Nový benchmark ukazuje, že AI stále nechápe lidskou stránku péče o duševní zdraví

Nejzajímavější číslo dnešního dne není žádný benchmark ani nová funkce, ale statistika z bezpečnostního reportu: 99,9 procenta opravitelných zranitelností v AI infrastruktuře zůstává neopravených. Firmy nasazují agenty rychleji, než je stíhají zabezpečovat, a to je přesně ten typ problému, který se neprojeví hned, ale o to bolestivěji později.

Zajímavé je sledovat, jak se debata kolem AI agentů posouvá od otázky „umí to?" k otázce „dá se tomu věřit?". Anthropic ve své analýze Claude Cowork ukazuje, že polovina veškerého využití směřuje na administrativní otravnosti — vyplňování formulářů, textové úkoly, které nikdo nechce dělat sám. To je přízemní, nudné a přesně proto důležité: většina reálné hodnoty AI agentů dnes neleží v efektnostních demech, ale v odstraňování kancelářské tíhy. V Austrálii už agenty používá 64 procent finančních a administrativních oddělení, což potvrzuje, že jde o mainstreamovou realitu, ne experiment. Elizabeth Fuentes z AWS zase připomíná, že tahle praktičnost má svou odvrácenou stranu — halucinace agentů jsou pořád reálný problém, a proto přichází s technikami jako Graph-RAG nebo sémantický výběr nástrojů, tedy s inženýrskými, nikoliv magickými řešeními. Přesně tenhle druh nudné, systematické práce rozhoduje o tom, jestli agent bude nástroj, nebo riziko.

Nubia mezitím na WAIC 2026 slibuje telefon ovládaný AI agentem bez dotyku displeje — rezervace letů, nákupy, všechno hlasem nebo gestem. Technicky zajímavé, ale otázka důvěry tu bude ještě palčivější než u firemních nástrojů. Kdo nese odpovědnost, když agent omylem koupí špatný let? Tahle otázka se zatím řeší málo a myslím, že to bude jeden z klíčových témat příštích dvou let, zvlášť když se agentní rozhraní začnou dostávat i k lidem, kteří nerozumí tomu, jak modely fungují pod kapotou.

Na technické straně dne je hezky vidět, že závod o velikost modelů se otočil na závod o efektivitu. Google hlásí úspory energie datacenter díky nové kompresní technologii, korejská NOTA na ICML předvádí sedminásobné zrychlení inference při zachování výkonu. Tohle je pokračování trendu, který nastartoval DeepSeek — není potřeba stavět větší model, stačí ho chytřeji provozovat. A apropos chytrosti — nový benchmark PsyEval ukazuje, že jazykové modely pořád nerozumí lidské stránce péče o duševní zdraví, přestože technicky zvládají diagnostické úkoly. To je dobrá připomínka, že zrychlování inference a snižování nákladů jsou skvělé inženýrské úspěchy, ale neřeší základní otázku, jestli model skutečně rozumí tomu, s čím pracuje.