Úvod do deep research s aplikací pro marketing
Základní promptování je rychlé a většinou jednorázové a zaměřené na kreativitu ve smyslu rychlého získání námětů a vstupních informací k tématu apod. Tzv. deep research je proti tomu systematický proces, který integruje data a ověření pro robustní marketingové rozhodnutí. V ekonomickém kontextu to znamená přechod od ad-hoc nápadů k datově podloženým strategiím, což zvyšuje hodnotu získaných podkladů pro marketingové strategie nebo kampaně apod.
Rozdíl je zejména v hloubce procesu: základní promptování je jednorázové "zadej–odpověz", zatímco deep research je řízený, vícekrokový výzkumný postup (plán → dohledání podkladů → ověření → syntéza), často s využitím nástrojů a citací použitých zdrojů.
Základní prompt spoléhá na omezený vstup od uživatele, zatímco deep research (hloubkový výzkum) si sám vyhledává, hodnotí a propojuje stovky stran externích informací (tzv. context engineering). Deep research nástroje pracují samostatně na pozadí a samy si volí další kroky k dosažení cíle a díky verifikaci dat snižuje hloubkový výzkum riziko nepřesností a halucinací na minimum.
Podívejme se podrobněji na charakteristiky a rozdíly těchto dvou aplikací AI:
Základní promptování
Definice: Jednoduché, přímé dotazy na AI systémy bez hlubší struktury nebo kontextu. Stručná charakteristika:
- Krátké, jednorázové instrukce
- Minimální kontext nebo specifikace
- Očekávání okamžité odpovědi
- Povrchní úroveň analýzy
Příklad v marketingu: "Napiš mi reklamní text pro nový produkt". Dále například návrhy headline, persony (nahrubo), rychlé shrnutí dodaného briefu…
Limity: Bez dodaných podkladů a bez ověřování může vzniknout přesvědčivě znějící nepřesnost (hallucinace) a chybí dohledatelné zdůvodnění.
Deep Research (Hluboký výzkum)
Definice: Systematický, vícevrstvý přístup k využití AI pro komplexní analýzu a strategické rozhodování.
Stručná charakteristika:
- Strukturované dotazování s postupným prohlubováním
- Kontextuální rámování problému
- Iterativní proces s navazujícími dotazy
- Cross-referencing informací z různých zdrojů
- Validace výsledků pomocí více přístupů
Příklady aplikace v marketingu:
- Analýza konkurenčního prostředí
- Tvorba "insightů" pro strategii (s jasným "proč" a odkazy na důkazy)
- Segmentace zákazníků na základě behaviorálních dat
- Prediktivní modelování trendů
- Optimalizace customer journey
Výstup: Spíš než "hezký text" dostanete obhajitelný závěr: co víme, z čeho to plyne, co je nejisté, jaké jsou alternativy.
Zvažte vhodnou praktickou zkratku:
- Základní promptování = produkce (rychlé návrhy a formulace).
- Deep research = důkazní práce (rozhodnutí a doporučení, která musíte obhájit).
Obecně připravená doporučení pro deep research
· Přípravná fáze, definování výzkumného záměru
- Specifikace cílů: Jasně definujte, co chcete zjistit. Rozhodněte, co přesně se má na konci vybrat/změnit (segment, positioning, kanál, cena, messaging) apod.
- Kontextualizace: Zahrňte odvětví, cílovou skupinu, geografické omezení. Můžete přidat zadání i k rozpočtu, času, relevantní regulaci, ale i ke kapacitě týmu, nebo vložit produktové limity atd.
- Struktura výstupu: Požadavek na konkrétní matice (např. SWOT), datové tabulky nebo manažerské shrnutí (executive summary). Například dále použijete náklady na získání zákazníka, cena konverze, celoživotní hodnota zákazníka, marže, ukazatele ve vztahu k brandu apod.
· Přeložte zadání do výzkumných otázek a případně hypotéz
Uvažujte "SMART-AI", příklad:
Hierarchie dotazů
- Explorační úroveň: "Jaké jsou hlavní trendy v..."
