Jak získat JSON z AI: structured outputs v praxi

Postavíte automatizaci, která má z e-mailu vytáhnout jméno klienta, částku a termín — a výsledek poslat rovnou do n8n nebo do tabulky. Do promptu napíšete „vrať mi JSON". Model odpoví. Jenže jednou přidá „Tady je výsledek:", podruhé zabalí data do bloku ```json, potřetí zapomene čárku nebo vymyslí jiné jméno pole. Váš parser spadne a celá linka se zastaví. Pokud řešíte, jak získat JSON z AI tak, aby to fungovalo při každém běhu, mám pro vás dobrou zprávu: v roce 2026 už na to existuje spolehlivá cesta a není ní preciznější regulární výraz.

V tomto návodu vám ukážu tři způsoby, jak z modelu dostat strukturovaná data (JSON mode, function calling a structured outputs), kde se který hodí, a konkrétní postup nasazení structured outputs u OpenAI, Claude i Gemini. Nakonec si to ukážeme na reálném příkladu — extrakci dat z e-mailu přímo do automatizace.

01Proč prompt „vrať mi JSON" nestačí a vaše automatizace padá

Nejčastější chyba je domnívat se, že jde o problém špatného promptu. Není. Jazykové modely jsou pravděpodobnostní — generují tokeny, které se statisticky hodí. Když napíšete „vrať JSON", model většinou poslechne, ale nikdy na 100 %. Občas přidá zdvořilou větu, občas ho zabalí do markdownu, občas uvozovky, které se špatně escapují, a u složitějších dat vám klidně přejmenuje pole nebo přidá pole navíc.

Důsledek: když AI řetězíte do business procesu — třeba do lead nurturingu přes Make nebo do self-hosted pipeline — jeden rozbitý běh zablokuje celou linku. Běžná praxe je pak napsat try/catch, doplnit regex na odstranění markdownu, přidat retry a doufat. Funguje to, dokud objem nezroste.

Skutečná oprava není lepší prompt ani přísnější parser. Je to omezit model už při dekódování tak, aby neplatný výstup prostě nemohl vygenerovat. Přesně to dělají structured outputs.

02Tři cesty k datům z AI: JSON mode, function calling a structured outputs

Než se pustíme do krokování, rozveďme tři přístupy, které se často pletou:

1. JSON mode — model odpoví platným JSONem, ale negarantuje konkrétní strukturu. Pole se můžou jmenovat pokaždé jinak nebo chybět. Hodí se, když vám jde jen o to, aby to šlo naparsovat. OpenAI k němu přímo doporučuje: „vždy raději použijte Structured Outputs."
2. Function calling (tool use) — nadefinujete nástroj (funkci) s JSON schématem parametrů a model vyplní argumenty. Pozor na zásadní změnu: u aktuálních modelů Claude 5.5 (Sonnet, Opus i Haiku) už nejde vynutit volání nástroje parametrem tool_choice: any či tool — API vrací chybu 400. Správná cesta je dnes tzv. strict tool use (schéma se validuje gramatikou, volení necháte na auto) nebo rovnou structured outputs.
3. Structured outputs (strict) — model se dekóduje přímo proti vašemu JSON schématu (tzv. constrained decoding). Výsledek je garantovaně validní a pole-pole odpovídá schématu. U OpenAI zapnete response_format s json_schema a strict: true, u Claude output_config.format (GA od ledna 2026), u Gemini response_format s mime_type: application/json a schématem.

Rozdíl ve spolehlivosti je drastický. Zatímco prompt-based JSON zvládne správný formát zhruba v 70–90 % případů (a zbytek vám rozbije pipeline), strict structured outputs dosahují v podstatě 100% shody se schématem. To není marketingový slib — je to matematický důsledek toho, že model při dekódování dostává povolené jen ty tokeny, které vedou k validnímu JSONu.

