Kdy druhý pohled pomáhá a kdy je to jen tentýž omyl dvakrát

Odvolací soudy, vědecké recenze, code review i kontrola účetních výkazů stojí na stejném předpokladu: že nezávislý kontrolor spolehlivě najde chybu. Data z mamografie, softwarových inspekcí a klinických studií ukazují, že na výsledku nerozhoduje počet kontrolorů, ale jedna těžko zajistitelná vlastnost - jejich vzájemná nezávislost.

Kohortou britské studie CO-OPS prošlo 805 206 žen a každý jejich mamografický snímek četli nezávisle na sobě dva radiologové. Tam, kde se rozcházeli, rozhodl třetí lékař v arbitráži. Druhý čtenář přidal k záchytu 627 nádorů, které první přehlédl - necelých 9 % všech nalezených. A arbitráž zároveň srazila míru zbytečných pozvání žen na další vyšetření z 6,19 % na 4,08 %, tedy pod úroveň, jakou mělo čtení jediným radiologem (4,76 %). Více nalezené rakoviny a méně falešných poplachů najednou; data publikoval tým Taylor-Phillipsové v Radiology v roce 2018.

Mamografie je výjimečná tím, že se na ní užitečnost kontroly měří v zachráněných životech a v míře zbytečných pozvání. Stejnou architekturu - někdo něco udělá, někdo jiný to přezkoumá - ale používáme všude. Odvolací soud přezkoumává prvostupňový rozsudek. Vědecký recenzent posuzuje cizí studii. Programátor čte kód kolegy. A v posledních dvou letech k tomu přibyl mimořádně plodný zdroj omylů, které je potřeba kontrolovat: text a kód generovaný umělou inteligencí. Otázka, zda druhý pohled vůbec pomáhá a jak ho uspořádat, tím přestala být akademická.

Odpověď, kterou věda dává, je nepříjemně přesná. Druhý pohled pomáhá, ale mnohem méně a za mnohem užších podmínek, než věříme. Nerozhoduje počet kontrolorů; rozhoduje jejich vzájemná nezávislost. A topologie, kterou intuitivně považujeme za nejdůkladnější - řetězení, kdy revizi přezkoumá další revize - je ve skutečnosti nejslabší ze všech.

Začít je třeba u toho, proč je kontrola křehčí, než se zdá. Ověřit cizí práci totiž není slabší verze té práce; je to jiná a v důležitém ohledu těžší úloha. Aby kontrolor skutečně ověřil výsledek, musel by zrekonstruovat celý problém, kterým autor prošel - jenže s menším kontextem, menším časem a bez tiché znalosti, proč padla která volba. V krajním případě je jediný způsob, jak něco doopravdy ověřit, udělat to znovu. Kontrolor proto dělá to jediné, co je v jeho silách: hledá, co vypadá špatně, ne to, co je špatně. Spokojí se s věrohodností. Když British Medical Journal vložil do testovacích rukopisů devět záměrných závažných chyb a rozeslal je 607 recenzentům, našli v průměru 2,58 z nich; trénink to zlepšil jen nepatrně a jeho efekt se brzy vytratil (Schroter a kol., 2008). Bývalý šéfredaktor časopisu Richard Smith to shrnul tak, že recenze nestojí na ověřování, ale na důvěře.

Tady se rozhoduje mezi topologiemi. Sekvenční řetězec - autor, první revizor, druhý revizor, který vidí verdikt prvního - dědí kotvu. Druhý kontrolor nečte čistý originál, ale názor svého předchůdce, a jeho úkol se nepozorovaně mění z otázky „jaká je správná odpověď?“ na otázku „mýlí se ten přede mnou?“. Konfirmační zkreslení je přitom v sekvenčním uspořádání prokazatelně silnější než tehdy, když člověk dostane informace najednou (Jonas a kol., 2001). Randomizovaný experiment s recenzenty ukázal, že upravené hodnocení zůstává blíž tomu původnímu, než by byl nezaujatý nový pohled (Liu a kol., 2024). Řetěz tak míří k průniku chyb, které propadnou oběma síty - ne k jejich součtu.

