Lilith · výběr zpráv
Co se v AI skutečně děje. Vybrané zprávy, souvislosti a názor bez reklamního hluku.
Atom feed ↗Microsoft Research popisuje SocialReasoning-Bench, benchmark zaměřený na to, zda AI agents opravdu jednají v nejlepším zájmu uživatele. Klíčový nález: agenti úkoly technicky splní, ale nezlepšují konzistentně výsledek pro člověka, i když dostanou explicitní instrukci to udělat.
Epizoda LWiAI Podcast #246 z 26. května 2026 je rozcestník, ne jeden velký závěr. Google I/O, coding agents, právní tlak kolem OpenAI a bezpečnostní výzkum se v jednom týdnu poskládaly do přehledu čtyř souběžných tlaků na AI trh.
Microsoft Research vydal Data Formulator 0.7, analytické prostředí, kde AI agenti pomáhají s průzkumem, transformací a vizualizací enterprise dat. Klíčová otázka je, jestli agent zvládne špinavá, oprávněními chráněná data mimo demo.
SQLite přidalo do repozitáře AGENTS.md s velmi jasným vzkazem pro lidi, kteří na kód pouštějí AI agenty: projekt nepřijímá agentně vytvořený kód, ale může přijmout kvalitní bug report s reprodukovatelným testem. Je to malý soubor, ale velký signál pro údržbu kritického open source.
Gartner odhaduje, že přes 40 % projektů s agentní AI bude do konce roku 2027 zrušeno kvůli nákladům, nejasné hodnotě nebo slabým rizikovým kontrolám. Není to rozsudek nad agenty, spíš studená sprcha pro PoC projekty bez vlastnictví, měření a provozní reality.
Simon Willison sdílel poznámku Borise Manna, že fráze „11 AI agentů” sama o sobě nic neříká. Stejně jako počet tabulek nebo otevřených záložek nevysvětlí kvalitu práce. U agentů má smysl měřit výsledek, odpovědnosti, předávky, dohled a selhání.
OpenAI říká, že Gartner zařadil Codex mezi lídry enterprise AI coding agentů. Pro firmy je to hlavně nákupní a governance signál, ne důkaz technické převahy.
OpenAI, Thrive Holdings a Crete ukazují Tax AI, daňového agenta pro více než třicet účetních firem. Pilot zpracoval 7 000 přiznání, šetří zhruba třetinu času praktiků a díky smyčce zpětné vazby se během šesti týdnů výrazně zlepšil.
Warp ukazuje, jak chce posunout terminál od nástroje pro příkazy k agentickému vývojovému prostředí. Otevření klienta jako open source, podpora OpenAI a GPT-5.5 mají z vývoje udělat práci, kde lidé určují cíl a kontrolují výsledek, zatímco agenti plánují, píší kód, testují a otevírají pull requesty.
Výzkumníci z PromptArmor ukázali řetězec útoku, ve kterém Microsoft Copilot Cowork může přes prompt injection pomoci s únikem souborů z Microsoft 365. Nejde jen o chybu jednoho produktu, ale o varování pro všechny agentické systémy s delegovanými oprávněními.
OpenAI a Dell chtějí dostat Codex blíž k podnikovým datům, hybridní infrastruktuře a on-prem prostředím. To je méně nápadné než demo, ale pro enterprise adopci mnohem podstatnější.
OpenAI posouvá Education for Countries směrem k národním programům pro AI ve vzdělávání. Nejde jen o přístup k ChatGPT, ale o snahu nastavit infrastrukturu, školení a provozní návyky kolem AI ve veřejném sektoru.
OpenAI zveřejnila lessons learned z výzvy Parameter Golf: přes 1 000 účastníků, víc než 2 000 submissions, limit 16 MB na artefakt a 10 minut tréninku na 8 H100. Nejdůležitější není jen komprese modelů, ale fakt, že AI coding agenti změnili tempo výzkumné iterace.
AgentMail nabízí API pro skutečné e-mailové inboxy AI agentů: vytvoření schránky, odesílání, příjem, vlákna, přílohy, webhooks, WebSockets, vyhledávání, vlastní domény a MCP integraci. Firma zároveň oznámila seed kolo 6 milionů dolarů vedené General Catalyst s účastí Y Combinatoru.
Simon Willison otestoval Claude Code for web: Anthropic vzala sílu lokálního Claude Code, zavřela ji do hostovaného sandboxu a přidala pohodlné zadávání přes web a mobil. Klíčový posun spočívá v nové architektuře workflow: coding agenti se stávají užitečnějšími, když běží asynchronně a bezpečně mimo náš notebook.
DeepMind představil AlphaEvolve jako evoluční smyčku postavenou na Gemini, která automaticky hledá lepší algoritmy. Konkrétní výsledky z produkce: 30 % méně chyb v genomice, 20 % nižší write amplification pro Spanner, zdvojnásobení rychlosti trénování Klarna.
OpenAI popisuje, jak Codex běží v izolovaném prostředí: sandbox per repozitář, síťová izolace, schvalovací kroky a telemetry navržená pro agentní workflow.
Cisco a OpenAI popisují nasazení Codexu jako agenta v enterprise engineering workflow: automatizace buildů, opravy defektů a přechod k agentnějšímu vývoji.
System card pro GPT-5.1-Codex-Max popisuje dvě vrstvy bezpečnosti: model-level safety trénink a prompt injection ochrana, product-level sandboxing a konfigurovatelný síťový přístup.
Google DeepMind vydal v preview Gemini 2.5 Computer Use: specializovaný model pro agenty ovládající UI. Rozdíl oproti obecnému Gemini 2.5 Pro je v tom, že tento model byl trénován specificky na interakci s obrazovkou, ne jen na generování textu o ní.
