AI firmy zisťujú, že prístup k modelu môže zmeniť vlastník

Prístup k modelu môže zmeniť vlastnícka štruktúra používateľa

Podľa zadania tejto správy chce OpenAI od novembra ukončiť poskytovanie modelov Cursoru po jeho akvizícii spoločnosťou SpaceX. V dodaných podkladoch však chýba odkaz na primárne vyjadrenie OpenAI, Cursoru alebo SpaceX. Preto túto informáciu neuvádzam ako potvrdený fakt, ale ako tvrdenie, ktoré si vyžaduje ďalšie overenie.

Aj neoverený prípad však ukazuje praktický problém. Produkt môže mať vlastnú značku, používateľov a distribúciu, no najdôležitejšia časť služby môže patriť niekomu inému. Ak dodávateľ modelu zmení podmienky podľa vlastníka, typu zákazníka alebo licencie, zmena zasiahne dostupnosť funkcie, cenu, výkon aj termín dodania.

Pre bežnú stredoeurópsku firmu je to podobné ako postaviť výrobnú linku na stroji, ktorý si prenajímate od konkurenta. Kým nájom trvá, všetko funguje. Keď sa zmení zmluva alebo obchodná stratégia vlastníka, technický tím môže iba sledovať, ako sa mení roadmapa.

Pri API službách preto nestačí pozerať na cenu za milión tokenov. Treba poznať podmienky ukončenia, povolené použitie, export dát, náhradný model a čas potrebný na migráciu. Zmluva bez migračného scenára je skôr nádej než prevádzkový plán.

Čo si z toho zobrať? Pred nasadením cudzieho modelu si spíšte, čo sa stane pri vypovedaní služby, zmene vlastníka alebo zákaze konkrétneho použitia. Pre slovenskú a českú firmu je to úloha pre IT, právnika aj nákup, nie iba pre človeka, ktorý vybral API.

Dve čínske laboratóriá nezávisle skončili pri takmer rovnakom návrhu

Výskum MarkTechPost porovnal modely GLM-5.3-Flash od Z.ai a Qwen3.8-Flash-Next od tímu Alibaba Qwen. Obe laboratóriá ich navrhli samostatne, no použili nápadne podobné stavebné princípy.

V oboch prípadoch tvoria približne tri štvrtiny vrstiev lacnejšie lineárne mechanizmy pozornosti. Zvyšné vrstvy používajú presnejšie vyhľadávanie v dlhom kontexte. Modely zároveň komprimujú históriu a pri pozornosti si vyberajú najviac 2 048 tokenov. Namiesto jedného reziduálneho prúdu používajú štyri riadené vetvy.

GLM-5.3-Flash má 320 miliárd parametrov, pričom na jeden token aktivuje 18 miliárd. Qwen uvádza 125 miliárd parametrov hlavného modelu a 6 miliárd aktívnych parametrov na token. Cieľom je znížiť výpočtové náklady bez opustenia dlhého kontextu.

Rozdiel sa objavil pri pozičnom kódovaní, teda pri spôsobe, ktorým model vie, kde sa token v texte nachádza. GLM ho v sparse vrstvách vynecháva. Qwen ho ponechal, pretože bez neho sa po dodatočnom trénovaní model niekedy nevedel zastaviť.

Článok zároveň upozorňuje na rozdiel medzi tvrdeniami laboratórií a nezávislým overením. Napríklad Z.ai uvádza porovnanie s inými modelmi na benchmarkoch, no to ešte nehovorí, ako sa systém správa pri konkrétnych firemných dátach.

Čo si z toho zobrať? Pri výbere modelu nesledujte iba počet parametrov. Pre firemné nasadenie rozhoduje cena inferencie, pamäť, latencia, licenčné podmienky a správanie po doladení na vašich úlohách.

Google oddeľuje rýchly prepis od auditovateľného prepisu

Google uviedol Gemini 3.5 Transcribe v dvoch podobách. MarkTechPost opisuje Interactions API pre nahraté súbory a Live API pre obojsmerný stream.