Paralelní uspořádání ten poměr obrací. Dva kontroloři, kteří posoudí týž originál nezávisle a poslepu vůči sobě, zachytí součet svých nálezů. V nejčistším experimentu na screeningu studií dosáhlo dvojí nezávislé posouzení citlivosti 97,5 %, zatímco jediný posuzovatel jen 86,6 %; sám přehlédl 13 % relevantních prací, dvojice 3 % (Gartlehner a kol., 2020). Při extrakci dat ze studií udělala jediná extrakce o 21,7 % více chyb než dvojí nezávislá (p = 0,019), zato byla o 36,1 % rychlejší (p = 0,003) - výměna mezi přesností a časem, ne mezi přesností a ničím (Buscemi a kol., 2006). Logika je prostá a nemilosrdná: pokud každý z dvojice najde 85 % zachytitelných chyb a jejich omyly jsou nezávislé, společně jich najdou skoro 98 %. Pokud se jejich omyly překrývají, najdou stěží víc než jeden sám.

Tím se dostáváme k otázce, která stála na začátku tohoto textu: má smysl přidat k dvojímu posouzení ještě fázi, kdy si kontroloři výstupy vymění a vzájemně je posoudí, případně rozpor rozhodne třetí? Odpověď zní ano, ale ne z důvodu, který bychom čekali. Smíření a arbitráž neslouží primárně k tomu, aby našly nové chyby - slouží k tomu, aby odstranily falešné poplachy. Ve florentském programu prošlo arbitráží 1 217 rozporných dvojích čtení. Arbitr poslal na další vyšetření 476 z nich (39,2 %) a odhalil tak 30 nádorů; zbylých 741 případů (60,8 %) zamítl, a ušetřil tak ženám zbytečné vyšetření - přičemž z 311 dosud sledovaných zamítnutých se objevily jen dva nádory (0,64 %). Třicet zachycených nádorů proti dvěma přehlédnutým: arbitráž odřízla většinu zbytečných pozvání a zaplatila za to minimem uniklých nálezů (Ciatto a kol., 2005). A na softwarových inspekcích, kde se tato otázka měří nejdéle, vychází ještě tvrdší poznatek. Když Lawrence Votta v roce 1993 změřil, co inspekční schůzka přidá k chybám nalezeným při samostatné přípravě, vyšlo mu jen velmi málo - a přitom schůzky podle něj stojí mnohem víc času vývoje i vývojářů, než si kdokoli uvědomuje. Replikace to potvrdily: nominální tým, jehož členové pracují odděleně a nálezy se jen sečtou, překonává reálný tým se schůzkou napříč všemi třídami defektů, protože „ztráty ze schůzky“ - chyby, které jeden inspektor našel, ale na schůzce nezazněly - převažují nad „zisky ze schůzky“ (Porter a kol., 1995; Bianchi a kol., 2001).

Nejsilnější námitka proti tomu zní: vždyť diskuse přece najde to, co jednotlivec přehlédl. A někdy skutečně ano. Multidisciplinární onkologické komise mění původní diagnózu nebo léčebný plán u značné části případů - prospektivní studie z gynekologické onkologie zaznamenala změnu plánu u 27,1 % a změnu diagnózy u 9,4 % pacientek (B. Lee a kol., 2017) a mezinárodní průzkum ASCO uvádí změny léčebného plánu u 44 až 50 % případů karcinomu prsu a tlustého střeva (El Saghir a kol., 2015). V predikčním výzkumu zase týmy v Good Judgment Project překonaly jak sdílení odhadů, tak plně nezávislé prognostiky (Mellers a kol., 2014). Jenže právě tyto případy odhalují podmínku, za níž diskuse pomáhá. Onkologická komise není tentýž pohled dvakrát; je to radiolog, patolog, chirurg a onkolog, z nichž každý přináší informaci, kterou ostatní nemají. A týmy superprognostiků byly cvičené sdílet argumenty, ne závěry, a držet vysoký standard důkazu. Tam, kde kontroloři sdílejí výcvik a dívají se na týž artefakt stejnýma očima - jako softwaroví inspektoři - schůzka spotřebuje koordinační náklad a žádný úměrný zisk nepřinese. Strukturovaná výměna stanovisek metodou Delphi se v přímém srovnání ukázala být přesně tak dobrá jako schůzka tváří v tvář, na dvou otázkách z deseti dokonce lepší (Graefe a Armstrong, 2011).