Kdy co zvolit? Pravidlo je jednoduché. Pokud data z AI nikam dál neposíláte a jen si je přečtete, bohatě stačí obyčejný text. Jakmile ale výstup řetězíte do dalšího kroku automatizace — e-mail do CRM, recenze do dashboardu, lead do databáze — vždy sáhněte po structured outputs. Function calling si nechte na situace, kdy má model nejen vrátit data, ale rozhodnout, kterou akci spustit (a kombinujte ho se strict režimem). A JSON mode berte jako kompromis, když váš nástroj strict mód nepodporuje.

03Jak získat JSON z AI krok za krokem: structured outputs

Tady je konkrétní postup. Bude vám známý, ať voláte OpenAI, Claude nebo Gemini — liší se jen názvy parametrů, myšlenka je stejná.

{
  "type": "object",
  "properties": {
    "jmeno_klienta": { "type": "string" },
    "email": { "type": "string" },
    "firma": { "type": "string" },
    "castka_czk": { "type": "number" },
    "termin": { "type": "string" },
    "priorita": { "type": "string", "enum": ["nizka", "stredni", "vysoka"] }
  },
  "required": ["jmeno_klienta", "email", "castka_czk", "priorita"],
  "additionalProperties": false
}

04Praktický příklad: extrakce dat z e-mailu do n8n

Ať to není jen teorie, tady je stejný úkol dvěma způsoby. Máte e-mail od klienta a chcete z něj dostat strukturovaný záznam do n8n.

Předtím (prompt + regex) Do promptu napíšete „vrať JSON s poli jmeno, castka, termin". Model odpoví „Jistě, tady je výsledek: json { … } ". V n8n si napíšete regex na vytažení bloku, ošetříte výjimky, nastavíte retry. Přesto vám průměrně zhruba 10–15 % běhů spadne na okrajových případech — chybějící čárka, jiný formát data, česká diakritika v názvu pole. Ruční opravy se stanou rutinou.

Potom (structured outputs) Nadefinujete schéma jako v kroku 1, zapnete strict mód. Model vrátí čistý objekt odpovídající schématu. V n8n použijete uzel AI Agent s volbou Require Specific Output Format a k němu sub-node Structured Output Parser, kam schéma vložíte vizuálně — žádný kód na parsování. Formátových selhání je nula, ty pár případů, kdy se opravuje, jsou čistě obsahové (např. špatně vyčtená částka). Celá linka začne fungovat spolehlivě i při desetinásobném objemu.

Tip z praxe: držte schémata malá a účelová. Čím víc polí model musí vyplnit, tím spíš u obsahu tápe. Pro omezené hodnoty jako priorita nebo stav vždy použijte enum. A počítejte s tím, že strict režim má svoji režii: Anthropic k dotazu automaticky přidává interní system prompt (účetné do vstupních tokenů) a změna schématu invaliduje prompt cache — při časté rotaci schémat tedy caching tolik nepomůže. Samotná gramatika se u Anthropic cacheuje na serveru 24 hodin, takže opakovaná volání se stejným schématem jsou rychlá.

05Časté otázky

06Shrnutí: přestaňte parsovat, začněte schémovat

Structured outputs posouvají AI z „odpovídá prózou, kterou snad dostanete do dat" na „vrací data, kterým vaše automatizace můžou věřit". Recept je krátký: nadefinujte JSON schéma, zapněte strict mód a přestaňte zachraňovat výstup regulárními výrazy. Výsledek je pipeline, která běží spolehlivě i tehdy, když si model vymyslí vtipnou hlavičku e-mailu.

Nejjednodušší začátek: vyberte jednu automatizaci, která vám dnes občas padá na rozbitém výstupu z AI, a přepište ji se schématem. Rozdíl uvidíte během pár běhů. A jakmile vám tohle sedí, máte solidní základ pro složitější věci — orchestraci týmu agentů nebo analýzu dat v ChatGPT bez kódu.