Agenti se stávají důležitějšími než modely: OpenAI, Anthropic, Figma

IPO OpenAI: Agenti jsou nyní důležitější než modely

Greg Brockman z OpenAI signalizuje pozoruhodný obrat: „Dospěl jsem k přesvědčení, že správný způsob, jak přemýšlet o GPT, je jako o logickém enginu, nikoli o databázi faktů.“ Tento výrok, pronesený krátce před očekávaným podáním žádosti o IPO příští týden, naznačuje zásadní změnu strategie. Velké laboratoře vyvíjející modely nyní budují agenty jako svůj hlavní produkt – což je úplný odklon od dosavadního postoje „týmu Velkých modelů“, k němuž patřil i sám Brockman. Ještě před několika měsíci jeho bývalý vedoucí laboratoří OpenAI hlásal pravý opak: modely jsou všechno, agenti jen doplněk. Tento 180stupňový obrat ukazuje, jak rychle se přepisují pravidla hry na trhu s AI. → AINews

Synthszr Take: Laboratoře vyvíjející modely si uvědomily, že holá logická síla bez kontextové integrace je bezcenná. GPT-5 může počítat sebelépe – pokud ale není hladce integrován do pracovních postupů, zůstává drahou hračkou. Skutečná soutěž se nyní odehrává na úrovni agentů: Kdo vytvoří nejchytřejší nástroje, které se samostatně orientují v úkolech? OpenAI se před IPO nově profiluje jako společnost zaměřená na agenty, protože investoři chápou: rozdíl mezi modelem a agentem je jako rozdíl mezi motorem a autem. Motor může být působivý, ale lidé si kupují auta.

Anthropic přebírá tvůrce API pro éru agentů

Anthropic přebírá společnost Stainless, která stojí za oficiálními knihovnami pro Claude. Firma založená v roce 2022 automaticky generuje z API specifikací SDK pro TypeScript, Python, Go, Javu a další jazyky. Stovky firem již tuto technologii využívají pro svá vlastní API. Společnost Stainless byla od začátku zodpovědná za vývojářskou zkušenost s Claude API. Generování SDK bude i nadále fungovat jako samostatná služba. Anthropic integruje tým primárně proto, aby rozšířil kapacity pro MCP-Server-Tooling – Model Context Protocol je přístup společnosti Anthropic ke konektivitě mezi agentem a systémem. → TheSequence

Synthszr Take: Skutečnou měnou v éře agentů je dosah. Agent bez API je jako smartphone bez aplikací: teoreticky výkonný, prakticky k ničemu. Anthropic zde provádí klasický tah Microsoftu z 90. let – kupuje si vývojářské rozhraní. Kdo kontroluje SDK, určuje, jak snadná nebo obtížná bude integrace. MCP (Model Context Protocol) se má stát univerzálním konektorem, ke kterému se budou moci agenti Claude všude připojit. Zakladatel Stainless Alex Rattray to formuluje trefně: „SDK si zaslouží stejnou péči jako API, která obalují.“ 100 milionů dolarů, které Anthropic právě obdržel od Databricks, zřejmě plyne přímo do této infrastrukturní bitvy. Amazon rozšiřuje Q Developer, OpenAI tlačí Workspace, Google propojuje Gemini se vším – a Anthropic? Buduje mosty, po kterých mají jeho agenti pochodovat.

Figma integruje AI agenty přímo do souborů s designem

Figma představila AI designového agenta, který pracuje uvnitř existujících souborů s designem. Agent rozumí komponentám, tokenům a pravidlům design systému daného souboru a dokáže vytvářet varianty, shrnovat zpětnou vazbu a automatizovat opakující se úkoly. Přistupuje k designu jako k problému úprav v existujících systémech, nikoli jako ke generování na prázdném plátně. Tento přístup se zásadně liší od dosavadních AI designových nástrojů: místo generování izolovaných mockupů nebo React kódu pracuje agent se stávajícím design systémem. Než změní jakoukoli vrstvu, přečte si všechny komponenty a pravidla jako kontext. Varianty respektují systém, protože vznikají uvnitř něj. Tři pracovní postupy se okamžitě mění: prozkoumávání se zlevňuje (týmy mohou testovat osm variant místo tří), prosazování design systému se stává úkolem pro sprint místo čtvrtletního projektu a revizní cykly se zkracují díky automatickému shrnutí zpětné vazby. Agent v současnosti funguje pouze v rámci jednotlivých souborů, nikoli napříč projekty. → Medium Daily Digest

