Generativní AI vs. klasická (prediktivní) AI – v čem se liší, jak fungují a kdy použít kterou

Slova „generativní AI“ slyšíme od roku 2022 téměř každý den, zatímco umělá inteligence, která filtruje spam, doporučuje videa či předpovídá poruchy strojů, existuje už desítky let. Obojí je „AI“, ale dělá zásadně jiné věci. Klasická (prediktivní či analytická) AI se učí z dat rozpoznávat vzory a vrací rozhodnutí či odhad: třídu, číslo, pravděpodobnost. Generativní AI se učí rozdělení dat natolik dobře, že dokáže vytvářet nový obsah: text, obrázek, hudbu, kód či video. Rozdíl není jen akademický: ovlivňuje, jaká data potřebujete, jak výsledky kontrolovat, jaká rizika hrozí a který nástroj pro daný úkol zvolit.

V tomto článku vysvětlujeme, jak se oba typy liší, jak funguje generativní AI (transformery, difuzní modely, GAN), kde se klasická a kde generativní AI používá, jak se doplňují, jaká mají omezení a rizika a jak vybrat správný přístup. Čerpáme z přehledů IBM: Generative AI vs. predictive AI, AWS: Difference between generative AI and predictive AI, IBM: What is generative AI, Wikipedie: Generativní umělá inteligence a odborných prací Attention Is All You Need (transformery), Denoising Diffusion Probabilistic Models (difuzní modely) a Generative Adversarial Nets (GAN) (anglicky). Hranice mezi typy není ostrá, ale rozdíl účelu je užitečný.

Další články najdete v kategorii Základy a principy AI, například Strojové učení a hluboké učení, Jak funguje umělá inteligence a Jak se trénuje AI model.

Aktualizováno: listopad 2026.

Hlavní rozdíl

• Prediktivní (klasická) AI odpovídá na otázku „co to je?“ či „co se stane?“: je tohle spam? bude zákazník odchod? jaká bude poptávka? je transakce podezřelá? Výstupem bývá číslo, pravděpodobnost či kategorie.
• Generativní AI odpovídá na zadání „vytvoř mi…“: napiš e-mail, namaluj obrázek, navrhni kód, shrň dokument. Výstupem je nový obsah (text, obraz, zvuk, video, kód).

Podle výkladů IBM i AWS oba systémy využívají predikci (prediktivní předpovídá výsledek, generativní předpovídá další token či pixel), ale účel a forma výstupu jsou odlišné. Obě technologie jsou v praxi komplementární: prediktivní podporuje rozhodování, generativní kreativní a průzkumné úlohy.

Orientační schéma rozdílu mezi prediktivní a generativní AI – vlastní infografika

Jak funguje generativní AI

Generativní modely se naučily statistickou strukturu obrovského množství dat a umějí z ní vzorkovat nové příklady. Nejčastější architektury:

• Transformery (jazykové modely, například v chatbotech): zpracovávají text jako posloupnost tokenů a mechanismem pozornosti vyhodnocují, které části kontextu jsou pro další token důležité. Generují text po jednom tokenu; viz Tokeny a kontextové okno. Základní publikací je práce „Attention Is All You Need“.
• Difuzní modely (generování obrázků a videa): model se učí odstraňovat šum: při generování začne s náhodným šumem a krok za krokem z něj „vyčistí“ obrázek podle zadaného popisu; viz Porovnání AI generátorů obrázků.
• GAN (generativní protivnické sítě): dvě sítě soutěží: generátor vytváří falzifikáty a diskriminátor je odhaluje; dnes se využívají méně často pro obrázky, ale jsou důležité historicky a u některých úloh.
• Autoencodery a varianty pro komprimaci a generování.
• Multimodální modely spojují více typů dat (text, obraz, zvuk); viz Multimodální AI.

Podstatné: generativní model nevytváří „z ničeho“, ale kombinuje naučené vzorce. Proto může produkovat věrohodný, ale nepravdivý obsah (halucinace); viz Proč AI halucinuje.

Jak funguje klasická (prediktivní) AI

Klasická AI se obvykle opírá o strojové učení s učitelem (viz Strojové učení a hluboké učení): na historických označených datech se model učí vztah mezi vstupy a výsledkem, a poté předpovídá pro nová data. Používá modely od lineární regrese a rozhodovacích stromů až po neuronové sítě. Charakteristiky:

• Menší a cílenější datové sady, často tabulková (záznamy zákazníků, měření senzorů).
• Měřitelná přesnost (jak často se model trefí) a jasné metriky.
• Lepší vysvětlitelnost u jednodušších modelů.
• Nižší výpočetní nároky (často stačí běžný server).
• Úzká specializace: model na předpověď poruch nenapíše e-mail.

