Gemini ztrácí podíl mezi chatboty navzdory miliardě uživatelů

Google Gemini podle nových dat ztrácí používání ve prospěch ChatGPT a Clauda. Analýza magazínu The Decoder porovnala tři zdroje: Pangram, OpenRouter a Similarweb. Každý měří jinou část trhu. Přesto ukazují stejný směr.

Pangram sleduje modely prostřednictvím textů, které uživatelé odesílají k rozpoznání. V jeho datech klesl Gemini z 12 % v minulosti na 1,9 % v červenci 2026. OpenAI si od začátku měření každý měsíc drželo více než 50 %. Anthropic, tvůrce Clauda, vzrostl ze 4,3 % na 14,9 %. Růst se soustřeďuje především na technické a vědecké úlohy.

Similarweb ukázal poněkud jiný obrázek. Podíl webu Google se v posledním měsíci snížil z 27 % na 26,8 %. Před rokem přitom činil 9,4 %. Tato čísla nelze přímo porovnávat s Pangramem, protože Similarweb nezahrnuje mobilní aplikace a Pangram měří především psaní. OpenRouter má zase sklon k otevřeným modelům.

Google tvrdí, že aplikaci Gemini používá miliarda lidí měsíčně. Monthly active users, tedy měsíčně aktivní uživatelé, jsou však slabým signálem bez informace o frekvenci a kvalitě používání. Člověk může aplikaci otevřít jednou, stejně jako ji může používat každý den při práci.

To je první výhrada ke zprávě. Tři zdroje sice ukazují stejný trend, ale neměří jednotnou věc. Pangram navíc pokrývá úlohy, ve kterých Gemini tradičně zaostával za ChatGPT a Claudem. Z dat tedy můžeme vyčíst přesun používání v konkrétních kanálech. Nemůžeme z nich přesně vypočítat globální podíl všech chatbotů.

Co si z toho odnést? Pro slovenskou a českou firmu není podstatné, který chatbot vede v titulcích. Otestujte na vlastních úlohách tři modely, změřte cenu, přesnost a čas pracovníka a teprve potom rozhodněte, co bude firemním standardem.

AI u mamografie zůstává spíše druhým názorem než náhradou radiologa

Nástroje AI pro detekci rakoviny prsu zatím nenaplňují očekávání radiologů. Průzkum publikovaný v časopise Clinical Imaging oslovil 215 členů Society of Breast Imaging. Přibližně polovina již používá nástroje schválené americkým FDA a dalších 11 % je plánuje používat.

Rozdíl mezi očekáváním a realitou je výrazný. Méně opakovaných vyšetření hlásilo 35 % respondentů, ačkoli to očekávalo 59 %. Méně zbytečných biopsií zaznamenalo pouze 9 %, přičemž očekávání činilo 36 %. Snížení vyhoření uvedlo 29 % radiologů oproti původním 56 %.

Vedoucí autorka Joud Almogati z UC San Diego Health uvedla, že jen málokdo považuje AI za rozhodující faktor. Většina ji používá jako druhý názor. Největšími překážkami zůstávají cena a nedostatek podpory ze strany instituce.

Zdroj zároveň připomíná, že před deseti lety několik výzkumníků předpovídalo brzký konec práce radiologů. Realita je méně filmová. Nástroj může pomoci při rozhodování, ale nemění odpovědnost za diagnózu.

Co si z toho odnést? Pokud firma zavádí AI do zdravotnického nebo regulovaného procesu, měřte konkrétní výsledek, například dobu vyšetření, počet odvolání nebo chybovost. Samotné používání nástroje ještě neznamená přínos.

Microsoft zlevnil kódovací model, DeepSeek ho však překonal

Microsoft vydal MAI Code 1.1 Flash, model určený pro GitHub Copilot. Firma tvrdí, že model spotřebuje o 25 % méně tokenů a stojí čtvrtinu ceny svého červnového předchůdce. Uživatelé přijali o 4 % více jeho výstupů.

