AI je v pondělí jiná než v pátek. Vědci naměřili rytmus

Stejný model. Stejné zadání. Stejné nastavení. A přesto se kvalita odpovědi mění podle toho, kolik je hodin. Přesně to zjistili dva výzkumníci, kteří tři měsíce v kuse každé tři hodiny pokládali GPT-4o jednu a tu samou fyzikální úlohu. Když výsledky prohnali Fourierovou analýzou, vyskočil na ně vzorec, který tam podle všech předpokladů být neměl: pravidelný denní a týdenní rytmus. Vysvětloval zhruba 20 % veškerého rozptylu ve výkonu modelu.

Jinými slovy: jazykový model, který nemá tělo, nespí, nepije kávu a nemá pondělí ani pátek, se chová, jako by je měl.

Co přesně vědci udělali

Studie Evidence for Daily and Weekly Periodic Variability in GPT-4o Performance (Tschisgale & Wulff, arXiv 2602.15889) stojí na jednoduchém, ale nudně poctivém experimentu. Autoři vzali jediný snímek modelu GPT-4o, zafixovali všechny parametry i prompt a nechali model řešit tutéž fyzikální úlohu desetkrát každé tři hodiny po dobu zhruba tří měsíců. Vznikla časová řada tisíců odpovědí, u nichž se hodnotila kvalita řešení.

Pointa je v tom, že takový experiment by měl být z definice nezajímavý. Drtivá většina výzkumu s jazykovými modely mlčky předpokládá časovou invarianci — tedy že když se nezmění model ani zadání, průměrná kvalita výstupu zůstává v čase stejná. Bez toho předpokladu se rozpadá reprodukovatelnost: výsledek naměřený v úterý ráno by nemusel platit ve čtvrtek večer.

Spektrální analýza ale ukázala něco jiného. V datech seděly výrazné periodické složky odpovídající vzájemně se prolínajícím denním a týdenním cyklům. Nešlo o šum ani o jednorázový výpadek — šlo o strukturu, která se opakovala.

Proč by stroj měl mít rytmus?

Model sám žádné hodiny uvnitř nemá. Nabízejí se proto dvě vysvětlení a obě jsou po svém zajímavé.

1. Infrastruktura. Nejstřízlivější výklad: kolísá zátěž datacenter. Když je v USA i Evropě špička, poskytovatel může sahat po optimalizacích — jinému hardwaru, jiné kvantizaci, agresivnějšímu dávkování požadavků, jinému směrování mezi GPU. Uživatel nic z toho nevidí, API vypadá identicky, ale početní podmínky pod kapotou nejsou úplně totožné. Denní a týdenní cyklus provozu se pak propíše do denního a týdenního cyklu kvality.

2. Ozvěna lidského rytmu v datech. Spekulativnější, ale ne bláznivá varianta: modely se učily na textech, které psali lidé — a lidé píší v pondělí ráno jinak než v pátek večer. Pokud model z kontextu odhaduje „jaká je situace“, může na to reagovat i stylem odpovědi.

Tohle už tu jednou bylo: „zimní prázdniny“ GPT-4

Druhá hypotéza není vycucaná z prstu. Na přelomu listopadu a prosince 2023 začali uživatelé hromadně hlásit, že se GPT-4 Turbo chová „líně“ — zkracuje odpovědi, odbývá úkoly, občas rovnou navrhne, ať si zbytek kód dopíše člověk sám. OpenAI problém veřejně potvrdilo s tím, že příčinu nezná.

Vznikla takzvaná winter break hypothesis: model se prý z tréninkových dat naučil, že v prosinci se pracuje míň. Rob Lynch to zkusil změřit — když modelu podsunul, že je květen, dostával v průměru 4 298 tokenů; s prosincem 4 086 tokenů, tedy asi o 5 % méně. Zní to jako důkaz, jenže výzkumník Ian Arawjo se pokusil výsledek replikovat a statisticky významný rozdíl nenašel.

Winter break hypothesis tak zůstala nepotvrzenou historkou. Nová studie z roku 2026 je něco jiného — nespoléhá na podsunuté datum v promptu, ale na tři měsíce reálného měření.

Co si z toho má odnést firma

Tohle není akademická kuriozita. Má to dva velmi praktické důsledky.

• Jednorázový test nic nedokazuje. Když ve čtvrtek odpoledne vyzkoušíte tři AI nástroje a jeden vyjde nejlíp, klidně jste změřili denní dobu, ne kvalitu nástroje. Testujte opakovaně a v různých časech.
• Automatizace potřebuje kontrolní mechanismus. Pokud vám model běží v produkci bez dozoru — třídí poptávky, generuje popisky, vyhodnocuje dokumenty — počítejte s tím, že kvalita kolísá i bez jakéhokoli vašeho zásahu. Řešením je validace výstupů a měření v čase, ne slepá důvěra.
• „Změnili nám model“ nemusí být pravda. Než začnete panikařit, že poskytovatel něco potichu upravil, ověřte si, jestli neporovnáváte pondělní ráno s pátečním večerem.

Zvažujete nasazení AI do procesů, kde na spolehlivosti záleží? V Praxiu to s vámi projdeme krok za krokem — včetně toho, jak si výstupy měřit a co dělat, když model začne kolísat. Úvodní konzultace je zdarma a řekneme vám i to, co slyšet nechcete.

Časté otázky

Znamená to, že mám používat ChatGPT jen ráno?

Ne. Studie měřila jediný model na jediné úloze a periodická složka vysvětlovala asi 20 % rozptylu — zbytek je běžná variabilita. Neexistuje spolehlivá „nejlepší hodina“. Praktický závěr zní jinak: nespoléhejte na jediný pokus a důležité výstupy si nechte ověřit.

Má umělá inteligence cirkadiánní rytmus jako člověk?

Nemá — nemá biologické hodiny ani vnitřní vnímání času. Naměřený rytmus je téměř jistě odrazem vnějších vlivů: kolísající zátěže infrastruktury a případně lidských vzorců v tréninkových datech. Model „neusíná“, jen se mění podmínky, ve kterých počítá.

Týká se to i dalších modelů než GPT-4o?

Studie testovala pouze GPT-4o, takže zobecňovat zatím nelze. Pokud je ale hlavní příčinou zátěž datacenter, je pravděpodobné, že podobné kolísání se objevuje i u jiných velkých modelů provozovaných přes API. To ale musí prokázat další výzkum.

Zdroje: arXiv: Evidence for Daily and Weekly Periodic Variability in GPT-4o Performance, CIO Dive: ChatGPT’s ‚winter break‘ is the latest sign of model drifts, Wccftech: GPT-4 Turbo winter break test