Úzkým hrdlem AI transformace nejsou modely, ale lidé

Dva roky se všichni honili za nejlepším modelem. Teď se ukazuje, že přístup k modelu nikdy nebyl ten problém.

Headhunterská firma Christian & Timbers ve studii sdílené exkluzivně s TechCrunch odhaduje, že v USA existuje jen zhruba 2 000 inženýrů se správnou kombinací znalosti odvětví, důvěryhodnosti a praktických zkušeností s nasazováním AI, kteří dokážou firmám spolehlivě přinést návratnost investic do AI. Ne 2 000 dostupných. 2 000 celkem.

Řeč je o takzvaných forward-deployed engineers (inženýrech nasazených přímo u klienta). Jsou to lidé, kteří pracují uvnitř organizace zákazníka a stavějí, integrují a nasazují AI do reálných pracovních procesů. Tento koncept před lety vymyslel Palantir.

Čísla ze studie jsou strmá. Výzkum vychází z rozhovorů s více než 250 vedoucími pracovníky odpovědnými za nábor napříč 180 firmami, z průzkumu mezi 80 manažery z Fortune 500 a z rozhovorů s více než 300 FDE od ledna do června 2026. Na začátku roku plánovalo nabírat FDE jen 5 až 10 % firem, většinou na malé pilotní projekty. Do konce druhého kvartálu to vyskočilo na 70 %. Největší poradenské firmy hlásí potřebu zdesetinásobit počet FDE a sestavit celé týmy o 20 až 100 lidech.

„Děje se to tempem, jaké jsem nikdy neviděl. Firmy nabírají uprostřed léta,“ říká zakladatel C&T Jeff Christian. Poptávka po těchto specialistech má podle studie do konce roku vzrůst o 2 100 %.

• •

Proč to najednou hoří? Protože přichází zúčtování. Christian to říká bez obalu: letos na podzim Wall Street firmám řekne, že dostaly dva roky na to, aby z AI vytěžily návratnost, a nepodařilo se jim to. Kdo utratil stovky milionů až miliardy bez výsledku, bude potrestán. Kdo ukáže ROI, bude odměněn.

Na trhu je dnes zhruba 17 000 amerických FDE, přičemž velká část z nich už pracuje pro Palantir. Někteří klienti údajně kupují technologii Palantiru jen proto, aby se dostali k jeho inženýrům. Elitních specialistů, kteří skutečně přinesou návratnost v desítkách milionů dolarů, je jen zlomek. Jak to shrnul Chris Taylor, šéf firmy Ode with Anthropic: mnoho FDE vám pomůže rozšířit Claude Code po firmě, ale jen málokdo dokáže postavit vlajkovou AI funkci vašeho produktu.

Proto si také OpenAI a Anthropic založily vlastní servisní odnože, OpenAI Deployment Company a Ode with Anthropic, plné FDE. Firmy z pojišťovnictví, fintechu, zdravotnictví i gamingu si však raději budují vlastní interní týmy. Obávají se, že pokud předají své proprietární procesy dodavateli AI, začne s nimi později soutěžit.

Co si z toho odnést? Nákup nejlepšího modelu není strategie. Návratnost vzniká až tam, kde někdo zná váš byznys a dokáže AI zapojit do konkrétního procesu. Pokud tuto schopnost nemáte interně, budete o ni soupeřit s Fortune 500 na trhu, kde je nabídka směšně malá. Začněte budovat interní know-how hned, než vás cena talentu převálcuje.

Microsoft sází na levné specializované modely místo honby za frontierem

Mustafa Suleyman posouvá Microsoft AI jiným směrem, než jakým se ubírají OpenAI a Anthropic. Namísto jednoho univerzálního modelu firma trénuje malé, úzce zaměřené modely a dělá z efektivity tokenů konkurenční zbraň.

Nejnovější kyberbezpečnostní model MAI-Cyber-1-Flash podle The Decoder vede benchmark CyberGym o 12 procentních bodů před modelem Anthropicu, a to za poloviční cenu. Háček: výsledek stojí na systému MDASH, který orchestruje více modelů a nejtěžší úlohy stále posílá reasoning modelům OpenAI. Model MAI-Image-2.5-Flash údajně snižuje náklady na GPU až o 84 % oproti GPT-Image-2.

