Perplexity Search vs. Computer: kdy hledat odpověď a kdy nechat AI dokončit práci

Umělá inteligence se v práci často používá jako rychlejší vyhledávač. Položím otázku, dostanu odpověď, zkopíruju si důležité body a pokračuji dál. Jenže mezi získáním informace a skutečným dokončením úkolu bývá velký rozdíl. Právě na této hranici staví Perplexity rozdělení mezi dvě funkce: Search pro porozumění a Computer pro realizaci.

Je to poměrně jednoduchá myšlenka, ale v každodenní praxi může změnit způsob, jakým pracuji s AI. Search se hodí ve chvíli, kdy potřebuji zjistit fakta, porovnat možnosti nebo si ujasnit další krok. Computer nastupuje tehdy, když už nestačí jedna odpověď a je potřeba projít více zdrojů, pracovat s firemními nástroji, vytvořit výstup nebo úkol pravidelně opakovat.

Nejde tedy jen o rozdíl mezi dvěma tlačítky. Jde o rozlišení mezi otázkou a pracovním procesem. Search pomáhá dojít k odpovědi. Computer má ambici proměnit zadání v hotový report, tabulku, dashboard, prezentaci, web nebo jiný doručitelný výstup.

Obsah

• 🔎 Search je nástroj pro rychlé porozumění
• 📌 Citace nejsou dekorace, ale kontrolní bod
• 💻 Computer nastupuje, když je potřeba něco skutečně udělat
• 📊 Příklad: od dat o zákaznících k prioritizovanému dashboardu
• 🔔 Pravidelný monitoring konkurence místo ruční rešerše
• 🧩 Jak spojit zpětnou vazbu do produktové roadmapy
• 🔄 Jednoduché pravidlo: začít v Searchi, dokončit v Computeru
• 🛠️ Jak zadávat úkoly, aby výsledek byl použitelný
• 🔐 Připojené nástroje vyžadují jasná pravidla
• 📱 Stejný pracovní postup na počítači, mobilu i hlasem
• 🚀 Od odpovědí k doručené práci

🔎 Search je nástroj pro rychlé porozumění

Search je určený hlavně pro konkrétní, soustředěné otázky. Funguje dobře tehdy, když se celý kontext vejde do jednoho zadání nebo do přiloženého souboru a výsledkem má být především samotná odpověď.

Typické použití může vypadat velmi obyčejně. Potřebuji shrnout dlouhý dokument, rychle pochopit novou oblast, prověřit určité tvrzení nebo porovnat několik dodavatelů. V takové situaci nechci nutně budovat složitý automatizovaný proces. Chci přehledný výsledek, který mi pomůže se rozhodnout.

Perplexity Search pracuje s informacemi z otevřeného webu, s prémiovými zdroji zahrnutými v předplatném a také s připojenými znalostmi. Důležité je, že odpovědi obsahují citace. U jednotlivých faktů a čísel lze otevřít zdroj, z něhož informace pochází, a ověřit si kontext.

Tohle je podstatné zejména tam, kde by nepřesná nebo zastaralá informace mohla ovlivnit rozhodnutí. AI umí připravit rychlou syntézu, ale odpovědnost za zásadní závěr stále zůstává na člověku. Já proto beru citace jako jednu z nejpraktičtějších součástí takového vyhledávání. Nejde jen o to dostat odpověď. Jde i o to vědět, proč jí mohu věřit, kde jsou její limity a zda zdroj skutečně podporuje dané tvrzení.

Kdy má Search největší smysl

Search dává smysl ve chvíli, kdy mám jasně formulovanou otázku a očekávám jednorázový informační výstup. Může jít například o:

• shrnutí interního nebo externího dokumentu,
• porovnání krátkého seznamu produktů či služeb,
• průzkum trhu před rozhodnutím,
• ověření faktů, statistik a aktuálních údajů,
• rychlou rešerši k novému tématu,
• přípravu argumentů pro schůzku nebo interní diskusi,
• zjištění silných a slabých stránek několika variant.

Dobré zadání pro Search bývá úzké, konkrétní a měřitelné. Místo neurčitého „Najdi mi nejlepší CRM“ mohu položit otázku: „Porovnej tři vybrané CRM systémy podle bezpečnosti, ceny a náročnosti implementace.“ Takové zadání už říká, co má být porovnáno a podle jakých kritérií.