Synthszr Take: Figma dělá z designéra designového inženýra. Agent přebírá mechanickou práci – úpravu odsazení, výměnu komponent, vytváření variant. Co zůstává: vkus, rozhodování, identita značky. Osmá varianta byla dříve příliš drahá na vyzkoušení; nyní stojí jeden prompt. To zásadně mění roli designéra: bude méně tvořit a více kontrolovat, co navrhla AI. Kdo to vnímá jako hrozbu, nepochopil podstatu. Skutečná designérská práce – vědět, která z osmi variant je ta správná – bude důležitější než kdy jindy.

Google Docs Live píše bez psaní

Google testuje v rámci Docs Live jazykovou AI, která z verbálních myšlenkových proudů vytváří strukturované dokumenty. Novinářka z Wall Street Journal Nicole Nguyen si mohla nástroj vyzkoušet předem a pět minut diktovala nestrukturované nápady pro svůj článek. Gemini porozuměl slovnímu salátu plnému „ehm“ a útržků vět, automaticky prohledal relevantní přepisy rozhovorů v jejím Google Drive a navrhl osnovu. Po krátké výměně mezi člověkem a strojem vznikl použitelný první návrh. Nástroj funguje dvoufázově: nejprve AI naslouchá a strukturuje, následně lze v dialogu přeskupovat odstavce nebo upravovat tón. Nguyen během jedné hodiny vygenerovala také hodnocení zaměstnance, postmortem projektu a jídelníček pro vybíravé batole. → Wall Street Journal

Synthszr Take: Google mění diktafon v produktivní turbo. Je to logická evoluce po 20 letech technologie speech-to-text. Klíčový skok: AI už nejen přepisuje; rozumí kontextu a z chaotického myšlení formuje strukturované dokumenty. Zvláště chytrá je integrace do stávajícího Google Workspace, kde má AI přístup k e-mailům, souborům a dřívějším dokumentům (zatímco konkurenti jako Wispr Flow operují ve vzduchoprázdnu). Slabinou je generický výstup – próza od AI nezní jako od konkrétního člověka. Ale pro hodnocení výkonu, checklisty nebo projektovou dokumentaci je to naprosto dostačující. Frank Tisellano z Googlu trefil hřebíček na hlavičku: Lidé myslí a mluví rychleji, než píší. Tuto mezeru Docs Live zaplňuje pro všechny, kteří nemusí být Joan Didion, ale chtějí dostat své myšlenky na digitální papír.

Cursor se prosazuje proti gigantům v oblasti frontier modelů

Nový Composer 2.5 od Cursoru ukazuje, proč je mylný předpoklad, že velké frontier modely pohltí každý specializovaný případ užití. Tento specializovaný model pro kódování stojí 0,50 dolaru za milion vstupních tokenů (oproti 5 dolarům u GPT-5.5), ale poskytuje srovnatelné výsledky v indexu Artificial Analysis Coding Agent Index: 62 bodů oproti 65 u GPT-5.5. Při průměrných nákladech na úkol 0,07 dolaru oproti 4,82 dolaru je jasné: agentické smyčky na frontier modelech jsou pro produkční provoz prostě příliš drahé. Cursor trénoval svůj model na open-source Kimi K2.5 s 25krát více syntetickými úkoly kódování než u předchůdce, přičemž 85 procent rozpočtu na výpočetní výkon šlo do posilovacího učení a generování syntetických dat. Skutečná výhoda: Cursor kontroluje rozhraní IDE a může vyvíjet model a rozhraní společně – klasický datový příkop, který žádný frontier model nemůže přeskočit. → AlphaSignal

