Od redakcie: AI sa 4. augusta presúvala z cloudu na zariadenia aj do riadených procesov

Utorok 4. augusta 2026 priniesol viacero správ, ktoré spolu vytvárajú pomerne ucelený obraz ďalšej fázy vývoja umelej inteligencie. Pozornosť sa už nesústredí iba na to, ktorý veľký jazykový model dosiahne najvyššie skóre. Čoraz dôležitejšie je, kde model beží, aké nástroje môže používať, podľa akých pravidiel sa kontroluje a či ho organizácia dokáže bezpečne zapojiť do každodenného procesu.

Liquid AI predstavilo malý model určený pre lokálnych agentov, AWS sprístupnilo webové vyhľadávanie ako natívny nástroj Amazon Bedrock, Mistral otvoril multimodálny bezpečnostný klasifikátor s politikou zadávanou v prirodzenom jazyku a Cloudflare opísalo dve praktické použitia agentov v softvérovom vývoji. NIST a americké ministerstvo energetiky zároveň spojili AI s výrobou, vedeckým výskumom a ochranou kritickej infraštruktúry.

Pre slovenského čitateľa je podstatné najmä to, že AI sa presúva z izolovaného chatu do infraštruktúry a riadených pracovných postupov. Tým rastie jej praktická hodnota, ale zároveň aj význam kontroly prístupov, merania kvality, ochrany dát a ľudskej zodpovednosti.

Malý model chce dostať agentov priamo do zariadení

Liquid AI zverejnilo LFM2.5-2.6B, model s 2,6 miliardy parametrov navrhnutý pre agentické úlohy na bežnom hardvéri. Podľa oficiálneho predstavenia podporuje volanie nástrojov a viacstupňové pracovné postupy, pričom má fungovať na notebookoch, stolných počítačoch a potenciálne aj telefónoch. Model má kontextové okno s dĺžkou 128-tisíc tokenov a výrobca uvádza pamäťovú náročnosť pod 2,5 GB pri vhodnej konfigurácii.

Liquid AI deklaruje rýchlosť dekódovania 220 tokenov za sekundu na Apple M5 Max a 113 tokenov za sekundu na procesore AMD Ryzen AI Max+ 395. Ide o výsledky výrobcu, nie o nezávislé testovanie na širokom súbore zariadení, preto ich treba interpretovať opatrne. Aj keby sa v praxi dosiahla iba časť uvedeného výkonu, smer je zaujímavý: užitočný agent nemusí pri každom kroku posielať dáta do vzdialeného cloudu.

Model prešiel podľa autorov špecializovaným tréningom na používanie nástrojov, vyhľadávanie a prácu v agentických prostrediach. Súčasťou postupu bolo učenie s učiteľskými modelmi, viacdoménová destilácia a posilňované učenie v reálnych agentických rozhraniach. Liquid AI uvádza, že model počas tréningu pracoval aj v prostrediach, ktoré hostili rôzne agentické systémy, aby sa nenaučil iba jedno pevné rozhranie.

V zverejnených benchmarkoch bol LFM2.5-2.6B konkurencieschopný s niekoľkonásobne väčšími modelmi najmä pri dodržiavaní inštrukcií a práci s nástrojmi. Pri programovaní podľa samotných autorov väčšie modely naďalej vedú. Toto rozlíšenie je dôležité: malý lokálny model nemusí nahradiť najvýkonnejší cloudový model vo všetkých úlohách. Môže však lacno vykonávať rutinné kroky, triediť lokálne dokumenty, ovládať aplikácie alebo pracovať s citlivými údajmi, ktoré organizácia nechce odosielať tretej strane.

Pre slovenské firmy a verejné organizácie môže lokálny model znížiť náklady na inferenciu a zjednodušiť dátovú suverenitu. Neznamená to však automaticky súlad s GDPR ani bezpečnú prevádzku. Lokálne spustenie rieši iba miesto spracovania. Organizácia stále potrebuje riadiť oprávnenia agenta, logovať jeho akcie, testovať chybové scenáre a určiť, pri ktorých rozhodnutiach musí zasiahnuť človek.

Amazon Bedrock získal natívne webové vyhľadávanie

AWS oznámilo všeobecnú dostupnosť nástroja Web Search v Amazon Bedrock. Ide o serverový nástroj, ktorý môže model použiť na získanie aktuálnych informácií z verejného webu. AWS ho prezentuje ako natívnu súčasť platformy bez potreby zapájať ďalšieho poskytovateľa vyhľadávacieho API. Aktivovať sa dá aj cez rozhranie kompatibilné s OpenAI Responses API.

Praktický význam je väčší, než naznačuje jednoduchý názov funkcie. Jazykové modely majú časovo ohraničené tréningové dáta a bez externého zdroja nepoznajú nové udalosti, ceny, dokumentáciu či zmeny predpisov. Webové vyhľadávanie im umožňuje doplniť odpoveď aktuálnym obsahom. Pre vývojára zároveň odpadá časť vlastnej orchestrácie medzi modelom, vyhľadávačom a spracovaním výsledkov.

