Do třetice všeho dobrého: Mythos 5, Fable 5 a Sonnet 5 jsou od dnešního dne k dispozici

Washington opět uvolňuje modely Claude Mythos 5 a Fable 5

Americké ministerstvo obchodu zrušilo 30. června 2026 veškerá exportní omezení pro modely umělé inteligence společnosti Anthropic. V dopise společnosti ministr obchodu Howard Lutnick uvedl, že pro modely Claude Mythos 5 a Claude Fable 5 již není nutná licence pro export nebo vnitrostátní transfery, čímž se ruší nařízení z 12. června. Původně úřad donutil Anthropic, s odkazem na národní bezpečnost, zablokovat přístup ke svým špičkovým modelům pro všechny cizince. Oba modely jsou obzvláště silné v odhalování bezpečnostních zranitelností v softwaru a jsou považovány za významný skok oproti svým předchůdcům. Anthropic se zavázal proaktivně identifikovat rizika, spolupracovat s vládou na protokolech a hlásit škodlivé aktivity. Jednalo se o druhý zásah Trumpovy administrativy vůči společnosti: v březnu Pentagon označil Anthropic za nepřijatelné riziko v dodavatelském řetězci, proti čemuž firma podala žalobu. Současně vláda nyní tlačí i OpenAI (GPT-5.6 Sol) a Metu do stejného režimu dobrovolného přezkumu. → www.nytimes.com

Synthszr Take: Osmnáct dní od zablokování k uvolnění – to je ta skutečná zpráva. V dubnu jsme psali o „AI Avengers“, kteří se spojují proti Severní Koreji a Číně, a Mythos byl vlajkovým modelem, který bleskově nachází zranitelnosti. Právě tato schopnost z něj dělá politickou záležitost: model, který dosáhne 80,9 % na SWE-bench a odhalí bezpečnostní díry během několika minut, je zároveň nástrojem i objektem kontroly. To, co zde vzniká, je faktická povinnost schvalování pro frontier modely, zabalená jako dobrovolná spolupráce, a Meta je posledním velkým poskytovatelem, který se ještě brání. Ochranné mechanismy, které Anthropic slibuje (proaktivní detekce rizik, povinnost hlášení, společné standardy), jsou v jádru stejným enterprise governance, které již dávno funguje v každém oddělení compliance, jen nyní na státní úrovni. Věta „reserves the right to re-evaluate“ v překladu znamená: přístup k nejlepším modelům se stává předmětem vyjednávání a je kdykoli odvolatelný. Kdo v Evropě spoléhá na americkou AI, měl by si tento týden zapsat do kalendáře a myšlenku na decoupling z dubna brát vážněji.

Anthropic vydává Claude Sonnet 5

Společnost Anthropic vydala 30. června 2026 model Claude Sonnet 5, dosud nejvíce agentický model střední třídy z jejich dílny. V mnoha úlohách se blíží vlajkové lodi Opus 4.8, ale stojí méně než polovinu. Zaváděcí cena je 2 dolary za milion vstupních tokenů a 10 dolarů za výstupní, platná do 31. srpna 2026, poté se zvýší na 3 a 15 dolarů. Opus 4.8 pro srovnání stojí 5 a 25 dolarů. V agentickém kódovacím benchmarku dosahuje Sonnet 5 podle Anthropic 63,2 % oproti 69,2 % u modelu Opus a 58,1 % u předchůdce Sonnet 4.6. Navíc je k dispozici posuvník „Effort“, který umožňuje měnit náklady za přesnost. Model dokáže plánovat, ovládat prohlížeče a terminály a pracovat autonomně na delší vzdálenosti. Háček se skrývá v drobném písmu: nový tokenizer může stejný text převést až na 1,35násobek tokenů, což znamená, že přechod je ve výsledku zhruba nákladově neutrální. → thenextweb.com

Synthszr Take: Skutečnou pákou tohoto oznámení není řádek v benchmarku, ale cenová křivka. Agenti běží ve smyčkách, volají nástroje a spalují tokeny každou sekundu, a právě proto se mnoho firem v posledním půlroce stáhlo od nasazení, když přišly účty. Kdo má schopnost stlačit cenovou křivku dolů, neřeší problém kvality, ale problém s fakturami, a ten je momentálně dražší z obou. Klasický Jevonsův paradox: klesne-li cena za běh agenta, počet běhů se zvýší. Anthropic tímto váže vývojáře hlouběji do svého ekosystému, a to těsně před plánovaným vstupem na burzu, kde se počítá jak růst tržeb, tak dosah mezi vývojáři. Pozor na trik s tokenizerem: cena ve výloze vypadá nízká, ale počet tokenů potichu roste, takže je třeba měřit skutečnou cenu za splněný úkol, nikoli za milion tokenů. Pro většinu týmů už dávno není otázkou, zda je model dostatečně chytrý, ale zda běží dostatečně levně na to, aby ho mohly nechat pracovat celý den. Kdo dnes staví kódovací stack, kombinuje Sonnet 5 pro trvalý provoz s modelem Opus pro náročné případy a zbytek nechá na posuvníku „Effort“.

Amazon napodobuje Palantir a investuje 1 miliardu do vlastních implementačních týmů

Amazon Web Services v úterý spustil novou interní organizaci pro Forward-Deployed Engineers zaměřené na AI. Tito inženýři se přímo zapojí do zákaznických společností, kde vytvářejí agenty na míru a následně mají firmám umožnit samostatně pokračovat v práci. Francesca Vasquez, viceprezidentka AWS pro Frontier AI, slibuje, že zákazníci po nasazení budou mít nejen fungující agentické systémy ve vlastním prostředí AWS, ale také trvalé dovednosti v oblasti AI, pracovní postupy a vzory. Amazon na to vyčlenil miliardu dolarů, avšak z interních zdrojů, nikoli jako joint venture nebo klasickou investici. Model FDE proslavila společnost Palantir: inženýr dodavatele dočasně pracuje u zákazníka a mnoho technologií lze mezi nasazeními znovu použít. OpenAI a Anthropic v posledních měsících založily vlastní FDE jednotky, ohodnocené na 4 miliardy a 1,5 miliardy dolarů, vždy ve spolupráci s private equity firmami. Největší nevýhodou modelu zůstává personální náročnost: je nutné udržovat celý sbor inženýrů. → TechCrunch

Synthszr Take: Ta miliarda je tisková zpráva, ne šek; jsou to interní zdroje AWS, takže v podstatě jde o přesun personálu. Zajímavý je vzorec, který za tím stojí. AWS zde uplatňuje playbook od Palantiru: začlenit vlastní inženýry do procesů, postavit infrastrukturu na vlastním stacku a tím vznikne vazba, kterou žádná pozdější změna nástroje nerozváže. Na „build-layer“, tedy u modelů, agentů, pipelines, je samotná schopnost zaměnitelná; nenahraditelný je pouze poskytovatel, který ji hluboce propojí s vlastním cloudem. Skutečný problém zákazníků však leží jinde, na úrovni, kterou žádný externí tým nemůže vyřešit: Kdo smí jednat na základě odpovědi agenta, kdo ji schvaluje, kdo ručí, když se splete? AWS dodá hotový nástroj, ale organizační strukturu si musí firma přepsat sama, a právě tam většina pilotních projektů uvízne v inovační laboratoři. Kdo si objedná FDE tým, měl by to brát střízlivě: jako akcelerátor na „build-layer“ a jako vědomou sázku na větší vazbu na AWS, nikoli jako zkratku přes otázky, které lze zodpovědět pouze interně.

Amazon zřejmě kopíruje Claude, aby ušetřil náklady na tokeny

Podle zprávy od The Information někteří inženýři Amazonu již vytvářejí menší a levnější modely tím, že destilují modely Claude od Anthropic, tedy nechávají menší model učit se z výstupů toho většího. Amazon na to má určitá uživatelská práva, podobně jako Apple při přístupu ke Google Gemini. Spouštěčem je nově vyjednané partnerství: od příštího roku už Amazon nebude platit podle hodin výpočetního času, ale podle zpracovaných tokenů, což by mohlo náklady výrazně zvýšit. Mluvčí Amazonu to popírá a tvrdí, že rozšířené partnerství náklady nezvyšuje; Anthropic poukazuje na příznivé ceny v poměru k výkonu. Současně Amazon zkoumá alternativy jako OpenAI a vlastní modely Nova. Koncern letos investoval do Anthropic dalších až 25 miliard dolarů a až 50 miliard do OpenAI. Na platformě Bedrock od Amazonu sice existuje destilační služba, ale Claude tam není k dispozici, pouze Nova a Llama od Mety. → MyClaw Newsletter

Synthszr Take: Nejzajímavější větou ve zprávě je ta o účtování tokenů. Dokud Amazon platil za hodiny výpočetního času, účet byl předvídatelný; jakmile se platí za každý token, z investora se stává zákazník, který si hlídá hodinky. A co udělá zákazník, který investoval 25 miliard do dodavatele a přesto se potí u nákladů? Postaví si levnější kopii a využije práva ze své vlastní dohody. Právě zde se ukazuje, proč disciplína v oblasti výpočetních zdrojů na úrovni jednotlivých případů užití není jen poznámka pod čarou, ale klíčová otázka: Kdo zná své náklady na tokeny pro každý případ použití, rozhoduje se racionálně o destilaci, výměně modelu nebo o záloze v podobě open-source. V květnu byl Anthropic ještě oslavovanou novou jedničkou s rekordním ohodnocením, nyní jeho největší investor destiluje jeho vlastní modely. Kdo se spoléhá na jediného dodavatele modelů, kupuje si riziko uzamčení (lock-in), které lze zajistit druhou dodavatelskou linkou a open-source zálohou za zlomek ceny.

DeepSeek zrychluje inferenci až o 85 %

DeepSeek o víkendu zveřejnil DSpark, systém pod licencí MIT, který umožňuje velkým jazykovým modelům odpovídat výrazně rychleji, aniž by se měnil výstup modelu. Technicky se za tím skrývá spekulativní dekódování: lehký „draft“ modul předpovídá další tokeny, velký model paralelně kontroluje návrhy a při správných odhadech přeskočí několik kroků najednou. V produkčních testech hlásí DeepSeek u štíhlého V4-Flash (284 mld. parametrů, 13 mld. aktivních) zrychlení generování o 60 až 85 % na uživatele a o 57 až 78 % u velkého V4-Pro (1,6 bilionu parametrů, 49 mld. aktivních), oba s kontextem o velikosti jednoho milionu tokenů. Při velmi náročných cílech na rychlost se propustnost zvyšuje dokonce na 661 % a 406 %, protože starší baseline přístup v těchto podmínkách naráží na provozní limit. Součástí vydání byl vědecký článek, checkpointy modelů a DeepSpec, kódová základna pro trénování vlastních „draft“ modulů. Klíčové je, že DSpark nefunguje pouze s modely DeepSeek, ale také s Qwen od Alibaby a Gemma od Googlu, pokud si uživatel sám kontroluje váhy a serving stack. Toto vydání přichází v době, kdy Washington dále omezuje modely od Anthropic a OpenAI. → VentureBeat

Synthszr Take: Nejdražší položkou v provozu AI není trénování, ale nepřetržitá inference. Právě na to se zaměřuje DSpark a DeepSeek dává tuto metodu zdarma pod licencí MIT všem, kdo si sami hostují modely s otevřenými váhami. To je ta skutečná páka: kdo provozuje Qwen nebo Gemmu na vlastní infrastruktuře, může si natrénovat DSpark draft modul a získat skok v efektivitě, za který by jinak musel kupovat nový hardware. Jevonsův paradox zdraví. Levnější tokeny neznamenají menší spotřebu, ale více agentických pracovních postupů, které byly dříve neekonomické. Zatímco americká vláda omezuje proprietární poskytovatele, čínská laboratoř krok za krokem činí ekonomiku otevřených modelů atraktivnější. A to je ten pohyb, který skutečně mění debaty o disciplíně výpočetních zdrojů a suverenitě v každém podnikovém stacku. Kdo ještě přemýšlí, zda jsou modely s otevřenými váhami vhodné pro produkční nasazení, zde nachází další odpověď: rovnice je z měsíce na měsíc jednodušší.

Anthropic plánuje integrovat Claude přímo do Microsoft Teams

Podle The Information plánuje Anthropic integrovat Claude jako agenta přímo do Microsoft Teams, poté co minulý týden partnerství se Salesforce přineslo Claude do Slacku. Zvláštní je, že oba koncerny prodávají vlastní agenty (Copilot u Microsoftu, Slackbot a Agentforce u Salesforce), ale povolují cizí agenty ve svých komunikačních aplikacích – a to zdarma. Ani Perplexity, ani Viktor neplatí Salesforce nic za hosting na Slacku a pravidla App Storu od Microsoftu se uplatní pouze tehdy, pokud přes třetí strany skutečně tečou peníze. Teams má mnohonásobně více uživatelů než Slack a Claude by tam přímo konkuroval Copilotu, klíčovému zdroji příjmů Microsoftu. U Salesforce tento krok interně vyvolává neklid, CEO Ripplingu Parker Conrad označil toto otevření veřejně za „šílené“. Jiný CEO softwarové firmy přirovnal dynamiku k tlačítku „To se mi líbí“ od Facebooku, které vydavatelům krátkodobě přineslo relevanci a Facebooku dlouhodobě zmapovalo celý web. Polský startup Viktor ohlásil po spuštění tagu Claude svou „nejlepší týden v historii“ s více než 400 novými zákazníky. → Applied AI

Synthszr Take: Přirovnání k tlačítku „To se mi líbí“ je trefa do černého, ale skutečná otázka je jiná. Microsoft a Salesforce pouštějí lišku do kurníku, protože vědí, že zákazníci chtějí nejlepšího agenta, ne toho domácího. Právě v tom spočívá past pro každého, kdo nyní staví svou doménovou logiku na Copilot Studio nebo Agentforce: lock-in je vysoký, ceny nestálé a „daň za agenta“ za konverzaci se může přes noc změnit. Od února zde běží Apple playbook od Anthropic a distribuce přes Teams s jeho miliony uživatelů je další stavební kámen, který se nezískává jen kvalitou modelu, ale dostává se darem od cizích platforem. Rozumná odpověď pro firmy zůstává stejná: platformu si vyberte podle dominantního prostředí nástrojů, ale kritickou orchestraci více systémů si ponechte mimo, abyste zítra mohli agenta vyměnit, aniž byste museli přestavovat celý stack. Kdo si to teď čistě oddělí, ušetří si za osmnáct měsíců přestavbu, až další poskytovatel nabídne lepší reasoning. Strážci bran otevírají dveře sami, a kdo je chytrý, neváže se na dveře, ale na vlastní proces.

Čína staví bilionový model kompletně na vlastních čipech

Společnost Meituan, v Číně známá především díky doručování jídla, představila v úterý LongCat-2.0: velký jazykový model s 1,6 bilionu parametrů a kontextovým oknem o velikosti jednoho milionu tokenů. Skutečnou bombou je však hardware. Podle Meituanu byl model jako první svého druhu kompletně trénován a nasazen na domácím výpočetním clusteru s 50 000 čipy, tedy zcela bez Nvidie. Předtrénování je považováno za výpočetně nejnáročnější část, kde dosud zakázané americké čipy hrály klíčovou roli. Výkon má být srovnatelný s v únoru zveřejněným Gemini 3.1 Pro od Googlu a váhy jsou open-source, tedy kdokoli si je může ověřit. Toto oznámení je přímo namířeno proti exportním kontrolám Washingtonu, které měly právě tomuto kroku zabránit. Ověřitelné to nyní bude díky open-source komunitě, která může benchmarky a tvrzení porovnat se skutečnými výsledky. → Techpresso

Synthszr Take: Doručovací služba postaví frontier model na 50 000 vlastních čipech a najednou je ve hře klíčová otázka americké čipové politiky. Přesně tomu měly exportní kontroly zabránit: důkazu, že Čína zvládne předtrénování bez amerického hardwaru ze Silicon Valley. Pokud se tento údaj potvrdí (a to je velké „pokud“, protože trénovací setup nikdo zvenčí nemůže přímo ověřit), pak každý takový milník zmenšuje náskok, který měly restrikce vlastně zvětšovat. To, že Meituan jde cestou open-source, je chytrý tah: distribuovat váhy, zasít adopci mezi vývojáři, signalizovat důvěru ve vlastní hardware. Pro společnost, jejímž klíčovým byznysem je routing, prognóza poptávky a zákaznický servis, není levný, geopoliticky zajištěný výpočetní výkon prestižním projektem, ale nákladovou kalkulací. V květnu jsme psali o velkém kolotoči kopírování, kde každý opisuje od každého. Zde se odehrává stejný vzorec na hardwarové úrovni a nejúčinnější páka Washingtonu právě ztrácí na síle.

