Od chatbotů ke spolupracovníkům: proč se další vlna umělé inteligence zaměřuje na správu agentů, nikoli na komunikaci s nimi

/Generál/ Od

Od chatbotů ke spolupracovníkům: proč se další vlna umělé inteligence zaměřuje na správu agentů, nikoli na komunikaci s nimi

V posledních několika letech většina lidí vnímala umělou inteligenci jako jediného partnera v konverzaci: zadáte žádost, model odpoví a provedete iteraci. Tento interakční vzorec je známý a často užitečný – ale zároveň naráží na své limity. Skutečná práce ve firmách zřídka vypadá jako jedno vlákno otázek a odpovědí. Vypadá jako chaotická síť dokumentů, kódových základen, front tiketů, sdílených složek, schválení, oprávnění a nedokončených úkolů, které je třeba koordinovat.

Proto dochází ke znatelnému posunu: dodavatelé umělé inteligence se vás snaží odsunout odchatování s modelkounadohled nad sadou modelů— malý „tým“ agentů, kteří si mohou rozdělit práci, běžet paralelně, uchovávat si vlastní kontext a podávat zpětné vazby.

Oznámení společností Anthropic a OpenAI z tohoto týdne jsou jasným signálem tohoto obratu. Anthropic prosazuje „týmy agentů“ do Claude Code spolu s novým vlajkovým modelem Claude Opus 4.6. OpenAI prosazuje Frontier, platformu zaměřenou na budování, nasazování a správu „kolegů s umělou inteligencí“ v podnicích.

Prezentace je svůdná: vy se stanete vedoucím, agenti se stanou konateli. Realita je ale složitější. V praxi práce nezmizí – mění se. Člověk se mění z role pracovníka na roli toho, kdo…manažera management má své vlastní náklady: dohled, koordinace, kontrola kvality a odpovědnost, když se něco pokazí.

Co lidé myslí pod pojmem „agent“ (a proč se nejedná jen o marketing)

V každodenní konverzaci se slovo „agent“ často používá jako vágní synonymum pro „umělou inteligenci, která dokáže věci dělat“. Technicky vzato většina moderních agentů kombinuje několik ingrediencí:

  • Plánovací smyčkaSystém se opakovaně rozhoduje, co dělat dál, místo aby odpověděl jednou.
  • Použití nástrojůAgent může volat API, spouštět příkazy, číst/zapisovat soubory, procházet interní znalostní bázi nebo otevírat tikety.
  • Stav a paměťAgent si vede lokální záznam o tom, co udělal, co se naučil a co je ještě třeba udělat.
  • OprávněníNějaká vrstva rozhoduje o tom, k čemu má agent přístup a jaké akce může provést.

Pokud jste někdy používali asistenta kódování, který dokáže spouštět testy, otevírat pull requesty nebo prohledávat repozitář, viděli jste rozdíl mezi chatbotem a agentem používajícím nástroje. Klíčové je, že agent není jengenerování textu— je toprovozování v rámci pracovního postupu.

Myšlenka „týmu“ přidává další vrstvu: místo jedné smyčky běží najednou více smyček. Jeden agent může prohledávat kódovou základnu. Jiný může navrhovat dokumentaci. Třetí může hledat okrajové případy nebo řešit problém z jiných hypotéz. V ideálním případě se to rychle děje, než by to dokázal jeden asistent.

Anthropicův pohled: týmy agentů v Claude Code

Antropický nový model,Claude Opus 4.6, je mladší jako silnější model „dělání těžkých věcí“: vylepšené kódování, lepší ladění a kontrola, déle udržitelné úkoly a beta kontextové okno, které lze dosáhnout1 milion tokenůPoslední bod je důležitý, protože mnoho selhání „agentů“ jsou ve skutečnosti selhání „kontextu“ – agenti s rostoucím počtem úkolů ztrácející přehled o detailech.

Spolu s modelem se Anthropic zaměřuje i na vývojářské UX:týmy agentůuvnitř Claude Code. Základní myšlenka je jednoduchá:

  • Založíte tým.
  • Jedno sezení funguje jako vodítko.
  • Více relací s členy týmu funguje nezávisle ve vlastním kontextu.
  • Spoluhráči si mohou navzájem posílat zprávy přímo (nejen přes vedoucího).

Dokumentace Anthropic zdůrazňuje, že týmy fungují nejlépe, když lze práci čistě paralelizovat: výzkum, recenze, modulární změny, konkurenční ladicí hypotézy, práce napříč vrstvami, kde různí agenti mohou vlastnit různé povrchy.

