Přístup k modelu může změnit vlastnická struktura uživatele

Podle zadání této zprávy chce OpenAI od listopadu ukončit poskytování modelů Cursoru po jeho akvizici společností SpaceX. V dodaných podkladech však chybí odkaz na primární vyjádření OpenAI, Cursoru nebo SpaceX. Proto tuto informaci neuvádím jako potvrzený fakt, ale jako tvrzení, které vyžaduje další ověření.

I neověřený případ však ukazuje praktický problém. Produkt může mít vlastní značku, uživatele a distribuci, ale nejdůležitější část služby může patřit někomu jinému. Pokud dodavatel modelu změní podmínky podle vlastníka, typu zákazníka nebo licence, změna zasáhne dostupnost funkce, cenu, výkon i termín dodání.

Pro běžnou středoevropskou firmu je to podobné, jako postavit výrobní linku na stroji, který si pronajímáte od konkurenta. Dokud nájem trvá, všechno funguje. Když se změní smlouva nebo obchodní strategie vlastníka, technický tým může jen sledovat, jak se mění roadmapa.

U API služeb proto nestačí sledovat cenu za milion tokenů. Je třeba znát podmínky ukončení, povolené použití, export dat, náhradní model a čas potřebný k migraci. Smlouva bez migračního scénáře je spíš naděje než provozní plán.

Co si z toho odnést? Před nasazením cizího modelu si sepište, co se stane při vypovězení služby, změně vlastníka nebo zákazu konkrétního použití. Pro slovenskou a českou firmu je to úkol pro IT, právníka i nákup, nejen pro člověka, který vybral API.

Dvě čínské laboratoře nezávisle dospěly téměř ke stejnému návrhu

Výzkum MarkTechPost porovnal modely GLM-5.3-Flash od Z.ai a Qwen3.8-Flash-Next od týmu Alibaba Qwen. Obě laboratoře je navrhly samostatně, použily však nápadně podobné stavební principy.

V obou případech tvoří přibližně tři čtvrtiny vrstev levnější lineární mechanismy pozornosti. Zbývající vrstvy používají přesnější vyhledávání v dlouhém kontextu. Modely zároveň komprimují historii a při pozornosti vybírají nejvýše 2 048 tokenů. Namísto jediného reziduálního proudu používají čtyři řízené větve.

GLM-5.3-Flash má 320 miliard parametrů, přičemž na jeden token aktivuje 18 miliard. Qwen uvádí 125 miliard parametrů hlavního modelu a 6 miliard aktivních parametrů na token. Cílem je snížit výpočetní náklady bez opuštění dlouhého kontextu.

Rozdíl se objevil u pozičního kódování, tedy způsobu, kterým model zjišťuje, kde se token v textu nachází. GLM ho v řídkých vrstvách vynechává. Qwen ho ponechal, protože bez něj se model po dodatečném trénování někdy nedokázal zastavit.

Článek zároveň upozorňuje na rozdíl mezi tvrzeními laboratoří a nezávislým ověřením. Například Z.ai uvádí srovnání s jinými modely na benchmarcích, to však ještě neříká, jak se systém chová u konkrétních firemních dat.

Co si z toho odnést? Při výběru modelu nesledujte jen počet parametrů. Pro firemní nasazení rozhodují náklady na inferenci, paměť, latence, licenční podmínky a chování po doladění na vašich úlohách.

Google odděluje rychlý přepis od auditovatelného přepisu

Google uvedl Gemini 3.5 Transcribe ve dvou podobách. MarkTechPost popisuje Interactions API pro nahrané soubory a Live API pro obousměrný stream.

Google uvádí průměrnou chybovost slov 2,6 % u nahraných souborů a 4,0 % při streamování. Systém má automaticky rozpoznávat více než 85 jazyků včetně přepínání mezi jazyky v jedné větě. Průměrný čas do finálního přepisu se má oproti Chirp 3 zkrátit o 70 %.

Rozdíl mezi rozhraními je praktičtější než samotné číslo přesnosti. Živá verze nabízí nízkou latenci, nemá však diarizaci mluvčích ani časové značky jednotlivých slov. Nahrané soubory tyto funkce nabízejí, při jejich zapnutí se však maximální délka snižuje z jedné hodiny na 30 minut.

Google zároveň rozlišuje režim verbatim, který zachovává výplňová slova a opravy, a režim smart, který řeč čistí. Smart nelze kombinovat s diarizací ani časovými značkami.

Čísla je třeba číst opatrně. Hodnota 2,6 % pochází z měření Artificial Analysis a popis služby obsahuje také tvrzení výrobce. Výsledek z kontrolovaného benchmarku automaticky neznamená přesnost u slovenské nebo české zákaznické linky, v hlučném provozu či u odborných názvů.

Co si z toho odnést? Nejprve si vyberte, zda potřebujete okamžitou reakci, nebo právně použitelný záznam. Jedno rozhraní vám nemusí poskytnout obojí a vlastní slovník, jména i přízvuky je třeba otestovat ještě před nákupem.

Co ještě stojí za přečtení?

  • Microsoft chce s filipínským ministerstvem školství zpřístupnit AI nástroje až 1 milionu učitelů, což ukazuje, že nasazení bude organizační problém stejně jako technologický Microsoft Source.
  • Meta upravila AI brýle tak, aby zakrytí kontrolky zastavilo nahrávání, Ars Technica však upozorňuje, že tím otázka soukromí nekončí.
  • Waymo podle Fast Company nasazuje čínské elektromobily v robotaxi službách v San Franciscu, Los Angeles a Phoenixu.
  • Výzkum Apple Machine Learning Research tvrdí, že jazykové modely své pravděpodobnostní přesvědčení neaktualizují konzistentně podle bayesovských pravidel.
  • Rámec týmu z MIT záměrně hledá proteinové sekvence, které se nepodobají přirozeně se vyskytujícím sekvencím.