V porovnávacích testech však výsledek vypadá jinak. V testu SWE-bench Verified dosáhl MAI Code 1.1 Flash 72,6 %, zatímco DeepSeek-V4-Flash-0731 měl podle tabulky 82,7 %. V testu Terminal Bench 2.1 byl rozdíl ještě větší: MAI získal 62,9 % a DeepSeek 82,7 %.

Také cena hovoří ve prospěch DeepSeeku. MAI Code 1.1 Flash stojí 0,20 dolaru za milion vstupních tokenů a 1,20 dolaru za milion výstupních tokenů. DeepSeek uvádí 0,14 dolaru za vstup a 0,28 dolaru za výstup. U kešovaných vstupů je rozdíl ještě výraznější.

Porovnání však není zcela bez otazníků. Výsledky benchmarků nezachycují všechny firemní úlohy a cena tokenů není celkovou cenou provozu. Rozhoduje také spotřeba, latence, dostupnost, ochrana dat a náročnost integrace. Microsoft navíc ve svém oznámení zdůraznil zlepšení oproti vlastnímu předchůdci, nikoli přímé porovnání s DeepSeekem.

Co si z toho odnést? Při výběru kódovacího modelu neporovnávejte jen slevu oproti starší verzi. Na vzorku vlastních repozitářů změřte cenu dokončené úlohy, počet oprav a čas vývojáře.

Co ještě stojí za přečtení?

  • Kompromitovaný AI balíček podle Ars Technica připravil přibližně 2 500 uživatelů o přihlašovací údaje, což je další argument pro oddělené účty a rotaci tokenů.
  • Microsoft tvrdí, že MAI Code 1.1 Flash spotřebuje o 25 % méně tokenů, ale The Decoder ukazuje výrazný náskok DeepSeeku v testech i ceně.
  • Google u Pixelu 11 představil čtyři nové kamerové funkce včetně Magic Capture a Instant Night Sight, píše Wired.
  • Bezplatný ChatGPT má v roce 2026 neomezené textové zprávy, další funkce však zůstávají omezené, uvádí Engadget.
  • Automatizovaná AI newsroom podle Wired minulý týden přinesla jednu zprávu dříve než tradiční média včetně samotného WIRED.

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

Názor

U zpráv o poklesu Gemini bych byl opatrný s velkým slovem kolaps. The Decoder používá výraz „collapse“, ale zdrojová data měří rozdílné chování uživatelů. Pangram sleduje odeslané texty, OpenRouter používání modelů prostřednictvím konkrétního rozhraní a Similarweb návštěvnost webu. To není globální měřítko trhu. Přesto je tento směr dostatečně zajímavý. Pokud tři neidentická měření ukazují, že lidé používají Gemini méně, Google má problém s pravidelným pracovním využitím, nikoli nutně s povědomím o značce.

Můj závěr je jednoduchý. Firma nemá vybírat model podle loga, počtu oznámených uživatelů ani podle jediného benchmarku. OpenAI může držet více než polovinu měřeného trhu a Claude může růst v technických úlohách. To však ještě neznamená, že jeden z nich bude nejlepší pro vaše data, jazyk nebo proces.

U Microsoft MAI Code 1.1 Flash vidím stejnou lekci. Nižší cena oproti vlastnímu předchůdci zní dobře, ale pokud je model zároveň dražší a slabší než dostupná alternativa, úspora je jen marketingová jednotka. Cena tokenu není výsledkem. Výsledkem je dokončená úloha bez dalších hodin oprav.

Stejně tak odmítám představu, že AI v mamografii nebo jiném odborném procesu musí okamžitě nahradit člověka, aby měla smysl. Když ji radiologové používají jako druhý názor, stále může být užitečná. Jen je třeba měřit, zda skutečně snižuje čas, chybovost nebo počet zbytečných kroků. Technologie nemusí být autonomní, aby se vyplatila.

