Zákazník napíše: „Můj balík nikdy nedorazil, můžete poslat další?“ Váš asistent prohledá všechno, co kdy viděl, a najde téměř dokonalou shodu z minulého týdne: „Můj balík dorazil poškozený, můžete poslat další?“ Pošle odpověď z minulého týdne, náhradu, bez jakýchkoli otázek. Slova byla skoro stejná. Případ ne, protože u ztraceného balíku je prvním krokem pátrání u přepravce.
Hledání svou práci odvedlo. Našlo nejbližší shodu, a přesně to dohledávání dělá. RAG najde pasáže, které se podobají otázce, vektorové databáze najdou to, co leží poblíž, znalostní grafy najdou, co někdo propojil, cache vrátí to, na co se už někdo ptal, a paměť vybaví, co bylo uloženo. Každý z nich najde něco, co už existuje. Jenže podobné neznamená správné, a čím blíž chybná shoda vypadá, tím sebejistěji se podává.
Učení je jiný úkon. Chápe vzorec za vaší prací, zhušťuje ho do toho, co se dá zobecnit, a předpovídá, co přijde dál. Duplex se učí a vaše nástroje pro dohledávání se stávají jeho nástroji: každý zavolá, když ho nějaký krok potřebuje, a rozhoduje, jaká má být odpověď.
Při stejném dotazu najde vyhledávání uloženou odpověď a Duplex ji zná taky.
Učení přenáší vzorec na nové případy.
Další požadavek se s tím minulým jen zřídka shoduje slovo od slova. Někdo ho zformuluje jinak, vynechá detail nebo přidá kontext, který nic nemění. Cache vrací to, na co se už někdo ptal, takže potřebuje, aby nový požadavek vypadal jako starý. Hledání podle podobnosti si s novými formulacemi poradí lépe, protože najde to, co leží poblíž, jenže blízkost měří slova, ne případ.
Učení pracuje se samotným případem. Když váš tým potvrdí výsledek, Duplex se naučí vzorec, který za ním stojí: proč fungoval a kde platí. Pozná tak stejný požadavek v nových slovech a pozná, když požadavek, který zní stejně, žádá něco jiného.
Nejvíc se rozdíl ukáže při rozlišování klamně podobných požadavků. Ztracený balík a poškozený balík mají skoro všechna slova společná a stejně tak objednávka zrušená před odesláním a objednávka zrušená po něm. Nástroj, který podává to, co vypadá podobně, odpoví na každou dvojici stejně a se stejnou jistotou. Duplex rozdíl vidí a přizve vaši AI i s podklady z toho, co o případu ví.
V testu, který sahal od přesných opakování po požadavky z jiné oblasti, odpověděl Duplex chybně na 7.5% zavádějících klamně podobných požadavků, oproti 45.3% u cache. Napříč všemi požadavky bylo 98.98% vyřízeno správně: správně zodpovězeno, nebo předáno vaší AI.
Vaše nástroje pro dohledávání se stanou jeho nástroji.
Nástroje pro dohledávání jsou dobré v tom, co dělají, a Duplex je používá přesně k tomu. Vyhledávání je správný způsob, jak najít ustanovení v zásadách, znalostní graf správný způsob, jak vidět, jak je dodavatel propojený se vším ostatním, a cache nejrychlejší způsob, jak vrátit rozhodnutí, které už padlo. Tato fakta patří do vašich systémů, aktuální a ve vlastnictví lidí, kteří se o ně starají.
Co nástroje nedokážou, je rozhodovat. Najdou a zbytek nechají na tom, kdo se ptal: kterému zdroji věřit, co dělat, když si dva z nich odporují, co odpověď znamená pro tento případ. Tento úsudek přináší Duplex. Každý nástroj zavolá, když ho nějaký krok potřebuje, učí se, který zdroj odpovídá na jaký druh otázky, a rozhoduje s aktuálními fakty před sebou.
Jedna faktura může potřebovat všechny tři: zásady, stav dodavatele a poslední rozhodnutí o tom dodavateli. Většinou se shodují. V den, kdy je dodavatel pozastaven, je poslední rozhodnutí zastaralé a odpověď se musí řídit nejnovějším faktem a ukázat, odkud který kousek pochází.
Je to férová dělba práce a všechno, co jste vybudovali, zůstává ve službě. Vaše nástroje dál nacházejí to, k čemu byly postaveny, a každý je teď užitečnější, protože něco rozhoduje, kdy ho použít. Duplex se učí, rozhoduje a jedná a každá odpověď je vysledovaná až k jejím zdrojům.
Aby vyřídil jednu fakturu, potřebuje Duplex zásady, stav dodavatele a minulé rozhodnutí.
Naučený vzorec vám řekne, co přijde dál.
Dohledávání se týká minulosti: najde, co se stalo. Učení sahá dopředu. Jakmile Duplex ví, jak se určitý druh práce odvíjí, dokáže předpovědět, co akce změní, naplánovat kroky po ní a rozhodnout, zda odpovědět, předat, nebo odmítnout.
Tikety podpory mají svůj vzorec: otevřeno, roztříděno, opraveno, potvrzeno, uzavřeno. Dohledávání dokáže najít tiket, který vypadá jako ten, který máte před sebou. Duplex se učil z těch potvrzených, takže ví, co tento tiket potřebuje dál a co by mělo následovat. Když tiket nabere obrat, jaký žádný dřívější nenabral, Duplex ten krok předá vaší AI, a jakmile váš tým potvrdí, jak skončil, stane se ten obrat součástí vzorce.
Ve World of Workflows, veřejném podnikovém benchmarku postaveném na ServiceNow, předpovídal Duplex, jak se systém po operaci změní, lépe než GPT-5.1, Gemini 3 Pro a Claude Sonnet 4.5, a to bez volání modelu. V plánování našel pokaždé nejkratší trasu bez jediného tokenu modelu.
Knihovna vám řekne, co bylo napsáno. Kolega, který se práci naučil, ví, co znamená případ, který má před sebou, všimne si, když je nový, a pustí se do dalšího kroku. Vaše nástroje pro dohledávání jsou ta knihovna, stejně užitečná jako kdykoli dřív. Duplex je ten kolega a s každým výsledkem zná práci o něco lépe.
Potvrzené tikety naučí Duplex, jak se tento druh práce odvíjí, krok za krokem.