Synthszr Take: Frontier modely si udrží svou korunní doménu: 10–20 procent skutečně nových, komplexních logických úkolů. Většina opakujících se pracovních smyček však přejde na specializované modely. To je prostá tokenová ekonomie. Kdo ovládá uživatelské rozhraní a sbírá data o interakcích (např. Cursor se svým IDE), buduje si obranný příkop, který GPT-6 nepřekoná. Hybridní architektura se stane standardem: specializované modely pro 80 procent objemových úkolů, výkon frontier modelů jen pro skutečné okrajové případy. Jevonsův paradox se zde projevuje v opačném gardu: levnější specializované modely vedou celkově k většímu, nikoli menšímu využívání AI. Inženýrské týmy, které dnes stále všechno řeší přes drahá frontier API, zbytečně pálí rozpočet.

Paradox produktivity: Více AI, více lidí, více práce

Dan Shipper, CEO mediální a softwarové společnosti Every, vidí budoucnost práce v kódovacích prostředích jako Claude Code nebo Codex. Jeho firma o 30 lidech funguje jako živá laboratoř pro pracovní postupy podporované AI: od editora po provozní manažerku všichni intenzivně využívají podporu AI. Shipper předpovídá, že každá společnost bude brzy mít ve Slacku centrálního „superagenta“, se kterým budou všichni zaměstnanci pravidelně komunikovat. Éra rozhraní příkazového řádku je podle něj pryč, místo toho se nejdůležitějším novým typem zaměstnance stanou „Forward Deployed Engineers“. Překvapivě optimisticky se staví k akciím SaaS: zatímco mnozí ohlašují konec softwaru jako služby, Shipper vidí transformaci ekonomiky, kde si uživatelé budou do aplikací přinášet vlastní AI tokeny a tím zlepšovat marže. Jeho nejprovokativnější teze: produktoví manažeři a full-stack designéři se v éře AI nestanou zastaralými, ale superhrdiny. → Lenny's Newsletter

Synthszr Take: Toto je Jevonsův paradox znalostní práce: čím efektivnější se AI stává, tím více práce vzniká. Shipper má pravdu ve svém postřehu, že každý agent potřebuje člověka (pravděpodobně dokonce několik). Skutečná disrupce spočívá v tom, že si firmy musí vyvinout disciplínu ve využívání výpočetního výkonu, stejně jako si kdysi vyvinuly finanční disciplínu. Kdo si dnes stále myslí, že AI zničí pracovní místa, nerozumí mechanismu: když se produktový manažer stane náhle 10krát produktivnějším, vznikne 10krát více nápadů na produkty, které je třeba otestovat. „Forward Deployed Engineer“ jako nová klíčová role ukazuje, kde se láme chleba: na rozhraní mezi lidským záměrem a strojovým provedením.

CodeRabbit: Slack je nové IDE

CodeRabbit se profiluje jako AI agent pro celý cyklus vývoje softwaru, integrovaný přímo do Slacku. Příklad incidentu ve 2:38 ráno: latence checkout služby vyskočí z 380 milisekund na 12,4 sekundy. Během tří minut agent identifikuje příčinu: nechtěná změna v Terraformu v pull requestu #3301 snížila maximální počet instancí inventární služby z 8 na 1. O čtyři minuty později je otevřen revertní PR, za další dvě minuty je schválen a sloučen; latence se vrací k normálu. Tým již automatizoval 2 miliony code reviews týdně a službu využívá 15 000 zákazníků. → Techpresso

