operator, Builder a Transformer jsou posloupnost, ne čtyři rovnocenné kvadranty.
- **Testimonialy jsem ze stránky vyhodil,** i když na živém webu jsou. Bez doloženého souhlasu je nepoužiju.
- **Prahy v distribuci jsem přepočítal ručně** a označil, které jsou pracovní předpoklad. Model navrhoval konverzní čísla z veřejných benchmarků; skoro všechna taková čísla v téhle kategorii vydávají firmy, které z nich mají příjem.
- **Segment jsem nechal, ale přiznal jeho vzorek.** Osamělý stavitel je 28 % ze 72 dokončených Deep rozhovorů, tedy zhruba dvacet lidí, kteří už zaplatili. Popisuje konvertované, ne publikum, které chceme přivést.

## Jaký research jsem udělal

Brief říká, že další research je volitelný. Udělal jsem ho a stojí za tím konkrétní práce, ne pár vyhledávání.

**Báze komunikačních frameworků.** Prošel jsem 68 marketingových frameworků a u každého hledal doložený případ pro sedm typů produktu. Ze 476 kombinací má publikovaný důkaz 116, tedy čtvrtina; zbytek se běžně používá, aniž by to někdo doložil. Bázi jsem si k tomu postavil jako veřejný nástroj, takže je ověřitelná, ne jen tvrzená: **[mktg-frameworks.jakubryba.com](https://mktg-frameworks.jakubryba.com)**. Zaklikáte typ produktu a úroveň povědomí publika a vypadne doporučený stack i s úrovní důkazu u každé položky. Vzorec je obrácený, než by člověk čekal: nejrozšířenější frameworky mají nejslabší důkazy (PAS nemá autora ani jediný test, čísla o konverzi kvízů vydávají firmy prodávající software na kvízy), zatímco nejméně citované mají nejtvrdší. **Praktický důsledek pro tuhle kampaň: argumentuju mechanismem, ne případovkou.**

Z báze vyšel stack, který za stránkou stojí, aniž by se v ní jmenoval: pozicování proti nečinnosti, ne proti jinému kurzu; publikum na úrovni, kde jsou sliby vyčerpané a mechanismus ještě ne; narativ přes challenger reframe, který má doložené číslo; copy přes before-after-bridge místo agitování bolesti, protože u sebehodnocení bolest zvyšuje propad.

**Launche diagnostických produktů.** Gallup, HubSpot Website Grader a Gartner Magic Quadrant. Sjednocující nález: žádný z nich neškáloval tím, že by vysvětloval metodiku, všechny přes artefakt, který člověk dostal do ruky a mohl ukázat ostatním. Otázka, kterou to pro Aibility otevírá a kterou si nechávám na debrief: kdo je váš ekvivalent Gallupových certifikovaných koučů, tedy třetí strana s vlastním ekonomickým zájmem na šíření?

**Audit živého webu** proti dodanému balíčku. Nálezy jsou zapracované v `ZDROJE.md`; nejdůležitější je, že web pořád nabízí workshopy a programy, které od 3. srpna neplatí.

## Co při tom vzniklo za nástroje

Nic z toho nebylo cílem zadání. Vzniklo to proto, že se ta práce jinak nedala odvést ve čtyřech hodinách a s doložitelnými čísly. Všechno je součástí balíku a dá se použít znovu.

| Co | K čemu | Kde |
|---|---|---|
| **Engine kampaně** | Skill pro agenta se souborovým přístupem: vyrobí další výstup z jednoho zdroje pravdy a odmítne ho vydat, když poruší pravidla | `kampan.yaml` + `SKILL.md` |
| **Kontrolor claimů** | Skript, který porovná každé číslo v draftu proti allowlistu. Při finální kontrole našel dva firemní údaje, které by jinak stály bez doložení | `validate-copy.py` |
| **Generátor téhle microsite** | Stránky se needitují ručně; mění se markdown a přegeneruje se web. Proto je text na webu a v ZIPu vždycky totožný | `build-microsite.py` |
| **Báze marketingových frameworků** | 68 frameworků × 7 typů produktu s úrovní důkazu; veřejný nástroj, který z toho vybere stack | [mktg-frameworks.jakubryba.com](https://mktg-frameworks.jakubryba.com) |
| **Protokol slepého hodnocení** | Postup, jak nechat dva modely posoudit dvě verze textu bez zaujatosti: rozřezat na bloky, anonymizovat, randomizovat pořadí, zkontrolovat position bias | popsáno v [Jak odevzdání vzniklo](jak-vzniklo.html) |

Nejvíc si cením toho kontrolora claimů, protože jako jediný z nich něco skutečně zachytil. Zbytek šetří čas; tenhle brání chybě.

## Která rozhodnutí zůstala na mně

- Segment a vědomé odložení dvou dalších úhlů.
- Že hlavní metrikou je dokončený Deep, ne spuštěný Spark a ne návštěva stránky.
- Že Team dostane jednu kartu v rozcestí, ne vlastní sekci, i když by kampaň vypadala obchodněji.
- Že kampaňová stránka vzniká vedle homepage a homepage se teď nepřepisuje.
- Že národní srovnání AI vyspělosti je návrh po 14 dnech, ne součást launche.
- Že v odevzdání zůstane věta o tom, co nemám čím doložit.

## Editovatelné zdroje

Všechno je text nebo HTML, žádný nástroj, do kterého by bylo potřeba se přihlásit. Stránka je jeden soubor, který se otevře dvojklikem. Kampaň má zdroj pravdy v `06-engine/kampan.yaml`. Kontrola claimů je skript, který si můžete pustit na jakýkoliv nový draft.