Blog

Agenti v produkci: orchestrace, bezpečnost a síťové základy pro enterprise AI

AI

Tento týden mě nejvíc zaujalo, jak se agenti přesouvají z experimentu do produkce — a jak na to reaguje infrastruktura: od orchestrace agentů přes správu nákladů až po síťové protokoly pro tréninkové clustery.

Zarazilo mě, jak rychle se agentní nástroje přemisťují z laboratoře do reálných firemních procesů — a zároveň jak rychle přibývá vrstva nástrojů, která má tenhle chaos udržet pod kontrolou. Agent — tedy autonomní AI instance, která vykonává úkoly za vás — už není jen experiment na GitHubu, ale součást pracovních toků v Dellu, Databricks i na pódiu Google I/O.

Agenti a orchestrace

Databricks nasazuje GPT-5.5 do enterprise agent workflows

Databricks oznamuje použití GPT-5.5 pro firemní agentní workflow a tvrdí, že model posunul hranici na benchmarku OfficeQA Pro. To zní hezky; mně osobně chybí víc detailů o tom, co přesně znamená ten nový "state of the art" — jaká je latence v reálných scénářích, jaká byla integrace do distribuovaných pipeline a jak řeší soukromí citlivých dat. GPT-5.5 je tu zjevně jako pracovníkův motor — otázka tedy je, jestli firma bere i odpovědnost za auditovatelné rozhodnutí, která agent provede. (OpenAI / Databricks)

Parloa: hlasově řízené servisní agenty pro firmy

Parloa staví reálné, hlasové AI supervizory pro zákaznickou podporu, které běží v reálném čase a využívají OpenAI modely. Hlasová interakce přidává další vrstvy požadavků: latence musí být minimální, rozpoznání mluveného slova robustní a compliance s ochranou osobních údajů striktní. Z obchodního pohledu to dává smysl — zákazníci chtějí mluvit s něčím, co nerozčilí jejich klienty — ale implementačně to není triviální. Budu sledovat, jak Parloa balancuje real-time výkon versus bezpečnost a jak měří úspěch (CSAT, zkrácení řešení ticketů apod.). (Parloa)

Anthropic: Dynamic Workflows — ambice, která si vyžádá čas a dohled

Anthropic představil v Claude Code funkci Dynamic workflows — orchestrace, kde Claude sám vygeneruje JavaScriptový orchestrační skript a spustí desítky až stovky paralelních subagentů. Nápad je silný: škálovat paralelní práci a nechat model kontrolovat výsledky. Zároveň tu jsou tradiční problémy: náklady (tokeny), řízení konfliktů mezi agenty, drift od původního záměru a nedostatek lidského dohledu u rozsáhlých běhů.

Jako referenci Anthropic uvádí port Bun z Zigu do Rustu — velké měřítko, ale s poznámkami: canary build, velká část práce bez lidského přezkoumání a možná upravené testy. To není vina techniky, spíš reminder, že škála a správnost nejsou totéž. Dynamic Workflows může být skvělý nástroj pro paralelní mechanické práce, ale nevyřeší potřebu auditovatelnosti a řízeného selhání samo o sobě. (Anthropic / Claude Code)

Agyn: open-source vrstva pro správu agentů v podniku

Agyn dává slušný smysl jako protějšek k dynamice agentů — je to management layer, který agenty izoluje, chrání tajemství, umožňuje role-based přístup, caps na výdaje a audit trail. Když agenti přecházejí z hacků na laptopu do produkce, právě taková vrstva bývá rozhodující, aby IT, bezpečnost a finance řekly "ano". Mně se líbí, že je otevřený a umožňuje self-hosted provoz — to je pro regulated odvětví často nutnost. (Agyn)

/fork v Claude Code: drobná změna, která usnadní vývoj

Anthropic taky přepsal chování příkazu /fork: nyní spouští background agenta, který dědí celý kontext sezení a vrací výsledek zpátky. To je praktická maličkost, která usnadní paralelní zkoumání variant během jednoho sezení. Důrazně sledujte, co přesně je vráceno (shrnutí vs. diff vs. spustitelné změny) a jak se to projeví na ceně — dědění kontextu totiž snižuje opakované náklady na "aktivaci" cache, ale pořád je potřeba průhlednosti výsledků. (Anthropic / Claude Code)