Důsledek pro slovenskou a českou firmu

Pro běžnou středoevropskou firmu z toho vyplývá změna nákupního procesu. Výběr nástroje AI by neměl končit prezentací dodavatele. Každý kandidát potřebuje stejnou testovací sadu. U zákaznické podpory to mohou být anonymizované e-maily, v marketingu historická zadání a při vývoji skutečné issues z repozitáře.

Majitel procesu, IT a finance by měli sledovat alespoň čtyři čísla: přesnost výstupu, čas kontroly člověkem, cenu jedné dokončené úlohy a počet selhání. Test může trvat dva týdny. Nemusí ho provádět datový tým. Stačí jasně definovaný proces, vzorek úloh a člověk, který dokáže říct, zda je výsledek použitelný.

Při kódování může MAI v ceníku vypadat levně, ale DeepSeek může po započtení oprav vyjít levněji. U textů může zase Gemini zvítězit díky integraci s firemním Google Workspace, i když v jiném měření prohrává. Rozhoduje celková cena vlastnictví, tedy licence, tokeny, kontrola, údržba, školení a riziko úniku dat.

Na Slovensku i v Česku spočívá praktický rozdíl především v dostupnosti lidí a podpory. Menší firma si nemůže dovolit systém, který musí každý týden ručně zachraňovat externí dodavatel. U zdravotnických aplikací a dalších regulovaných oblastí navíc nelze přenést odpovědnost na model. Potřebujete auditní stopu, pravidla pro práci s daty a člověka, který výstup schválí.

V horizontu jednoho měsíce se proto vyplatí vytvořit modelový zkušební provoz, nikoli firemní manifest o AI. Za tři měsíce bude vidět, který nástroj šetří čas a který jen vytváří další okno v prohlížeči. Pokud se ušetřené hodiny nevyužijí k vyřízení dalších zakázek, rychlejším odpovědím nebo odstranění administrativy, nejde o úsporu. Je to jen méně práce na stejném místě.

Co si z toho odnést? Zaveďte pro každý nástroj AI malý produkční test s vlastními daty, vlastníkem procesu a měřením ceny dokončené úlohy. Vítězem nemá být model s nejlepším sloganem, ale systém, který po měsíci funguje bez tiché manuální záchrany.

Na závěr

Google DeepMind zároveň ukázal, že AI nemusí sloužit pouze k rychlejšímu psaní nebo programování. Jeho model SL2T překládá znakový jazyk do textu. Trénoval na více než 100 000 hodinách dat z více než 50 znakových jazyků a při zpracování používá body na těle namísto uchovávání původního videa.

První verze míří na americký znakový jazyk a angličtinu. Tento detail je podstatný. Znakové jazyky nejsou angličtina převedená do rukou. Mají vlastní gramatiku a význam vytvářejí také pohyby obličeje, těla a prostoru. Technologie má smysl tehdy, když respektuje realitu uživatelů, nikoli když ji zjednoduší na marketingovou ukázku.

Výzva k implementaci AI dne

Do jednoho týdne nasaďte interní srovnávací tabulku pro modely AI. Vyberte 20 anonymizovaných úloh z podpory, marketingu nebo vývoje. Každou úlohu pošlete přes dva až tři dostupné modely a zapište cenu, dobu odpovědi, čas kontroly a počet oprav. Stačí Google Sheets spolu s exportem z používaných rozhraní nebo jednoduchá automatizace v Make.

Tento krok zabere část práce vedoucímu IT a člověku, který dnes ručně porovnává výstupy. První verzi lze spustit za 2 až 4 hodiny a každý měsíc může ušetřit několik hodin rozhodování při nákupu licencí. Nejčastěji to ztroskotá na tom, že tým porovnává efektní ukázky namísto vlastních úloh.

Vyberte dnes vzorek úloh a do pátku budete mít první čísla, nikoli další názor na interním meetingu.