Agenti umělé inteligence s plným využitím nástrojů budou docela šílení. Zde je Claude, který pomocí serverů Box a Linear MCP přebírá dokumenty k produktovým plánům z Boxu a mění je na problémy, které je třeba sledovat. Toto je malý příklad toho, jak vypadá budoucnost interoperability agentů AI.

Nejjednodušší způsob, jak právě teď přijít o plnou sílu agentů umělé inteligence, je prostě s nimi nedělat dost. Většinu času je lidé prostě netlačí dostatečně daleko, a tak pravděpodobně těží jen z malé části potenciálu. Je ohromující, když mluvíte se startupy a dozvíte se o tom, jaké jsou jejich nové pracovní postupy a o kolik více toho dokážou udělat, než byste mohli udělat jen před několika lety se stejnými zdroji. To je prostě obrovská asymetrie pro všechny v obraze. Týmy a společnosti, které jdou na umělou inteligenci jako první, budou pravděpodobně vždy o několik kroků napřed před ostatními, protože rozpoznají, jak posunout modely a agenty dále, a tyto poznatky se budou sčítat. Pro všechny ostatní bude existovat neuvěřitelné množství nevyužitých schopností, které tam prostě sedí.

Téměř každá studie ukazuje, že lékaři s umělou inteligencí fungují lépe než ti bez ní. Nyní AI dosahuje perfektních výsledků v lékařských licenčních zkouškách. Jednoduše budete očekávat, že každý poskytovatel profesionálních služeb, ke kterému půjdete, bude v budoucnu používat umělou inteligenci, nebo nebudete radám věřit.

Jedním z jemných důvodů, proč bude velikost trhu s AI Agents větší, než si uvědomujeme, je mnoho případů použití, kdy je užitečné provozovat více agentů paralelně k vyřešení stejného problému. To nebylo nikdy možné u většiny vědomostních prací dříve. Bylo by prostě neúnosné vrhnout na stejný problém více lidí. Ale protože jsme dramaticky snížili náklady na nasazení inteligence, můžete si dovolit mít větší redundanci a posuzovat věci z ještě více úhlů. Tyto příklady již vidíme v řadě oblastí. Lidé používají agenty pro kontrolu kódu AI na stejné změny kódu, aby nabídli jemné rozdíly v analýze. Totéž by platilo pro bezpečnostní agenty, kteří kontrolují kód, kde je pouze větší hodnota v dodatečném pokrytí. V úlohách hloubkového výzkumu je často užitečné mít paralelně spuštěno více výzev pro porovnání různých přístupů. A můžeme očekávat, že se to projeví v mnoha dalších oblastech, kde více různých pohledů nabízí přírůstkovou hodnotu pracovního postupu, jako je právní práce, zdravotnictví, finanční analýza, vědecký výzkum, nápady na produkty, tvorba marketingového obsahu a další. To je důvod, proč je nemožné odhadnout celý TAM mnoha z těchto trhů. Pokud byste si mysleli, že agenti pouze přibližně k tomu, jak pracujeme dnes, 1:1, bylo by snadné přehlédnout všechny způsoby, jakými budeme agenty používat ve workflow. To je důvod, proč tyto trhy nemají v budoucnu žádný přirozený strop.

AI Agenti jsou skutečnou transformací v monetizaci softwaru. Tradičně byl software z velké části omezen na ~10-50 dolarů měsíčně za místo pro konkrétní software. Existuje odlehlý vertikální software, ale obecně měl vždy zhruba tento strop. Na druhou stranu AI Agenti jsou v podstatě neomezeni, protože neexistuje žádná skutečná horní hranice toho, co by někdo dělal s AI Agentem v pracovním postupu. To již vidíme u agentů pro kódování softwaru, kde někteří lidé platí tisíce měsíčně. A to je zcela rozumné: pokud je uživatel 2x až 3x produktivnější s agenty kódujícími AI, společnost by neváhala utratit 10 % ekvivalentu platu za agenty. To se však začíná dít i v obecných oblastech znalostní práce, jako je právní analýza, kontrola lékařských zpráv, zpracování úvěrových dokumentů a další. Tuto dynamiku bychom měli očekávat v každé kategorii práce. Nyní, jak dochází ke zdokonalování modelů, budou ceny srovnatelných modelů klesat. Ale pak, protože agenti umělé inteligence mohou provádět složitější úlohy a vy spouštíte stále více a více agentů paralelně v pracovním postupu, podniky budou nasazovat více těchto agentů. Čekají nás divoké časy.