Modely, infrastruktura a bezpečnost

MRC — Multipath Reliable Connection pro trénink velkých clusterů

OpenAI zveřejnila MRC (Multipath Reliable Connection), nový protokol pro superpočítačové sítě, vydaný přes OCP (Open Compute Project). Jde o technický krok k vyšší odolnosti a výkonu při tréninku velkých modelů — krátce: lepší síť = rychlejší a spolehlivější tréninky. Zajímalo by mě, jak rychle se to dostane do stávajících datacenter a jaká je kompatibilita s běžným síťovým stackem. (OpenAI)

GPT-5.5, Codex a enterprise nasazení: Dell, Windows sandbox a Trusted Access for Cyber

OpenAI pokračuje v zaměření na enterprise: Dell partnerství přináší Codex do hybridního a on-prem prostředí, což odpovídá poptávce po lokálním provozu nad citlivými daty. Součástí tohoto proudu jsou i technické práce jako bezpečný sandbox pro Codex na Windows — sandbox znamená ohraničené prostředí s řízeným přístupem k souborům a síti, aby model nemohl necíleně exfiltrvat data.

Současně OpenAI rozšiřuje Trusted Access for Cyber s GPT-5.5 a GPT-5.5-Cyber — tedy omezený přístup pro ověřené obránce, kteří pracují na zranitelnostech. To dává smysl, ale chybí mi víc detailů o auditability a o tom, jak se dělí zodpovědnost mezi poskytovatelem modelu a organizací, která model používá k citlivému výzkumu. (OpenAI / Dell)

Jak NVIDIA používá Codex a GPT-5.5

NVIDIA interně sdílí zkušenosti s Codex a GPT-5.5 — firmy tak potvrzují, že modely nejsou jen teoretická hračka, ale nástroj pro zrychlení inženýrské práce a prototypování. To má váhu: když hardwarová firma, která staví training stacky, napíše, že modely pomáhají posouvat nápady do běhu, dává to signál ostatním enterprise týmům. Rád bych viděl víc metrik — co se konkrétně zrychlilo, jaké typy chyb model pomohl najít a kde selhal. (OpenAI / NVIDIA)

Kreativa, brand a uživatelská zkušenost

Google I/O: Gemini v roli kreativního pipeline

Google otevřeně ukazuje, jak Gemini a spřízněné nástroje pomáhaly postavit I/O 2026 — od krátkého filmu přes vizuální identitu až po generativní hudbu a interaktivní instalace. Je to dobrá ukázka, jak se AI integruje do produkčního procesu kreativy: nástroje zrychlí opakovatelnou pracnou práci a nechají lidem víc času na rozhodování. Marketingová složka je samozřejmě silná, ale konkrétní příklady (převod stylu, pipeline pro sprite sheets, systém pro konzistentní generativní vizuály) dávají užitečnou představu o tom, co funguje dnes. (Google / Gemini)

DataEase: sledování viditelnosti značky v éře AI asistentů

DataEase slibuje sledování, jak se vaše značka objevuje v AI asistentech (ChatGPT, Claude, Gemini) a v searchu — a ukazuje, kde zasáhnout. To je logické: když objevování informací postupně přechází z vyhledávačů na asistenty, firmy budou chtít měřit, jak se objevují právě tam. Otázka pro mě je metodika: jak široké jsou modely, které DataEase indexuje, jakým způsobem měří citace a jak řeší rychlé změny ve výstupech modelů. (DataEase)

Co si odnáším a na co budu dál koukat

Agentní tooling už není jen prototyp — stává se hromadným produktem. To znamená, že klíčové otázky nejsou jen "co umí model", ale "kdo má přístup, kdo to spravuje a jak to auditujeme". Budu sledovat, jak se rozšíří nástroje pro governance (Agyn a podobné), jak se budou měřit náklady u orchestrace (Anthropic / Databricks) a jak rychle se MRC dostane do datacenter.

Zdroje

Došlo k neočekávané chybě. Obnovit 🗙

Rejoining the server...

Rejoin failed... trying again in seconds.

Failed to rejoin.
Please retry or reload the page.

The session has been paused by the server.

Failed to resume the session.
Please retry or reload the page.