Článok
Rozhodovanie, neistota a pravdepodobnosť
V minulosti som svoje rozhodnutia posudzoval podľa ich výsledkov. Postupom času som zistil, že mnohé voľby, ktoré som kedysi považoval za „zlé“, mali len nepriaznivé dôsledky. Dnes si uvedomujem, že to, na čom pri rozhodovaní skutočne záleží, nie je jeho výsledok, ale jeho optimálnosť vzhľadom na okolnosti a dostupné informácie – alebo presnejšie, nakoľko sa približuje optimálnemu rozhodnutiu.
Rozhodovanie v marketingu a reklame
Môže byť rozhodnutie s negatívnym výsledkom optimálnejšie ako rozhodnutie s pozitívnym výsledkom? Áno.
Pri optimalizácii rozpočtov pre online reklamu som zistil, že konkrétne dni v rámci sezónnych kampaní predstavujú výnimočné príležitosti. Využitie týchto príležitostí si však vyžaduje vyššiu mieru rizika ako v bežné dni. Na dáta z predchádzajúceho dňa sa s istotou spoliehať nedá a čakanie niekoľko hodín na dáta v daný deň znamená nenávratnú stratu mnohých príležitostí.
Bez toho, aby som prezradil citlivé detaily, základná lekcia, ktorú som získal, je, že v týchto prípadoch je vhodné akceptovať vyššiu mieru rizika. Namiesto fixácie na jednotlivé situácie sa v týchto prípadoch zameriavam na 70% pravdepodobnosť pozitívneho výsledku. S prihliadnutím na túto pravdepodobnosť možno každé rozhodnutie tohto typu považovať za vhodné, bez ohľadu na dopad jediného rozhodnutia. Dôležitá je tu vysoká pravdepodobnosť, že zisk z rozhodnutí s pozitívnym efektom pokryje straty.
Plavba v mori neistoty
Tento spôsob myslenia sa snažím implementovať pri všetkých manažérskych alebo investičných rozhodnutiach. Mojou kotvou v týchto neistých vodách je slabý zákon veľkých čísel. Ten hovorí, že so zvyšujúcim sa počtom pokusov sa priemer výsledkov pravdepodobne priblíži k očakávanej hodnote. Cez optiku pravdepodobnosti si dokážem zachovať strategickú perspektívu a zabezpečiť, aby napríklad môj prístup k optimalizácii online reklamy zostal odolný voči neistote.
Po prečítaní sa to môže zdať ako jednoduchá vec. Ale odpovedzte si, koľko ľudí okolo vás je orientovaných na výsledok a hľadajú istoty.
Zhrnutie
Ak máte nejaké otázky alebo spätnú väzbu, pokojne mi napíšte na mail@richardgolian.com.
Ďalšie články
V apríli som v prvej časti tejto série písal o AI predikčnom systéme, ktorý som začal vyvíjať na vlastnom počítači. Vtedy mal software pár hodín a záznam predpovedí bol prázdny. Odvtedy záznamy v systéme ukázali vec, ktorá sa na začiatku dala čakať — systém ešte nerozumie trhu, ktorý má predpovedať. Vie si nájsť makro kontext, účtovnú hodnotu firiem, zisky. Ale nevie si tie veci poskladať do niečoho, čo by mu pomáhalo porozumieť cene.
Praha, 13. mája 2026. Cestou do práce som začal premýšľať o niečom, čo mi zostalo v hlave celé dni. Ak väčšina rutinnej práce na počítači v nasledujúcich desiatich rokoch zmizne a s ňou aj veľká časť opakujúcej sa manuálnej práce, čo sa stane s tokom peňazí? Kto bude platiť komu a za čo? Aké ekonomické vrstvy budú existovať, aké budú veľké a aké vzťahy medzi nimi pobežia? Toto je šesťvrstvová mapa, ktorú som ako odpoveď načrtol.
Staviam AI systém na predpovedanie indexu S&P 500. Beží na mojom vlastnom počítači, používa verejne dostupné dáta zdarma — yfinance, FRED, Shillerov dataset — a každú predpoveď hodnotí oproti realite. Táto séria dokumentuje samotný vývoj: rozhodnutia, metodiku, chyby.
Včera večer som sa nevedel odtrhnúť od počítača. Keď som zdvihol hlavu, bolo pol deviatej. Na poschodí som už asi tri hodiny sedel sám.
Hodina. Päťdesiatpäť minút. To je čas, ktorý mi trvalo postaviť niečo, čo mi česká softvérová firma nacenila na viac ako 50 000 €. Postavil som to s Claude Code. Nie prototyp. Nie proof of concept. Funkčný nástroj — ten, ktorý firma reálne potrebovala. Ešte ten večer bežal na testovacom prostredí. Toto nie je o Claude Code. Je to o tom, čo Claude Code odhaľuje.
Za posledné štyri roky som viedol zhruba stopäťdesiat praktických pohovorov. Päťdesiat na pozície dátových špecialistov. Sto na špecialistov reklamy a výkonnostného marketingu. Takmer každý z nich znamenal sadnúť si s kandidátom nad praktickou úlohou — niečím blízkym reálnemu problému, ktorý v firme naozaj potrebujeme riešiť. Žiadna teória. Žiadne kvízy. Aplikované riešenie problémov. Postupom času som si začal všímať vzorec.
Predtým, než AI niečo naučíte, musíte vidieť, čo pred vami skrýva.
V momente, keď k nemu potrebovali prístup ďalší ľudia, problém sa úplne zmenil. Už nešlo o to, či sa agent dokáže učiť. Šlo o to, kto ho smie učiť.
Chcel som postaviť agenta, ktorý nielen asistuje, ale aj samostatne koná.
Toto som sa naučil o lokálnej vs cloudovej AI a prečo som prešiel na Claude Code.
Štyri dni v Katalánsku. Bez počítača, bez AI, takmer bez sociálnych sietí. Kúpil som si tento zápisník, aby som doň písal to, o čom budem premýšľať, a to, na čo na tejto ceste narazím a čo sa naučím.
„Neospravedlniteľné, neobhájiteľné. Na toto sa nesmie nikdy zabudnúť.“