Natívne zapojenie však nerieši pravdivosť internetu. Agent môže nájsť neaktuálnu stránku, marketingové tvrdenie, skopírovaný obsah alebo zámerne škodlivý text. Webová stránka môže obsahovať aj inštrukcie, ktoré sa pokúsia ovplyvniť správanie agenta. Produkčný systém preto potrebuje zoznam dôveryhodných domén, kontrolu citácií, oddelenie nedôveryhodného obsahu od systémových pokynov a obmedzenie toho, čo agent po prečítaní stránky smie vykonať.

Pre slovenské tímy používajúce AWS je novinka cestou k rýchlejšiemu vytvoreniu rešeršných, podporných či monitorovacích aplikácií. Pri právnych, zdravotných, finančných alebo úradných informáciách by však výsledok nemal byť považovaný za autoritatívny iba preto, že ho našiel nástroj zabudovaný do veľkej cloudovej platformy. Dôležitá zostáva dohľadateľnosť konkrétneho zdroja a dátumu.

Mistral otvoril multimodálnu bezpečnostnú vrstvu

Mistral predstavil Shieldstral, otvorený multimodálny bezpečnostný klasifikátor s tromi miliardami parametrov. Model je dostupný pod licenciou Apache 2.0 a podľa firmy dokáže hodnotiť text, obrázky aj ich kombináciu. Na spustenie má stačiť jedna grafická karta NVIDIA so 16 GB pamäte.

Najzaujímavejšou vlastnosťou je spôsob zadania moderátorskej politiky. Namiesto taxonómie napevno vloženej do modelu dostane Shieldstral pri inferencii otázku v prirodzenom jazyku, napríklad či obsah propaguje fyzické násilie alebo či je obrázok vhodný pre maloletého používateľa. Model vyhodnotí dokument a vráti pravdepodobnosť odpovede áno alebo nie. Jedna verzia tak môže obsluhovať rozdielne politiky bez nového trénovania pre každú kategóriu.

Mistral tvrdí, že Shieldstral sa v jeho testoch vyrovnal alebo prekonal otvorené ochranné modely až sedemnásobnej veľkosti a dosiahol špičkové výsledky pri multimodálnej moderácii. Ide o tvrdenia autora modelu, hoci firma uvádza, že hodnotiace vzorky boli oddelené od tréningu. Nezávislé reprodukcie ešte len ukážu, ako sa výsledky prenesú do slovenčiny, menšinových jazykov, lokálneho kultúrneho kontextu a zámerne nejednoznačného obsahu.

Otvorené váhy sú výhodou pre organizácie, ktoré potrebujú lokálnu kontrolu a možnosť auditu. Zároveň však politika napísaná v prirodzenom jazyku nemusí byť automaticky presná ani právne správna. Dve podobne znejúce otázky môžu viesť k rozdielnym hraniciam rozhodovania. Prevádzkovateľ preto potrebuje testovaciu množinu vlastných príkladov, prahové hodnoty prispôsobené riziku a odvolací proces pre nesprávne zablokovaný obsah.

Pre slovenské médiá, e-shopy, školy a komunitné platformy môže byť zaujímavá najmä kombinácia textu a obrazu. Veľká časť dnešného škodlivého obsahu totiž nevzniká iba v texte: význam môže byť ukrytý v titulku, meme obrázku alebo spojení fotografie s komentárom. Otvorený model poskytuje stavebný blok, nie hotovú moderátorskú politiku.

Cloudflare ukazuje agentov ako súčasť softvérovej továrne

Cloudflare opísalo, ako pri projekte Astro využilo izolovaných AI subagentov na overovanie hlásení chýb, reprodukciu problémov a kontrolu opráv. Podľa firmy sa počet otvorených hlásení znížil o 85 percent, z viac ako dvesto približne na tridsať. Agenti bežali v GitHub Actions a jednotlivé kroky boli oddelené, aby jeden všeobecný agent nemal nekontrolovaný prístup k celému procesu.

Takýto prístup ukazuje praktickejší obraz AI programovania než predstava, že model samostatne vytvorí celý produkt. Veľkú hodnotu môže mať už automatizácia úzkych, opakovateľných činností: skontrolovať, či je chyba stále reprodukovateľná, pripraviť minimálny príklad, spustiť testy, navrhnúť opravu a vytvoriť náhľad pre správcu projektu. Človek pritom zostáva zodpovedný za prijatie zmeny.

Cloudflare v ďalšom texte predstavilo interný systém technických štandardov označený ako Cloudflare Codex. Nejde o programovací model rovnakého mena, ale o riadený súbor štruktúrovaných pravidiel a RFC dokumentov, ktoré agenti používajú pri kontrole kódu, špecifikácií a incidentných správ. Cieľom je presadiť konzistentné technické požiadavky počas celého vývojového cyklu, nie až pri záverečnom manuálnom audite.

