Tenhle test zvládne i osmiletý. ChatGPT, Claude i Gemini na něm propadly

AI dnes píše eseje, kóduje a analyzuje data. Ale Stroop test u AI ukázal, že na jednoduchém úkolu, například pojmenovat barvu místo přečtení slova propadá až na jednotky procent přesnosti. Nová studie ukazuje, že čím déle a komplexněji AI pracuje, tím méně se na ni dá spolehnout. A sama vás na to neupozorní.

Jak funguje Stroop test?

Stroopův test je psychologický klasik z roku 1935, dodnes používaný v klinické praxi k měření pozornosti a sebekontroly. Princip je jednoduchý: vidíte slovo pro barvu – třeba “červená” napsaná jinou barvou inkoustu, třeba modře.

Úkolem je pojmenovat barvu inkoustu, ne přečíst slovo. Mozek se musí přemoci, protože čtení je automatické a jeho potlačení vyžaduje aktivní úsilí.

Tým vedený Suketem Patelem (Queens College, City University of New York) podrobil tomuto testu několik předních AI modelů. Výsledky publikoval v červnu 2026 časopis PNAS Nexus pod názvem “Deficient executive control in transformer attention“.

Přesnost modelů prudce upadala

Na krátkých seznamech (pět slov) si modely vedly dobře – GPT-4o dosáhl 91% přesnosti. S rostoucí délkou seznamu ale přesnost prudce padala. Podle rozhovoru, který autor studie Patel poskytl serveru PsyPost, klesla přesnost GPT-4o na dvacetislovných i čtyřicetislovných seznamech až na 1 %. Claude 3.5 Sonnet dopadl o něco lépe, ale na čtyřicetislovném seznamu skončil na 10 % přesnosti. (Jiná pokrytí studie například TechRadar – uvádějí mírně odlišná čísla, GPT-4o 15 % a Claude 24 % na čtyřiceti slovech. Přesné hodnoty se v různých zdrojích mírně liší, trend je ale stejný: prudký a téměř úplný propad.)

Nejhůř dopadl scénář, kdy výzkumníci do jednoho seznamu smíchali shodující se a neshodující se slova. Na neshodujících se položkách přesnost spadla téměř na nulu – a to platilo i pro novější modely GPT-5, Claude Opus 4.1 a Gemini 2.5.

Proč se to děje

Patel to vysvětluje takto: “Čtení slov je u lidí v podstatě automatické, silně trénovaný apriorní vzorec, který se stává tím, čemu říkáme prepotentní reakce – ta, která se spustí první a nejsilněji. AI je v podobné pozici, protože je mnohem víc trénovaná číst slova než pojmenovávat barvy.“

Pro kontrolu výzkumníci testovali i seznamy bez smysluplných slov (řetězce písmena “X”) – tam byla přesnost AI modelů téměř dokonalá. Problém tedy není v délce seznamu samotné, ale v konfliktu mezi tím, co model “chce” automaticky udělat (číst), a tím, co má udělat (pojmenovat barvu).

Starší modely versus novější

Hlavní část studie testovala GPT-4o a Claude 3.5 Sonnet — v době zveřejnění už ne nejnovější verze těchto modelů. Výzkumníci ale provedli i menší doplňkový test na GPT-5, Claude Opus 4.1 a Gemini 2.5. Výsledek: jen mírné zlepšení, stejný základní problém přetrval.

Jedna výjimka stojí za zmínku: GPT-5 v režimu “Thinking” dokáže úkol vyřešit tak, že si napíše a spustí kód, který za něj barvu spočítá. Tím dosáhne perfektní přesnosti – ale jak Patel poznamenává, jde o obcházení problému, ne o jeho řešení. Model tím nezměnil způsob, jakým zpracovává pozornost, jen si pomohl nástrojem zvenčí.

Co to znamená pro uživatele?

AI svoje selhání nehlásí. Když narazí na situaci, kde selhává exekutivní kontrola, neřekne “tohle si nejsem jistá” – odpoví špatně se stejnou sebejistotou, s jakou odpovídá správně.

Z toho plyne praktické poučení: riziko chyby roste s délkou a komplexitou úkolu, zejména pokud obsahuje protichůdné nebo matoucí informace. U dlouhých dokumentů, fact-checkingu nebo úkolů, kde se mísí spolehlivé a nespolehlivé informace, se nevyplácí spoléhat na AI naslepo – obzvlášť u výstupů, které jdou ven pod vaším jménem. Lidská kontrola zůstává nutná i tam, kde AI působí sebejistě.

Jak funguje Stroop test?

Vyzkoušet můžete třeba tady.

📌 Nechcete přijít o podobné články? Newsletter “5 minut s AI4M” posíláme každý pátek – vybíráme to nejdůležitější, abyste to nemuseli hledat sami. Přihlásit se zdarma →

Zdroje:

• Patel, S. C., Wang, H., Fan, J. — Deficient executive control in transformer attention, PNAS Nexus (2026)
• PsyPost — rozhovor s autorem studie
• TechRadar — analýza a kontext kolem volby starších modelů