Podobně lze formulovat i analytické dotazy. Příkladem je vytvoření tří až pětiletého ocenění společnosti Nvidia metodou DCF a následné porovnání s AMD a Broadcomem s využitím aktuálních tržních dat. Takový úkol je obsahově náročný, ale stále může být vhodný pro Search, pokud cílem je především analýza a odpověď s uvedenými zdroji.

U finančních témat bych byl obzvlášť opatrný. DCF model je citlivý na předpoklady, například na tempo růstu, marže, kapitálové výdaje nebo diskontní sazbu. Hodnota výstupu proto neleží jen ve výsledném čísle, ale i v tom, zda jsou předpoklady srozumitelně vysvětlené a dohledatelné. Citace zde pomáhají oddělit zdrojová data od interpretace.

📌 Citace nejsou dekorace, ale kontrolní bod

Na trhu je spousta AI nástrojů, které dokážou odpověď napsat přesvědčivě. Přesvědčivý tón ale není totéž co ověřený obsah. Proto považuji možnost rozkliknout si zdroj konkrétního tvrzení za zásadní rozdíl mezi obyčejným generováním textu a výzkumně orientovanou prací.

V Perplexity jsou fakta a číselné údaje v odpovědích doprovázeny klikacími citacemi. Uživatel si tak může zkontrolovat, odkud daný údaj pochází. Prakticky to zkracuje cestu mezi odpovědí a původním zdrojem. Nemusím zdlouhavě dohledávat, na kterém webu se daná informace objevila.

Při ověřování bych se ale nezastavil u samotné existence odkazu. Hodnotím také kvalitu zdroje. Je to primární zdroj, například dokumentace, regulatorní dokument, finanční výkaz nebo oficiální oznámení? Nebo jde o komentář, agregátor či starší článek? Platí informace ještě dnes? A odpovídá citace přesně tvrzení, ke kterému je připojená?

Tohle je jednoduchý pracovní návyk, který se vyplatí zavést:

1. Nejprve si přečtu odpověď jako celek. Zajímá mě hlavní závěr a použité předpoklady.
2. Pak otevřu zdroje u klíčových tvrzení. Nemusím kontrolovat každou drobnost, ale zásadní fakta ano.
3. Ověřím datum a kontext. Starší informace může být věcně správná, ale pro aktuální rozhodnutí nepoužitelná.
4. Rozliším fakta od doporučení. Zdroj může potvrdit cenu nebo funkci produktu, ale strategické doporučení je stále interpretace.
5. Uložím si podklady pro další práci. To je užitečné, když se z rychlé rešerše stane rozsáhlejší projekt.

Search tedy nevnímám jako náhradu vlastního úsudku. Je to způsob, jak rychleji vytvořit dobře podložený první obraz situace. Pokud je odpověď konečným výsledkem, může tím práce skončit. Pokud je ale odpověď teprve začátek, přichází prostor pro Computer.

💻 Computer nastupuje, když je potřeba něco skutečně udělat

Computer je navržený pro úlohy, které přesahují jednu otázku, jeden zdroj nebo jeden nástroj. Perplexity ho popisuje jako multimodelový orchestrátor. Jednoduše řečeno, má koordinovat práci napříč soubory, systémy, nástroji a otevřeným webem tak, aby nevznikla jen odpověď, ale dokončený pracovní výstup.

To je praktický rozdíl. Search mi může poradit, jak by měl vypadat report o zákaznících. Computer má být použitý ve chvíli, kdy potřebuji data skutečně shromáždit, obohatit, uspořádat, analyzovat a zabalit do reportu, tabulky nebo dashboardu.

Podle dostupných informací může Computer vytvářet například:

• reporty,
• tabulky a spreadsheety,
• prezentace,
• dashboardy,
• webové stránky,
• opakované přehledy a upozornění.

Zásadní je napojení na pracovní nástroje. Computer se umí připojit ke službám jako Google Drive, Slack, Salesforce, GitHub a Snowflake, stejně jako k více než 400 dalším nástrojům. Tím se AI posouvá od izolovaného chatu k prostředí, které může čerpat podklady z míst, kde týmy už běžně pracují.