Google uvádza priemernú chybovosť slov 2,6 % pri nahratých súboroch a 4,0 % pri streamovaní. Systém má automaticky rozpoznávať viac ako 85 jazykov vrátane prepínania medzi jazykmi v jednej vete. Priemerný čas do finálneho prepisu sa má oproti Chirp 3 skrátiť o 70 %.

Rozdiel medzi rozhraniami je praktickejší než samotné číslo presnosti. Live verzia ponúka nízku latenciu, ale nemá diarizáciu hovoriacich ani časové značky jednotlivých slov. Nahraté súbory tieto funkcie ponúkajú, no pri ich zapnutí sa maximálna dĺžka znižuje z jednej hodiny na 30 minút.

Google zároveň rozlišuje režim verbatim, ktorý zachováva výplňové slová a opravy, a režim smart, ktorý reč čistí. Smart sa nedá kombinovať s diarizáciou ani časovými značkami.

Čísla treba čítať opatrne. Hodnota 2,6 % pochádza z merania Artificial Analysis a popis služby obsahuje aj tvrdenia výrobcu. Výsledok na kontrolovanom benchmarku nie je automaticky presnosť pri slovenskej alebo českej zákazníckej linke, hlučnej prevádzke či odborných názvoch.

Čo si z toho zobrať? Najprv si vyberte, či potrebujete okamžitú reakciu, alebo právne použiteľný záznam. Jedno rozhranie vám nemusí dať oboje a vlastný slovník, mená aj prízvuky treba otestovať ešte pred nákupom.

Čo ešte stojí za prečítanie?

• Microsoft chce s filipínskym ministerstvom školstva sprístupniť AI nástroje až 1 miliónu učiteľov, čo ukazuje, že nasadenie bude organizačný problém rovnako ako technologický Microsoft Source.
• Meta upravila AI okuliare tak, aby zakrytie kontrolky zastavilo nahrávanie, no Ars Technica upozorňuje, že tým sa otázka súkromia nekončí.
• Waymo podľa Fast Company nasadzuje čínske elektromobily v robotaxi službách v San Franciscu, Los Angeles a Phoenixe.
• Výskum Apple Machine Learning Research tvrdí, že jazykové modely svoje pravdepodobnostné presvedčenia neaktualizujú konzistentne podľa bayesovských pravidiel.
• Rámec tímu z MIT zámerne hľadá proteínové sekvencie, ktoré sa nepodobajú tým prirodzene sa vyskytujúcim.

Čo si o tom myslím a čo z toho plynie pre firmy

Názor

Pri príbehu Cursoru by som bol s definitívnym verdiktom opatrný. V podkladoch chýba primárne potvrdenie a z neoverenej správy sa nemá robiť istota. Mechanizmus mi však pripadá úplne realistický. Firmy si často kupujú API ako hotovú infraštruktúru, no správajú sa, akoby kupovali vlastníctvo technológie. To sú dve odlišné veci.

Zmena vlastníka alebo obchodného vzťahu môže zmeniť podmienky aj bez jediného riadku v našom kóde. Preto považujem otázku „ktorý model je najlepší“ za druhoradú. Prvá otázka znie, ako z modelu odídem. Ak na ňu tím nevie odpovedať, nebuduje AI systém. Buduje závislosť s pekným dashboardom.

Dve čínske laboratóriá ukazujú aj inú stránku rovnice. Keď nezávislé tímy dospejú k podobnej architektúre, určitá časť technického know-how sa zrejme stáva bežným stavebným materiálom. Pre firmy to znamená, že výhoda nemusí byť v samotnom názve modelu. Môže byť v dátach, integrácii, meraní a pracovnom procese, ktorý konkurencia nevidí.

Podobný omyl vidím pri výkone prepisu. Google uvádza nízku chybovosť, ale firemné rozhodnutie sa nemá opierať o jedno priemerné číslo. Pri zákazníckej podpore môže byť chyba v mene produktu drahšia než desať menej presných slov v bežnej vete. Benchmark je začiatok testu, nie jeho koniec.

