Bakalářka s AI: kompletní poctivý workflow od zadání po obhajobu

Realita je jednoduchá: nástroje existují a studenti je používají. Rozdíl mezi podvodem a řemeslem není v tom, jestli AI zapnete, ale v tom, kdo vlastní myšlení. Podvod je nechat AI napsat práci, kterou neumíte obhájit. Řemeslo je nechat ji dělat mechaniku — třídění zdrojů, kostru skriptů, sazbu — zatímco výzkumná otázka, argumenty a závěry jsou vaše. Tenhle návod je ta druhá cesta, rozepsaná do posledního promptu.

Je to nejdelší text na tomhle webu a je to záměr: provede vás celou prací fáze po fázi, od prvního zúžení tématu po otázky u obhajoby. Každá fáze má konkrétní prompty k okopírování — stačí doplnit hranaté závorky. Nemusíte ho číst najednou; vracejte se k fázi, ve které zrovna jste.

Dvě pravidla platí nad celým návodem. Za prvé: nejdřív směrnice vaší fakulty. Každá škola má (nebo právě píše) pravidla pro použití AI — co je dovolené, co se přiznává, co je diskvalifikace. Přečtěte si je, než otevřete první chat, a použití AI přiznejte tak, jak vyžadují. Za druhé: do práce nesmí nic, co neumíte obhájit bez AI po ruce. Komise se nebude ptát nástroje, bude se ptát vás.

Vzorová situace

Tomáš píše bakalářku o spotřebitelském chování. Má čtyřicet zdrojů: naskenovaná PDF, weby, tři vlastní datové sady z dotazníku. Klasický postup by znamenal měsíc čtení a výpisků, týden boje s Excelem a týden se šablonou ve Wordu.

Místo toho zdroje nahraje do nástroje, který odpovídá jen z nich, a za večer má mapu literatury: kdo tvrdí co, kde se autoři rozcházejí a kde je díra, kterou může vyplnit. Analýzu dotazníku nepočítá v chatu — nechá si napsat skript, který čísla spočítá z jeho CSV. Text píše sám, po kapitolách, v jednom souboru s citacemi. Před odevzdáním si nechá práci rozcupovat simulovaným oponentem — a na obhajobě je klidný, protože každou větu umí vysvětlit. Jak přesně vypadá každý z těch kroků, je zbytek tohoto návodu.

Fáze 0: téma, výzkumná otázka a plán

Většina slabých bakalářek není slabá kvůli textu — je slabá kvůli tomu, že nikdy neměla otázku. „Něco o marketingu na sociálních sítích" není téma, je to oblast. Fáze 0 trvá jeden až dva večery a rozhoduje o zbytku semestru: z mlhavého zadání uděláte otázku, na kterou jde odpovědět daty, která reálně seženete.

AI je tu dobrá na jedno: vyrobit rychle víc variant, než by vás napadlo, a nemilosrdně se ptát „a kde na to vezmeš data?". Rozhodnutí, kterou si vyberete, je vaše — a schvaluje ho školitel.

Zúžení tématu: z oblasti udělat otázku

Zadání typu „vliv umělé inteligence na trh práce" je nezpracovatelné v padesáti stranách. Zúžení funguje po třech osách: kdo (populace, obor, region), co přesně (jedna proměnná, ne pět) a kdy (období, které máte pokryté daty). Nechte si vygenerovat víc variant naráz a porovnejte je vedle sebe — teprve v porovnání je vidět, která je proveditelná.

Jsem student [obor] a píšu bakalářskou práci na téma [téma]. Rozsah je
[40–50] normostran, mám na to [5] měsíců a jsem v [ČR].

Navrhni 5 různých zúžení tohoto tématu. U každého uveď:
1. Konkrétní výzkumnou otázku (jedna věta, ne obecné souvětí)
2. Jaká data by bylo potřeba získat a odkud (veřejná databáze,
   vlastní dotazník, rozhovory, obsahová analýza, existující dataset)
3. Odhad, kolik času zabere sběr dat
4. Hlavní riziko — proč by tahle varianta mohla ztroskotat
5. Jak by vypadal závěr, kdyby výsledek vyšel „nic zajímavého"

Varianty se musí lišit přístupem, ne jen formulací. Aspoň jedna ať je
kvalitativní a aspoň jedna kvantitativní. Nepiš úvod ani shrnutí,
rovnou pět bloků.

Vrátí pět srovnatelných karet, ve kterých jde poznat, co je romantická představa a co práce na pět měsíců. Pozor na bod 2 — pokud u datového zdroje AI napíše obecně „veřejně dostupné statistiky", zeptejte se doplňujícím dotazem na konkrétní název databáze a ověřte si, že opravdu existuje a že v ní jsou data za období, které potřebujete. Modely tady s klidem vymýšlejí neexistující registry.

Výzkumná otázka a hypotézy

Dobrá výzkumná otázka jde zodpovědět „ano / ne / takto" a je z ní vidět, co byste museli naměřit. Z otázky pak vznikají hypotézy — tvrzení, která se dají vyvrátit. Pokud vaši hypotézu nejde vyvrátit žádným myslitelným výsledkem, není to hypotéza, je to názor.

Moje výzkumná otázka zní: [otázka].
Obor: [obor]. Metoda, kterou zvažuju: [dotazník / rozhovory /
analýza dat / obsahová analýza]. Vzorek, ke kterému se reálně
dostanu: [popis, např. 120 studentů jedné fakulty].

Udělej tři věci:
1. Přeformuluj otázku do podoby, která je jednoznačně zodpověditelná,
   a vysvětli, co jsi změnil a proč.
2. Odvoď z ní 2–4 testovatelné hypotézy. U každé napiš, jaká
   proměnná se měří, jak se operacionalizuje a jaký výsledek by ji
   vyvrátil.
3. Buď kritický: napiš, kde je tahle otázka zodpověditelná jen zdánlivě
   — co bych musel mít za data, abych na ni odpověděl poctivě, a co
   z toho pravděpodobně neseženu.

V bodě 3 nešetři, chci slyšet i to nepříjemné.

Bod 3 je důvod, proč se prompt vyplatí. Typicky odhalí, že otázka mířila na kauzalitu („vede X k Y?"), zatímco vaše data unesou jen souvislost („souvisí X s Y?") — a to je rozdíl, na kterém u obhajoby stojí půlka diskuse. Otázku i hypotézy si pak přepište vlastními slovy; formulaci, které nerozumíte do posledního slova, do práce nedávejte.

Harmonogram: plán po týdnech s rezervou

Semestr se nezhroutí na tom, že něco trvalo dlouho, ale na tom, že sběr dat začal pozdě. Nechte si udělat plán pozpátku od termínu odevzdání a trvejte na rezervě — bez ní je harmonogram beletrie.

