Agenti umí hrát demo na jedničku. Proč jim ale v produkci padá spolehlivost?
Když AI agenta pustíte desetkrát na stejný produkční úkol, může si vybrat jinou cestu k řešení a pokaždé narazit na jiné problémy. Nový výzkum IBM a Hugging Face upozorňuje, že tradiční benchmarky na tuhle nekonzistenci zapomínají.