Technik stojí u zařízení, zákazník čeká a odpověď je rozdělená mezi několik PDF, starý servisní protokol, fotografie a poznámku kolegy. Samotné dokumenty přitom mohou být v pořádku. Problém je, že v danou chvíli nejde rychle poznat, který návod platí pro konkrétní model, co se na objektu řešilo minule a zda se podobná závada už nevrátila.
Právě tady může pomoci AI nad technickou dokumentací a servisní historií. Nemá však nahradit kvalifikaci technika ani vydávat obecný odstavec z návodu za diagnózu konkrétního zařízení. Jejím úkolem je rychle najít relevantní podklady, ukázat jejich původ a přiznat, když pro odpověď nemá dost informací.
Technik nepotřebuje další vyhledávač bez kontextu
Běžné fulltextové hledání funguje dobře, když je znám přesný název souboru nebo výraz použitý v dokumentu. V terénu ale otázky vypadají jinak: „Co se u této jednotky měnilo při posledním výjezdu?“, „Platí tento postup i pro novější řídicí desku?“ nebo „Kde je uvedený interval kontroly?“
AI může otázku převést na hledání napříč více zdroji a připravit stručnou odpověď. Technický princip se často označuje jako retrieval-augmented generation, zkráceně RAG: model nevychází pouze z toho, co se naučil dříve, ale před odpovědí vyhledá relevantní části připojených dokumentů. Původní práce o RAG popsala propojení generativního modelu s externí vyhledávanou pamětí a ukázala přínos pro znalostní úlohy.
To ale neznamená, že nalezený odstavec je automaticky správnou odpovědí pro konkrétní zařízení. Kvalita výstupu závisí na kvalitě zdrojů, jejich verzích, metadatech, přístupových právech i na tom, zda otázka obsahuje dost kontextu.
Co má AI hledat a co musí zůstat oddělené
Pro servisní firmu dávají smysl dvě propojené, ale významově odlišné vrstvy.
Obecná technická dokumentace obsahuje návody výrobce, postupy údržby, katalogy dílů, schémata a interní pracovní postupy. Popisuje, co platí pro určitou řadu, model nebo konfiguraci.
Historie konkrétního objektu nebo zařízení obsahuje výjezdy, zjištěný stav, provedené úkony, použité díly, fotografie, měření, doporučení a otevřené návazné kroky. Popisuje, co se skutečně stalo na místě.
Smíchání obou vrstev bez označení je nebezpečné. Obecný návod může doporučovat kontrolu určité součásti, ale servisní záznam může ukázat, že zařízení má jinou variantu nebo že do něj dříve zasahoval jiný dodavatel. AI proto musí u každého tvrzení rozlišit, zda pochází z návodu, interního postupu, nebo historie konkrétního objektu.
Jak má být historie objektu strukturovaná, podrobněji rozebírá článek Servisní historie objektu. AI tuto evidenci nenahrazuje. Pouze zkracuje cestu k podkladu, který už firma spravuje.
Nejdřív pořádek ve zdrojích, potom AI
Pokud je ve složce několik souborů nazvaných „navod_final.pdf“, „navod_novy.pdf“ a „navod_oprava2.pdf“, AI nemá z čeho spolehlivě určit platnou verzi. Stejný problém vzniká, když dokument neobsahuje vazbu na výrobek, objekt nebo období platnosti.
Minimální evidence zdroje by měla obsahovat:
jednoznačný název a typ dokumentu;
výrobce, model, řadu a případně rozsah sériových čísel;
číslo verze, datum vydání a stav „platný“, „nahrazený“ nebo „archivní“;
vlastníka dokumentu a osobu odpovědnou za jeho aktualizaci;
vazbu na objekt, zařízení, zakázku nebo servisní případ;
oprávnění určující, kdo smí dokument vyhledat a otevřít.
Tato pravidla patří do evidence dokumentů, fotografií a technických podkladů. Bez nich AI pouze rychleji projde nepořádek a může sebejistě upřednostnit zastaralý soubor.
Jak má vypadat použitelná odpověď v terénu
Dobrá odpověď není dlouhý souvislý text. Technik potřebuje během několika vteřin poznat, zda má výstup oporu v platném zdroji a co je potřeba ověřit.
| Část odpovědi | Co má obsahovat | Proč je důležitá |
|---|---|---|
| Krátká odpověď | Jednu až tři věty bez domýšlení chybějících údajů | Pomůže rychle se zorientovat |
| Zdroj | Název dokumentu, verzi, datum a stranu nebo oddíl | Umožní otevřít původní podklad |
| Kontext objektu | Poslední relevantní zásah, datum, zařízení a výsledek | Oddělí obecný postup od místní historie |
| Nejistota | Co chybí, které zdroje si odporují nebo proč nelze odpovědět | Zabrání falešné jistotě |
| Další krok | Co má technik zkontrolovat nebo komu případ předat | Vrátí rozhodnutí odpovědné osobě |
NIST ve svém profilu rizik generativní AI používá pojem „confabulation“ pro situaci, kdy systém vytvoří a sebejistě podá chybný nebo nepravdivý obsah. Upozorňuje také, že zavádějící může být i vymyšlená logika nebo citace. Nestačí tedy, aby odpověď jen působila odborně. Odkaz musí vést na skutečný dokument a konkrétní pasáž.