Píšu bakalářskou práci na téma [téma], metoda [metoda].
Zadání mám od [datum], odevzdání je [datum], obhajoba [datum].
Reálně na práci mám [10] hodin týdně, kromě [zkouškové období
od—do], kdy mám nula.

Sestav harmonogram po týdnech od dneška k odevzdání. U každého týdne:
- co konkrétně mám udělat (činnost, ne fáze)
- co má být na konci týdne hotové (kontrolovatelný výstup)

Zvlášť vypiš 5 milníků, které nesmím zmeškat, a u každého napiš,
co se stane, když se posune o dva týdny.
Poslední 3 týdny před odevzdáním nech volné jako rezervu na
korektury, sazbu a nečekané problémy — do těch neplánuj psaní.
Výstup jako tabulka: týden, datum, činnost, výstup.

Vrátí rozvrh, který si můžete rovnou přenést do kalendáře. Dvě věci zkontrolujte ručně: jestli sběr dat začíná dost brzy (dotazník sbíraný v prosinci se vyplňuje hůř než v říjnu) a jestli plán počítá s termíny konzultací u školitele — ty se objednávají dopředu a nejsou vaše.

Konzultace se školitelem

AI vám nikdy neschválí téma. Školitel ano — a je to jediný člověk, jehož názor na směr práce má váhu. Co pro vás AI udělat může, je připravit konzultaci tak, aby za dvacet minut padla rozhodnutí místo obecného povídání.

Zítra mám první konzultaci se školitelem k bakalářské práci.
Téma: [téma]. Moje aktuální výzkumná otázka: [otázka].
Metoda, kterou zvažuju: [metoda]. Co mám hotové: [stav].

Připrav mi podklad na konzultaci:
1. Shrnutí mého záměru na 5 vět, které můžu přečíst nahlas na začátku
2. 8 otázek na školitele seřazených podle důležitosti — takových,
   kde jeho odpověď změní, co budu dělat dál (ne otázky, které si
   zodpovím sám hledáním)
3. 3 rozhodnutí, která od něj potřebuju odsouhlasit
4. Co si mám z konzultace odnést zapsané, abych to za měsíc
   nemusel řešit znovu

Buď stručný, vejde se to na jednu stránku.

Podklad si po konzultaci doplňte o odpovědi a uložte — je to zárodek metodologické kapitoly. A platí základní pravidlo: AI navrhuje, člověk schvaluje. Když se návrh od AI rozchází s tím, co říká školitel, vyhrává školitel. On práci obhajuje s vámi, model u obhajoby nebude.

Fáze 1: rešerše — knihovna, která odpovídá

Rešerše je fáze, kde se ušetří nejvíc času a kde se dá nejrychleji podvádět sám na sobě. Klasický postup — čtyřicet PDF, výpisky do sešitu, po měsíci si nepamatujete, kdo co tvrdil — se dá nahradit něčím lepším: knihovnou, které jde klást otázky a která u každé odpovědi ukáže, ze kterého zdroje a ze které stránky ji vzala. Podmínka je jediná: do knihovny jde jen to, co jste sami našli a stáhli. Nikdy nenechte model „doplnit relevantní literaturu" — vymyslí názvy, které vypadají přesvědčivě a neexistují.

Sběr zdrojů: kde hledat a jak si vést evidenci

Začněte tam, kde jsou plné texty, ne odkazy na ně. Google Scholar pro rychlý přehled a citační stopu (funkce „citováno" ukáže, kdo na článek navázal — tak se dostanete k novějším pracím). Univerzitní přístup do oborových databází je věc, kterou většina studentů nevyužije: přes knihovnu své školy se obvykle dostanete do EBSCO, ProQuest, ScienceDirect, JSTOR nebo Web of Science, tedy k článkům, které jsou zvenku placené. Přihlaste se přes vzdálený přístup, ne z domácí sítě. Katalogy knihoven (NK ČR, katalog vaší fakulty) pro monografie a Theses.cz pro jiné závěrečné práce — ty se necitují jako autorita, ale jejich seznamy literatury jsou zlatý důl.

Evidenci si veďte od prvního dne v jedné tabulce: autor, rok, název, typ zdroje, kde je soubor uložený, k čemu se vztahuje, a hlavně sloupec „přečteno / prolétnuto / neotevřeno". Bez ní budete v dubnu hledat, ve kterém PDF byla ta jedna definice.

Na úvodní zmapování pole se hodí deep research — režim, který sám prohledá web a vrátí zprávu s odkazy:

Zmapuj mi odbornou literaturu k tématu [téma], zaměření [zúžení].
Zajímá mě období [posledních 10 let] a kontext [ČR / EU / globální].

Chci:
- hlavní myšlenkové proudy a klíčové autory, kdo je v tématu citovaný
- 15 konkrétních zdrojů (odborné články, monografie, výzkumné zprávy)
  s plnou citací a odkazem, kde se dá text najít
- u každého jednu větu, čím je pro moje téma relevantní
- které z nich jsou volně dostupné a které jen přes placené databáze
- 5 termínů v angličtině, kterými mám dál vyhledávat

U každého tvrzení uveď odkaz na zdroj. Když si nejsi jistý, že zdroj
existuje, napiš to místo toho, ať ho nedoplňuješ odhadem.

Vrátí rozcestník, ne rešerši. Berte ho jako seznam stop k prověření: každý zdroj si najděte a otevřete, než ho zapíšete do evidence. Co nenajdete, neexistuje — a v seznamu literatury nemá co dělat. Víc o ověřování v ověřování faktů s AI.

NotebookLM krok za krokem

NotebookLM je nástroj, který odpovídá jen z toho, co do něj nahrajete, a u každé odpovědi ukáže citaci do konkrétního zdroje. Pro rešerši je to zásadní rozdíl: neplete si vaši literaturu s tím, co má v paměti.

Postup: založte notebook pro práci (jeden notebook = jedna práce, ne jedna kapitola). Nahrajte úplně všechno — PDF článků, naskenované kapitoly knih, odkazy na weby, přepisy rozhovorů, zadání práce i metodické pokyny fakulty. Zadání nahrajte taky: díky němu můžete rovnou kontrolovat, jestli zdroje pokrývají, co po vás škola chce. Počet zdrojů na notebook je omezený (řádově desítky, u placené verze víc), takže pokud máte materiálu moc, rozdělte ho na tematické notebooky a nahrajte jen to, co k tématu skutečně patří — sto zdrojů „pro jistotu" kvalitu odpovědí zhoršuje.