Kromě několika kategorií je většina prostorů v umělé inteligenci stále otevřená. To nebude platit navždy, protože data a příkopy pracovních postupů se začnou hromadit, ale určitě to platí dočasně právě teď. Umělá inteligence za poslední rok pokročila natolik, že tyto modely vyřešily spoustu problémů, kolem kterých musela většina startupů stavět dříve. A proč si dnes můžete vystačit s AI agenty je asi 100x výkonnější než před 2 lety. To je také důvod, proč je důležité vytvářet architektury se správnými vrstvami abstrakce, které by tyto aktualizace využily.

Umělá inteligence časem rozmaže hranice mezi mnoha funkcemi, protože nyní můžete začít dělat věci buď výše nebo níže v zásobníku, nebo je rozšířit na další sousední funkce. Velmi zřejmou oblastí je, že projektoví manažeři by se měli téměř vždy objevit s funkčními prototypy.

Ve společnosti Box trávíme spoustu času testováním umělé inteligence Boxu s novými modely na nestrukturovaných datech, abychom zjistili, v čem si vedou dobře v reálných oblastech znalostní práce. Jak jsme viděli z benchmarků, GPT-5 nabízí významný skok ve schopnostech oproti GPT-4.1 v uvažování, matematice, logice, kódování a dalších oblastech práce. Zde je několik příkladů, kde se tato vylepšení projevují v reálném světě: *GPT 5 lépe kontextualizuje informace. Při extrakci dat, jako je konečná částka v USD na faktuře bez štítků měny, ale s adresou v Londýně, GPT 5 správně odpoví a potřebuje směnný kurz z USD na GBP. Pro srovnání, GPT 4.1 viděl konečný účet a vrátil jej, přičemž předpokládal měnu (nesprávně). * GPT-5 poskytuje lepší multimodální analýzu. Pro každoroční podání veřejné společnosti je GPT-5 požádán, aby izoloval buňku v tabulce od obrázku zobrazujícího změny ve složkách vlastního kapitálu společnosti. V horní části tabulky je objasněno, že všechny částky akcií jsou v tisících a GPT-5 tento převod jasně uvádí, zatímco GPT-4.1 nikoli, což je zmatené, protože v tabulce je uvedeno akcie a legenda akcie. * GPT-5 funguje lépe s vysokou úrovní promptu a složitosti dat. Při extrakci dat z životopisu pro všechna data nástupu do zaměstnání, názvy pracovních pozic a názvy zaměstnavatelů byl GPT-5 schopen vytáhnout všechna data, zatímco GPT-4.1 se zdá být zahlcen a neextrahoval stejná pole vzhledem k velikosti výzvy a složitosti dokumentu. * GPT-5 je ve svých odpovědích mnohem jasnější a explicitnější. Ve smlouvě o outsourcingu, kde je výslovně diskutováno 6 různých služeb, když je GPT-5 dotázán na "5 konkrétních služeb ve smlouvě", vrátí prvních 5 a zeptá se, zda bylo záměrné, že na šestou se nezeptal. Pro srovnání, GPT-4.1 jednoduše vrátil prvních 5 bez dalších upozornění, což může vést ke zmatkům pro uživatele. * GPT-5 je lepší v interpretaci dat ve složitých oblastech. Pro graf průtokové cytometrie, který se obvykle používá v imunologii, GPT-5 správně identifikoval vysoký podíl mrtvých buněk a uvedl věrohodné základní příčiny, které by mohly vést k situaci, zatímco GPT-4.1 poskytl minimální zdůvodnění a potřeboval další potvrzení, aby bylo možné provést jakékoli odhady z hrubých dat. * GPT-5 dokáže lépe identifikovat nesrovnalosti v kódu. Když byl GPT-5 i 4.1 požádán, aby identifikoval problémy v daném souboru kódu Pythonu, zatímco GPT-5 i 4.1 dokážou identifikovat skutečné chyby, které vedou k poruše, pouze GPT-5 dokázal odvodit jemnější problémy, jako je tisk nesprávné proměnné, když by to v kontextu programu nedávalo smysl. Tato vylepšení v matematice, uvažování, logice a kvalitě odpovědí v delších kontextových oknech jsou neuvěřitelně užitečná pro koncové uživatele v každodenní práci, ale ještě více se projeví u déle běžících agentů umělé inteligence, zejména když ve smyčce není žádný člověk, který by ověřoval informace na každém kroku. Je úžasné vidět, že tato vylepšení stále přicházejí v nejnovější úrodě modelů umělé inteligence, protože to povede k tomu, že agenty umělé inteligence bude možné používat v postupně kritičtějších oblastech práce.