Samotné propojení ovšem není cíl. Je to prostředek, jak odstranit ruční přepínání mezi aplikacemi. Pokud jsou informace rozdělené mezi CRM, dokumenty, interní komunikaci, zákaznickou podporu a analytické systémy, vzniká nepříjemný problém: data existují, ale nikdo nemá čas je pravidelně spojovat do srozumitelného celku.

Právě tady může automatizace dávat největší hodnotu. Ne proto, že by měla nahradit každé rozhodnutí, ale proto, že umí snížit množství mechanické práce okolo něj.

📊 Příklad: od dat o zákaznících k prioritizovanému dashboardu

Dobře to ukazuje scénář práce s obchodními účty v Salesforce. Představme si, že firma má třicet účtů, u kterých chce vyhodnotit potenciál rozšíření spolupráce. Nestačí se jen podívat na seznam názvů firem. Je nutné propojit několik vrstev informací.

Computer může nejprve provést rešerši těchto účtů v Salesforce. Poté je možné obohatit je o data o používání produktu a o údaje z fakturace. Následně vznikne dashboard, který zákazníky seřadí podle potenciálu pro expanzi.

Takový proces má jasnou logiku:

1. Identifikace účtů: výchozím bodem je konkrétní seznam zákazníků v CRM.
2. Obohacení dat: k základním údajům se připojí informace o využívání produktu a fakturaci.
3. Vyhodnocení příležitosti: data se uspořádají do pořadí podle expansion potential, tedy potenciálu rozšířit obchodní vztah.
4. Vytvoření výstupu: výsledkem není jen komentář v chatu, ale dashboard použitelný pro obchodní nebo zákaznický tým.

V praxi je důležité, aby si tým předem ujasnil, co přesně znamená „potenciál expanze“. Může souviset s intenzitou využití produktu, aktivitou zákazníka, rozsahem stávajícího kontraktu, vývojem fakturace nebo kombinací více faktorů. AI může data zpracovat a pomoci seřadit, ale hodnoticí logika by měla být srozumitelná lidem, kteří podle ní jednají.

Já bych takový dashboard nevnímal jako automatický rozsudek nad zákazníkem. Je to prioritizační nástroj. Pomůže týmu soustředit se nejdřív na účty, kde data naznačují zajímavou příležitost. Finální kontakt, nabídka i vztahová práce ale nadále vyžadují znalost konkrétního zákazníka.

🔔 Pravidelný monitoring konkurence místo ruční rešerše

Druhým silným využitím Computeru je opakovaná práce. Jednorázová odpověď má svůj konec. Pravidelný monitoring naopak funguje jen tehdy, když se opakuje spolehlivě a výstup dorazí ke správným lidem ve správný čas.

Příkladem je sledování cen konkurence každý týden. Computer může průběžně monitorovat ceny konkurentů, rozpoznat podstatné změny a poslat jejich shrnutí do Slack kanálu zaměřeného na go to market aktivity.

Tohle řeší častý problém obchodních a produktových týmů. Informace o trhu bývají veřejně dostupné, ale nikdo nemá kapacitu je systematicky kontrolovat. Ceník se změní, vznikne nová úroveň předplatného, firma upraví podmínky nebo představí nový balíček. Jedna změna nemusí znamenat nic zásadního. V souhrnu ale může naznačovat posun v konkurenční strategii.

Pravidelný monitoring dává smysl hlavně tehdy, když jsou předem stanovené hranice toho, co je „materiální změna“. Bez tohoto vymezení může tým dostávat příliš mnoho upozornění a ztrácet pozornost v drobnostech. Prakticky je užitečné určit:

• které konkurenty monitorovat,
• které stránky, produkty nebo cenové modely zahrnout,
• jaké změny se mají hlásit,
• kam má souhrn dorazit,
• jak často se má kontrola opakovat,
• kdo má výsledky vyhodnotit a rozhodnout o dalším kroku.

Computer dokáže úlohu spouštět podle harmonogramu, sledovat změny a posílat proaktivní upozornění. To je rozdíl oproti nástroji, který reaguje až v okamžiku, kdy se zeptám. Místo ručního dotazu vzniká opakovatelný proces.

🧩 Jak spojit zpětnou vazbu do produktové roadmapy

Ještě komplexnější scénář se týká produktové zpětné vazby. Ta bývá rozptýlená prakticky všude. Něco se objeví v support ticketu, něco v poznámce customer success týmu, další postřeh v dokumentu na Google Drive a další odpovědi v uživatelském průzkumu.