Pak se ptejte. Čtyři prompty, které pokryjí většinu rešerše:

Vezmi zdroj [název souboru] a udělej strukturované shrnutí:
- hlavní teze autora v 5 větách
- použitá metoda a vzorek (pokud jde o výzkum)
- 5 nejdůležitějších zjištění, u každého odkaz na stránku
- 3 citovatelné pasáže v přesném znění, s číslem stránky
- co v textu chybí nebo je slabé

Vycházej výhradně z tohoto zdroje. Kde není číslo stránky
k dohledání, napiš to místo odhadu.

Projdi všechny nahrané zdroje a udělej mapu literatury k otázce
[výzkumná otázka]:
1. Jaké hlavní pozice se ve zdrojích objevují — kdo zastává kterou
2. V čem se autoři shodují (napříč zdroji)
3. V čem se přímo rozcházejí — u každého sporu uveď obě strany
   a zdroj, ze kterého to máš
4. Které zdroje jsou původní výzkum a které jen přebírají cizí
5. Chronologie: jak se pohled na téma vyvíjel

Nepřidávej nic, co v nahraných zdrojích není.

Moje výzkumná otázka je [otázka] a chci ji zkoumat metodou [metoda]
na vzorku [vzorek].

Na základě nahraných zdrojů udělej gap analysis:
- co už je k mému tématu zjištěno a dobře pokryto
- kde jsou výsledky rozporné nebo nedostatečné
- co konkrétně žádný z nahraných zdrojů neřeší
- které z těch mezer moje práce může reálně zaplnit a která je
  na bakalářku moc velká

U každé mezery uveď zdroje, ze kterých usuzuješ, že tam mezera je.

Vypiš, jak je napříč nahranými zdroji definován pojem [pojem].
Pro každý zdroj: přesná formulace definice, autor, rok, stránka.
Pak porovnej: v čem se definice liší, které jsou navzájem
neslučitelné a která je v oboru nejpoužívanější.
Nakonec navrhni, kterou definici mám ve své práci přijmout
a jak to zdůvodnit.

Totéž udělej pro pojmy: [pojem 2], [pojem 3].

Poslední prompt vyřeší kapitolu s vymezením pojmů, která bývá nejnudnější a nejčastěji odbytá. Výsledek ale vždy proklikněte na citace v postranním panelu — NotebookLM ukazuje, odkud tvrzení vzal, a je to jediná kontrola, která dává smysl.

Skenovaná PDF: pozor, co stroj přečetl

Starší literatura je často jen sken — obrázek stránky bez textové vrstvy. NotebookLM i Claude naskenované PDF přečíst umějí, ale u starých, křivých nebo slabě vytištěných skenů se OCR plete: zaměňuje číslice (3/8, 1/7), rozbíjí diakritiku a u dvousloupcové sazby míchá odstavce mezi sloupci. Nebezpečné je to hlavně u čísel a letopočtů.

Obrana: u každé pasáže, kterou budete citovat doslova nebo z níž berete číslo, otevřete originální stránku a porovnejte znění. U nového skenu si nejdřív nechte vypsat, co model vidí („přepiš doslova stranu 47 zdroje [název]") — během pěti minut zjistíte, jestli je čitelný, nebo jestli je rychlejší sehnat lepší kopii v knihovně.

Správa citací: formátování stroji, existenci člověku

Plnou citaci si ukládejte ve chvíli, kdy zdroj poprvé otevřete, ne až při psaní. Dohledávání ročníku a čísla časopisu tři měsíce zpětně je nejhloupěji strávený večer semestru. Nástroje: Zotero (zdarma, doplněk do prohlížeče uloží citaci jedním kliknutím a umí export do ČSN ISO 690), nebo citace.com pro rychlé jednorázové převody. Ať zvolíte cokoli, veďte to na jednom místě.

Sjednocení formátu je práce, kterou AI dělá dobře:

Tady je surový seznam zdrojů, které mám poznamenané v různých
formátech — něco zkopírované z webu, něco opsané z knihy:

[vlož seznam]

Převeď je do jednotného formátu podle ČSN ISO 690, seřaď abecedně
podle příjmení autora a rozděl na: monografie, články v časopisech,
kvalifikační práce, internetové zdroje.

Kde v podkladu chybí údaj potřebný pro citaci (rok, vydavatel,
stránky, DOI), NEDOPLŇUJ ho — napiš místo něj [CHYBÍ: rok]
a na konec dej seznam všeho, co musím dohledat.

Poslední odstavec promptu je to podstatné. Formátovat citace smí AI, ověřit existenci a obsah zdroje musí člověk. Modely doplňují chybějící údaje odhadem, který vypadá naprosto věrohodně — vymyslí ročník, čísla stránek i DOI. Před odevzdáním projděte seznam literatury položku po položce a každou najděte v katalogu nebo databázi. Jedna neexistující citace u obhajoby zpochybní celou práci víc než slabá kapitola.

Čtecí strategie: co číst celé a co jen prolétnout

Čtyřicet zdrojů nikdo celé nepřečte a ani nemá. Rozdělte je: pár klíčových textů podrobně, zbytek na úrovni abstraktu a závěru, část vůbec. Rozhoduje relevance k vaší otázce, ne to, jak je článek slavný.

Tady jsou shrnutí 15 zdrojů, které mám k bakalářské práci:

[vlož shrnutí — u každého autor, rok, název, 3–5 vět o obsahu]

Moje výzkumná otázka: [otázka]. Metoda: [metoda].

Seřaď zdroje podle relevance k mé otázce a rozděl je do tří skupin:
A) must-read celé — zdroje, bez kterých práci nenapíšu
B) stačí abstrakt a závěr — kontext, jedno tvrzení, doplnění
C) vynechat — proč konkrétně

U skupiny A napiš, na co se mám při čtení soustředit a jakou část
práce z toho pokryju. U skupiny C zdůvodni vyřazení jednou větou.
Nakonec: chybí mi podle tebe nějaký typ zdroje?

Vrátí čtecí plán na několik týdnů. Skupinu C nemažte — nechte si ji v evidenci i s důvodem vyřazení. Když se u obhajoby někdo zeptá „a proč jste nepracoval s tímhle?", je rozdíl mezi „to jsem neznal" a „znal, vyřadil jsem to, protože zkoumá jiný vzorek".

Fáze 2: osnova a jeden soubor pravdy

Rešerše vám dala mapu literatury. Teď z ní potřebujete udělat plán a místo, kde práce vzniká. Obojí je na jeden večer a obojí rozhoduje o tom, jestli budete měsíc před odevzdáním slepovat čtrnáct dokumentů, nebo dopisovat jeden.

Osnova: nechte si navrhnout kostru, ale vyberte ji sami

Model, který má k dispozici shrnutí zdrojů a vaši výzkumnou otázku, navrhne členění, které by vám samotným trvalo dva večery — a hlavně ukáže, které zdroje se hodí kam. To je ta nejotravnější část plánování: pamatovat si, že ten článek o metodologii patří do třetí kapitoly a ne do teoretické části.

