Čínský AI agent překonal Claude Code od Anthropic v autonomním výzkumu

Zpráva, která by před dvěma lety zněla jako science fiction, dnes proklouzla mezi ostatními titulky skoro bez povšimnutí: čínský agent Qiushi Engine z Zhejiang University porazil Claude Code od Anthropic v žebříčku ResearchClawBench, který měří schopnost autonomně provádět výzkumnou práci. Ne, žádné nové vědecké objevy generovat zatím neumí – a to je důležitý detail, který se v nadpisech ztrácí. Ale fakt, že čínský model už dokáže lépe než přední americký nástroj plánovat a provádět výzkumné úkoly, je signál, který bych nepodceňoval. Ukazuje to, jak rychle se stírá technologický náskok, o kterém jsme si ještě před rokem mysleli, že je stabilní.

Zajímavé je, že tahle zpráva přichází ve stejném týdnu, kdy se čím dál víc mluví o „agent harness" – tedy o vrstvě, která agentům umožňuje běžet dlouhodobě, volat nástroje, ukládat si kontext a plánovat kroky napříč hodinami nebo dny. Firmy jako Harness Inc. se teď snaží tuhle vrstvu zkrotit tak, aby zapadla do zavedených vývojářských postupů – v podstatě přenášejí DevOps disciplínu na agenty. Souběžně vzniká i akademický rámec pro technické a politické řízení téhle runtime vrstvy a Phillip Spies řeší konkrétní bezpečnostní díru mezi daty a objekty v architekturách postavených na AWS službách. Všechno tohle dohromady ukazuje jedno: agentní AI přestává být demo a stává se infrastrukturou, kterou je potřeba spravovat, zabezpečit a auditovat stejně pečlivě jako jakýkoli jiný produkční systém. Kdo tohle podcení, bude řešit incidenty, ne inovace.

Apropos bezpečnost – nejnovější AI Safety Index přišel s dost otřesným zjištěním. Žádná velká laboratoř nezískala lepší známku než C+, tři propadly úplně a několik firem potichu ustupuje od bezpečnostních závazků, které samy dřív veřejně deklarovaly. To mi přijde jako mnohem větší story než jakýkoli benchmark. Máme tu odvětví, které si samo nastavuje laťku a pak ji samo snižuje, protože konkurenční tlak je silnější než opatrnost. Když se to dá dohromady s tím, jak rychle postupují agentní architektury s reálným přístupem k datům a nástrojům, vzniká kombinace, která si zaslouží víc pozornosti než další demo generátoru videa.

A abych nebyl jen skeptický – Microsoft dál prohlubuje partnerství s Mistralem, tentokrát multimiliardovou investicí do evropských datacenter. Je to logický tah: Microsoft potřebuje evropskou alternativu k OpenAI kvůli regulaci i geopolitice, Mistral potřebuje kapitál a distribuci. Otázka, kterou si kladu, zní: budeme za rok mluvit o bezpečnostních standardech agentních systémů se stejnou naléhavostí, jako dnes mluvíme o jejich výkonu? Zatím to tak nevypadá.