Jedním z jemných důvodů, proč bude velikost trhu s AI Agents větší, než si uvědomujeme, je mnoho případů použití, kdy je užitečné provozovat více agentů paralelně k vyřešení stejného problému. To nebylo nikdy možné u většiny vědomostních prací dříve. Bylo by prostě neúnosné vrhnout na stejný problém více lidí. Ale protože jsme dramaticky snížili náklady na nasazení inteligence, můžete si dovolit mít větší redundanci a posuzovat věci z ještě více úhlů. Tyto příklady již vidíme v řadě oblastí. Lidé používají agenty pro kontrolu kódu AI na stejné změny kódu, aby nabídli jemné rozdíly v analýze. Totéž by platilo pro bezpečnostní agenty, kteří kontrolují kód, kde je pouze větší hodnota v dodatečném pokrytí. V úlohách hloubkového výzkumu je často užitečné mít paralelně spuštěno více výzev pro porovnání různých přístupů. A můžeme očekávat, že se to projeví v mnoha dalších oblastech, kde více různých pohledů nabízí přírůstkovou hodnotu pracovního postupu, jako je právní práce, zdravotnictví, finanční analýza, vědecký výzkum, nápady na produkty, tvorba marketingového obsahu a další. To je důvod, proč je nemožné odhadnout celý TAM mnoha z těchto trhů. Pokud byste si mysleli, že agenti pouze přibližně k tomu, jak pracujeme dnes, 1:1, bylo by snadné přehlédnout všechny způsoby, jakými budeme agenty používat ve workflow. To je důvod, proč tyto trhy nemají v budoucnu žádný přirozený strop.

AI Agenti jsou skutečnou transformací v monetizaci softwaru. Tradičně byl software z velké části omezen na ~10-50 dolarů měsíčně za místo pro konkrétní software. Existuje odlehlý vertikální software, ale obecně měl vždy zhruba tento strop. Na druhou stranu AI Agenti jsou v podstatě neomezeni, protože neexistuje žádná skutečná horní hranice toho, co by někdo dělal s AI Agentem v pracovním postupu. To již vidíme u agentů pro kódování softwaru, kde někteří lidé platí tisíce měsíčně. A to je zcela rozumné: pokud je uživatel 2x až 3x produktivnější s agenty kódujícími AI, společnost by neváhala utratit 10 % ekvivalentu platu za agenty. To se však začíná dít i v obecných oblastech znalostní práce, jako je právní analýza, kontrola lékařských zpráv, zpracování úvěrových dokumentů a další. Tuto dynamiku bychom měli očekávat v každé kategorii práce. Nyní, jak dochází ke zdokonalování modelů, budou ceny srovnatelných modelů klesat. Ale pak, protože agenti umělé inteligence mohou provádět složitější úlohy a vy spouštíte stále více a více agentů paralelně v pracovním postupu, podniky budou nasazovat více těchto agentů. Čekají nás divoké časy.

Kromě několika kategorií je většina prostorů v umělé inteligenci stále otevřená. To nebude platit navždy, protože data a příkopy pracovních postupů se začnou hromadit, ale určitě to platí dočasně právě teď. Umělá inteligence za poslední rok pokročila natolik, že tyto modely vyřešily spoustu problémů, kolem kterých musela většina startupů stavět dříve. A proč si dnes můžete vystačit s AI agenty je asi 100x výkonnější než před 2 lety. To je také důvod, proč je důležité vytvářet architektury se správnými vrstvami abstrakce, které by tyto aktualizace využily.

Umělá inteligence časem rozmaže hranice mezi mnoha funkcemi, protože nyní můžete začít dělat věci buď výše nebo níže v zásobníku, nebo je rozšířit na další sousední funkce. Velmi zřejmou oblastí je, že projektoví manažeři by se měli téměř vždy objevit s funkčními prototypy.