Jsi zkušený vedoucí bakalářských prací v oboru [obor].
Níže máš shrnutí zdrojů, které jsem prostudoval, a moji výzkumnou otázku.

Výzkumná otázka: [otázka]
Rozsah práce podle zadání: [např. 40-50 normostran]
Typ práce: [teoretická / empirická s vlastním sběrem dat / rešeršní]

Shrnutí zdrojů:
[sem vlož shrnutí z rešeršní fáze]

Navrhni osnovu práce:
- kapitoly a podkapitoly v logickém sledu,
- u každé kapitoly 3-5 odrážek, co konkrétně má pokrýt,
- odhad rozsahu v stranách u každé kapitoly,
- u každé kapitoly vypiš, které z mých zdrojů se tam hodí a proč.
Na konci napiš, co v mých zdrojích chybí, abych osnovu utáhl.

Vrátí kompletní návrh členění včetně rozpočtu stran a přiřazení zdrojů — a poslední odstavec o chybějících podkladech bývá cennější než osnova sama. Nepřebírejte návrh mechanicky: modely píší osnovu „učebnicově“ (historie pojmu, definice, vymezení), zatímco vaše katedra může chtít jiné členění.

Se školitelem ji proberte co nejdřív a přijďte s osnovou, kterou umíte odůvodnit: proč je metodologie samostatná kapitola, proč je teoretická část dvacet stran a ne třicet, proč jste vynechali téma, které se nabízelo. Když na některou z těch otázek neumíte odpovědět, tu část osnovy jste ještě nepřijali za svou.

Jeden .md soubor: proč markdown

Nejčastější organizační katastrofa u závěrečných prací nejsou zdroje, ale verze. Text v Google Dokumentu, citace v Zoteru, poznámky v Notionu, kus třetí kapitoly ve Wordu na ploše. Tři dny před odevzdáním nikdo neví, která je ta pravá.

Řešení je nudné a funguje: celá práce žije v jednom markdownovém souboru. Markdown je čistý text, takže se otevře kdekoli a nikdy se nepoškodí. Je verzovatelný — dva soubory jdou porovnat řádek po řádku, což u .docx nejde. Je přenositelný do všeho, v čem budete nakonec sázet, ať už to je Word, LaTeX nebo Affinity. A AI nástroje s ním pracují bez ztráty formátování, protože je to formát, ve kterém samy píší.

Struktura souboru může vypadat takhle:

# Vliv sociálních sítí na spotřebitelské chování

## 2. Teoretická východiska

### 2.1 Vymezení pojmu spotřebitelské chování

Spotřebitelské chování bývá vymezováno jako soubor rozhodovacích
procesů předcházejících nákupu [Novák 2023, s. 45]. Novější pojetí
k tomu přidávají i fázi po nákupu [Dvořák a Král 2024, s. 112-118].

<!-- TODO: doplnit kritiku klasického modelu, hledat u Svobody -->
<!-- TODO: ověřit stránkování u Nováka proti tištěnému vydání -->

### 2.2 Role sociálních sítí

![Podíl ovlivněných respondentů podle věku](grafy/obr1.png)

<!-- zdroj grafu: skript analyza.py, data z dotaznik.csv -->

Tři návyky, které se vyplatí od začátku. Citace píšete rovnou k tvrzení, v hranatých závorkách a včetně strany; do bibliografického stylu se převedou až na konci, jedním průchodem. Poznámky pro sebe dávejte do komentářů <!-- ... --> — v exportu zmizí, ale dokud píšete, vidíte, kde máte díru. A grafy odkazujte, nevkládejte: obrázek žije v podsložce, v textu je jen odkaz, takže když skript graf přepočítá, text se nemění.

Práce nad složkou v Claude Cowork

Nad textem se vyplatí pracovat po složce, ne kopírováním do chatu. Claude Cowork je režim desktopové aplikace, ve kterém model vidí složku se soubory a pracuje s nimi přímo. Struktura, která se osvědčila:

bakalarka/
  zdroje/      PDF a naskenované články
  poznamky/    vaše výpisky a shrnutí z rešerše
  data/        CSV z dotazníku, exporty
  grafy/       PNG generované skriptem
  text.md      samotná práce
  analyza.py   skript, který počítá čísla

A pak už jde psát po odstavcích, s podklady po ruce:

Pracuj ve složce tohoto projektu.
Projdi složku zdroje/ a moje poznámky ve složce poznamky/.
Do kapitoly 2 v souboru text.md doplň za odstavec o [pojem]
jeden odstavec (max 200 slov), který shrne, jak k tomuto pojmu
přistupují autoři z mých podkladů.

Pravidla:
- vycházej výhradně z toho, co je ve zdrojích a poznámkách,
- nic nevymýšlej a nedoplňuj z obecných znalostí,
- u každého tvrzení uveď citaci ve tvaru [Příjmení rok, s. X],
- kde ti podklad chybí, napiš místo tvrzení komentář TODO,
- zachovej můj styl z okolního textu, žádné nové nadpisy.

Vrátí odstavec vsazený na správné místo, s citacemi z vašich souborů a s poznámkami TODO tam, kde na tvrzení nemá podklad. Právě ty TODO jsou důvod, proč prompt takhle formulovat: bez nich model mezeru vyplní věrohodnou větou bez opory. A pořád platí AI navrhuje, člověk schvaluje — každý doplněný odstavec přepište vlastními slovy a citace ověřte proti originálu, viz ověřování faktů.

Verzování: aspoň kopie, ideálně Git

Jeden soubor má jednu nevýhodu — když ho pokazíte, pokazili jste všechno. Minimální ochrana zabere deset vteřin denně: na konci práce zkopírujte text.md do složky zalohy/ s datem v názvu (text-2026-08-12.md).

Odvážnější si zaslouží Git. Zní to jako nástroj pro programátory, ale na text sedí: pamatuje si každou verzi, ukáže, co přesně se mezi dvěma verzemi změnilo, a nikdy nic nepřepíše. Stačí pár příkazů — prompt „vysvětli mi, jak založit Git repozitář pro složku s bakalářkou, nikdy jsem to nedělal“ vrátí návod na pět minut. Bonus u obhajoby: historie commitů je důkaz, že práce vznikala postupně a vaší rukou.

Fáze 3: data a analýza — AI nepočítá, AI píše skript

Tohle je nejdůležitější část návodu. Většina prací se nevrací k přepracování kvůli stylistice, ale kvůli číslům — konkrétně kvůli tomu, že si je student nechal spočítat v chatu.

Proč jazykový model nesmí počítat vaše data

Jsou k tomu dva důvody a oběma je potřeba rozumět, ne je jen přijmout.

