Přeskočit na obsah
Blog

Multimodální AI, která vidí a slyší: příklady z praxe roku 2026

Trendy a praxe8 min čtení6. října 2026

Miroslav Douda · Zakladatel Dotazio

Ruka fotí mobilem rozbitý spotřebič, na displeji telefonu odpovídá AI chat

Multimodální AI je umělá inteligence, která kromě textu zvládne i obrázek, zvuk nebo video - vyfotíte rozbitý spotřebič a zeptáte se na řešení, nahrajete zvukový záznam porady a dostanete zápis. V roce 2026 to není experiment z výzkumné laboratoře, ale běžná funkce v nástrojích jako ChatGPT, Gemini nebo Claude. Firmám, obcím i domácnostem to šetří čas tam, kde dřív musel člověk fotku, nahrávku nebo video ručně popsat slovy. Stejný princip - odpovídat z konkrétního podkladu, ne z dohadu - používá i Dotazio, když ze zvukového záznamu porady připraví podklad, ze kterého pak chatbot odpovídá.

Časté dotazy

Jak přesné je dnešní AI rozpoznávání obrazu u nekvalitní fotky?
U ostré fotky s dobrým světlem se dnešní modely v běžných úkolech - přečtení textu, popis předmětu, rozpoznání typu zařízení - pletou málokdy. U rozmazaného, tmavého nebo přeexponovaného snímku přesnost citelně klesá a model si někdy detail domyslí. U důležitého rozhodnutí je proto dobré výstup ještě ověřit.
Kam se ukládají fotky a nahrávky, které pošlu do AI chatu?
Záleží na nástroji. Velké veřejné chaty data zpracovávají na svých serverech, často mimo Evropu, a smluvní podmínky se liší v tom, jestli je smí použít pro další trénink modelu. U citlivých fotek (dokumenty, tváře, rodná čísla) a nahrávek s osobními údaji je vhodné vybírat nástroj s garantovaným umístěním dat v EU, který jasně řekne, k čemu je použije.
Je bezpečné nahrát AI zvukovou nahrávku porady, kde padnou citlivé informace?
Do veřejné bezplatné AI citlivou nahrávku raději nevkládejte - nemáte jistotu, kde se zpracuje a jak dlouho se uchová. Pro pravidelné zpracování porad nebo zasedání se vyplatí nástroj s jasnou GDPR politikou a daty v EU, u kterého víte, kdo k nahrávce má přístup.
Očekávají dnes zákazníci, že jim AI chatbot na webu rozumí i fotce?
Čím dál víc ano - ze zvyku z telefonu, kde fotku k dotazu přiloží běžně. Obecné AI chaty to nabízí, byznys chatboti napojení na vlastní podklady - včetně Dotazio - se dnes soustředí hlavně na text a hlasové nahrávky jako zdroj znalostí. Živý příjem fotky od návštěvníka je oblast, kterou má smysl sledovat, jak se v dalších verzích nástrojů vyvíjí.
Pozná AI z fotky i špatně čitelný text nebo rukopis?
Tištěný text z čitelné fotky přečte spolehlivě i v horší kvalitě snímku. Rukopis je náročnější - u úhledného písma to dnes obvykle zvládne, u složitého nebo staršího rukopisu chybovost roste a výstup je dobré porovnat s originálem.