Ve společnosti Box trávíme spoustu času testováním umělé inteligence Boxu s novými modely na nestrukturovaných datech, abychom zjistili, v čem si vedou dobře v reálných oblastech znalostní práce. Jak jsme viděli z benchmarků, GPT-5 nabízí významný skok ve schopnostech oproti GPT-4.1 v uvažování, matematice, logice, kódování a dalších oblastech práce. Zde je několik příkladů, kde se tato vylepšení projevují v reálném světě: *GPT 5 lépe kontextualizuje informace. Při extrakci dat, jako je konečná částka v USD na faktuře bez štítků měny, ale s adresou v Londýně, GPT 5 správně odpoví a potřebuje směnný kurz z USD na GBP. Pro srovnání, GPT 4.1 viděl konečný účet a vrátil jej, přičemž předpokládal měnu (nesprávně). * GPT-5 poskytuje lepší multimodální analýzu. Pro každoroční podání veřejné společnosti je GPT-5 požádán, aby izoloval buňku v tabulce od obrázku zobrazujícího změny ve složkách vlastního kapitálu společnosti. V horní části tabulky je objasněno, že všechny částky akcií jsou v tisících a GPT-5 tento převod jasně uvádí, zatímco GPT-4.1 nikoli, což je zmatené, protože v tabulce je uvedeno akcie a legenda akcie. * GPT-5 funguje lépe s vysokou úrovní promptu a složitosti dat. Při extrakci dat z životopisu pro všechna data nástupu do zaměstnání, názvy pracovních pozic a názvy zaměstnavatelů byl GPT-5 schopen vytáhnout všechna data, zatímco GPT-4.1 se zdá být zahlcen a neextrahoval stejná pole vzhledem k velikosti výzvy a složitosti dokumentu. * GPT-5 je ve svých odpovědích mnohem jasnější a explicitnější. Ve smlouvě o outsourcingu, kde je výslovně diskutováno 6 různých služeb, když je GPT-5 dotázán na "5 konkrétních služeb ve smlouvě", vrátí prvních 5 a zeptá se, zda bylo záměrné, že na šestou se nezeptal. Pro srovnání, GPT-4.1 jednoduše vrátil prvních 5 bez dalších upozornění, což může vést ke zmatkům pro uživatele. * GPT-5 je lepší v interpretaci dat ve složitých oblastech. Pro graf průtokové cytometrie, který se obvykle používá v imunologii, GPT-5 správně identifikoval vysoký podíl mrtvých buněk a uvedl věrohodné základní příčiny, které by mohly vést k situaci, zatímco GPT-4.1 poskytl minimální zdůvodnění a potřeboval další potvrzení, aby bylo možné provést jakékoli odhady z hrubých dat. * GPT-5 dokáže lépe identifikovat nesrovnalosti v kódu. Když byl GPT-5 i 4.1 požádán, aby identifikoval problémy v daném souboru kódu Pythonu, zatímco GPT-5 i 4.1 dokážou identifikovat skutečné chyby, které vedou k poruše, pouze GPT-5 dokázal odvodit jemnější problémy, jako je tisk nesprávné proměnné, když by to v kontextu programu nedávalo smysl. Tato vylepšení v matematice, uvažování, logice a kvalitě odpovědí v delších kontextových oknech jsou neuvěřitelně užitečná pro koncové uživatele v každodenní práci, ale ještě více se projeví u déle běžících agentů umělé inteligence, zejména když ve smyčce není žádný člověk, který by ověřoval informace na každém kroku. Je úžasné vidět, že tato vylepšení stále přicházejí v nejnovější úrodě modelů umělé inteligence, protože to povede k tomu, že agenty umělé inteligence bude možné používat v postupně kritičtějších oblastech práce.

