AI vidí vzorce, které neexistují. Hůř než člověk

Dvě skupiny zvířat. O první koluje 26 historek, z toho 18 pochvalných. O druhé 13 historek, z toho 9 pochvalných. Poměr dobrých zpráv je v obou skupinách naprosto totožný — přesně 69 %. Žádný rozdíl tam není.

Když tento test dostalo 100 lidí, menšinovou skupinu si jako spoluhráče vybralo 46 % z nich. Tedy téměř polovina, což je přibližně to, co by se dalo očekávat. Když stejný test dostalo devět velkých jazykových modelů, menšinovou skupinu vybraly v průměru v 15 % případů. Zbylých 85 % dalo přednost většině — kvůli vzorci, který v datech vůbec nebyl.

Vyplývá to z práce Illusory Pattern Perception Drives Spurious Inference in Large Language Models, kterou tým Peihua Mai a kolegů zveřejnil 6. října 2026. Autoři vzali klasické psychologické testy na vidění neexistujících souvislostí a pustili je na modely od GPT-3.5 až po GPT-5.2.

Chyba, kterou AI zdědila po nás

Jev se jmenuje iluzorní vnímání vzorců (illusory pattern perception), v širším významu apofenie. Je to lidská specialita: mozek radši vyrobí falešnou souvislost než aby přiznal, že data nic neříkají. Z toho vzniká pověrčivost, šťastná trička sportovců i obličeje v oblacích.

Test se dvěma skupinami je známý od roku 1976, kdy ho navrhli psychologové David Hamilton a Robert Gifford. Ukázali, že lidé systematicky přisuzují menšinovým skupinám horší vlastnosti, i když jsou proporce dobrých a špatných informací v obou skupinách stejné. Mozek si prostě snáz všimne kombinace „malá skupina + negativní zpráva“, protože obojí je vzácnější. V roce 2008 pak Jennifer Whitson a Adam Galinsky v časopise Science doplnili, že čím méně má člověk kontrolu nad situací, tím více vzorců v šumu vidí.

Nová studie tvrdí něco nepříjemného: modely tuto chybu nejen zopakovaly, ale ve většině testů ji předvedly silněji než lidé.

Tři testy, devět modelů

Autoři postavili tři úlohy a každou nechali vyplnit stovkou lidí a devíti modely (GPT-3.5, GPT-4o, GPT-5, GPT-5.2, Llama-8B, Llama-4-Scout, Gemma-2-9B, Qwen2.5-14B a destilovaný DeepSeek-R1).

• Skupiny zvířat — 39 výroků o dvou komunitách, stejný poměr dobrých a špatných. Úkol: vyber si spoluhráče.
• Investice — 36 výroků o dvou firmách, opět identický poměr pozitiv a negativ. Úkol: do které firmy investuješ?
• Konspirace — dvě nejednoznačné scénky, například: šéf si den před jednáním o povýšení intenzivně píše s kolegou a vy povýšení nedostanete. Úkol: ohodnoť na stupnici 1–7, jak moc ty dvě věci souvisí.

Úloha	Lidé	Modely (průměr)
Volba menšinové skupiny	46 %	15 %
Volba menší firmy	40 %	31 %
Míra spojení událostí (1–7)	4,34	5,37

Nejhorší výsledek v testu se skupinami měl GPT-3.5 (4 %) a GPT-4o (5 %). Novější modely si vedly o něco lépe, ale ani GPT-5.2 se k lidské hranici nepřiblížil — zůstal na 12 %.

U konspirací je AI o 24 % důvěřivější

Nejpřekvapivější je třetí test. Lidé ohodnotili souvislost dvou nesouvisejících událostí průměrně 4,34 ze 7. Modely daly 5,37, tedy o 23,7 % výš. GPT-5.2 skončil na 6,24 a Llama-4-Scout dokonce na 6,46 ze 7 — to už je skoro jistota, že za tím něco je.

Jediný model, který se u konspirací statisticky nelišil od lidí, byl destilovaný DeepSeek-R1. Jinak platí, že čím nejednoznačnější vstup model dostane, tím ochotněji z něj uplete příběh s příčinou a následkem.

„Přemýšlej krok za krokem“ to nespraví

Autoři zkusili nejběžnější trik promptování — nechali modely uvažovat nahlas, krok za krokem. Pomohlo to jen částečně. Modely zůstaly 20 procentních bodů pod lidmi v testu se skupinami, 6 bodů pod lidmi u investic a u konspirací stále o 11 % nad lidskou úrovní.

Fungoval až zásah do vnitřností modelu. Pomocí sparse autoencoderů autoři našli konkrétní vnitřní signály spojené s „holistickým vnímáním frekvence“ a ztlumili je. Volba menšinové skupiny se pak zvedla o 18 až 29 procentních bodů a hodnocení konspirací spadlo o 8,2 až 24,6 %. Tedy: ta chyba není náhodný šum, ale něco, co má v modelu své místo.

Co z toho plyne pro firmu

Tohle není filozofická kuriozita. Je to popis chyby, která se dá potkat v běžném nasazení:

• Hodnocení dodavatelů a nabídek. Když modelu předložíte dvě firmy, o velké máte víc podkladů než o malé. Model podle studie dá přednost větší, i když je poměr pozitiv a negativ stejný.
• Analýza zpětné vazby a dat. Pokud se AI zeptáte „co z těch dat vyplývá“, nedostanete poctivé „nic zajímavého“. Dostanete příběh.
• Screening životopisů a hodnocení lidí. Menšinová kategorie jakéhokoli druhu — malá škola, neobvyklý obor, kratší historie — dostává podle tohoto vzorce horší známku bez datového důvodu.

Praktické řešení není „lepší prompt“, ale změna otázky. Místo „najdi vzorce v těchto datech“ se ptejte „je tento rozdíl statisticky významný, nebo jde o šum?“ a nechte si ukázat čísla, ze kterých model vychází. A u rozhodnutí, která mají dopad na lidi nebo peníze, nechte poslední slovo člověku.

Pokud řešíte, kde ve firmě AI nasadit tak, aby pomáhala a ne škodila, v Praxiu to s vámi projdeme krok za krokem — včetně toho, co vám o vybraném nástroji nikdo jiný neřekne. Chcete nejdřív zjistit, jak na tom vaše firma s AI je? Začněte AI Kompasem, nebo si projděte reálné příklady použití.

Často kladené otázky

Znamená to, že se AI nedá věřit v analytice?

Ne, ale znamená to, že jí nelze nechat rozhodnout, co je v datech signál. AI je výborná na přípravu, čištění, popis a hledání hypotéz. Potvrzení hypotézy patří statistickému testu, ne jazykovému modelu.

Jsou novější modely v tomhle lepší?

Jen částečně. V testu se skupinami se posunuly z 4–5 % na 12–13 %, což je stále hluboko pod lidskými 46 %. U konspiračního testu si novější modely vedly naopak hůř — GPT-5.2 měl 6,24 ze 7, zatímco GPT-3.5 jen 4,44.

Co s tím může udělat běžný uživatel?

Tři věci: ptát se na nejistotu („jak silný je ten vzorec?“), vyžádat si čísla a protiargument („co by tuhle hypotézu vyvrátilo?“) a nikdy nenechat model, aby sám rozhodl o pořadí uchazečů, dodavatelů nebo priorit.

Zdroje: Mai et al., Illusory Pattern Perception Drives Spurious Inference in Large Language Models, arXiv (2026), Whitson & Galinsky, Lacking Control Increases Illusory Pattern Perception, Science (2008).