Synthszr Take: Skutečným příběhem je zde eliminace koordinační zátěže. Zatímco enterprise týmy ještě provádějí PI plánování a eskalují incidenty v řetězcích, agent vyřeší za sedm minut to, co by jinak vyžadovalo hodinovou telefonní konferenci. Agent si stáhne trasování z Datadogu, analyzuje logy z Cloud Run, identifikuje chybnou změnu konfigurace a vytvoří opravný PR – vše v přirozeném dialogu ve Slacku. To je disciplína ve využívání výpočetního výkonu v praxi: když analýzu chyb převezme AI, mohou se lidé soustředit na strategická rozhodnutí. Fígl spočívá v integraci do stávajících workflow (Slack, Linear, Datadog) místo dalšího dashboardu. Týmy se nemusí učit novou platformu; agent pracuje tam, kde už jsou. 50 dolarů v kreditech zdarma na uživatele ukazuje sebevědomí: náklady se vrátí při prvním odvráceném nočním pohotovostním hovoru.

AI umožňuje vědecké průlomy díky syntéze

Logický model od OpenAI vyřešil 80 let starý problém z diskrétní geometrie – díky nečekanému propojení s algebraickou teorií čísel. Tyto dvě matematické oblasti jsou obvykle oddělené světy; odborníci na jednu z nich znají tu druhou většinou jen povrchně. Komunita matematiků, která výsledek ověřovala, potvrzuje: toto propojení nebylo ani zřejmé, ani předvídatelné. Souběžně s tím provedl multiagentní systém Robin kompletní výzkumný cyklus (hypotéza, experiment, analýza) a identifikoval existující lék k léčbě makulární degenerace. Lidé už jen prováděli zadané laboratorní experimenty. Azeem Azhar vidí větší potenciál v prvním případě: vědecká specializace vytvořila intelektuální sila a systémy AI by mohly najít červí díry mezi nimi. → Azeem Azhar, Exponential View

Synthszr Take: Skutečná revoluce spočívá v propojování izolovaných vědních oborů. Za 80 let nikdo nedokázal tento matematický most postavit, protože disciplíny fungují v oddělených vesmírech. To je strukturální výhoda AI: nezná hranice mezi fakultami. Zatímco zrychlené experimentální cykly hledají primárně v rámci stávajících paradigmat, mezioborové uvažování rozšiřuje samotný rámec. Ironií je, že zatímco v literatuře AI selhává na vlastní bezvýznamnosti (text napsaný AI právě vyhrál literární cenu), exceluje tam, kde je lidská expertíza příliš specializovaná. Rychlost ve vědě bude v budoucnu znamenat: bořit sila, nejen v nich rychleji kopat.

Ben Evans: Předpovědi o budoucnosti zůstávají obtížné

Benedict Evans si dal tu práci a porovnal nesčetné studie na téma „pracovní místa ohrožená AI“ s historickou realitou. Výsledek: celé století jsme automatizovali účetnictví – od děrných štítků přes mainframy až po cloud – a přesto je dnes účetních více než kdy dříve. Ještě markantnější je, že počet certifikovaných účetních (CPA) v USA explodoval ze 100 000 na více než 650 000, zatímco software současně revolučně měnil jejich klíčové úkoly. Evans také ukazuje, že internetová revoluce nezasáhla novináře kvůli automatizaci, ale protože se zhroutil obchodní model jejich zaměstnavatelů (monopol na inzerci). Jeho teze: kategorie pracovních míst často zůstávají stejné, zatímco skutečná práce se kompletně mění – nebo práce zůstává identická, ale byznys za ní se hroutí. → Benedict Evans

Synthszr Take: Evans trefuje jádro zásadní prognostické chyby: díváme se na pracovní místa jako na izolované jednotky, nikoli jako na systémy. Jevonsův paradox zde udeří plnou silou. Když se analýzy zkrátí z jednoho týdne na 30 sekund, neprovádíme jich méně, ale provádíme jiné. „Operátor fakturačního stroje“ zmizel ze statistik, ale daná osoba dnes dělá jako „skladník“ to samé s jiným softwarem. Skutečně toxická past: novinář může být vůči AI imunní, zatímco jeho zaměstnavatel umírá na zcela jiné disrupce. Kdo dnes počítá skóre ohrožení AI, opakuje chybu analytiků z doby dot-com bubliny. Transformace přichází, ale jinak, než si myslíme.