AI hledá podklady, technik provádí diagnostiku
Provozní hranice má být jednoduchá: AI smí shrnout, porovnat a dohledat. Diagnózu, volbu zásahu a potvrzení bezpečného stavu provádí člověk s odpovídající kvalifikací a znalostí situace na místě.
AI například může uvést, že návod u daného modelu popisuje určitý kontrolní krok a že při minulém výjezdu byla měněna konkrétní součást. Nemá z těchto dvou informací sama odvodit příčinu současné závady. Nevidí všechny provozní podmínky, nemusí mít úplnou dokumentaci a nemůže ověřit skutečný stav zařízení.
Odpověď se má zastavit zejména tehdy, když:
chybí jednoznačná identifikace zařízení nebo jeho konfigurace;
nalezené dokumenty mají rozdílné verze nebo si odporují;
postup závisí na měření, vizuální kontrole nebo informaci, kterou systém nemá;
zásah vyžaduje zvláštní oprávnění, odstavení, schválení nebo bezpečnostní postup;
odpověď vychází jen z obecné znalosti modelu, nikoli ze schválených firemních zdrojů.
Praktický workflow od otázky k servisnímu zápisu
Identifikace kontextu. Technik otevře konkrétní objekt nebo zařízení, takže systém zná model, umístění a oprávnění uživatele.
Položení otázky. Dotaz popisuje hledanou informaci, nikoli požadavek na automatické rozhodnutí. Například: „Který platný podklad popisuje interval této kontroly?“
Vyhledání zdrojů. Systém prohledá pouze schválené dokumenty a záznamy dostupné danému technikovi.
Odpověď s citacemi. Výstup ukáže verzi, oddíl a odkaz na originál. Pokud jsou zdroje neúplné nebo rozporné, odpoví právě touto informací.
Ověření člověkem. Technik otevře relevantní pasáž, porovná ji se stavem na místě a rozhodne o dalším postupu.
Zápis výsledku. Po výjezdu doplní skutečné zjištění, úkon, fotografie, materiál a navazující doporučení do historie objektu.
Tím vzniká užitečný cyklus. AI pomáhá číst starší záznamy, ale nový záznam stále vytváří člověk podle skutečně provedené práce. Při dalším výjezdu už systém pracuje s úplnějším kontextem.
Přístupy musí platit i pro AI vyhledávání
Napojení dokumentů do AI nesmí vytvořit zkratku kolem stávajících oprávnění. Technik jednoho zákazníka nemá dostat servisní záznam jiného zákazníka jen proto, že se oba soubory nacházejí ve stejné znalostní bázi.
OWASP u systémů s vyhledáváním nad externími znalostmi upozorňuje na riziko nedostatečných přístupových kontrol a úniku citlivých informací mezi kontexty. Zároveň připomíná, že RAG sám neodstraňuje prompt injection: škodlivá nebo nevhodná instrukce se může dostat i do načteného souboru. V praxi proto dává smysl omezit zdroje, oddělit zákaznické kontexty, kontrolovat nově nahrané dokumenty a neumožnit AI provádět kritické akce jen na základě textového pokynu.
Jak začít malým pilotem
První nasazení nemusí zahrnout celý archiv firmy. Vhodnější je vybrat jeden opakovaný typ servisu, jednu skupinu zařízení a omezenou sadu schválených dokumentů. Pilot pak ověří nejen rychlost hledání, ale hlavně kvalitu citací a chování systému ve chvíli, kdy odpověď nezná.
Smysluplný test obsahuje běžné otázky, staré označení stejné součásti, dvě podobné verze návodu, chybějící údaj i záměrně rozporné zdroje. Hodnotí se, zda systém našel správnou pasáž, použil platnou verzi, zachoval oprávnění a dokázal se zastavit. Teprve potom má smysl přidávat další zařízení, objekty a automatizace.
Kontrolní seznam připravenosti
Každý používaný návod má vlastníka, verzi a stav platnosti.
Dokumenty jsou přiřazené ke správnému modelu, konfiguraci nebo objektu.
Servisní záznamy oddělují zjištěný stav, provedený úkon a doporučení.
AI odpověď vždy uvádí skutečný zdroj a konkrétní pasáž.
Systém umí přiznat chybějící podklad nebo konflikt zdrojů.
Přístup k odpovědi respektuje stejná oprávnění jako původní dokument.
Je jasně popsáno, které rozhodnutí zůstává na technikovi nebo odpovědné osobě.
Pilot se hodnotí na reálných, anonymizovaných nebo bezpečně zpřístupněných případech.
Rychlejší odpověď má stále vést ke zdroji
AI má v terénním servisu největší hodnotu tehdy, když zkrátí dohledávání a současně zachová možnost kontroly. Technik vidí platný návod, relevantní historii objektu a jasně označenou nejistotu. Firma naopak získá zpět servisní záznam, který pomůže při příštím výjezdu.
Nejdůležitějším krokem proto není výběr chatovacího okna. Je jím příprava zdrojů, verzí, oprávnění a pravidel, podle kterých se výstup ověřuje. Praktické AI zaškolení pro firemní tým může takový pilot postavit na skutečných pracovních otázkách a současně vymezit, co AI smí hledat a kde musí rozhodnout člověk.
