Jak nedělat třídění ručně: automatická kategorizace pomocí Claude a Codexu

V mnoha firmách se pořád zbytečně pálí čas na stejný typ práce: někdo ručně třídí dokumenty, e-maily, leady, feedback, servisní požadavky, životopisy, faktury nebo interní poznámky do kategorií. Samotná činnost není složitá, ale opakuje se každý den, stojí čas zkušenějších lidí a bývá zdrojem nekonzistence. Dva lidé zařadí stejnou věc jinak, třetí použije jiný štítek a po několika měsících se v datech přestane dát rozumně vyznat.

Právě tady dává smysl použít AI ne jako dalšího chatbota, ale jako klasifikační vrstvu. Nástroje jako Claude Projects a Codex umí pracovat s kontextem, pravidly a opakovanými workflow. Když se správně nastaví, dokážou výrazně snížit množství ruční práce při třídění a zároveň zvýšit konzistenci.

Dobrá zpráva je, že ve většině firem není potřeba začínat složitou datovou platformou nebo vlastním modelem. V praxi stačí správně navržené kategorie, kvalitní příklady, několik kontrolních pravidel a rozumné workflow kolem nástrojů, které už umí pracovat s dokumenty, projekty, složkami, automatizacemi a opakovanými úkoly.

Na co se dá nyní AI využít

Ještě nedávno firmy používaly AI hlavně pro drafting: napsat text, shrnout schůzku nebo navrhnout odpověď. To sice pomáhá, ale v řadě provozních týmů se větší část času nepálí na psaní. Pálí se na třídění. Kdo je zákaznický lead a kdo není. Co patří do priority A, co do priority B. Je to reklamace, servisní dotaz nebo obchodní příležitost? Je tento dokument smlouva, dodatek, interní šablona nebo pracovní verze?

AI je dnes v této oblasti zajímavá proto, že umí pracovat s pravidly i s kontextem. Claude Projects umožňují vytvářet samostatné pracovní prostory s vlastní knowledge base, instrukcemi a sdíleným kontextem. Anthropic navíc uvádí, že projekty mohou používat rozšířenou projektovou znalost s RAG, což je důležité tam, kde kategorizace závisí na větším množství příkladů a interních dokumentů. Codex je zase vhodný tam, kde nejde jen o odpověď, ale o vykonání práce: přečíst export, vyhodnotit položky podle pravidel, zapsat výsledky do souboru, vytvořit report a opakovat to automatizovaně.

To je zásadní rozdíl. Místo izolovaného promptu dostává firma možnost postavit kategorizaci jako proces. Uživatel nebo tým nahraje vstupy, nástroj dostane jasná pravidla a příklady, AI zařadí položky, označí nejisté případy a člověk kontroluje jen to, co dává smysl. Nejde tedy o nahrazení lidského úsudku v plné šíři. Jde o to, aby člověk přestal řešit sto snadných případů a soustředil se na deset nejednoznačných.

Právě to je důvod, proč automatická kategorizace patří mezi nejpraktičtější enterprise AI use case. Je opakovatelná, dobře měřitelná a rychle ukáže, jestli nastavení dává smysl. Často je ještě cennější vyšší konzistence dat a lepší použitelnost následných reportů, dashboardů a workflow.

Můžeme to i automatizovat

Jakmile začne AI třídění dělat pravidelně, nejde už o jednorázový experiment. Vzniká nový provozní nástroj, který potřebuje vlastnictví, pravidla a dohled. To platí i u zdánlivě jednoduché úlohy, jako je kategorizace. Pokud agent zařazuje leady, support tickety nebo dokumenty, firma potřebuje vědět, podle jaké taxonomy pracuje, kdo ji schvaluje, kdo vyhodnocuje kvalitu a kdo rozhoduje o změnách.

Claude Projects jsou vhodné tam, kde je potřeba sdílený týmový kontext a práce s větší znalostní bází. Můžete mít projekt pro kategorizaci zákaznického feedbacku, do kterého se nahrají pravidla, typické příklady, seznam kategorií a vysvětlení hraničních situací. Tým pak nepracuje pokaždé od nuly. Má stabilní prostředí, kde se pravidla postupně zpřesňují.

Codex je silnější tam, kde kategorizace tvoří jen jeden krok širšího workflow. Například přijde export CSV, je potřeba přidat štítky, rozdělit řádky do složek, vypsat nejasné případy a vygenerovat krátký souhrn pro člověka. Tady je výhoda v tom, že Codex neřeší jen klasifikaci, ale i práci okolo: soubory, tabulky, opakované běhy a automatizace.

Ve obou případech je klíčové nemíchat dohromady prompt, pravidla a procesní odpovědnost. Firma by měla mít jasně popsané kategorie, ukázky správného zařazení a rozhodnutí, co se děje s položkami s nízkou jistotou.

Kde využít kategorizaci

Největší efekt má AI kategorizace tam, kde je vysoký objem opakujících se vstupů. Typické use case jsou zákaznické tickety, leady z formulářů, životopisy, produktový feedback, interní požadavky, faktury, smlouvy nebo e-mailová komunikace. Ve všech těchto případech firma často nepotřebuje plně autonomní rozhodnutí. Potřebuje rychlejší první zařazení, které zúží frontu lidské práce.

První praktické pravidlo zní: navrhněte taxonomii jednodušeji, než máte chuť. Pokud má tým 40 kategorií, z nichž polovina se překrývá, problém není v AI. Problém je v návrhu kategorií. Dobrá taxonomie je srozumitelná, vzájemně odlišitelná a obchodně užitečná. Čím nejednoznačnější kategorie, tím víc ručních oprav.

