Grok 4.7 za 2 USD za milion tokenů, AI agenti předbíhají pojistky

Nejzajímavější zpráva dnešního dne není nový model ani nová cenovka. Je to otevřený adresář na jedné IP adrese z Hongkongu. CrowdStrike v něm našel první konkrétní důkaz autonomního AI pentestovacího agenta, který zasáhl jihokorejské banky. A odhalit ho mohl jen proto, že operátor zapomněl zavřít relace. Přemýšlím o tom už od rána: kolik podobných nástrojů běží dál právě proto, že jejich provozovatelé tolik nedbalí?

Je to přesně ten scénář, o kterém se roky teoretizovalo, a teď máme stopu v reálném světě. Zároveň vidím nepříjemnou souvislost s tím, co dnes říkají velcí hráči. Debata o tom, zda AI agenti získávají autonomii rychleji, než stíhají pojistky, přestává být akademická. Lila Ibrahim z Google DeepMind mluví o existenčních rizicích a o ochranných opatřeních, a to je poctivý rámec. Jenže mezi filozofickou otázkou o osudu lidstva a konkrétním agentem, který skenuje bankovní infrastrukturu, je dlouhá cesta. Mně přijde praktičtější se bát toho druhého. Microsoft se s tím ostatně pokouší vypořádat po svém: oznámil bezpečnostní novinky, které mají chránit zařízení s Windows před riziky spojenými s agenty, a k tomu přidal nové počítače Copilot+ PC. Chápu, proč obojí spojil. Hardware se prodává snáz, když k němu přibalíte pocit bezpečí.

Apropos Microsoft. Jacob Andreou popisuje, že Copilot přestavěli od základu, aby zmenšili propast mezi tím, co modely umějí, a tím, co skutečně nabízejí hotové produkty. Tohle je podle mě jedna z nejpodstatnějších otázek současné AI. Modely se zlepšují rychleji, než jsme schopni kolem nich postavit užitečné nástroje. Podobně uvažuje Emile Baizel z Amazonu: další skok agentů nevidí v tom, že budou lépe klikat, ale v tom, že budou chápat obrazovky podobně jako lidé. Pokud mají pravdu, pak se agenti přestanou spoléhat na křehké skripty a začnou fungovat v prostředích, která nikdo pro automatizaci nepřipravoval. A to je přesně ten typ schopnosti, který potěší vývojáře i útočníky.

Na straně modelů přišel včera Grok 4.7 s cenou 2 dolary za milion tokenů a skoro dvojnásobným skóre v Terminal-Benchu. Srovnává se s Claude Sonnet 5.5 a Mistral Large 4. Stojí za zmínku, že konkurence se čím dál víc přesouvá od obecných benchmarků k úlohám v terminálu, tedy k práci, kterou agenti opravdu dělají. Pokud vás zajímá, jak si v praxi vedou nástroje pro programování, doporučuji letošní srovnání Claude Code, Codexu a Copilotu. Hlavní rozdíl je podle něj v tom, že GitHub Copilot je jediný skutečně nezávislý na modelu a můžete v něm přepínat mezi GPT, Claude a dalšími. Pro ty, kdo na AI stavějí, je to argument, který nelze přehlížet, protože s tempem, jakým se žebříčky mění, se uzamknutí u jednoho dodavatele stává luxusem.

Celé to skládám do jednoho obrazu. Agenti se učí vnímat obrazovky, ceny klesají, nástroje se přestavují a stejnou technologii už někdo používá k průzkumu bankovních sítí. Otázka tedy není, zda pojistky přijdou. Otázka je, jestli je budeme stavět dřív, než druhý CrowdStrike najde druhý otevřený adresář, nebo až poté.