Reasoning modely – AI, která před odpovědí „přemýšlí“: uvažovací tokeny, úroveň úsilí a cena

Moderní chatboti často před odpovědí chvíli „přemýšlejí“. V aplikaci vidíte indikátor, někdy i krátké shrnutí postupu. Za tím stojí reasoning modely (modely s uvažováním), které před konečnou odpovědí vytvářejí interní uvažovací tokeny. Pomáhá jim to u složitějších úloh: plánování, programování, vědeckých výpočtů či vícekrokových problémů. Za kvalitu ale platíte rychlostí a cenou. Tento článek vysvětluje, jak reasoning modely fungují, jaký je rozdíl oproti běžným modelům a kdy se vyplatí je použít, podle dokumentace OpenAI.

Informace vycházejí z dokumentace OpenAI – Reasoning a z úvodu Google – Introduction to LLMs (stav k 14. 11. 2026). Názvy modelů, hodnoty parametrů a ceny se u poskytovatelů rychle mění; ověřte je v aktuální dokumentaci. Nejde o doporučení konkrétního produktu ani technický návod.

Související články: Tokeny a kontextové okno, Halucinace ChatGPT – proč AI lže a AI agent, nebo workflow?.

Aktualizováno: listopad 2026.

Co je reasoning model

Podle dokumentace OpenAI reasoning modely před odpovědí vynakládají interní uvažovací tokeny, což jim pomáhá při plánování, používání nástrojů a víckrokových úlohách. Hodí se pro složité řešení problémů, programování, vědecké uvažování a agentní workflow. Obyčejný jazykový model odpovídá „rovnou“; reasoning model si nejprve rozloží úlohu, vyzkouší postup a teprve poté napíše výsledek.

Pro srovnání: jazykový model podle Googlu odhaduje pravděpodobnost tokenu (slova či jeho části) v posloupnosti; reasoning model tento princip využívá také pro tokeny „myšlenkového postupu“, které uživatel obvykle nevidí.

Postup práce reasoning modelu – vlastní infografika

Uvažovací tokeny: cena a okno

Dokumentace OpenAI uvádí důležité vlastnosti uvažovacích tokenů:

• nejsou viditelné přes API,
• zabírají místo v kontextovém okně,
• jsou účtovány jako výstupní tokeny.

Z toho plyne praktická věc: dlouhé uvažování zvyšuje cenu i dobu odpovědi. Dokumentace doporučuje používat limit `max_output_tokens`, který zahrnuje i uvažovací tokeny, a sledovat jejich počet v údajích o spotřebě. Pokud je limit příliš nízký, odpověď se může zastavit před dokončením, případně bez viditelného textu. OpenAI doporučuje na začátku vyhradit alespoň 25 000 tokenů pro uvažování a výstup a poté upravit podle zkušeností. Základy tokenů viz Tokeny a kontextové okno.

Úroveň úsilí (reasoning effort)

Většina reasoning modelů umožňuje nastavit úroveň úsilí. Hodnoty podle dokumentace jsou: `none`, `minimal`, `low`, `medium`, `high`, `xhigh` a `max`; podporované hodnoty a výchozí nastavení se liší podle modelu. Vyšší úsilí znamená víc přemýšlení, tedy lepší kvalitu, ale více tokenů a delší odezvu. Doporučené použití:

• none: úlohy citlivé na rychlost (například klasifikace),
• low: používání nástrojů a analýza dat,
• medium: vyvážená výchozí volba,
• high: obtížné ladění a plánování,
• xhigh: dlouhé hloubkové rešerše,
• max: nejsložitější úlohy.

Dokumentace dodává, že úsilí je ladicí páka, nikoli hlavní způsob, jak zlepšit kvalitu: nejdřív vylepšete zadání. U některých modelů existuje také režim (standardní, „pro“), který provede více práce na obtížných úlohách za vyšší spotřebu a latenci; režim i úsilí jsou nezávislé nastavení.

Jak psát zadání pro reasoning model

Rady OpenAI:

• Dejte jasný cíl, omezení a výslovný formát výstupu.
• Nepředepisujte každý mezikrok. Model má plánovat sám.
• U agentní práce definujte, co znamená „hotovo“ a jak má model ověřit výsledek.
• Nezvyšujte úsilí „pro jistotu“: nejdřív zpřesněte zadání.

Příklad: místo „vysvětli krok za krokem a pak spočítej“ zkuste: „Cíl: navrhni rozpočet na tři měsíce. Omezení: příjem 40 000 Kč, nájem 15 000 Kč. Formát: tabulka a tři doporučení. Ověř, že součet výdajů nepřesáhne příjem.“ Obecné zásady zadávání viz Prompt engineering.

Souhrny uvažování a soukromí

Poskytovatelé mohou zobrazovat souhrny uvažování. Dokumentace OpenAI uvádí, že souhrny jsou dostupné přes parametr `summary` a některé funkce mohou vyžadovat ověření organizace. Pro uživatele je důležité: souhrn není úplný záznam a nemusí odpovídat skutečnému postupu; slouží k orientaci. Pokud do modelu vkládáte citlivé údaje, platí běžná pravidla soukromí; viz AI chatboti a soukromí dat.

Kdy reasoning model použít

Hodí se pro:

• vícekrokové úlohy (plánování, rozpisy, logické úlohy),
• programování a ladění,
• analýzu dat a vědecké uvažování,
• agentní workflow s nástroji (viz AI agent, nebo workflow?).