Druhé pravidlo je práce s příklady. Nestačí napsat „zařaď do kategorií A, B, C“. AI funguje výrazně lépe, když má ke každé kategorii několik reprezentativních příkladů a vysvětlení hraničních případů. Právě zde jsou Claude Projects silné: knowledge base a project instructions dovolují držet tato pravidla pohromadě. Codex je zase vhodný pro situace, kdy se příklady a pravidla ukládají do souborů v projektu a pravidelně se nad nimi spouští dávkové třídění.

Třetí pravidlo je confidence threshold. Systém nemusí vše rozhodnout na 100 %. Prakticky bývá nejlepší rozdělit výstupy na tři zóny. Vysoká jistota jde rovnou do workflow. Střední jistota se označí ke kontrole. Nízká jistota zůstane člověku celá. Tento jednoduchý model často ušetří nejvíc práce, protože automatizace obslouží snadné případy a současně nepoškodí kvalitu tam, kde je nejistota vysoká.

Čtvrté pravidlo je formát výstupu. Kategorizace by neměla končit jen textem v chatu. Výstup musí být použitelný pro další krok: zapsaný štítek do CSV, nový sloupec v tabulce, přesun do složky, označení v seznamu, vytvoření fronty k revizi nebo shrnutí důvodů zařazení. Tady se opět ukazuje výhoda Codexu, který může výsledek rovnou zapsat do souboru nebo připravit další pracovní artefakt.

Bezpečnost, governance a dohled nad AI

Kategorizace vypadá nenápadně, ale často pracuje s citlivými daty. Životopisy, zákaznické zprávy, faktury, smlouvy nebo interní incidenty mohou obsahovat osobní údaje i obchodní informace. Proto je potřeba řešit přístupy, audit a pravidla zpracování stejně vážně jako u jiných AI workflow.

První pravidlo je jednoduché: AI by měla vidět jen to, co opravdu potřebuje. Pokud třídíte leady, není důvod, aby systém viděl celou databázi klientských smluv. Pokud třídíte CV, výstup by měl být omezený na schválené kategorie a jasné důvody, ne na volnou interpretaci citlivých údajů. Druhé pravidlo je auditovatelnost. Firma by měla vědět, podle jaké verze pravidel byl výstup vytvořen a kdo změnil taxonomii.

Třetí pravidlo je lidská revize hraničních případů. Nejde jen o technickou přesnost. Jde i o důsledky špatného zařazení. Pokud AI špatně zařadí lead, může obchod přijít o příležitost. Pokud špatně roztřídí support ticket, zdržuje se řešení. Pokud chybně označí dokument, komplikuje reporting. Proto má velký smysl zavést frontu „needs review“, která zachytí nejasné nebo rizikové případy dřív, než se propíšou do dalších systémů.

Poslední důležitý bod je průběžná kalibrace. Kategorizace není statická. Mění se vstupy, produkty, procesy i slovník zákazníků. Bez pravidelné revize příkladů a chyb se i dobře navržený systém časem rozpadne. Governance proto není brzda. Je to způsob, jak udržet automatizaci užitečnou i po prvním nadšení.

Nebojte se testovat už nyní

Firmy, které letos AI správně zasadí do kategorizace, získají dvojí výhodu. První je čistě provozní: méně ruční práce, rychlejší zpracování a lepší průchod workflow. Druhá je datová: konzistentnější štítky, lepší reporting, kvalitnější segmentace a méně improvizace v navazujících procesech. To je často cennější než samotná úspora času.

Nejrychlejší návratnost se pravděpodobně objeví tam, kde je vysoký objem a současně vysoká opakovatelnost. Typicky zákaznická podpora, marketingové leady, HR screening, interní požadavky, dokumentové fronty nebo produktový feedback. Právě tam lze nejlépe měřit, kolik případů už není potřeba třídit ručně a kolik času se ušetří zkušenějším lidem.

Zároveň ale poroste tlak na to, aby firmy přestaly automatizaci stavět na improvizovaných promptech jednotlivců. Jakmile má kategorizace ovlivňovat reporty, KPI nebo zákaznické workflow, musí mít jasnou strukturu, vlastníka a verzi pravidel. Jinak se výstupy stanou neporovnatelnými v čase a důvěra ve výsledky půjde rychle dolů.

Skutečný přínos tedy nevznikne z toho, že si tým „hraje s AI“. Vznikne z toho, že se kategorizace přestane dělat nahodile a stane se řízenou součástí provozu.

Kde začít

První krok je vybrat jednu třídicí frontu s vysokou frekvencí. Ne všechno najednou. Začněte tam, kde lidé každý den ručně přiřazují štítky nebo priority. Druhý krok je zjednodušit taxonomii. Pokud dnes nejsou kategorie srozumitelné lidem, nebudou srozumitelné ani AI.

Třetí krok je připravit příklady. Ke každé kategorii si uložte několik typických případů a několik hraničních. Čtvrtý krok je nastavit workflow. Pro Claude Projects to znamená správně připravenou knowledge base a project instructions. Pro Codex to znamená projekt se soubory, jasným formátem vstupu a výstupu a případně automatizací, která se vrací ke stejnému úkolu v čase.

Pátý krok je zavést confidence zóny a frontu ke kontrole. Šestý krok je měření: kolik případů prošlo bez zásahu, kolik šlo do revize, jaká je chybovost a kolik času se reálně ušetřilo. Sedmý krok je pravidelná kalibrace kategorií a příkladů podle nových dat.

FAQ