Ikony pro agenty, rozhodnutí pro lidi

Knihovna ikon má nového čtenáře: kódovacího agenta.

Když software začnou používat i agenti, mění se význam slova „použitelný“. Hezké rozhraní pro člověka nestačí, pokud si agent nedokáže vybrat správnou součástku, zapojit ji do projektu a nezanechat po sobě rozbitý build. Zároveň ani agent, který zvládne všechno naklikat, nemusí ušetřit práci, pokud jeho nastavení zabere víc času než samotný úkol. Tento týden přinesl několik malých, docela výmluvných pokusů: přestavbu knihovny ikon, AI správu jejího webu, krátké soužití s desktopovým agentem a nápad na model v krabičce bez internetu. Měřitelné produktové výsledky ještě chybí. Právě proto se na těch pokusech dá dobře přemýšlet.

Knihovna ikon má nového čtenáře

U jedné knihovny ikon probíhá větší aktualizace. Podle popisu při ní Claude pomohl opravit starší chyby a upravit projekt pro novější React. Autor zároveň mluví o zásadní změně směru: knihovna má být co nejpřívětivější pro kódovací agenty, protože ti se stávají jejím důležitým uživatelem. Rozšíření o další ikony se teprve připravovalo, takže z toho nedělejme oznámení hotového vydání.

Změna cílovky má praktické důsledky. Pokud agent skládá rozhraní, knihovna pro něj musí být srozumitelná ve chvíli, kdy vybírá, importuje a mění konkrétní ikonu v existující aplikaci. Zda to tato knihovna už zvládá lépe, zatím nevíme; nepadl popis změn, podle kterého by šel takový závěr ověřit.

Jako malý test bych agentovi dal běžný úkol: v cizí React aplikaci najít vhodnou ikonu, správně ji přidat a upravit podle zadání. Pak bych zkontroloval tři věci: zda sáhl po existující položce, zda projekt stále funguje a zda je výsledný kód srozumitelný dalšímu člověku. Počet ikon v katalogu je dobrá zpráva až ve chvíli, kdy se ta správná dá spolehlivě použít. To platí pro agenta stejně jako pro vývojáře, jen agent umí svou jistotu podávat obzvlášť přesvědčivě.

Web svěřený agentovi potřebuje měřítko úspěchu

Stejný projekt dal agentovi další práci: optimalizovat web pro vyhledávání a odpovědi AI. Agent má podle popisu přístup k analytice a z reálných dat si určuje priority. To je slibnější zadání než neurčité „udělej nám marketing“. Má k dispozici signál, podle kterého může volit, co řešit dřív.

Výsledek ale zatím nikdo nehlásil. Z přístupu k analytice samotné nepoznáme, zda agent vybral správné stránky, zda jeho úpravy pomohly návštěvníkům ani zda se zlepšila návštěvnost. Autor chtěl účinek teprve sledovat. Zde je moje redakční interpretace: skutečný přínos agenta se ukáže až při srovnání konkrétních změn s jejich dopadem, ne na počtu automaticky upravených titulků.

Praktický postup pro podobný pokus by mohl být krátký:

• Předem zapsat, které stránky a jaké chování návštěvníků chceme zlepšit.
• U každé úpravy ponechat důvod, z jakých dat agent vycházel a co přesně změnil.
• Po čase zkontrolovat, zda se změnilo něco podstatného; když ne, vrátit se k hypotéze, ne jen vygenerovat další text.

Do stejné sady nástrojů zapadá i video, které pro projekt připravil „AI markeťák“. Podle zkušenosti vzniklo s průběžným vedením a předěláváním; odhadovaná úspora byla asi osm hodin. Beru to jako osobní odhad, nikoli měření produktivity. Cennější než představa videa na jedno kliknutí je ta pracovní kombinace: stroj udělá opakované verze, člověk pozná, která má smysl pustit ven. O výsledku videa u publika zatím nic nevíme.

OpenHuman: pěkné okno, drahý začátek

Z jiného konce přišel pokus s OpenHuman, otevřeným agentním nástrojem pro desktop. V jednom vyzkoušení zaujal grafickým rozhraním a množstvím funkcí. Pak přišlo náročné nastavování a nástroj šel téměř hned pryč. To není hodnocení všech jeho možností. Je to přesná zpráva o tom, jak velkou překážkou může být cesta k první užitečné práci.

U agentních aplikací se snadno porovnávají seznamy funkcí. Pro člověka, který už má vlastní postup, je důležitější otázka, co musí připojit, přenastavit a průběžně spravovat, aby některou z těch funkcí vůbec použil. Lepší grafické rozhraní tento účet samo nezaplatí.

Kdybych OpenHuman zkoušel pro sebe, vybral bych jeden skutečný opakovaný úkol a měřil čas od instalace do použitelného výsledku. Zapsal bych i ruční zásahy potřebné při druhém a třetím opakování. Teprve potom bych porovnal pohodlí s pracovním postupem, který už používám. Nástroj může být technicky působivý a současně se do konkrétní práce nehodit; tento pokus ukazuje právě tu druhou otázku, nikoli obecný verdikt nad projektem.

Lokální model v krabičce: nejdřív energie, pak odpověď

V debatě se objevil návrh na malé zařízení s lokálním jazykovým modelem, baterií, solárním napájením a možná jednoduchým displejem. Smysl by mělo tam, kde není spolehlivé připojení. Zatím jde o nápad, nikoli o hotový hardware nebo vyzkoušený model. Nejlepší poznámka k němu byla překvapivě prostá: nejdřív vyřešit zdroj energie.

To posouvá rozhovor o lokální AI od otázky „jaký model se vejde dovnitř?“ k otázce „jak dlouho zařízení vydrží a k čemu bude skutečně dobré?“. Užitečný první prototyp by nemusel umět všechno. Stačilo by vybrat několik úzkých úloh, připravit pro ně podklady dostupné i bez sítě a pak změřit kvalitu odpovědí, spotřebu a výdrž. To je návrh testu, nikoli tvrzení, že dnešní malý model takové zařízení už spolehlivě zvládne.

Vedle krabičky zazněl i zájem o lokální model pro firmy a instituce a odkaz na řešení Aleph Alpha v souvislosti s Kolibri. Evropský původ zde zazněl jako možný důvod k zájmu, ne jako důkaz vhodnosti. Před výběrem pro konkrétní nasazení by bylo třeba ověřit licenci, provozní nároky, způsob práce s daty a kvalitu na vlastních úlohách. Samotná nálepka „lokální“ ani země původu tyto otázky neřeší.

Všechny čtyři pokusy se potkávají v jednom místě. Agent může být uživatelem knihovny, správcem webu, desktopovým pomocníkem i obsahem samostatného zařízení. Hodnotu ale poznáme až podle práce, která po něm zůstane: funkční aplikace, lepší web, ušetřený čas nebo spolehlivá odpověď bez připojení. Další demo zvládneme vygenerovat rychle. Tenhle účet bude zajímavější spočítat.