Umělá inteligence žila posledních pár let v podivné dualitě. Na povrchu to vypadalo kouzelně – konverzační systémy, generátory obrázků, kopiloti, kteří jako by rozuměli. Pod tím se podniky potýkaly se střízlivější realitou: halucinace, křehké pracovní postupy, rizika správy a systémy, které působivě fungují v ukázkách, ale pokulhávají v měřítku.
V mém nedávném rozhovoru s Dwarak Rajagopal, vedoucí výzkumu AI ve společnosti Snowflake, co vyniklo, nebyl optimismus nebo skepse, ale zralost. Umělá inteligence, navrhl, se konečně dostává ze svého dospívání. A budoucí změny v roce 2026 budou méně o větších modelech a více o tom, jak je inteligence strukturována, ověřována a distribuována.
Jedním z nejdůslednějších probíhajících posunů je tichá eroze monopolní moci v nadačních modelech. Po většinu současného cyklu umělé inteligence dominovala hrstka společností narativu, kapitálu a schopnostem kolem velkých modelů. Ale pan Rajagopal poukázal na kritickou inflexi: těžiště se přesouvá z předtréninku do potréninku.
Největší průlomy již nepocházejí z pouhého škálování parametrů, ale z toho, jak jsou modely zdokonalovány pomocí specializovaných, vysoce kvalitních dat. To otevírá dveře pro modely základů s otevřeným zdrojovým kódem, které lze přizpůsobit, vyladit a nasadit pro specifické potřeby podniku.
Oslabující se přilnavost několika obrů AI
V roce 2026 to zásadně oslabí přilnavost několika gigantů AI a umožní distribuovanější inovační ekosystém, kde startupy, výzkumníci a podniky staví spíše na sdílených základech než na proprietárních silech.
Tento posun má hluboké důsledky pro to, jak je zpravodajství rozmístěno uvnitř organizací. Podniky nepotřebují obecnou inteligenci; potřebují kontextovou inteligenci. Potřebují systémy, které rozumí jejich datům, jejich pracovním postupům a jejich omezením. Open source modely v kombinaci s podnikovými datovými platformami to umožňují. S umělou inteligencí se již nezachází jako s orákulem. Zachází se s ním jako s infrastrukturou.
Další hlavní hranicí podle pana Rajagopala nebude další skok ve schopnosti surového modelu, ale pokrok v agentní AI, poháněný vylepšeními kontextových oken a paměti.
Dnešní modely zůstávají omezeny pracovní pamětí. Jsou výkonné v jednotlivých interakcích, ale křehké při dlouhých, vícestupňových úkolech. V roce 2026 se inovace zaměří na to, aby agenti měli trvalou paměť, která jim umožní uchovat si delší kontexty, učit se z předchozích akcí a pracovat v prodloužených časových osách.
To umožní systémům umělé inteligence posunout se od reaktivní pomoci k trvalému řešení problémů a podporovat složité obchodní procesy spíše než izolované dotazy.
Automatizace nebude tak snadná
Autonomie však přináší riziko. Jednou z největších překážek dnešního nasazování agentních systémů je hromadění chyb. Drobné chyby se prolínají ve vícestupňových pracovních postupech a nutí podniky spoléhat se na lidský dohled jako na záchrannou síť.
Názor pana Rajagopala je, že tato závislost se nezvýší. Průlom přijde ze sebeověření. Namísto vkládání lidí do každé smyčky vyvinou systémy AI mechanismy vnitřní zpětné vazby. Budou schopni posoudit, ověřit a opravit své vlastní výstupy.
Tito agenti „automatického posuzování“ budou znamenat posun od automatizace pod dohledem k samoregulačním systémům, díky čemuž budou rozsáhlé a spolehlivé pracovní postupy agentů životaschopné pro podnikové použití. Tento vývoj schopností umělé inteligence nevyhnutelně přebuduje i lidskou stránku technologie.
Instalatérské organizační hierarchie
Jedním z nejvýraznějších důsledků, které pan Rajagopal nastínil, je to, jak AI předefinuje samotnou hierarchii softwarového inženýrství. Jak agenti převezmou rutinní kódování a opakující se úkoly, tradiční žebříček, ve kterém junioři zvládají nízkoúrovňovou implementaci a senioři navrhují systémy, se rozostřou.
Mladší inženýři budou vytlačeni nahoru a budou dříve pracovat na infrastruktuře, integraci a myšlení na úrovni systému. Starší inženýři se mezitím stanou orchestrátory, kteří navrhují architektury, mentorují týmy a zajišťují efektivní spolupráci lidí a systémů AI.
To si vynutí přehodnotit vzdělávání v oblasti informatiky, profesní dráhu a to, co znamená „být na zkušenosti“ ve světě, kde je provádění stále více automatizováno.
Tím vším je protkán geopolitický spodní proud. Americký styl vývoje umělé inteligence je stále více korporativní a uzavřený, řízen rozsahem, kapitálovou náročností a vlastnickou výhodou. Čína se naopak více přiklání k akademickým a open source přístupům, integruje výzkum a státem podporované ekosystémy.
Indie na křižovatce
Indie mezitím stojí na křižovatce. Má talent, data a měřítko. Jeho pozice v globálním závodě AI však bude záviset na tom, zda investuje do otevřených základů, podnikových datových systémů a dovedností, které jdou nad rámec rychlého inženýrství a do systémového myšlení.
Obraz, který se objevuje, není obrazem prchavé inteligence, ale disciplinované inteligence. Enterprise AI v roce 2026 bude méně o podívané a více o spolehlivosti. Méně o izolovaných modelech a více o systémech. Méně o člověku ve smyčce jako o berličce a více o sebeověřovacích agentech navržených pro důvěru.
Jestliže poslední fáze umělé inteligence byla o dokazování toho, co stroje dokážou, další fáze bude o dokazování toho, co s nimi mohou organizace postavit. To, kdo skutečně vede ve věku umělé inteligence, určí více než velikost modelu nebo srovnávací hodnocení.
Publikováno – 24. prosince 2025 09:21 IST