Kontextové okno. Model vidí jen omezený výřez textu — u dlouhé konverzace mnohem menší, než se zdá. Tabulka s osmi sty respondenty a čtyřiceti sloupci se do něj nevejde celá a model si z ní bere jen část. Nedostanete chybovou hlášku, dostanete výsledek — spočítaný z toho, co zrovna viděl.

A hlavně: model negeneruje výpočet, generuje text. Je to stroj na pravděpodobné pokračování textu — když se ho zeptáte na průměr, nespustí sčítačku, ale napíše číslo, které v daném kontextu vypadá jako správná odpověď. Občas je i správné. A v tom je to nejnebezpečnější: čísla „od oka“ vypadají úplně normálně, průměr sedí do rozsahu, směrodatná odchylka je věrohodná, procenta dávají sto. Odhalíte to až u obhajoby, kdy někdo přepočítá jednu tabulku.

Pravidlo je proto tvrdé: do práce nesmí žádné číslo, které vzniklo jako text v chatu. Každá hodnota v tabulce a v grafu musí pocházet ze skriptu, který jde spustit znovu.

Správný postup: CSV plus skript

Postup má tři kroky: data máte v CSV, modelu ukážete jen hlavičku a pár řádků (ne celý soubor), model napíše skript a skript spočítá čísla.

Tady je hlavička mého CSV (prvních 5 řádků, oddělovač středník,
kódování UTF-8, desetinná čárka):

[sem vlož 5 řádků včetně názvů sloupců]

Napiš mi Python skript (pandas, matplotlib), který:
1. načte tento soubor jako data/dotaznik.csv,
2. vyčistí data: [odstranit nedokončené odpovědi, sjednotit
   psaní krajů, věk mimo rozsah 15-99 označit jako chybějící],
3. spočítá deskriptivní statistiku (n, průměr, medián, SD)
   pro proměnnou [proměnná] po skupinách [skupina],
4. otestuje hypotézu [hypotéza] vhodným statistickým testem
   a napíše do komentáře, proč je zrovna tenhle test vhodný
   a jaké předpoklady musí data splňovat,
5. uloží číselné výsledky do results.csv,
6. uloží grafy do složky grafy/ jako PNG v rozlišení 300 dpi.

Ke každému kroku napiš komentář v češtině, PROČ se dělá.
Skript musí projít i tehdy, když jsou v datech prázdné buňky.

Vrátí hotový skript i s komentáři, které jsou pro vás stejně cenné jako kód — odůvodnění volby testu je přesně to, na co se ptají u obhajoby. Pozor na dvě věci: hlavičku vkládejte skutečnou (kódování a oddělovač se u českých exportů liší a špatný odhad shodí načtení) a volbu testu si nechte potvrdit u školitele, ne u modelu.

Jak vypadá výstup

Když skript proběhne, uvidíte něco takového:

Načteno 812 řádků, 41 sloupců.
Odstraněno 47 nedokončených odpovědí, zbývá 765.

Deskriptivní statistika: doba_na_siti podle vekova_skupina
                    n   prumer  median      sd
vekova_skupina
18-24             213     4.82    4.50    1.91
25-34             241     3.47    3.20    1.64
35-44             186     2.91    2.75    1.38
45+               125     2.14    2.00    1.22

Kruskal-Wallis: H = 118.42, p < 0.001
Výsledky uloženy: results.csv
Graf uložen: grafy/obr1.png (300 dpi)

Tohle je číslo, které smí do práce: víte, odkud se vzalo, kolik případů do něj vstoupilo a jak vznikne znovu.

Spuštění: nemusíte umět programovat, musíte skriptu rozumět

Skript spustíte třemi způsoby. V Claude Code rovnou nad složkou projektu — model skript napíše, spustí, uvidí chybu a opraví ji, což je nejrychlejší cesta, když v datech čekáte nepořádek. V analytickém nástroji přímo v chatu, kam nahrajete CSV a model kód spustí v izolovaném prostředí. Nebo lokálně u sebe: nainstalovat Python, pip install pandas matplotlib, python analyza.py — a data nikam neodcházejí, což u citlivých dotazníků přebije pohodlí.

Neumět Python není problém. Nerozumět tomu, co skript dělá, problém je — u obhajoby se ptají na metodu, ne na syntaxi.

Vysvětli mi tenhle skript řádek po řádku, jako bych byl student
prvního ročníku, který Python nikdy neviděl.

U každého bloku napiš:
- co se v něm děje běžnou češtinou,
- proč je ten krok potřeba,
- co by se stalo, kdybych ho vynechal.
U každého statistického testu navíc vysvětli, proč byl zvolen
právě tenhle, jaké má předpoklady a čím bych ho musel nahradit,
kdyby data předpoklady nesplňovala.
Na konci mi napiš 5 otázek, které mi k téhle analýze
může položit oponent, a jak na ně odpovědět.

[sem vlož skript]

Vrátí srozumitelný výklad a připravené oponentské otázky. Berte to jako povinnou část: dokud neumíte vysvětlit, proč je v práci Kruskal-Wallis a ne ANOVA, ta analýza není vaše. Na tvrdší nácvik navazuje simulovaný oponent.

Grafy: jednotný styl a české popisky

Grafy z výchozího nastavení matplotlibu poznáte na první pohled a v tištěné práci vypadají lacině. Sjednoťte je jedním promptem a pak už jen generujte.

Uprav grafickou část skriptu tak, aby všechny grafy měly
jednotný styl vhodný do tištěné bakalářské práce:
- bezpatkové písmo, popisky nejméně 11 bodů,
- popisky os česky včetně jednotek, např. „Doba na síti (hodiny/den)“,
- názvy grafů česky, číslované jako „Obrázek 1: ...“,
- bez zbytečných barev: odstíny šedé, barvu jen tam, kde odlišuje
  skupiny, a i pak čitelně po vytištění černobíle,
- bez mřížky na pozadí a bez 3D efektů,
- u každého grafu do popisku doplň n (počet případů),
- export do grafy/ jako PNG, 300 dpi, bílé pozadí.
Nastavení dej na jedno místo na začátku skriptu.

Vrátí upravený skript s nastavením stylu na jednom místě. Pozor na češtinu v popiscích — diakritika občas vypadne kvůli fontu, takže si první obrázek skutečně otevřete a zkontrolujte háčky a čárky.

Anonymizace: než cokoli nahrajete

Dotazníková data jsou osobní údaje. Než soubor kamkoli nahrajete, smažte sloupce se jmény, kontakty, názvem konkrétní školy nebo firmy a otevřené odpovědi, ve kterých se lidé identifikují. Respondenty nahraďte pořadovým číslem; potřebujete-li vazbu na původní záznam, klíč si nechte u sebe v souboru, který nikam neposíláte.