Nehodí se pro:

• jednoduché dotazy, překlad, krátké shrnutí (zbytečně dražší a pomalejší),
• úlohy s velmi nízkou přípustnou latencí (dokumentace doporučuje u takových úloh nejnižší úsilí),
• situace, kdy potřebujete ověřená fakta: i reasoning model může halucinovat; viz Halucinace.

Reasoning a spolehlivost

Ze skutečnosti, že model „přemýšlí“, neplyne, že je vždy správný. Uvažování zlepšuje výkon u mnoha úloh, ale nezaručuje pravdivost; model může postupovat logicky z chybného předpokladu. Praktické zásady:

1. Kontrolujte výsledky, zvláště čísla, citace a právní či zdravotní tvrzení.
2. Žádejte o zdroje a ověřujte je.
3. Důležité úlohy rozdělte na části a každou ověřte.
4. Při programování spouštějte testy.
5. U citlivých rozhodnutí nespoléhejte jen na AI; viz Bezpečné používání AI – checklist.

Rizika pro organizace

Pro firmy znamenají reasoning modely také nepředvídatelné náklady (délku uvažování nelze přesně předem určit), delší latenci a složitější logování. Doporučuje se nastavit rozpočet tokenů, sledovat spotřebu a zvolit úsilí podle důležitosti úlohy. NIST ve svém dobrovolném rámci pro řízení rizik AI doporučuje začleňovat hlediska důvěryhodnosti do návrhu, vývoje, používání a hodnocení AI (NIST AI RMF). Anthropic zase upozorňuje, že složitější agentní systémy znamenají vyšší náklady a riziko kumulace chyb; doporučuje začít nejjednodušším řešením (Building effective agents).

Uchování uvažování v konverzaci

V dokumentaci OpenAI se objevují i technické detaily, které ovlivňují kvalitu delších konverzací a agentních workflow. Uvažovací položky lze mezi voláními zachovat (například pomocí identifikátoru předchozí odpovědi nebo opětovným odesláním historie), což pomáhá modelu navázat na dřívější postup. Při použití nástrojů se uvažovací položky vracejí spolu s výsledky nástrojů. Dokumentace také uvádí, že uvažování lze znovu použít jen v rámci téže rodiny modelů a že existuje nastavení, které určuje, jak se dřívější uvažování zobrazuje v dalších odpovědích. Pro běžné uživatele chatbota to znamená hlavně jedno: v dlouhé konverzaci se kvalita může měnit podle toho, jak se zacházelo s historií, a proto je vhodné důležité úlohy zahájit čistě, s jasným zadáním, nebo shrnout dosavadní závěry na začátek nové konverzace.

Praktické tipy pro běžné používání

• Nezačínejte nejvyšším úsilím. Vyzkoušejte střední úroveň a zvyšujte jen tehdy, pokud odpověď nestačí.
• Rozdělte velkou úlohu na menší, každou ověřte a navazujte.
• Uveďte kritéria úspěchu („odpověď má mít tři varianty a jejich nevýhody“).
• Požádejte o předpoklady. Přesvědčte se, z jakých předpokladů model vychází, a opravte je.
• Neposílejte do chatbota citlivé údaje (rodná čísla, hesla, zdravotní data), pokud nevíte, jak s nimi poskytovatel nakládá; viz AI chatboti a soukromí dat a Únik dat do AI chatbotů.
• U důležitých rozhodnutí si výsledek nechte posoudit člověkem.

Co reasoning modely změnily a co ne

Reasoning modely posunuly hranice toho, co AI zvládne: složitější programátorské úlohy, vícekrokové úvahy, plánování. Nezměnily ale základní vlastnost jazykových modelů: generují pravděpodobné odpovědi, nikoli garantovaná fakta. Proto zůstávají v platnosti zásady kritického přístupu, ověřování zdrojů a bezpečného zacházení s daty. Při hodnocení modelů se orientujte spíše podle vlastních testů na vašich úlohách než podle marketingových tvrzení; viz Jak hodnotit AI modely – benchmarky.

Praktický příklad (smyšlený)

Tomáš používá AI k sestavení týdenního jídelníčku. Pro jednoduché „co uvařit z těstovin“ použije rychlý model. Pro složitější zadání „jídelníček na 14 dní, rozpočet 3 000 Kč, dvě děti, bez lepku, minimum odpadu“ zvolí reasoning model s vyšší úrovní úsilí. Odpověď trvá o několik sekund déle, ale lépe respektuje omezení. Tomáš si přesto zkontroluje součty a složení. Příklad je smyšlený.

Kontrolní seznam – vlastní infografika

Reasoning v kostce

Základní údaje – vlastní infografika

Výhody a nevýhody

Souhrn – vlastní infografika

Související články

V kategorii Základy a principy AI najdete také Generativní vs. klasická AI a Jak hodnotit AI modely – benchmarky.

Shrnutí

Reasoning modely před odpovědí používají skryté uvažovací tokeny, které zabírají kontext a účtují se jako výstup. Úroveň úsilí (od none po max) vyměňuje kvalitu za cenu a rychlost. Hodí se pro složité víckrokové úlohy, ne pro jednoduché dotazy. Pište jasný cíl, omezení a formát, nastavte limit tokenů a výsledky ověřujte: uvažování nezaručuje pravdivost. Nejde o technický návod.

Často kladené otázky k reasoning modelům