Co si o tom myslím a co z toho plyne pro firmy

Názor

U příběhu Cursoru bych byl s definitivním verdiktem opatrný. V podkladech chybí primární potvrzení a z neověřené zprávy se nemá dělat jistota. Mechanismus mi však připadá zcela realistický. Firmy si často kupují API jako hotovou infrastrukturu, chovají se ale, jako by kupovaly vlastnictví technologie. To jsou dvě odlišné věci.

Změna vlastníka nebo obchodního vztahu může změnit podmínky i bez jediného řádku v našem kódu. Proto považuji otázku „který model je nejlepší“ za druhořadou. První otázka zní, jak z modelu odejdu. Pokud na ni tým nedokáže odpovědět, nebuduje AI systém. Buduje závislost s pěkným dashboardem.

Dvě čínské laboratoře ukazují i jinou stránku rovnice. Když nezávislé týmy dospějí k podobné architektuře, určitá část technického know-how se zřejmě stává běžným stavebním materiálem. Pro firmy to znamená, že výhoda nemusí být v samotném názvu modelu. Může být v datech, integraci, měření a pracovním procesu, který konkurence nevidí.

Podobný omyl vidím u výkonu přepisu. Google uvádí nízkou chybovost, firemní rozhodnutí se však nemá opírat o jediné průměrné číslo. U zákaznické podpory může být chyba v názvu produktu dražší než deset méně přesných slov v běžné větě. Benchmark je začátek testu, nikoli jeho konec.

Důsledek pro slovenskou a českou firmu

Pro slovenskou a českou firmu z toho vyplývá konkrétní změna v nákupu. U každého externího modelu si vytvořte jednostránkový registr závislostí. Má obsahovat poskytovatele, model, účel, typ odesílaných dat, cenu, maximální tolerovanou latenci a náhradní cestu.

Technický tým má jednou za čtvrtletí ověřit, zda lze klíčovou funkci přepnout na druhého poskytovatele. Nemusí jít o plný paralelní provoz. Stačí testovací adaptér, jednotný formát vstupu a sada vlastních příkladů. Migrace se tak nestane tříměsíčním projektem ve chvíli, kdy dodavatel pošle nepříjemný e-mail.

U přepisu hovorů by měl produktový tým oddělit živé použití od archivace. Live API může obsloužit okamžitou asistenci operátora. Nahraný soubor s diarizací může sloužit ke kontrole kvality a řešení reklamací. Tyto případy mají odlišné technické i právní nároky.

Na Slovensku i v Česku je třeba řešit ochranu osobních údajů, smluvní zpracování dat a uchovávání nahrávek. Konkrétní právní povinnosti se mohou lišit podle země a sektoru, technický základ je však stejný: vědět, co posíláte ven, proč to používáte a jak službu vypnete.

Nejbližší horizont je jeden týden na inventuru a jeden měsíc na záložní test. Náklady budou pravděpodobně nižší než cena nouzové migrace po oznámení dodavatele. Úspora se však projeví jen tehdy, když někdo registr udržuje. Dokument, který po vytvoření nikdo neotevře, je jen sofistikovanější forma zapomnění.

Totéž platí pro AI projekty, které skončí u prezentace. Model může mít působivé skóre a přesto firmě nic nepřinést, pokud nemá vlastníka procesu, rozpočet na provoz a pravidlo pro chyby. Výsledkem není model na papíře. Výsledkem je funkce, která každý den šetří čas nebo peníze.

Co si z toho odnést? AI strategie firmy má obsahovat plán odchodu, vlastní testovací data, rozdělení živého a archivního použití i pravidelnou kontrolu dodavatelů. Technická novinka se tak promění v provozovatelný systém, nikoli jednorázový pilot.

Na závěr

Článek v Nature o tom, co zaměstnavatelé hledají u lidí, kteří nechtějí zůstat jen u používání ChatGPT, směřuje k realistické pointě. Hodnota člověka nebude v tom, že umí otevřít chat. Bude v tom, že dokáže problém rozložit, připravit data, zkontrolovat výsledek a dostat řešení do každodenní práce.

To je méně efektní než ukázka nového modelu. Firmám to však vydělává peníze. A účetnictví má pro efektnost tradičně slabost jen tehdy, když je na faktuře.

Výzva k dnešní implementaci AI

Do týdne nasaďte jednoduchý registr AI závislostí v Notion, Airtable nebo ve sdíleném Excelu. Každý záznam má obsahovat nástroj, model, vlastníka procesu, typ dat, měsíční náklady, náhradní nástroj a postup vypnutí.

Za dvě hodiny ho vyplní IT společně s marketingem, zákaznickou podporou a právníkem. Další dvě hodiny věnujte testu jedné náhradní služby na deseti reálných, anonymizovaných vstupech. Práce zůstane především na bedrech člověka, který dnes tyto informace hledá v e-mailech a fakturách.

U malé firmy to ušetří několik hodin při každé změně dodavatele a sníží riziko nouzové migrace. Nejčastěji to ztroskotá na neaktuálním vlastníkovi záznamu, proto ke každé službě přiřaďte konkrétní jméno.

Ještě tento týden si sepište, od kterého modelu by vaše firma nedokázala odejít, a připravte pro něj alespoň jednu náhradní cestu.