Každý zdroj sám o sobě může být užitečný. Teprve při spojení ale vznikne širší obraz. Computer může vytáhnout produktovou zpětnou vazbu z podpory v Intercomu, poznámky customer success týmu z Google Docs a odpovědi z uživatelských průzkumů. Tyto podklady pak může přetvořit v prioritizovanou roadmapu rozdělenou podle témat a doručit ji jako PDF i spreadsheet.

Tohle je typ úlohy, pro který samotné Search nestačí. Nejde jen o nalezení odpovědi. Je potřeba:

1. získat obsah z různých systémů,
2. spojit ho do jednoho pracovního celku,
3. rozpoznat opakující se témata,
4. připravit prioritizovaný výstup,
5. vytvořit soubory vhodné pro další týmovou práci.

Produktový tým tím může získat lepší základ pro diskusi o prioritách. Například se může ukázat, že více zdrojů opakovaně zmiňuje stejný problém, zatímco jiný hlasitý požadavek se objevil jen jednou. AI zde může pomoct snížit chaos a seskupit materiál, který by jinak zůstal roztříštěný.

Současně je dobré hlídat, aby kategorizace nezastřela podstatné nuance. Některé připomínky mohou mít stejná slova, ale jiný význam. Jiné mohou mít pro malou skupinu uživatelů zásadní dopad, i když se neopakují často. Prioritizace proto není čistě matematická disciplína. Computer může připravit kvalitní podklady, ale produktový úsudek zůstává nenahraditelný.

🔄 Jednoduché pravidlo: začít v Searchi, dokončit v Computeru

Nejlepší rozhodovací rámec je překvapivě přímočarý. Začínám v Searchi, když potřebuji vyjasnit myšlení. Přecházím do Computeru, když je potřeba práci dokončit, opakovat, zabalit do konkrétního formátu nebo doručit dalším lidem.

Rozdíl lze shrnout do jedné praktické pomůcky:

• Jedna jasná otázka, jednorázová odpověď: Search.
• Vícekrokový úkol, více nástrojů nebo připojených dat: Computer.
• Potřeba vytvořit report, tabulku, dashboard nebo prezentaci: Computer.
• Pravidelný výstup, monitoring nebo upozornění: Computer.
• Potřeba ověřit zdroje a rychle získat přehled: Search.
• Potřeba rozhodnout se, co dělat dál: často nejdřív Search, potom Computer.

Toto rozdělení je užitečné i proto, že brání dvěma opačným chybám. První je používat složitý automatizovaný proces na drobnou otázku, kde by byla rychlá rešerše efektivnější. Druhá je naopak snažit se ručně poskládat velký projekt z desítek jednotlivých chatových odpovědí, i když jde o opakující se workflow napříč nástroji.

Já bych si před každým zadáním položil tři otázky:

1. Je odpověď mým finálním výstupem? Pokud ano, pravděpodobně začnu v Searchi.
2. Musím pracovat s více zdroji, aplikacemi nebo soubory? Pokud ano, Computer může být vhodnější.
3. Potřebuji výstup znovu příští týden nebo příští měsíc? Pokud ano, dává smysl přemýšlet o harmonogramu a automatizaci.

🛠️ Jak zadávat úkoly, aby výsledek byl použitelný

Ať už používám Search nebo Computer, kvalita zadání má velký vliv na použitelnost výsledku. Není nutné psát složité technické prompty. Pomáhá ale určit cíl, zdroje, kritéria a podobu konečného výstupu.

U Searchi se vyplatí specifikovat, co přesně chci pochopit. Místo „Shrň tento dokument“ mohu napsat: „Shrň tento dokument do pěti hlavních rozhodnutí, vypiš rizika a přidej otázky, které zůstávají otevřené.“ Výsledkem pak není jen zkrácený text, ale struktura použitelná pro další práci.

U Computeru je dobré doplnit i pracovní tok. Například:

• jaké zdroje nebo aplikace použít,
• jaká data spojit,
• podle jakých kritérií data seřadit,
• jaký formát má mít finální výstup,
• kam se má výsledek doručit,
• zda se má úloha opakovat a v jakém rytmu.