- Analytická úroveň: "Analyzuj vztah mezi..."
- Strategická úroveň: "Navrhni strategii založenou na..."
- Implementační úroveň: "Vytvoř akční plán pro..."
Případně upřesněte pojmy jako, co přesně znamená "konkurent", "segment", "prémiový", "retence" apod.
+ doporučuje se pracovat i s negativními příkazy (prompty) ve smyslu vymezení toho, co tam již nepatří nebo co tam již nechcete zařadit.
Ke zvážení: Vyloučení nerelevance: Příkaz k ignorování PR článků bez dat nebo neověřených blogů.
· Rozdělte práci na iterace (ne "jeden velký report")
Možné postupy:
A: Doporučený rytmus:
- Iterace 1 (rychlá orientace): co už víme, co nevíme, kde jsou největší rizika.
- Iterace 2 (důkazy): doplnění klíčových mezer (nejistoty, které mění rozhodnutí).
- Iterace 3 (syntéza): závěr + doporučení + co otestovat.
B: Varianta doporučení:
- Začněte širokým promptem: Požádejte AI o základní přehled. Příklad: "Shrň klíčové trendy v udržitelném marketingu pro EU v roce 2026 na základě dostupných dat." Můžete doplnit upřesněním (zúžením), příklad: "Platí tyto trendy i v kontextu ČR?"
- Rozšiřte hloubku: Používejte následné prompty pro specifikaci. Například: "Ověř tyto trendy pomocí aktuálních relevantních dat z webu (např. McKinsey nebo Statista) a identifikuj potenciální rizika pro malé firmy."
- Integrujte externí data: Aktivujte nástroje jako web search pro reálná data. V marketingu to znamená kombinaci AI generovaných insights s reálnými metrikami (např. konverzní míry, sentiment analýza ze sociálních sítí).
Můžete také požádat AI o varianty a AI by také měla umět říct: "co je jisté / nejisté / co chybí".
· Ověřování (validace): triangulace + "red teaming"
- Triangulace. Ověření výstupů z různých úhlů pohledu. Například:"Stejné tvrzení podpoř aspoň 2 různými typy důkazů. " Triangulaci můžete realizovat také aplikací rozdílných AI nástrojů, ověřením v primárních zdrojích a rozhovory s experty.
- Red team: nechte AI (nebo sebe) záměrně hledat protiargumenty:
- "Co by muselo být pravda, aby tohle doporučení selhalo?"
- "Jaké alternativní vysvětlení dat existuje?"
- "Kde je selection bias / survivorship bias?"
· Syntéza, dokumentace a reporting
Doporučená struktura výstupu:
- Executive summary (5–10 vět): doporučení + proč + dopad.
- Klíčové poznatky (insights): 3–7 bodů, každý s oporou v důkazu.
- Doporučení: co udělat teď, co později; trade-offy = zvážení obětování určité příležitosti vůči druhé…
- Rizika a nejistoty: co nevíme a jak to ověříme.
- Experimenty / další kroky: konkrétní testy (hypotéza, metrika, délka, očekávaný efekt).
- Přílohy: data, metodika, otázky, citace.
- Limitace (omezení AI analýzy)
ROZŠIŘUJÍCÍ
Kontrolní checklist (rychlá sebekontrola)
- Je jasné, jaké rozhodnutí to podporuje?
- Jsou tvrzení doložená (a je vidět odkud)?
- Je uvedeno, co je nejisté?
- Existují alternativy a zdůvodnění proč jsme je nezvolili?
- Je tam případně plán testů (metriky, kritéria úspěchu)?
- Je výstup použitelný pro tým / firmu ("ne jen akademický")?
Závěr:
Praktická doporučení: Pro efektivní využití AI v marketingu je klíčové postupně přecházet od základního promptování k systematickému deep research přístupu, který umožňuje získat strategicky hodnotné insights pro rozhodování.
Ludvík Eger a Jana Rotenbornová (2. 4. 2026)