Pointou je posun těžiště. Soutěž se přesouvá od jednotlivých modelů k „harnessům“, tedy softwaru, který směruje úlohy a dodává kontext. Orchestrátor pošle většinu práce levným specialistům a frontierové modely nechá jen na náročné případy. Podobně stavěli Anthropic kolem Claude Fable 5 i Sakana kolem Fugu. Otázka, zda malé modely MAI dokážou OpenAI skutečně nahradit, zůstává otevřená.

Bývalý výzkumník OpenAI sází na 100 miliard dolarů v tréninkových datech

Andrew Ho odchází z OpenAI po osmi měsících s přesvědčením, že velké jazykové modely špatně generalizují. Podle The Decoder je kořenem problému nedostatek dat. Většina ekonomicky hodnotných dovedností je v existujících datasetech zastoupena jen minimálně.

Samotné škálování to podle něj nevyřeší. Ho očekává, že AI laboratoře budou muset v nejbližších letech utratit více než 100 miliard dolarů za cílený sběr dat. Jeho startup míří na dvě oblasti: datasety pro komplexní vědecké analýzy v bioinformatice, kde i model GPT-5.6 Sol dosahuje úspěšnosti jen kolem 30 %, a datasety pro běžnou laboratorní práci.

Jeho skepsi sdílí cambridgeský výzkumník Adam Hunt. Tvrdí, že nejnovější modely nejsou univerzálnější, ale specializovanější. Programování a náročná matematika se zlepšují, zatímco jazyková kvalita a jednoduchá logika stagnují nebo se zhoršují. Důvod: reinforcement learning funguje tam, kde existuje jasný signál odměny a kompletní data, například u kódu. Jinde tato data jednoduše nejsou. Hunt své tezi věří jen na 40 %.

DeepSeek chystá gigawattové datové centrum ve Vnitřním Mongolsku

Zatímco část odvětví pochybuje o čistém škálování, čínský DeepSeek staví. Firma plánuje datové centrum s výkonem 1 GW ve Vnitřním Mongolsku, přičemž část kapacity má být online do konce roku 2027.

Je to další signál, že závody o výpočetní výkon v Číně nepolevují. Levné a stále schopnější open-weight modely od čínských hráčů, jako jsou Qwen nebo Kimi, zároveň přímo tlačí na ziskovost frontierových laboratoří na Západě. Ty musí sypat rostoucí částky do nových modelů jen proto, aby si udržely náskok. DeepSeek k tomu přidává vlastní infrastrukturu, takže roste jeho nezávislost na západních dodavatelích výpočetní kapacity. Pro firmy mimo Čínu to znamená jediné: konkurenční tlak na ceny modelů bude tvrdší, ne mírnější.

Co ještě stojí za přečtení?

  • Google tvrdí, že díky AI opravil během jednoho červnového cyklu více chyb v Chrome než za předchozí dva roky dohromady (TechCrunch).
  • Okta kupuje AI bezpečnostní startup Permiso za přibližně 200 milionů dolarů, aby dokázala zabezpečit „nelidské“ identity AI agentů (TechCrunch).
  • Britský AI neocloud Nscale kupuje Anyscale, aby ovládl větší část výpočetního stacku pro AI (TechCrunch).
  • Google tvrdí, že GKE Agent Sandbox dokáže snížit náklady na jednoho AI agenta až o 75 % (Google Cloud).
  • Navzdory boomu AI LinkedIn příští rok nerozšíří datová centra a místo toho tlačí na inženýry, aby využili každou GPU naplno (Wired).
  • Startup Dili získal 21,7 milionu dolarů na AI compliance pro infrastrukturní boom, kolo vedl Khosla Ventures (TechCrunch).

Na závěr

Téma dne má fyzické pokračování. Christian z C&T předpovídá, že se střednědobě poptávka po FDE přesune od podnikové AI k fyzické AI, tedy k nasazování humanoidních robotů do procesů. A tam znovu narazíme na stejné úzké hrdlo, kterým jsou data.

Německý startup Shift, divize Microagi, to řeší doslova. Posílá lidem domů soukromé kuchaře s kamerou na kšiltovce. Za oběd zdarma natáčejí z pohledu první osoby pohyby rukou při krájení, vaření i uklízení. Jak popsal reportér Wired, který si nechal natočit vlastní kuchyň, internet poskytl jazykovým modelům text, ale srovnatelný oceán egocentrických videí pro roboty neexistuje. Proto je vnitřek vašeho bytu najednou tak cenný, že vám za něj někdo pošle kuchaře na celý den. Návratnost z AI tedy stále více stojí na lidech. Jednou v podobě inženýrů, jindy v podobě neplacených učitelů strojů.

A teď to pojďme využít.