Je jasné, že právě teď jsme na trajektorii, kdy se modely umělé inteligence budou nadále zlepšovat ve svých schopnostech v matematice, uvažování, logice, volání nástrojů a různých úlohách specifických pro danou doménu, které se budou zlepšovat s tím, jak bude nadále generováno více trénovacích dat. I když se budou diskutovat o tom, jak moc se tyto pokroky projeví jako zásadní změny v případech každodenního používání, které spotřebitel má, *budou* mít zásadní dopad na mnoho kategorií znalostní práce. Postupně odemknou nové případy použití ve zdravotnictví, právu, finančních službách, biologických vědách atd., kde mohou modely spolehlivě provádět postupně kritičtější úkoly. V nedávném podcastu s Alexem Kantrowitzem měl Dario Amodei skvělý způsob, jak to zarámovat, a to tak, že pokud byste zlepšili schopnost modelu umělé inteligence, aby se z bakalářského studia biochemie stal absolventem biochemie, malé procento spotřebitelské populace by si toho všimlo, ale případy podnikového použití pro společnost, jako je Pfizer, by v důsledku toho významně vzrostly. Měli bychom začít počítat s tím, že toto je nyní éra, ve které se nacházíme s umělou inteligencí. Jak se to tedy začne projevovat v reálném světě? Projeví se to prostřednictvím agentů AI, kteří se budou zabývat aplikovanými případy použití. Agenti AI pro kódování, právní práci, lékařské písaře, extrakci dat, zpracování pojistných událostí, testování pera a tak dále. Příležitostí právě teď je vytvářet agenty umělé inteligence pro vertikály a domény s hlubokým porozuměním tomuto prostoru. To je místo, kde začne hodně záležet na dopadu kontextového inženýrství, hlubokém porozumění pracovním postupům, připojení k podnikovým datům a specializovaným uživatelským rozhraním (která uživatelům umožňují nasazovat, spravovat a orchestrovat tyto agenty). Bude to také znamenat vytvoření distribuce, která je v souladu s touto konkrétní vertikálou nebo doménou. Pravděpodobně to bude znamenat nějakou formu předsunutého inženýrství, které zákazníkům nejen pomůže implementovat agenty, ale také rychle zjistit, pro které pracovní postupy jsou agenti optimalizováni, a přenést je zpět do základní platformy. V konečném důsledku tyto trhy zvítězí hráči, kteří dokážou nejlépe přemostit dnešní podnikové procesy (které jsou často chaotické a nebyly navrženy pro automatizaci) do světa, kde jsou agenti integrováni do těchto pracovních postupů. Toto je éra umělé inteligence, ve které se nyní nacházíme.

Nejsme ani zdaleka optimálním bodem pro jakoukoli stabilizaci schopností umělé inteligence, ale ironií je, že existuje spousta komerčních případů použití umělé inteligence, které prostě zamrznou kvůli tomu, jak rychle se technologie vyvíjí. To je důvod, proč na architekturách připravených na budoucnost tolik záleží.