Kde se které používá

Prediktivní / klasická AI:

• spam filtry, detekce podvodů a anomálií (viz AI detekce podvodů),
• hodnocení kreditního rizika, pojistné sazby (viz AI v pojišťovnictví),
• předpověď poptávky, zásob a logistiky,
• prediktivní údržba strojů,
• doporučovací systémy, cílení reklam,
• rozpoznávání obrazu (kontrola kvality, diagnostika),
• odhady cen (viz AI a odhad cen nemovitostí).

Generativní AI:

• psaní a úprava textů, překlady, shrnutí, e-maily, marketing (viz AI pro marketing a tvorbu obsahu),
• generování obrázků, hudby a videa (viz AI generování videa a AI generování hudby),
• psaní kódu (viz GitHub Copilot a AI v programování),
• chatboti a asistenti (viz Jak používat ChatGPT),
• syntetická data pro trénink a testování,
• návrh variant (design, architektura, chemické struktury).

Jak se doplňují

Reálné systémy často kombinují obojí:

• Prediktivní AI odhalí podezřelou transakci, generativní AI vysvětlí zákazníkovi důvod a sepíše zprávu.
• Generativní model vytváří syntetické podvodné scénáře, na nichž se trénuje detektor podvodů.
• Chatbot (generativní) volá prediktivní model pro předpověď doby doručení či cenu.
• Vyhledávání a doporučování (klasické) vybere dokumenty, generativní model je shrne (princip RAG; viz RAG a fine-tuning).
• AI agenti využívají generativní model jako „mozek“ a klasické modely i nástroje jako „ruce“; viz AI agenti.

Omezení a rizika

Generativní AI:

• Halucinace: věrohodné, ale nepravdivé tvrzení; je nutné ověřovat.
• Zkreslení a stereotypy převzaté z dat; viz Rizika AI: bias a diskriminace.
• Autorská práva a původ obsahu: viz Etika AI a autorská práva.
• Deepfake a dezinformace: viz Deepfake: jak poznat.
• Únik citlivých dat při vkládání do služeb: viz Únik dat do AI chatbotů.
• Bezpečnostní útoky (prompt injection, jailbreak).
• Nároky na výkon a energii.

Prediktivní AI:

• Chybné předpovědi a nepřesnost při změně reality (datový posun).
• Diskriminační rozhodování (úvěry, nábor); viz AI v náboru a pohovorech.
• Neprůhlednost složitých modelů a právní požadavky na vysvětlitelnost (viz EU AI Act).
• Ochrana osobních údajů (profilování).

Pro obě skupiny platí: kvalita výstupů závisí na datech a lidský dohled je u důležitých rozhodnutí nezbytný.

Kontrolní seznam – vlastní infografika

Jak vybrat v praxi

• Úloha je předpověď či klasifikace a máte data: začněte klasickým modelem; je levnější, rychlejší a lépe měřitelný.
• Úloha je tvorba nebo úprava obsahu: zvolte generativní model a počítejte s kontrolou člověkem.
• Úloha vyžaduje fakta z vašich dokumentů: kombinujte vyhledávání + generativní model (RAG).
• Citlivá data: zvažte lokální či soukromé modely (viz Lokální AI doma: Ollama).
• Regulované oblasti (zdravotnictví, finance, nábor): dbejte na vysvětlitelnost, audit a pravidla.
• Nezapomeňte na uživatele: srozumitelnost, informování o použití AI, možnost opravy.
• Měřte výsledky: kvalita, chyby, náklady, spokojenost.

Časté otázky v praxi

Je ChatGPT klasická AI?: je to generativní model (jazykový). Je generativní AI chytřejší?: není obecně lepší, řeší jiné úlohy. Může generativní AI předpovídat?: může odhadovat, ale na čísla a spolehlivé předpovědi se hodí klasické modely. Lze je kombinovat?: ano, a často se to děje. Co je rizikovější?: záleží na použití; oba typy vyžadují kontrolu.

Generativní vs. klasická AI v kostce

Základní údaje – vlastní infografika

Výhody a nevýhody

Souhrn pro čtenáře – vlastní infografika

Související články

Další články najdete v kategorii Základy a principy AI: Multimodální AI, RAG a fine-tuning, Historie umělé inteligence a Slovník pojmů umělé inteligence.

Shrnutí

Prediktivní (klasická) AI klasifikuje a předpovídá z historických dat, generativní AI vytváří nový obsah. Generativní modely využívají například transformery a difuzní modely a mohou halucinovat, klasické modely bývají levnější a lépe měřitelné. V praxi se obě technologie kombinují. Více najdete v přehledu IBM.

Často kladené otázky ke generativní a klasické AI