Praktické zadání pro monitoring cen by tak nemuselo znít jen „Sleduj konkurenci“. Přesnější je určit seznam konkurentů, sledované produktové stránky, frekvenci kontroly, definici významné změny a Slack kanál pro doručení souhrnu.

Podobně při práci se zákaznickou zpětnou vazbou nestačí říct „Udělej roadmapu“. Je lepší dodat, odkud má Computer data vzít, jak je má seskupit, co má považovat za prioritu a zda má vzniknout PDF, tabulka, nebo obojí.

Čím přesněji popíšu požadovaný výsledek, tím menší je riziko, že dostanu výstup, který sice vypadá hotově, ale neodpovídá skutečné potřebě týmu.

🔐 Připojené nástroje vyžadují jasná pravidla

Napojení na Google Drive, Slack, Salesforce, GitHub, Snowflake a další systémy otevírá velké možnosti. Zároveň ale přináší odpovědnost. Když AI pracuje s interními daty, je nutné přemýšlet nejen o pohodlí, ale také o oprávněních, citlivosti informací a firemních procesech.

Než připojím pracovní nástroj, ověřil bych především:

• jaká data má systém k dispozici,
• kdo může připojení schválit,
• zda jsou přístupová oprávnění přiměřená účelu,
• které výstupy mohou obsahovat citlivé údaje,
• kam se mají výsledné soubory ukládat nebo exportovat,
• kdo odpovídá za kontrolu automaticky vytvořených výstupů.

Computer umožňuje výsledky stáhnout nebo exportovat do aplikace pro práci se soubory. To je praktické pro navazující úpravy, sdílení i archivaci. Zároveň je rozumné mít jasno v tom, kde bude finální verze dokumentu žít a kdo ji bude považovat za schválenou.

Automatizace je nejsilnější tehdy, když má jasně vymezené mantinely. Opakovaný report, dashboard nebo upozornění by měly šetřit čas, ne vytvářet nový proud neprověřených materiálů. Dobrý proces proto kombinuje automatické sbírání a zpracování dat s lidskou kontrolou u důležitých závěrů.

📱 Stejný pracovní postup na počítači, mobilu i hlasem

Search i Computer fungují na desktopu, mobilu a v hlasovém režimu. To podporuje myšlenku, že pracovní tok nemusí být vázaný na jedno zařízení. Můžu si rychle položit otázku v okamžiku, kdy mě napadne, a následně pokračovat u většího úkolu tam, kde je to pro mě nejpohodlnější.

Mobilní a hlasové použití dává smysl hlavně pro zachycení prvotního dotazu nebo rychlé prověření informace. Rozsáhlejší práce s dashboardy, dokumenty a vícezdrojovými výstupy bude přirozeně často pohodlnější na větší obrazovce. Důležité ale je, že samotný princip zůstává stejný: začít otázkou, ověřit si podklady a v případě potřeby posunout práci až k hotovému výsledku.

🚀 Od odpovědí k doručené práci

Nejzajímavější na rozdělení Search a Computer není samotná technická terminologie. Je to změna pracovního očekávání. AI nemusí končit u nápadu, odstavce nebo seznamu odkazů. Může pomoci posunout práci přes výzkum, třídění, obohacení dat a formátování až k výstupu, který lze sdílet s týmem.

Search řeší fázi porozumění. Je vhodný pro otázky, shrnutí, porovnání a ověřování zdrojů. Computer řeší fázi provedení. Hodí se pro propojené systémy, vícekrokové úkoly, pravidelné monitoringy a vytváření konkrétních pracovních materiálů.

Za nejpraktičtější považuji kombinovaný postup. Nejprve si pomocí Searchi vyjasním problém, kritéria a dostupné možnosti. Jakmile vím, co chci udělat, mohu předat Computeru opakující se nebo vícevrstvou práci. Tím se z jednorázového dotazu může stát report, prioritizovaná roadmapa, obchodní dashboard nebo pravidelný přehled změn na trhu.

Pro týmy, které chtějí vyzkoušet práci s vícekrokovými úkoly a připojenými nástroji, je k dispozici Perplexity Computer. Další návody k Searchi, Computeru a konektorům nabízí také playlist Perplexity Academy.

Jednoduché pravidlo na závěr zní: pokud potřebuji jednorázově zjistit odpověď, použiji Search. Pokud potřebuji, aby se práce skutečně stala, opakovala a dorazila v použitelné podobě, dává smysl Computer.