Pre slovenské vývojové tímy je dôležitá myšlienka, že agent potrebuje systémový zdroj pravidiel. Ak organizácia nemá aktuálne bezpečnostné štandardy, architektonické rozhodnutia a vlastníkov jednotlivých pravidiel, AI iba zrýchli nekonzistentný proces. Najprv treba pripraviť kvalitné interné dokumenty, verziovanie, výnimky a mechanizmus spätnej väzby. Až potom má zmysel očakávať, že ich agent bude spoľahlivo presadzovať.

Uvedené zníženie backlogu je navyše prípadová štúdia jedného open-source projektu, nie univerzálna garancia. Výsledok môže závisieť od kvality testov, štruktúry repozitára, typu hlásení aj od dostupnosti správcov. Napriek tomu ide o konkrétny signál, že agentické systémy sa presúvajú od demonštrácií k merateľným prevádzkovým úlohám.

NIST a DOE spájajú AI s výrobou a kritickou infraštruktúrou

Americký NIST a Office of Science pri ministerstve energetiky podpísali memorandum o spolupráci v rámci iniciatívy Genesis Mission. Cieľom programu je pomocou AI zvýšiť produktivitu a dosah americkej vedy a techniky. Spolupráca má zahŕňať biotechnológie, kvantovú vedu, návrh materiálov, výrobu a kybernetickú bezpečnosť.

NIST plánuje dve konkrétne dvojročné iniciatívy. Prvá sa zameria na autonómnych agentov, robotiku s človekom v rozhodovacej slučke a zvýšenie produktivity výroby. Súčasťou má byť projekt, ktorého cieľom je za dva roky desaťnásobne zvýšiť kapacitu výroby dronov pre civilné a vojenské použitie. Druhá iniciatíva sa sústredí na agentov pre veľmi rýchlu detekciu a nápravu kybernetických hrozieb v energetike, telekomunikáciách, vodárenstve, financiách a zdravotníctve.

Oznámenie je zatiaľ rámcom a deklaráciou cieľov, nie dôkazom dosiahnutých výsledkov. Zostávajú otvorené otázky o metrikách, obstarávaní, bezpečnostných skúškach a rozdelení zodpovednosti medzi automatizované systémy a ľudských operátorov. Pri kritickej infraštruktúre môže chybná automatická náprava spôsobiť podobne vážny problém ako útok, ktorý sa snaží zastaviť.

Pre Slovensko je téma relevantná napriek americkému kontextu. Priemyselná výroba, energetika a automobilový dodávateľský reťazec patria medzi oblasti, kde môže mať AI výrazný hospodársky účinok. Zároveň ide o prostredia s dlhým životným cyklom zariadení, prísnymi bezpečnostnými požiadavkami a kombináciou starých a nových systémov. Zavádzanie agentov tu bude vyžadovať simulácie, oddelené testovacie prostredia, možnosť okamžitého zastavenia a jasné kompetencie operátorov.

Spoločný kontext: výkon už nestačí

Správy zo 4. augusta spája posun od samotného modelu k celému systému. LFM2.5-2.6B rieši miesto a cenu prevádzky. Amazon Bedrock pridáva aktuálne webové informácie. Shieldstral poskytuje prispôsobiteľnú kontrolnú vrstvu. Cloudflare ukazuje, ako agentov rozdeliť na ohraničené úlohy a napojiť ich na interné štandardy. NIST a DOE skúšajú preniesť rovnaké princípy do výroby a kritickej infraštruktúry.

Pre organizácie z toho vyplýva jednoduché, ale náročné pravidlo: nasadenie AI nemožno hodnotiť iba podľa kvality odpovede modelu. Treba merať celý proces vrátane pôvodu dát, oprávnení nástrojov, ceny, latencie, chybových stavov, bezpečnostných filtrov a možnosti ľudského zásahu. Benchmark výrobcu môže pomôcť pri prvom výbere, no nenahrádza testovanie na slovenských dátach a v konkrétnom pracovnom postupe.

Najväčšia príležitosť nemusí spočívať v jednom univerzálnom agentovi. Pravdepodobnejšia je kombinácia malého lokálneho modelu pre citlivé alebo časté úlohy, výkonnejšieho cloudového modelu pre zložité prípady, nástrojov na získavanie aktuálnych informácií a samostatnej bezpečnostnej vrstvy. Nad tým všetkým musí zostať auditovateľný proces a človek, ktorý nesie zodpovednosť.

Neistoty sú stále významné. Väčšina zverejnených čísel pochádza od samotných dodávateľov, výkon v slovenčine nemusí kopírovať anglické benchmarky a nové ochranné modely budú čeliť obchádzaniu pravidiel. Práve preto sú však dôležité dnešné oznámenia: ukazujú, že konkurenčný boj v AI sa presúva od veľkosti modelov ku kvalite celej prevádzkovej architektúry.

Redakcia AI Feed