Vším, co bylo dosud řečeno, prosvítá jeden a týž činitel. Užitek libovolné kontrolní topologie je shora omezen tím, nakolik jsou omyly kontrolorů nezávislé. Když se jejich chyby překrývají, neruší se. Co nezávislost ničí, je dobře zmapované: viditelnost předchozího verdiktu, společný výcvik a doktrína, hierarchie, která nutí mladšího ustoupit staršímu. Skupiny navíc samy o sobě nezávislost neobnovují - v klasickém experimentu se skrytým profilem zvolilo nejlepší variantu jen 18 % skupin, když měl každý člen jiné informace, ale 83 %, když měli všichni stejné, protože skupiny přednostně probírají to, co už sdílejí (Stasser a Titus, 1985). Z téhož důvodu má přidávání dalších kontrolorů strmě klesající výnos: dva recenzenti najdou v softwarové inspekci téměř tolik co čtyři a nejlepší konfigurací jsou dvě sezení po dvou (Porter a kol., 1997). O výsledku rozhoduje spíš odbornost jednotlivce než počet kontrolorů (Sauer a kol., 2000).

Stojí za to dodat střízlivou poznámku, kterou rešerše vynesla na světlo: víc procedurální přísnosti není totéž co víc pravdy. Když nezávislá komise v klinické studii ADVANCE přehodnotila 2 443 událostí hlášených zkoušejícími, potvrdila 2 077 z nich (85 %) a několik desítek přidala - ale odhad léčebného účinku se prakticky nepohnul (Hata a kol., 2013). Adjudikace zde sloužila obhajitelnosti a auditní stopě, ne přesnějšímu výsledku.

A pak je tu nový hráč. Když výzkumníci z METR nechali šestnáct zkušených programátorů pracovat na vlastních projektech s pokročilými nástroji AI i bez nich, byli s AI o 19 % pomalejší - ačkoli věřili, že jsou o 20 % rychlejší (METR, 2025). Je to snímek z počátku roku 2025 na malém vzorku a sám tým ho v únoru 2026 opatrně relativizoval, když novější měření čistý signál nedalo; co ale zůstává, je ten rozestup mezi pocitem a měřením - kontrola výstupu si vybrala daň, kterou mozek systematicky podhodnotil. Microsoft Research přitom u 319 znalostních pracovníků zjistil, že čím vyšší důvěra v AI, tím méně kritického myšlení (Lee a kol., 2025). Tatáž technologie ale může být i tím vzácným druhým čtenářem, jehož slepá místa se s těmi lidskými nepřekrývají. V hodnocení screeningu studií překonal automatizovaný pracovní postup s velkým jazykovým modelem dvojici lidských posuzovatelů (citlivost 96,7 % proti 81,7 %; Bobrovitz a kol., 2025) a v mamografii by nahrazení druhého lidského čtenáře umělou inteligencí snížilo zátěž radiologů o 30 až 44,8 % (Sharma a kol., 2023). Podmínka ovšem zůstává tatáž jako u dvou lidí: prospěch nastane jen tehdy, jsou-li chyby stroje opravdu jiné než chyby člověka.

Nejlevnější druhý názor je ten, který si vynutíte ve vlastní hlavě - i pouhé „uvažuj o opaku“ obnoví zhruba polovinu zisku, jaký by přinesl skutečný druhý člověk (Herzog a Hertwig, 2009). Pro každou redakční radu, odvolací senát i posudkovou komisi tak zbývá nepříjemný test, který britští radiologové zvládli: jsou vaši dva čtenáři opravdu dva, nebo je to totéž vycvičené oko, které se dívá podruhé?

Citace jsou rozlišeny podle síly. Primární = původní recenzovaná studie nebo oficiální zpráva; sekundární = souhrn či sekundární referování.

Pozn. k metodě: tvrzení o softwarových inspekčních schůzkách (Votta a navazující práce) je silným důkazem proti schůzce jako nástroji detekce chyb, nikoli proti schůzce jako takové - část autorů jí přiznává hodnotu pro přenos znalostí a školení. Nákladová efektivita dvojího čtení mamogramů je sporná (Posso a kol., 2016 vůči Taylor-Phillipsové a kol., 2018) a doporučení se liší mezi evropskými a americkými programy.

Transparentnost tvorby:

Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako nástroj pro rešerši, vyhledávání primárních zdrojů a formulační rozpracování autorovy obsahové skici.

Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.

Postup je v souladu s požadavky čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI