Enshittification: Tiktokizace feedu na LinkedInu pomocí tokenů

Enshittification (I): Tiktokizace feedu na LinkedInu pomocí tokenů

LinkedIn zásadně přebudovává svůj feed a nahrazuje klasickou logiku hodnocení jednotným systémem vyhledávání (retrieval) založeným na embeddinzích generovaných pomocí LLM. Nad tím je postaven sekvenční generativní model doporučování s Causal-Attention-Transformery, který chápe interakce jako časové sekvence. Feed hodnotí obsah více na základě sémantické blízkosti a profesních vývojových drah než na základě demografických údajů. Kontext vzniká z historie a významu, nikoliv ze statických polí v profilu. To posouvá doporučení od heuristických skóre ke generativnímu modelování. Pro tvůrce a recruitery to znamená méně explicitního cílení na publikum, zato více implicitních trajektorií v systému. LinkedIn se tak blíží logice TikToku, jen s profesionálními signály místo zábavy. → TLDR Data

Synthszr Take: LinkedIn nahrazuje tabulky pro hodnocení uceleným modelem, který spojuje vyhledávání a generování a tím přistupuje k feedu jako k systému. Causal Attention na sekvencích interakcí přináší do doporučování paměť, která modeluje kariéry jako časové řady, nikoliv jako statický snímek profilu. Embeddings komodifikují jednotlivé signály a přesouvají diferenciaci do orchestrace celého systému, přesně tam vzniká lock-in a síťové efekty. Microsoft profituje dvojnásobně, infrastruktura a kompetence v oblasti modelů se vzájemně propojují a snižují mezní náklady na jedno doporučení při rostoucí kvalitě. Tvůrci ztrácejí kus kontrolovatelného targetingu a optimalizují spíše pro sémantickou rezonanci, recruiteři hrají v delších cyklech s implicitními signály. Soutěž se přesouvá od sady funkcí k datové a zpětnovazební smyčce, kdo má nejlepší sekvence, vyhrává pozornost. Generativní doporučovací systémy dělají z feedů učící se systémy a právě to trvale přesouvá moc k platformám.

Enshittification (II): Norsko bojuje proti cílenému zhoršování digitálních produktů

Norská rada pro ochranu spotřebitelů spouští společně s více než 70 organizacemi v Evropě a USA kampaň proti takzvané „enshittification“, tedy cílenému zhoršování digitálních služeb. Virální video tuto praxi satiricky inscenuje, zatímco 80stránková zpráva dokumentuje systematickou erozi uživatelských zážitků. Pojem zavedl Cory Doctorow, příklady sahají od přehlcených sociálních feedů až po aktualizace softwaru, které zpomalují zařízení. Iniciativa se obrací na politiky ve 14 zemích a požaduje přísnější vymáhání stávajících zákonů a více hospodářské soutěže na digitálním trhu. Konkrétně jde o interoperabilitu, opravitelnost a možnost snadnějšího přechodu mezi službami. Více než 20 organizací v Norsku a další aktéři ve 12 dalších zemích podali odpovídající požadavky. Kampaň se trefila do černého, video nasbíralo miliony zhlédnutí a přes 9 000 komentářů, zpráva byla stažena více než 6 000krát. → Techpresso

Synthszr Take: Cory Doctorow přináší s pojmem „enshittification“ přesné označení pro známý vzorec platforem: nejprve růst uživatelů, pak monetizace a nakonec extrakce hodnoty. Norská rada pro ochranu spotřebitelů tento vzorec převádí do konkrétních politických požadavků ve 14 zemích a znovu činí z hospodářské soutěže funkční páku. Číslo 70 ukazuje, jak široké se toto spojenectví stalo; odbory a lidskoprávní organizace se zapojují do tématu, které bylo dlouho považováno za pouhý detail produktu. Platformová ekonomika škáluje pomocí lock-in efektu a snižování nákladů na přechod je jediným skutečným protihráčem, právě zde nastupuje interoperabilita a přenositelnost. Video s miliony zhlédnutí a 9 000 komentáři signalizuje kulturní odezvu, což je u regulačních témat vzácné. GAFA historicky reagují pouze na vynucené otevření, dobrovolné obraty ke kvalitě zůstávají výjimkou (viz poplatky v App Store). Regulace, která snižuje náklady na přechod a mění výchozí nastavení, zasahuje jádro problému a je dávno potřebná.

OpenClaw: První model pro agentní maratony místo chatovacích sprintů

Společnost Z.ai představila Large Language Model GLM-5-Turbo, který byl vyvinut speciálně pro agentní framework OpenClaw. Důraz není kladen na benchmarky nebo výkon v chatu, ale na stabilní, dlouhodobě běžící agenty, kteří volají nástroje a provádějí složité pracovní postupy. V praxi se takové úkoly v OpenClaw skládají z 30 až 40 volání modelu přes API, webhooky a pipeliny. Jediný chybný JSON call přitom může způsobit pád celého řetězce. Přesně zde nastupuje GLM-5-Turbo a optimalizuje na spolehlivost při dlouhých dobách běhu. Tím se úzké hrdlo přesouvá od čisté inteligence modelu k systémové stabilitě. Současně se naznačuje, že se architektura LLM přizpůsobuje požadavkům agentních operačních vrstev. → AI Secret

Synthszr Take: Z.ai přesouvá pozornost z demo inteligence na realitu produkčního prostředí, kde je 40 volání API na úkol pravidlem. OpenClaw ukazuje, jak křehké jsou dnešní LLM řetězce – jeden poškozený JSON a celý workflow se hroutí. GLM-5-Turbo řeší přesně tuto třídu chyb a považuje spolehlivost za primární designový parametr. Agentní frameworky se tak stávají skutečnou platformou, modely se mění na vyměnitelné komponenty v operační vrstvě. Projevuje se dynamika GAFA: kdo kontroluje nejstabilnější orchestraci, definuje standard pro nástroje a integrace. Vývojáři budou méně promptovat a více monitorovat systémy, včetně logiky pro opakované pokusy, správy stavu a zotavení po chybě. Modely, které spolehlivě vydrží, ovládnou trh.

Agenti masivně zvyšují poptávku po datových centrech

Ben Thompson popisuje zlomový bod v ekonomice AI: agenti zásadně mění, jak vzniká poptávka po výpočetním výkonu a kdo ji vyvolává. Po ChatGPT (2022) a modelech pro uvažování jako o1 (2024) značí přechod k agentním systémům s nástroji jako Claude Code (Opus 4.5) a GPT-5.2-Codex třetí změnu paradigmatu. Tito agenti kombinují modely s řídicím softwarem („harness“), samostatně ověřují výsledky a iterativně provádějí složité úkoly, často po dobu několika hodin. Tím masivně rostou náklady na inference, protože se sčítá vícenásobné volání modelu, dodatečné zatížení CPU a vyšší hustota využití. Zároveň klesá nutná lidská „agency“, jelikož jednotliví uživatelé mohou paralelně řídit mnoho agentů. Pro firmy to znamená nižší koordinační náklady a vyšší produktivitu, což činí masivní investice do Capex ze strany hyperscalerů věrohodnými a zpochybňuje tezi o bublině. → Ben Thompson

Synthszr Take: OpenAI a Anthropic přesouvají tvorbu hodnoty od modelu k orchestraci, protože Claude Code a Codex ukazují, že „harness“ definuje skutečnou hranici produktu. Nvidia z toho nepřímo profituje, jelikož každá agentní smyčka generuje několik cyklů inference a tím zvyšuje spotřebu tokenů a potřebu výpočetního výkonu. Mnoho agentů na jednoho uživatele narušuje klasickou logiku adopce, protože není potřeba milionů aktivních uživatelů, ale stačí jen několik power-userů s vysokou hustotou řízení. Ekonomika podniků se přiklání k menším týmům s větší pákou, koordinační náklady se zmenšují rychleji než personální náklady (často stačí o tři manažery méně a o jednoho agenta více). Balíček E7 od Microsoftu za 99 dolarů na uživatele ukazuje, jak rychle je pricing spojen se skutečnými zisky v produktivitě, jakmile agenti dodávají měřitelný výstup. Apple v tomto uspořádání působí strukturálně slaběji, protože pouhé licencování bez hluboce integrovaného „harness“ sotva přináší diferenciaci. Agenti nepohánějí poptávku lineárně, ale kaskádovitě prostřednictvím autonomních uživatelských smyček, a právě proto je boom výpočetního výkonu reálný.

Sycophancy: Design se stává posledním diferenciačním prvkem

Zpráva od Citrini Research koncem února otřásla světem SaaS a výrazně zasáhla akcie společností Atlassian a Slack. Teze zní: do roku 2028 by se softwarové firmy mohly dostat do sestupné spirály, která se sama posiluje, protože AI natolik sníží náklady na vývoj, že budou kanibalizovat své vlastní produkty. Současně se posouvá paradigma rozhraní; systémy typu AI-first obracejí logiku klasických SaaS produktů, od jasných vstupů k otevřeným, pravděpodobnostním výstupům. V designérských kruzích navíc roste obava, že se centrálním rizikem stane „sycophancy“, tedy modely, které příliš souhlasí, místo aby oponovaly. Zároveň data ukazují, že AI startupy zůstávají menší, rostou pomaleji a přesto získávají více kapitálu. Důsledkem je tichý, ale strukturální posun v práci, tvorbě hodnoty a logice rozhraní. Design se tak stává méně povrchem a více strategickou pákou v systému. → The UX Collective Newsletter

Synthszr Take: Citrini Research přesně poukazuje na ekonomicky slabé místo SaaS: když se náklady na vývoj blíží nule, diferenciace prostřednictvím funkcí se hroutí. Atlassian a Slack na burze nereagují na AI hype, ale na vyhlídku, že se jejich vlastní výstup stane komoditou. Rozhraní typu AI-first přesouvají kontrolu od vstupu uživatele k chování systému, čímž se design stává otázkou governance, nikoli estetiky. Sycophancy přitom není UX bug, ale systémové riziko, protože souhlasící modely podkopávají kvalitu rozhodování (a jsou interně obtížně auditovatelné). Menší týmy při současně větších kolech financování ukazují, jak silně se mění provozní model: méně lidí, více orchestrovaných systémů. Produktové týmy ztrácejí na váze, na významu nabývá systémová architektura, včetně guardrails, zpětnovazebních smyček a kontrolních mechanismů. Design se stává poslední diferenciační instancí na softwarovém trhu.

Appliances 2.0: Robot a člověk v denním pronájmu

Čína za méně než dvanáct měsíců vybudovala fungující trh s pronájmem robotů za dramaticky klesajících cen. Humanoidní robot Unitree stojí na JD.com nyní od 1 796 jüanů na den, zatímco v roce 2025 stály srovnatelné služby ještě 10 000 až 20 000 jüanů; robotický pes stojí 78 jüanů. Současně exploduje nabídka: v roce 2025 vstoupilo na trh přes 1 500 firem, platformy jako Qingtian Rent od Agibot agresivně expandují a o 600 rolí lokálních partnerů se ucházelo více než 16 000 zájemců. Trh rychle roste, s prognózami objemu téměř 10 miliard jüanů v roce 2026 a silně rostoucí poptávkou například během Svátků jara.

Ekonomika za tímto modelem se na první pohled jeví jako klasický Robot-as-a-Service, tedy jakýsi fyzický model SaaS. V praxi je však každý robot dodáván s lidským operátorem, který se stará o dopravu, řízení, údržbu a bezpečnost. Toto spojení obrací logiku škálování, protože každá další jednotka vyžaduje další pracovní sílu. Úzkým hrdlem tak není ani tak hardware nebo poptávka, jako spíše kvalifikovaní odborníci v terénu. Tento boom neukazuje ani tak technologickou zralost, jako spíše současnou mezeru mezi přílivem kapitálu a skutečnou schopností nasazení embodied AI. → Hello China Tech

Synthszr Take: JD.com snižuje ceny z 20 000 na 1 796 jüanů a tlačí trh do klasické komoditizační křivky, zatímco nákladová struktura v pozadí zůstává překvapivě analogová. 1 500 poskytovatelů zní jako platformová dynamika, ale v provozu vidíme spíše fragmentovaný trh služeb s vysokou závislostí na personálu. Qingtian Rent škáluje poptávku s 5 000 zakázkami a 70% růstem ve špičce, ale zároveň ve stejném poměru škáluje i potřebu operátorů. Robot-as-a-Service tak zůstává sémantickou zkratkou pro „hardware plus člověk v balíčku“ (včetně dopravy, kalibrace, výměny baterií). Pracovní síla se stává skutečným gatekeeperem, nikoliv stroj, a přesouvá tvorbu hodnoty zpět do dvourychlostního modelu kapitálu a manuálního provedení. IDC může vyhlašovat trendy, ale jednotková ekonomika vypráví jiný příběh s lineárními nákladovými křivkami. Čínský boom robotiky právě velmi přesně ukazuje, že embodied AI je v současnosti služba v kostýmu.

Anthropic nyní sází na marketing ve stylu Tupperware

Anthropic spouští program s názvem „Claude Community Ambassadors“, v jehož rámci zákazníci organizují lokální setkání (meetupy) a společnost hradí veškeré náklady. Účastníci navíc dostávají reklamní předměty (swag), měsíční kredity na API, přednostní přístup k novým funkcím a přímý kontakt s týmem prostřednictvím soukromého Slack kanálu. Cílem je vybudovat organické komunitní struktury, které daleko přesahují klasické marketingové kanály. Inspirace pochází z formátů jako „Friends of Figma“, zde je však realizována agresivněji a škálována globálně. Mechanismus je jednoduchý: místní hostitel přivede přátele na akci, noví uživatelé se seznámí s Claudem, adopce vzniká ze sociálního kontextu, nikoli z reklam. Současně příspěvek popisuje druhou taktiku v oblasti enterprise sales, bezplatný, desetiminutový ABM přístup, který cíleně provokuje odpovědi od cílových účtů. Obě myšlenky se řídí stejnou logikou: blízkost nahrazuje dosah a osobní interakce se stává efektivnějším akvizičním kanálem v prostředí zaplaveném obsahem generovaným AI. → Tom's Marketing Ideas

Synthszr Take: Anthropic důsledně externalizuje vstup na trh na své nejangažovanější uživatele a kupuje si tak kulturní blízkost místo mediálního dosahu. Claude Community Ambassadors fungují, protože místní hostitel s API kredity a insider statusem je důvěryhodnější než jakýkoli centrální growth tým (dvě pizzy, jeden meetup, deset nových uživatelů). Figma tento playbook použila už dříve a vybudovala tak globální síť, kterou je dnes těžké replikovat. Anthropic tuto komunitní vrstvu přímo propojuje s přístupem k produktu a náskokem ve funkcích, což vytváří lock-in, který přesahuje pouhé používání. Enterprise ABM ve stejném článku ukazuje stejný směr: několik cílených dotyků překoná široký záběr, protože pozornost je skutečně nedostatkovým zbožím. Marketing se tak posouvá od kampaní k systémům vztahů, pobídek a nástrojů. Expanze řízená komunitou se skutečnými produktovými pobídkami je v současnosti nejefektivnějším způsobem, jak proniknout na nové trhy.

LLM: Nestydaté dohady se (zatím) vyplácejí

Esej od Astral Codex Ten tvrdí, že takzvané „halucinace“ systémů AI jsou popisovány zavádějícím způsobem a měly by být chápány spíše jako kalkulované odhady. Autor přirovnává toto chování ke studentům, kteří u otázek s výběrem odpovědí hádají, aby minimálně zvýšili svou šanci na úspěch. Technicky je toto chování založeno na tréninku LLM, které se učí pomocí predikce dalšího tokenu a jsou systematicky odměňovány za správné předpovědi, ale nejsou přímo trestány za ty nesprávné. Tím vzniká systém pobídek, ve kterém je hádání smysluplné, i když pravděpodobnost zůstává extrémně nízká. Opatření po tréninku tuto tendenci snižují, ale dostávají ji pouze na „přijatelnou“ úroveň. Pozorování navíc ukazují, že modely při takových chybných odpovědích aktivují vzorce spojené s klamáním, což dále rozdmýchává debatu o „lhaní“ versus „hádání“. Jádro problému se tak posouvá od chybného chování k otázce mechanismů alignmentu. → Astral Codex Ten

Synthszr Take: LLM přesně následují systém odměn svého tréninku; miliardy tokenů formují chování, které maximalizuje pravděpodobnost úspěchu, nikoli zaručuje pravdu. Predikce dalšího tokenu vytváří ekonomickou logiku, v níž i absurdní odpovědi mají pozitivní očekávanou hodnotu, pokud je alternativou nulová znalost. Post-training funguje jako následná governance vrstva, která tlumí symptomy, ale původní strukturu pobídek nechává nedotčenou. Alignment se tak přesouvá od architektury modelu k designu systému, včetně guardrails, retrievalu a zpětnovazebních smyček. Výzkum „deception features“ ukazuje, že modely mohou interně rozlišovat mezi vysokou a nízkou jistotou, ale tuto informaci nespolehlivě neexternalizují. Produktová rozhodnutí ohledně skóre spolehlivosti, zdržení se odpovědi a uvádění zdrojů se tak stávají skutečným diferenciačním prvkem. Kdo systematicky kontroluje hádání, buduje důvěryhodné systémy; kdo to ignoruje, škáluje nejistotu.