A platí zásada webu: citlivá data patří jen do placeného účtu se smluvní ochranou dat, ne do volného chatu. Pokud jste respondentům v informovaném souhlasu slíbili, že data zpracujete sami, je nejčistší cesta lokální skript — model napíše kód, čísla si spočítáte u sebe.

Reprodukovatelnost jako bonus u obhajoby

Když analýza běží skriptem, máte v příloze něco, co většina prací nemá: kompletní, znovu spustitelný výpočet. Do příloh dejte skript a popis, jak ho spustit, do textu poznámku ve stylu „veškeré výpočty byly provedeny skriptem uvedeným v příloze C; analýzu lze nad přiloženými daty zopakovat“.

Dopad je dvojí. Když školitel týden před odevzdáním řekne, že se má vyřadit jedna věková skupina, změníte filtr a všechna čísla i grafy se přepočítají za deset vteřin — místo dvou dní klikání v Excelu. A u obhajoby má věta „výpočet je v příloze a lze ho spustit znovu“ váhu, kterou tabulka nalepená z chatu mít nebude.

Fáze 4: psaní — AI jako sparring, ne ghostwriter

Tady se rozhoduje, jestli odevzdáte svoji práci, nebo cizí text s vaším jménem na deskách. Hranice není nijak tenká: je to rozdíl mezi „napiš mi kapitolu 2“ a „pomoz mi napsat kapitolu 2 z těchhle mých výpisků“.

Proč „napiš mi kapitolu“ nefunguje

Kapitola vygenerovaná z ničeho vypadá hotově a je k nepoužití. Je cizí — neprošla vaší hlavou, takže ji neumíte rozvinout ani obhájit. Je prázdná — model bez zdrojů generuje obecné pravdy typu „problematika je komplexní a vyžaduje interdisciplinární přístup“. A je nepodložená — tvrzení, která nevznikla z vašich zdrojů, nemají citaci, a když ji model doplní, často si ji vymyslí (viz fáze 5).

Užitečných rolí je přitom dost: strukturovat (z chaosu poznámek osnovu), oponovat (najít slabinu v argumentu, který právě píšete), zhušťovat (ze čtyř rozvláčných odstavců jeden) a převádět vaše poznámky do souvislého textu, který pak přepíšete vlastními slovy. Poslední bod je klíč: draft z vlastních výpisků je legitimní meziprodukt, ne finální text.

Teoretická kapitola z vlastních výpisků

Nejužitečnější prompt celé fáze. Předpokládá, že máte výpisky ze zdrojů — tedy že jste četli.

Tady jsou moje výpisky ke kapitole 2 [název kapitoly] včetně citací u každé
poznámky. Poskládej z nich souvislý draft v tomhle pořadí témat:
[téma A], [téma B], [téma C].

Pravidla:
- použij POUZE tvrzení z výpisků; nic nedoplňuj z vlastních znalostí,
  ani když je to obecně známé
- u každého tvrzení nech citaci ve tvaru, v jakém je ve výpiscích
- kde výpisky nestačí na plynulý přechod nebo chybí podklad, napiš na
  samostatný řádek TODO: [co dohledat] — nevymýšlej výplň
- protichůdné výpisky nesjednocuj, upozorni na rozpor
- akademická čeština, žádné superlativy

Na konci vypiš seznam všech TODO.

Vrátí draft postavený jen na tom, co jste přečetli, plus seznam děr. Ověřte namátkou pár odstavců proti výpiskům: modely rády „vylepší“ tvrzení do silnější podoby, než měl originál („naznačuje“ se změní na „prokazuje“).

Metodologie

Metodologická kapitola musí být přesná, nudná a úplná — proto se hodí psát ji z osnovy toho, co jste skutečně dělali.

Napiš metodologickou kapitolu podle téhle osnovy mého postupu:

Design: [např. dotazníkové šetření, kvantitativní, průřezové]
Vzorek: [kdo, kolik, jak vybraný, kde a kdy sbíráno]
Nástroj: [dotazník o X otázkách, škály, odkud převzaté položky]
Sběr dat: [jak distribuováno, návratnost, vyřazené odpovědi a proč]
Zpracování: [software, testy, hladina významnosti]
Etika: [informovaný souhlas, anonymizace]
Omezení: [co vím, že je slabina]

Požadavky: akademický styl, minulý čas, popisně, bez superlativů a bez
hodnocení kvality vlastního postupu. Každé rozhodnutí popiš tak, aby ho
někdo mohl zopakovat. Kde v osnově chybí údaj, napiš TODO: [co doplnit].

Vrátí kapitolu, do které stačí doplnit čísla. Hlídejte dvě věci: aby model nedopsal kroky, které jste nedělali (typicky „byla provedena kontrola normality dat“), a aby se popis shodoval s tím, co dělá váš analytický skript.

Interpretace výsledků

Interpretace je myšlenková práce, kterou nedelegujete. Model tu je sparring partner: nabídne výklady, vy vybíráte a zdůvodňujete.

Tady jsou výsledky mojí analýzy ze souboru [results.csv] a popisy grafů
[názvy souborů]. Hypotéza H1 zněla: [znění H1].

Nepiš text kapitoly. Odpověz ve třech blocích:
1) Co data říkají k H1 — doslovně, bez interpretačního nadhodnocení.
2) Jaká jsou alternativní vysvětlení (zmatečné proměnné, výběrové
   zkreslení, velikost vzorku, náhoda)?
3) Co z těchhle dat NEMOHU tvrdit, i kdyby to znělo lákavě — hlavně kde
   by šlo o záměnu korelace za kauzalitu nebo o zobecnění mimo vzorek.

U každého bodu uveď, ze kterého čísla nebo grafu vycházíš.

Vrátí materiál k přemýšlení, ne hotový text — blok 3 bývá nejcennější, protože vás předem chrání před větou, kterou u obhajoby neobhájíte. Když model sáhne po čísle, které ve výstupu nevidíte, nechte si ukázat, odkud ho vzal.

Přepsání vlastním hlasem

Technika, která zabere hodinu na kapitolu a zachrání práci: draft si přečtěte, zavřete ho a napište kapitolu znovu po svém. Needitujte věty — pište z hlavy, s draftem jako osnovou vedle. Co si nepamatujete natolik, abyste to napsali sami, buď nechápete, nebo to tam nepatří.

Pak přijde kontrola „AI parfému“:

Projdi tenhle text a označ pasáže, které znějí jako generická AI čeština:
- floskule a vatu („v dnešní době“, „hraje klíčovou roli“)
- superlativy bez podkladu („zásadní“, „revoluční“)
- prázdné shrnující věty, které nic nepřidávají
- trojice synonym místo jednoho přesného slova
- větné vycpávky na začátku odstavců

Jen OZNAČ a u každé stručně odůvodni, proč je podezřelá. Nic nepřepisuj
a nenavrhuj náhrady — přepíšu si to sám.