Je jasné, že právě teď jsme na trajektorii, kdy se modely umělé inteligence budou nadále zlepšovat ve svých schopnostech v matematice, uvažování, logice, volání nástrojů a různých úlohách specifických pro danou doménu, které se budou zlepšovat s tím, jak bude nadále generováno více trénovacích dat. I když se budou diskutovat o tom, jak moc se tyto pokroky projeví jako zásadní změny v případech každodenního používání, které spotřebitel má, *budou* mít zásadní dopad na mnoho kategorií znalostní práce. Postupně odemknou nové případy použití ve zdravotnictví, právu, finančních službách, biologických vědách atd., kde mohou modely spolehlivě provádět postupně kritičtější úkoly. V nedávném podcastu s Alexem Kantrowitzem měl Dario Amodei skvělý způsob, jak to zarámovat, a to tak, že pokud byste zlepšili schopnost modelu umělé inteligence, aby se z bakalářského studia biochemie stal absolventem biochemie, malé procento spotřebitelské populace by si toho všimlo, ale případy podnikového použití pro společnost, jako je Pfizer, by v důsledku toho významně vzrostly. Měli bychom začít počítat s tím, že toto je nyní éra, ve které se nacházíme s umělou inteligencí. Jak se to tedy začne projevovat v reálném světě? Projeví se to prostřednictvím agentů AI, kteří se budou zabývat aplikovanými případy použití. Agenti AI pro kódování, právní práci, lékařské písaře, extrakci dat, zpracování pojistných událostí, testování pera a tak dále. Příležitostí právě teď je vytvářet agenty umělé inteligence pro vertikály a domény s hlubokým porozuměním tomuto prostoru. To je místo, kde začne hodně záležet na dopadu kontextového inženýrství, hlubokém porozumění pracovním postupům, připojení k podnikovým datům a specializovaným uživatelským rozhraním (která uživatelům umožňují nasazovat, spravovat a orchestrovat tyto agenty). Bude to také znamenat vytvoření distribuce, která je v souladu s touto konkrétní vertikálou nebo doménou. Pravděpodobně to bude znamenat nějakou formu předsunutého inženýrství, které zákazníkům nejen pomůže implementovat agenty, ale také rychle zjistit, pro které pracovní postupy jsou agenti optimalizováni, a přenést je zpět do základní platformy. V konečném důsledku tyto trhy zvítězí hráči, kteří dokážou nejlépe přemostit dnešní podnikové procesy (které jsou často chaotické a nebyly navrženy pro automatizaci) do světa, kde jsou agenti integrováni do těchto pracovních postupů. Toto je éra umělé inteligence, ve které se nyní nacházíme.

Nejsme ani zdaleka optimálním bodem pro jakoukoli stabilizaci schopností umělé inteligence, ale ironií je, že existuje spousta komerčních případů použití umělé inteligence, které prostě zamrznou kvůli tomu, jak rychle se technologie vyvíjí. To je důvod, proč na architekturách připravených na budoucnost tolik záleží.

Jádro vs. kontext je kritický koncept, který je třeba promyslet při zjišťování, co lidé pomocí umělé inteligence přebudují. Společnosti přinášejí "základní" funkce, které je odlišují. To je to, co je jejich hlavní produkt nebo služba, jak prodávají zákazníkům, věci, které řídí jejich kulturu a tak dále. A naopak, outsourcují "kontext", což jsou sázky na stůl, aby byly správné, ale nabízejí pouze nevýhodu v tom, že se mýlí. Jednoduchým pravidlem k přemýšlení je, zda si zákazník vůbec všimne, zda společnost tuto funkci provedla přímo sama nebo ne. Podnikový software je téměř vždy "kontextový". Jedná se o oblasti, jako jsou jejich CRM nebo HR systémy, infrastruktura, správa dat a podobně. Ty jsou nezbytné pro provozování podnikání ve velkém, ale jen zřídka máte výhodu ve snaze rozvinout svůj vlastní. Existuje jen několik výjimek a je to téměř vždy proto, že potřebujete řešení, které bude sloužit vašemu "jádru", které žádný dodavatel nenabízí (například pokud byste potřebovali vlastní software pro vertikálně integrovaný dodavatelský řetězec). Bez ohledu na to, jak společnost začíná, nakonec téměř vždy v průběhu času rozdělí práci a hodnotu mezi jádro a kontext. Je to jediný způsob, jak mohou zůstat konkurenceschopní a nakonec alokovat zdroje do optimálních oblastí. Takže i kdyby společnost *mohla* přepsat svůj podnikový software pomocí umělé inteligence, v podstatě by to prostě neudělala. Aktualizace verzí, zabezpečení, regulační funkce, chyby, SLA, nezbytné profesionální služby atd. by prostě způsobily, že návratnost investic je záporná. Jak upozorňuje bucco, skutečným rizikem jsou lepší verze těchto nástrojů, které jsou AI-first. Na to je třeba si dát pozor z hlediska narušení.

