Jak dodat AI ověřená data: RAG, MCP a lokální přístup

Velký jazykový model počítá nejpravděpodobnější pokračování textu. Když dobře odpoví, je to tím, že podobných textů viděl spoustu, ne tím, že něco ví. Z toho plynou dvě slabiny, které v odborné práci bolí. Halucinace, kdy si model sebejistě vymyslí citaci nebo přehodí číslo (klidně napíše, že spotřebitel může od smlouvy odstoupit do třiceti dnů, ačkoli § 1829 odst. 1 občanského zákoníku říká čtrnáct), a zastaralost, protože trénink skončil k nějakému datu a novely ani čerstvá judikatura po něm v modelu nejsou. Že jde spíš o vlastnost technologie než o ojedinělou poruchu, rozebírají poznámky Proč AI halucinuje u českého práva a Nippon v. OpenAI.

Aby byla AI na odbornou práci použitelná, musí dostat autoritativní zdroj pravdy, který halucinace srazí a dodá aktuální data. Vedou k tomu tři hlavní cesty a každá platí jinou cenu.

RAG: chytré vyhledávání

RAG (retrieval-augmented generation, tedy generování opřené o vyhledávání) je dnes nejběžnější způsob, jak modelu „dát vaše dokumenty”. Dotaz převede na vektor, ve vektorové databázi najde několik sémanticky nejpodobnějších úryvků a ty modelu předhodí jako kontext. Model pak odpoví nad nimi.

V právu má slabá místa. Sémantická podobnost není totéž co právní relevance. Dotaz na odstoupení najde paragraf o odstoupení, ale klíčové ustanovení o jeho důsledcích může vypadnout, protože je „o něčem jiném”. Úryvky jsou navíc rozsekané a ztrácejí kontext, model nad nimi pořád může halucinovat, a co přesně dostal, obvykle nevidíte, takže se to špatně audituje. Aktuálnost závisí na tom, jak často se báze přeindexuje. RAG je lepší než holý model, ale pro citlivou právní práci sám nestačí.

MCP: model s přístupem k nástrojům

MCP (model context protocol) je standard, kterým si model v reálném čase volá nástroje a dostává zpět strukturovaná data, ne jen úryvky textu. Server může běžet lokálně i vzdáleně. Takhle se dá model napojit třeba na judikaturu, předpisy nebo veřejné rejstříky.

Oproti RAG je to krok dál. Data jsou strukturovaná, a pokud server sahá do aktuálního zdroje, i aktuální, a je vidět, který nástroj model zavolal, takže auditovatelnost je na úrovni „vím, co se dělo”. Háček závisí na tom, kde server běží. U vzdáleného serveru data odejdou mimo vaše prostředí, což je u citlivého spisu překážka i otázka pro GDPR. U lokálního serveru záleží na tom, jaká AI aplikace a model ho hostí. K tomu se přidává závislost na dodavateli, když u placené služby zvednou cenu nebo skončí, a nad strukturovanými daty model pořád může halucinovat.

Lokální přístup: zdroj pravdy na disku

Třetí cesta drží všechno u vás. Jádrem je lokální knihovna předpisů v doslovném znění, uložená jako obyčejný text (u mě markdown, viz Proč je Markdown nejlepší formát pro práci s AI) na vašem disku. K tomu specializované moduly s pevným postupem pro daný typ úkolu, kontrolní skripty v Pythonu a psaná pravidla s identifikátory, aby šlo dohledat, proč se co dělá.

Nese to pár principů. Zdroj pravdy máte u sebe, ne v cizí databázi ani u dodavatele. Kolik z kontextu odejde ven, si řídíte sami. V čistě lokálním běhu, kde je lokální i model, neopustí stroj nic. U cloudového modelu odejde jen to, co mu pošlete, takže citlivý kontext buď necháte doma, nebo ho anonymizujete. Platí pravidlo cite-gate, tedy že než model něco tvrdí o obsahu paragrafu, musí otevřít konkrétní soubor a ověřit doslovné znění, a kde to jde, hlídá to skript, ne dobrá vůle modelu. Místo pokynu pro AI nastupuje deterministická kontrola, fail-closed brána, která výstup s neověřenou citací nepustí ven. Celé je to dohledatelné.

Cena je poctivá. Bázi si udržuji ručně a nemám tak obrovský objem jako velké komerční databáze. Výměnou mám data u sebe a nejnižší riziko halucinace. Jak to vypadá v praxi, popisuje metodika.

Srovnání

Tři cesty řeší stejný problém, liší se v tom, jak moc riziko srážejí a kde leží vaše data.

Aspekt	RAG	MCP	Lokální přístup
Vlastnictví zdroje	podle hostingu indexu	server lokální i remote	u vás
Riziko halucinace	vysoké	střední	nízké
Auditovatelnost	omezená	omezená	plná
Kam jdou data při dotazu	podle hostingu	u remote ven	řídíte, co pošlete
Závislost na dodavateli	střední	vysoká	žádná
Doslovné ověření §	není inherentní	není inherentní	vynuceno (cite-gate)

Tabulka ukazuje typické sklony, ne pevné zákony. RAG i MCP se dají postavit tak, aby ověřovaly doslovné znění nebo držely data lokálně, jen to nebývá výchozí stav. U citlivé právní agendy se vyplatí vědět, kterou cenu platíte.

Co si z toho vzít

Nemusíte stavět vlastní systém. Musíte ale u každého AI nástroje, který do práce pustíte, znát tři věci. Jak funguje. Jestli ověřuje citace, nebo je vydává z paměti modelu. A kam posílá data. Ty tři otázky rozhodují, čemu u výstupu věřit a co kam smíte vložit. Zbytek je detail.