Meta čte celé věty přímo z mozku

Meta představila verzi 2 systému Brain2Qwerty, neinvazivní metody, která snímá mozkové signály při psaní a rekonstruuje z nich celá slova včetně významu. Zatímco v1 hláskovala písmeno po písmenu, v2 pracuje se dvěma modely: jeden čte surové signály, druhý doplňuje smysl. Devět dobrovolníků strávilo deset hodin ve skeneru a vytvořilo téměř 22 000 vět trénovacích dat. Průměrná přesnost na úrovni slov je 61 %, nejlepší testovaná osoba dosáhla 78 %. Pro srovnání: nejlepší konkurenční neinvazivní metody dosud dosahovaly špičkových hodnot kolem 8 %. Meta zveřejnila kód a datové sady v1 a v2 a tvrdí, že rozdíl oproti chirurgickým implantátům lze dále zmenšit pouze větším množstvím dat. → The Rundown AI

Synthszr Take: Skutečná páka nespočívá v 61 %, ale ve větě o množství dat. Pokud se přesnost škáluje s daty a jedinou bariérou k dosažení úrovně chirurgických zákroků je prostě více hodin ve skeneru, pak je to řešitelný problém a ne již otázka základního výzkumu. Meta zde dělá stejný tah jako kdysi s Llama: zveřejnit kód a datovou sadu, otevřít pole všem a společně posunout křivku nahoru. Metu to stojí málo a urychluje to technologii, díky níž by lidé bez schopnosti mluvit mohli opět komunikovat, aniž by jim někdo musel otevírat lebku. Část týkající se ochrany osobních údajů bude brutální (koncern, který překládá myšlenky na text, je jiná kategorie než ten, který sleduje kliknutí) a o tom bychom měli mluvit teď, ne až když bude přesnost 95 %. Ale směr je jasný: to, co v roce 2016 patřilo ke kabelu na operačním sále, se posouvá směrem k zařízení pro každodenní použití. Kdo to považuje za sci-fi, měl by si vzpomenout, jak rychle se z ChatGPT stal nástroj pro 100 milionů lidí.

Zabila umělá inteligence účtovatelnou hodinu?

Stará dohoda v profesionálních službách byla jednoduchá: chytří lidé tráví hodiny řešením složitých problémů a tyto hodiny si účtují. Podle Wall Street Journal se nyní poradenské firmy snaží odklonit od účtování za hodiny, protože AI mnoho úkolů zvládá rychleji a levněji, a proto se hůře měří starým způsobem. Deloitte interně ukázal svým poradcům graf, podle kterého by klasické poradenství založené na pracovní době mohlo do roku 2035 výrazně ztratit podíl na trhu. McKinsey uvádí, že již více než 30 % celosvětových honorářů je vázáno na výsledky pro klienta, a Business Insider informuje, že zákazníci stále častěji požadují „skin in the game“. Testují se fixní ceny za definované projekty a modely založené na výsledcích, kde platba závisí na dohodnutých výsledcích. Udržitelný model založený na výsledcích potřebuje podle WSJ čtyři stavební kameny: stabilní základ, jasný cíl, mantinely kvality a sdílené výnosy. Současně Ford hlásí, že jeho vlastní právní oddělení adoptuje AI rychleji než mnohé externí advokátní kanceláře. → The Neuron

Synthszr Take: Účtovatelná hodina trestá rychlou práci, to je její vrozená konstrukční vada. Kdo je efektivní, snižuje si vlastní tržby, takže se vyplatí být líný. Přesně to teď AI zviditelňuje: když tým zvládne 40hodinový projekt za 10 hodin, klient se dříve či později oprávněně zeptá, za co platí těch 40. Háček cenotvorby podle výsledků je ale v tom, že poradci se honí za nejsnáze měřitelnými výsledky, což je většinou snižování nákladů propouštěním zaměstnanců. Tím se AI poradenství stává akcelerátorem propouštění kvůli AI, zabaleným do čisté tabulky s úsporami. Upřímnou odpovědí je základní platba za spolehlivost a příplatek pouze za prokazatelné zlepšení kvality, jinak model optimalizuje nesprávnou hodnotu. Kdo dnes ještě prodává čas jako přibližnou hodnotu za hodnotu, sází na mrtvého koně; budoucí otázka nezní, ve kterém oddělení sedíte, ale zda umíte vynalézat, dodávat, uklízet, růst nebo provozovat.