Zákaz přepisování je tam schválně: kdybyste nechali model text „opravit“, vyměníte jedny generické fráze za jiné.

Akademický styl a konzistence terminologie

Poslední stylová kontrola, než kapitola odejde vedoucímu.

Zkontroluj tenhle text jako korektor akademického textu v oboru [obor].
Nepřepisuj, jen vypiš nálezy s citací dotčeného místa:

1. Osoba a hlas: držím [první osobu / autorský plurál / trpný rod]?
   Označ místa, kde se to láme.
2. Terminologie: pojmy, které označuji různými slovy (jednou „respondent“,
   jindy „účastník“) — navrhni, který termín sjednotit.
3. Čas: teorie v přítomném, vlastní postup v minulém — označ odchylky.
4. Zkratky: je každá zavedena při prvním výskytu?
5. Hovorové a publicistické obraty.

Konzistenci terminologie lidské oko po dvacáté stránce přestane vidět — tady stroj vyhrává. Bod 1 přizpůsobte zvyklostem oboru: technické fakulty většinou chtějí trpný rod, humanitní obory čím dál častěji připouštějí první osobu.

Fáze 5: citace a kontrola faktů

Proč AI citacím nevěřit

Modely generují text, který vypadá správně — a citace jsou přesně ten formát, kde je to snadné. Vznikne článek s věrohodným názvem, existujícím autorem, plausibilním rokem a DOI, které vede jinam nebo nikam. Neexistující citace je z pohledu komise horší než slabá kapitola: je to doložitelný důkaz, že jste zdroj nečetli.

Pravidlo bez výjimek: každou citaci ověřte proti originálu. DOI otevřít, knihu najít v katalogu, článek v databázi — a to i u citací, které jste psali sami.

Křížová kontrola textu a seznamu literatury

Tohle je naopak úloha, kde je AI spolehlivá: porovnává dva seznamy, nepracuje se znalostmi.

Přikládám text mojí práce [nazev.md] a seznam literatury [literatura.md].
Udělej křížovou kontrolu a vrať čtyři seznamy:

1. Citace, které jsou v textu, ale chybí v seznamu literatury.
2. Položky seznamu, na které se text nikde neodkazuje.
3. Neshody v údajích u téhož zdroje (jiný rok, jiné příjmení, jiné
   pořadí autorů mezi textem a seznamem).
4. Přímé citace v uvozovkách, u kterých chybí číslo strany.

U každého nálezu uveď kapitolu a pasáž. Nic neopravuj.

Vrátí seznam nesrovnalostí, kterých bývá deset až dvacet a ručně by je člověk hledal půl dne. Pouštějte to na finální verzi, jinak kontrolujete něco, co už neplatí.

Formátování podle ČSN ISO 690

Normu lze aplikovat promptem, výsledek se ale musí projít ručně.

Naformátuj tenhle seznam zdrojů podle ČSN ISO 690, styl [číselný odkaz /
jméno-datum] podle zvyklostí [fakulta].

Zdroje jsou různého typu: monografie, kapitola ve sborníku, článek
v časopise, kvalifikační práce, webová stránka, právní předpis.

- nedoplňuj údaje, které v podkladu nejsou; chybějící pole označ
  jako [CHYBÍ: rok] apod.
- neměň názvy, jména ani roky
- seřaď abecedně podle příjmení prvního autora
- na konec připoj seznam položek s chybějícími údaji

Zákaz doplňování je nejdůležitější řádek promptu — bez něj model chybějící vydavatele a roky dopíše „aby to sedělo“. Zkontrolujte interpunkci u dvou tří položek od každého typu; norma je v detailech přísná a modely v nich chybují.

Kontrola tvrzení a čísel

Druhá půlka práce jsou fakta v textu. Postup je stejný jako v tipu ověřování faktů s AI: nechte si vypsat ověřitelná tvrzení a dohledejte primární zdroj.

Projdi tuhle kapitolu a vypiš do tabulky všechna faktická tvrzení, která
jde ověřit: čísla, podíly, letopočty, jména, odkazy na cizí výzkumy.

Sloupce: tvrzení | kde v textu | uvedený zdroj | typ (číslo/datum/jméno)
| jak náročné na ověření.

Netvrz, jestli je to pravda — jen vypiš, co je potřeba ověřit u zdroje.

U klíčových čísel — těch, na kterých stojí argument nebo která skončí v abstraktu — jděte vždycky ke zdroji, ne k převyprávění. Statistika opsaná z článku, který ji opsal ze zprávy, bývá po třetím přeposlání jiná.

Fáze 6: sazba a finální dokument

Z markdownu do finálního formátu

Text máte v jednom .md souboru s citacemi. Cesta ven závisí na tom, co fakulta chce:

• Word. Nejrychleji Pandoc: převede markdown do .docx a s referenční šablonou namapuje nadpisy na styly fakulty. Bez Pandocu funguje copy-paste do prázdné šablony a ruční aplikace stylů. Klíč je formátovat styly, ne „ručně tučně“ — jinak se rozpadne obsah i číslování.
• LaTeX. Většina technických fakult má vlastní třídu; převod kapitoly zvládne prompt níž.
• Affinity Publisher. Pro ty, kdo chtějí typografickou kontrolu: přes MCP se dá ovládat z Claude Cowork, takže rutinu sazby zadáváte textem a výsledek kontrolujete okem.

Převeď tuhle kapitolu z markdownu do LaTeXu pro šablonu naší fakulty.
Přikládám preambuli a ukázkovou kapitolu ze šablony — drž se jejích
konvencí, nové balíčky nepřidávej.

- nadpisy na section/subsection podle úrovně
- obrázky do figure s \label a \caption, popisky nech beze změny
- tabulky do prostředí, které používá šablona
- citace převeď na \cite s klíči podle přiloženého .bib
- speciální znaky (%, &, _, uvozovky) správně vyescapuj
- kde si nejsi jistý mapováním, nech komentář % TODO a původní text

Vrátí .tex kapitolu, kterou zkusíte přeložit. Escapování a citační klíče jsou dvě místa, kde překlad nejčastěji spadne — projděte je jako první.

Předletová kontrola formálních náležitostí

Formální náležitosti jsou nejhloupější důvod k vrácení práce a zároveň nejsnáz kontrolovatelný.

