Co se promptem neurychlí

Tento týden mě víc než další slib výkonu zajímalo, co musí fungovat kolem modelu.

Software se dá předvést za minutu. Vytvořit čip, přimět hlasového asistenta reagovat v pravou chvíli nebo dostat 3D návrh do ruky trvá déle. To je nit, která spojuje nejzajímavější věci posledních dnů. Rychlejší model může pomoci, ale často narazí na mnohem obyčejnější úzké místo: součástku, rozhraní, ověření výsledku nebo člověka, který se rozhodne výsledek použít.

Továrna na čipy nezačíná u tlačítka „postavit“

Při úvahách o další výrobě čipů se snadno mluví o velikosti nové továrny. Méně efektní otázka zní: kdo dodá stroje a jejich nejpřesnější součástky? V týdnu se objevil příklad zrcadel od Zeissu používaných ve strojích pro výrobu čipů u TSMC. Padl i odhad, že výroba jediného takového dílu může trvat měsíce. Nemáme k němu výrobní dokumentaci, takže z něj nelze počítat, kdy bude hotová jakákoli konkrétní továrna.

Ta otázka ale stojí sama o sobě. Kdyby se dnes rozhodlo stavět víc výrobních kapacit, nestačí sehnat budovu a kapitál. Je třeba mít také dostupné specializované stroje, jejich součásti a lidi, kteří je dokážou připravit. Zpráva o plánované továrně proto říká méně o budoucí produkci než ověřené termíny dodávek a spuštění. To je moje interpretace, ne závěr o konkrétní firmě.

Je to dobrá protiváha věty, že software už nemá žádnou hodnotu, protože ho AI umí rychle napsat. Rychle napsaný software může zvýšit poptávku po výpočetním výkonu. Fyzický řetězec, který ho dodává, se tím automaticky nezrychlí. Další „AI továrnu“ bych proto posuzoval stejně skepticky jako nový produkt: co už skutečně běží a co je zatím jen plán?

Hlasový asistent vyhrává nebo prohrává na načasování

Ukázka asistenta postaveného na Jevu slibuje otevření aplikace dřív, než člověk dokončí větu. Je to úzký, ale dobrý úkol pro malý rozhodovací model: poznat z řeči záměr a vybrat další krok. Nečekáme od něj esej o tom, proč by aplikaci mohl otevřít. Chceme, aby správně odhadl okamžik a nepřekážel.

Jiná ukázka od ElevenLabs zaujala přirozeností hlasu. Dohromady tyto dvě ukázky připomínají, že hlasové rozhraní má nejméně dvě oddělené části: jak dobře rozumí a rozhoduje, a jak příjemně odpovídá. Působivý hlas může maskovat pomalé nebo špatné rozhodnutí. Rychlé spuštění aplikace zase nepomůže, pokud asistent pravidelně slyší jiný příkaz.

Obě jsou to ukázky, nikoli naše měření. Pokud bych si takového asistenta zkoušel doma, připravil bych několik běžných a několik záměrně podobných příkazů. Zajímal by mě čas do správné reakce, počet omylů a hlavně možnost akci snadno zastavit. Teprve pak má smysl řešit, jestli hlas zní jako člověk z vedlejší místnosti.

AI má být tam, kde vzniká práce

Nad propojením Figmy s ChatGPT padla praktická otázka: proč kvůli úpravě návrhu odcházet z editoru, když lze použít AI přímo v něm? Na druhé straně Microsoft 365 Copilot připomíná opačný tah velké platformy: přidat asistenta k nástrojům, ve kterých lidé už pracují. Z těchto příkladů neplyne, který přístup je lepší. Plyne z nich mnohem užitečnější otázka: má asistent v daném místě dost kontextu, aby mohl dokončit skutečný úkol?

U návrhu obrazovky bych sledoval, zda AI umí upravit existující prvky a zda změna zůstane editovatelná. U dokumentu nebo tabulky zase, jestli se dá dohledat, odkud vzala čísla a co přesně změnila. Samotný seznam podporovaných modelů mi o tom řekne málo. Integrace je dobrá teprve tehdy, když po ní zůstane práce, se kterou člověk může pokračovat.