Dôsledok pre slovenskú a českú firmu

Pre slovenskú a českú firmu z toho vyplýva konkrétna zmena v nákupe. Pri každom externom modeli si vytvorte jednostranový register závislostí. Má obsahovať poskytovateľa, model, účel, typ odosielaných dát, cenu, maximálnu tolerovanú latenciu a náhradnú cestu.

Technický tím má raz za štvrťrok overiť, či sa dá kľúčová funkcia prepnúť na druhého poskytovateľa. Nemusí ísť o plnú paralelnú prevádzku. Stačí testovací adaptér, jednotný formát vstupu a sada vlastných príkladov. Takto sa migrácia nestane projektom na tri mesiace v momente, keď dodávateľ pošle nepríjemný e-mail.

Pri prepise hovorov by mal produktový tím oddeliť živé použitie od archivácie. Live API môže obslúžiť okamžitú asistenciu operátora. Nahratý súbor s diarizáciou môže slúžiť na kontrolu kvality a reklamácie. Tieto prípady majú odlišné technické aj právne nároky.

Na Slovensku aj v Česku treba riešiť ochranu osobných údajov, zmluvné spracovanie dát a uchovávanie nahrávok. Konkrétne právne povinnosti sa môžu líšiť podľa krajiny a sektora, no technický základ je rovnaký: vedieť, čo posielate von, načo to používate a ako službu vypnete.

Najbližší horizont je jeden týždeň na inventúru a jeden mesiac na záložný test. Náklad bude pravdepodobne menší než cena núdzovej migrácie po oznámení dodávateľa. Úspora sa však prejaví iba vtedy, keď niekto register udržiava. Dokument, ktorý po vytvorení nikto neotvorí, je len sofistikovanejšia forma zabudnutia.

To isté platí pre AI projekty, ktoré sa zastavia pri prezentácii. Model môže mať pôsobivé skóre a stále nepriniesť firme nič, ak nemá vlastníka procesu, rozpočet na prevádzku a pravidlo pre chyby. Výsledkom nie je model na papieri. Výsledkom je funkcia, ktorá každý deň šetrí čas alebo peniaze.

Čo si z toho zobrať? AI stratégia firmy má obsahovať plán odchodu, vlastné testovacie dáta, rozdelenie živých a archívnych použití aj pravidelnú kontrolu dodávateľov. Tým sa z technickej novinky stane prevádzkovateľný systém, nie jednorazový pilot.

Na záver

Článok v Nature o tom, čo zamestnávatelia hľadajú od ľudí, ktorí nechcú zostať iba pri používaní ChatGPT, smeruje k triezvej pointе. Hodnota človeka nebude v tom, že vie otvoriť chat. Bude v tom, že vie problém rozložiť, pripraviť dáta, skontrolovať výsledok a dostať riešenie do každodennej práce.

To je menej efektné než ukážka nového modelu. Firmám to však zarába peniaze. A účtovníctvo má pre efektnosť tradične slabosť iba vtedy, keď je na faktúre.

Výzva na AI implementáciu dňa

Do týždňa nasaďte jednoduchý register AI závislostí v Notion, Airtable alebo v zdieľanom Exceli. Každý záznam má obsahovať nástroj, model, vlastníka procesu, typ dát, mesačný náklad, náhradný nástroj a postup vypnutia.

Za dve hodiny ho vyplní IT spolu s marketingom, zákazníckou podporou a právnikom. Ďalšie dve hodiny venujte testu jednej náhradnej služby na desiatich reálnych, anonymizovaných vstupoch. Práca zostane najmä na pleciach človeka, ktorý dnes hľadá tieto informácie po e-mailoch a faktúrach.

Pri malej firme to ušetrí niekoľko hodín pri každej zmene dodávateľa a zníži riziko núdzovej migrácie. Najčastejšie to padne na neaktuálnom vlastníkovi záznamu, preto ku každej službe priraďte konkrétne meno.

Ešte tento týždeň si spíšte, od ktorého modelu by vaša firma nevedela odísť, a pripravte mu aspoň jednu náhradnú cestu.