Tady je struktura mojí práce (obsah + první odstavce každé části) a tady
požadavky naší fakulty:

[vlepit doslovné znění směrnice: povinné části, rozsah, pořadí, přílohy,
způsob přiznání použití AI, formát abstraktu, počet klíčových slov]

Projdi požadavek po požadavku a u každého napiš: SPLNĚNO / NESPLNĚNO /
NELZE OVĚŘIT ZE STRUKTURY. U nesplněných uveď, co chybí a kam to patří.
Na konec dej seznam věcí, které mám dokontrolovat ručně v sazbě.

Vlepte směrnici doslova — parafráze z paměti je přesně to místo, kde se ztratí věta o přiznání použití AI.

Generované seznamy

Seznam zkratek, obrázků a tabulek AI sestaví z textu za minutu. Nechte si je vygenerovat, ale projděte je: jestli je zkratka zavedena při prvním výskytu a jestli popisky odpovídají tomu, co je na obrázku vidět. V LaTeXu je generuje šablona a AI se hodí spíš na kontrolu, že nic nechybí.

Fáze 7: simulovaný oponent a obhajoba

Oponentní kolo

Hotový text pusťte přes jiný model, než se kterým jste psali — spoluautor hodnotí shovívavě, čerstvé oči najdou to, co přehlíží. Postup je v tipu AI jako oponent, pro bakalářku vypadá takhle:

Jsi přísný oponent bakalářských prací na [obor]. Přečti přiloženou práci
a napiš posudek, jaký bys reálně odevzdal — bez zdvořilostních úvodů
a bez chvály, která nic nesděluje.

1. Tři nejslabší místa metodologie (co konkrétně, proč to vadí).
2. Tři díry v argumentaci — tvrzení, která nevyplývají z toho, co jim
   předchází, nebo nejsou podložená daty či citací.
3. Pět otázek, které bych položil u obhajoby, od nejnepříjemnější.
4. U každé otázky napiš, jak by měla vypadat dobrá odpověď — a jakou
   odpověď bych považoval za vyhýbavou.

Vycházej jen z textu práce, nedomýšlej si, co jsem asi dělal.

Vrátí posudek, který bolí, a to je smysl. Model ale občas kritizuje věc, která v práci je a jen ji přehlédl — nálezy ověřujte proti textu.

Iterace

Jedno kolo nestačí. Opravte, co jde, a nechte posoudit znovu — dvě až tři kola, dokud posudek nevrací drobnosti místo strukturálních výtek. Mezi koly si zapisujte, co jste neopravili a proč: tenhle seznam je výbava na obhajobu, protože komisi zajímá, jestli o omezeních práce víte.

Příprava na obhajobu

Připrav mě na obhajobu. Z přiložené práce vygeneruj:
- 15 otázek, které může položit komise, rozdělených na: metodologie,
  interpretace výsledků, zasazení do literatury, praktický přesah,
  „proč jste to nedělal jinak“
- u každé kostru dobré odpovědi ve třech bodech
- tři otázky, na které moje práce nemá dobrou odpověď, a návrh,
  jak to poctivě přiznat

Ptej se na moje čísla a moje rozhodnutí, ne obecně na obor.

Odpovědi si pak říkejte nahlas. Rozdíl mezi „to bych uměl vysvětlit“ a skutečným vysvětlením se pozná až ve chvíli, kdy to musíte složit do vět. Prezentaci vytáhněte z textu práce postupem z tipu z dokumentu prezentace — deset slidů: problém, metoda, výsledky, závěr.

Checklist před odevzdáním

• Směrnice fakulty splněna a použití AI přiznáno přesně tak, jak vyžaduje.
• Každá citace ověřena proti originálu (DOI otevřeno, kniha nalezena v katalogu).
• Každé tvrzení obhajitelné bez AI po ruce — a bez čtení vlastního textu.
• Analýza reprodukovatelná skriptem: skript uložen a po spuštění dá stejná čísla, jaká jsou v práci.
• Text prošel vlastním přepisem, ne jen editací AI draftu.
• Oponentní kolo proběhlo, jiným modelem, a nálezy jsou vypořádané nebo vědomě ponechané.
• Formální náležitosti zkontrolované proti doslovnému znění směrnice, včetně příloh a abstraktu.

Nejčastější chyby

• Nechat AI napsat celou kapitolu a odevzdat ji. Nejrychlejší cesta k textu, který u obhajoby neustojíte.
• Věřit citacím bez ověření. Modely generují přesvědčivě vypadající neexistující zdroje; jedna taková citace zpochybní celý seznam literatury.
• Počítat statistiku v chatu. Jazykový model není kalkulačka — z dlouhé tabulky vidí výřez a čísla dopočítává od oka. Analýzu dělá skript.
• Nahrát neanonymizovaná data respondentů do free chatu. Osobní údaje patří jen do placeného účtu se smluvní ochranou dat, a i tam bez jmen a identifikujících kombinací.
• Ignorovat směrnici fakulty. Pravidla se liší školu od školy a mění se každý rok; nepřiznané použití AI je problém i u poctivě napsané práce.
• Nechat si text „vylepšit“ do formulací, kterým nerozumíte. Věta, kterou neumíte přeložit do vlastních slov, je ve vaší práci cizí těleso — vyhoďte ji, i kdyby zněla chytře.

Nejlepší nástroje

• NotebookLM — rešerše ukotvená ve vašich zdrojích: odpovídá jen z nahraných dokumentů a cituje, odkud bere.
• Claude Cowork — příprava obsahu nad složkou s podklady, psaní a vysvětlování skriptů pro analýzu a přes MCP i ovládání dalších aplikací při sazbě.
• Python (pandas, matplotlib) — skripty na analýzu CSV a export grafů; nemusíte je umět napsat, musíte jim rozumět natolik, abyste je obhájili.
• Zotero — správa citací od prvního přečteného zdroje; formátování smí pomoct AI, existenci zdroje ověřujete vy.
• Druhý model jako oponent — ChatGPT nebo jiná AI, se kterou jste nepsali: čerstvé oči najdou to, co „spoluautor" přehlíží.

Co vám to přinese

• Čas na myšlení: týdny mechaniky (výpisky, přepisy, formátování) se smrsknou na dny — a uvolněný čas patří argumentaci, která práci dělá dobrou.
• Datová jistota: analýza spočítaná skriptem z CSV je přesná a reprodukovatelná — žádná čísla „od oka" z chatu.
• Klid u obhajoby: workflow vás nutí každé tvrzení vlastnit; simulovaná oponentura znamená, že nejtvrdší otázky už jste slyšeli.

Pro tip

Učení psaním má smysl: části, kde se máte něco naučit, si projděte ručně, i když by to nástroj zvládl — právě proto akademický proces existuje. A pozor na data: dotazníková data s osobními údaji anonymizujte a do AI je dávejte jen přes placený účet se smluvní ochranou dat, ne přes free chat. Píšete-li disertaci místo bakalářky, tenhle workflow škáluje — doplňte ho o rutiny doktoranda.