To také vysvětluje, proč další podobně vypadající AI rozhraní nemusí být velká novinka. Na obrázku je snadné napodobit tlačítka. Těžší je napojit asistenta na konkrétní pracovní stav a dát uživateli kontrolu nad výsledkem. Ten rozdíl se na produktovém videu ukazuje špatně, při skutečné úpravě souboru velmi rychle.

Z obrazovky na poličku: malý pokus s OpenSCAD

Jeden pokus s OpenSCAD ukázal příjemně hmatatelný směr. Agent s vhodným pracovním postupem vytvořil 3D návrh zarážky mezi knihy s místem pro elektrickou svíčku. Následný obrázek vznikl renderem v Blenderu. Je to konkrétnější výsledek než další chatbot, který slibuje, že „umí 3D“: existuje tvar s jasným použitím a způsob, jak ho před tiskem prohlédnout.

Současně je důležité nezaměnit render za hotový předmět. Z popisu nevíme, jestli se model vytiskl, zda drží knihy, jestli svíčka pasuje nebo jestli jsou rozměry praktické. To nejsou puntičkářské námitky. Právě mezi pěkným obrázkem a funkční věcí leží test, který model nemůže přeskočit.

Na podobném úkolu bych agentovi dal jasnou roli: připravit upravitelný model, vyznačit rozměry, vytvořit náhled a po prvním fyzickém pokusu zapracovat připomínky. Člověk pak nemusí ručně modelovat každý detail, ale pořád rozhoduje, zda je předmět použitelný. AI tu zrychluje cestu k prototypu; poslední slovo má polička.

Výkon v cloudu, nebo u sebe?

Zkušenost s GeForce Now dobře ilustruje, proč je vzdálený výkon lákavý: náročný program běží jinde a doma stačí zařízení, přes které ho člověk ovládá. Podobně lze přemýšlet o AI. Pokud úkol nepotřebuje běžet pořád, přístup k výkonu na vyžádání může být pohodlnější než starat se o vlastní silný počítač. To je úvaha o způsobu používání, ne propočet ceny pro každého.

Na druhé straně lokální model a vlastní stroj dávají větší možnost rozhodovat, kde běží výpočet a kam se dostanou data. Zároveň vyžadují údržbu, prostor a rozhodnutí, co se stane při poruše. V debatě o lokální AI zaznělo nadšení z rychlého pokroku, ale žádné měření, které by dovolilo tvrdit, že se dnes domácí model vyrovná konkrétní cloudové službě při konkrétní práci.

Můj praktický závěr je vybírat podle úkolu. U citlivých nebo opakovaných věcí dává smysl nejdřív zjistit, zda je zvládne lokální řešení. U občasného náročného pokusu může rozhodnout dostupnost vzdáleného výkonu. Ať už si vyberete cokoli, užitečnější než spor „cloud proti vlastnímu počítači“ je vědět, jak práci přenést jinam, když současná volba přestane vyhovovat.

Návštěva z AI ještě není čtenář

Na jednom novém webu se objevila návštěva spojovaná s ChatGPT. Z jediného záznamu však nebylo jasné, zda přišel člověk přes odpověď asistenta, nebo automat, který stránku prochází. To je drobná, ale cenná lekce pro všechny, kdo teď čekají novou vlnu návštěvnosti z AI. Jeden údaj v analytice ještě neříká, že si někdo stránku přečetl, natož že mu pomohla.

Sledoval bych proto zvlášť, odkud požadavek přišel a zda na stránce následovala smysluplná aktivita. I ta má své hranice: krátké přečtení užitečné odpovědi může vypadat jako nezájem. Lepší je brát první signály jako vodítko k dalšímu měření, ne jako důkaz nového distribučního kanálu.

Stejná zdrženlivost se hodí při vydávání textu připraveného s AI. Odkaz, který v odstavci vypadá přesvědčivě, musí vést k tvrzení, které mu připisujeme. A pěkná formulace nestačí, pokud čtenář po kliknutí nenajde nic použitelného. Model nám může urychlit první verzi, ale výběr, kontrola a rozhodnutí, co opravdu pustit ven, zůstávají redakční prací. Je to méně efektní než demo. Právě proto na tom záleží.