Skvělá nit. Cokoli je agent umělé inteligence schopen udělat, lze jej také oklamat. Měli byste předpokládat, že pokud má agent přístup k datům, že uživatel může nakonec tato data získat také. Zabezpečení agenta, řízení přístupu a deterministické mantinely budou kritické.

Spousta rozhovorů o tom, jak vypadá budoucnost softwaru v podnicích. Zde je to, jak si myslím, že se to odehrává. U deterministických pracovních postupů, kde je cena za to, že se něco nepovede, vysoké budou mít podniky tendenci vybírat si základní platformy pro své nejběžnější, nejdůležitější a opakovatelné funkce v organizaci. Vzpomeňte si na mzdy, ERP, CRM, ITSM, zákaznickou podporu, ECM/správu dokumentů a tak dále. To jsou oblasti, kde chcete, aby se něco dělalo pokaždé stejně. Každá z těchto platforem bude muset být navržena tak, aby byla umělá inteligence, což znamená, že bude mít uživatelská rozhraní, která budou vyladěna pro interakci s pracovními postupy a daty prostřednictvím umělé inteligence, a budou plně navržena pro agenty umělé inteligence, aby na těchto platformách fungovali. Postupem času můžeme očekávat, že použití v těchto systémech bude mnohem více zaujaté agenty umělé inteligence než lidmi. Model licence zůstává pro uživatele, ale spotřeba se stává modelem pro agenty. Někteří stávající hráči se dostanou do konečného stavu, ale jiní se nepřizpůsobí dostatečně rychle a vymřou. Pak se objeví nová úroda efektivně agentských společností, které jsou účelově vytvořeny pro automatizaci specifických typů práce (a zejména pro nedeterministickou práci). Jejich obchodní modely vychýlí spotřebu ještě více. Vzpomeňte si na Claude Code nebo Devins (pravděpodobně s nějakou vrstvou uživatelského rozhraní pro správu agentů), ale pro různé pracovní funkce. Pravděpodobně se časem dočkáme toho, že se jich objeví stovky nebo tisíce. Testování perem, kódování, hledání chyb, kontroly souladu, finanční analytici a tak dále. Jedná se o obrovský prostor, kde si startupy budou vést docela dobře, protože v těchto kategoriích nebudou mít tendenci být žádní softwaroví zavedení. S těmito různými agenty budeme komunikovat z mixu softwarových platforem, na které jsou vázáni (jako je Box AI nebo Agentforce), prostřednictvím rozhraní API v jiných systémech a horizontálních systémů pracovních postupů, které spojují agenty napříč platformami (jako ServiceNow, IBM Watsonx, Google Agentspace atd.). A samozřejmě uživatelé budou tyto agenty často využívat prostřednictvím horizontálního chatu (jako je ChatGPT, Claude, Perplexity, Grok, Copilot atd.) prostřednictvím MCP nebo jiných typů přímých připojení. Uživatelé budou běžně pracovat v těchto horizontálních chatovacích systémech a podle potřeby stahovat agenty, data a pracovní postupy z různých platforem Agentic. Když je to relevantní, přeskočí do základních platforem, aby dokončili pracovní postupy, zkontrolovali informace atd. K dispozici bude také dlouhá škála zkušeností, kde uživatelé budou moci generovat mikro aplikace za běhu, když potřebují rychlé aplikace nebo automatizované případy použití, když neexistuje žádný zřejmý software, se kterým by to bylo možné udělat. To se může stát přímo v horizontálních chatovacích systémech, v nástrojích jako Replit, Lovable nebo v nástrojích pro automatizaci pracovních postupů atd. Očekával bych, že je to spíše pro náročné uživatele, kteří potřebují lepidlo mezi více systémy nebo kde zatím neexistuje žádný software. Pointou toho je, že software se postupem času stává důležitějším, i když se modality, ve kterých interagujeme, mění a rozšiřují. Podobně jako snadno přeskakujeme mezi našimi telefony a stolními počítači, i když by se mohly snadno sblížit, budoucnost nabídne kombinaci způsobů interakce se softwarem.