Dokumentace ale také připouští skrytou pravdu: týmy stojí víc. Spalují více tokenů a přidávají režijní náklady na koordinaci. Pokud je váš úkol sekvenční nebo hluboce propletený (například refaktoring, který se dotýká mnoha sdílených souborů), jedna dobrá relace může porazit „tým“, který neustále šlape sám na sebe.

Pohled OpenAI: Frontier jako řídicí rovina agenta

OpenAIHraniceje méně zaměřen na jednotlivé vývojáře a více na organizace. Je to vnímáno jako „vrstva správy“ pro nasazení agentů:

  • Sdílený kontext napříč podnikovými systémy (datové sklady, CRM, interní aplikace).
  • Identita agenta, oprávnění a hranice.
  • Konzistentní prostředí pro provádění.
  • Zpětná vazba a hodnocení pro zlepšení agentů.

Toto je běžný problém podniků, zahalený do jazyka umělé inteligence: firmy se již potýkají s rozrůstáním, řízením a fragmentovanými systémy. Pokud každý tým spouští agenty, kteří se připojují k různým nástrojům s různými oprávněními, výsledkem je chaos. Frontier je navržen tak, aby tuto správu centralizoval.

Toto sdělení je také konkurenční. Dodavatelé SaaS historicky prodávají software, který koordinuje obchodní pracovní postupy. Pokud modelové společnosti dokáží zabalit „pracovní postupy jako agenty“, mohou se do této oblasti přímo dostat.

Nepříjemná realita manažerů středního managementu

Zde je část, kterou dodavatelé zřídka zdůrazňují: lidská role se mění z „pracovníka“ na „vedoucího“. To zní posilujícím způsobem, ale s sebou to nese i určité kompromisy.

1) Nyní máte kontrolu kvality ve svých rukou

Agenti mohou rychle vytvářet návrhy, ale stále halucinují, špatně interpretují kontext nebo provádějí věrohodné, ale chybné změny. Když spustíte jednoho agenta, prověřujete jeden výstupní proud. Když spustíte pět agentů, prověřujete jich pět.

Jinými slovy: tým agentů může znásobit váš výkon, ale také může znásobit plochu, kde se věci mohou pokazit.

2) Koordinační režie je skutečná

Paralelismus funguje, když jsou úlohy nezávislé. Mnoho reálných projektů je ale propojených:

  • Změna datového modelu vynutí změny všude.
  • Oprava chyby se týká kódu, testů, dokumentace a nasazení.
  • Změna zásad se dotýká školení, komunikace a nástrojů.

I v lidských týmech může paralelní práce způsobovat konflikty sloučení a nesoulad. U agentů se tyto problémy objevují rychleji, protože pracují rychle – a přirozeně „necítí“ organizační kontext, pokud jej explicitně neposkytnete.

3) Zodpovědnost nezmizí

Pokud agent otevře pull request, který přeruší produkci, nemůžete říct „udělala to umělá inteligence“. Výsledek je zodpovědný za osobu, která jej schválila. Podniky se zajímají o oprávnění a auditní stopy, protože akce agenta je stále korporátní akcí.

Proto „spolupracovníci agentů“ rychle vede k otázkám ohledně:

  • Kdo agentovi udělil přístup?
  • Jaká data přečetlo?
  • Jaké kroky podniklo?
  • Můžeme reprodukovat jeho uvažovací řetězec?
  • Můžeme změny bezpečně vrátit zpět?

Proč k tomuto posunu dochází právě teď

Tato vlna není náhodná. Sblížilo se několik trendů.

Delší kontexty činí agenty méně křehkými.

Pokud model dokáže skutečně spolehlivě sledovat stovky tisíc tokenů, může v pracovní paměti uchovávat více kódové základny, historie tiketů nebo manuálu politik. To snižuje chyby typu „ztratit vlákno“, které dříve agenty frustrovaly.

Nástrojové ekosystémy dozrávají

V letech 2023–2024 se mnoho dem agentů spoléhalo na křehkou automatizaci prohlížečů nebo hračkové sady nástrojů. Dnes firmy vybudovaly skutečné integrace: přístup k repozitářům, pracovní stromy, ticketing, interní vyhledávání, přístup ke strukturovaným datům a sandboxové běhové prostředí.

Rozdíl mezi agentem, který můžemluvit o opravěa takový, který můžespustit testy a otevřít PRje obrovský.

Firmy chtějí pákový efekt, ne novost

Chatboti jsou užiteční, ale často jsou aditivní: pomáhají lidem dělat stejné úkoly o něco rychleji. Agentské platformy se snaží být multiplikativní: snaží se lidem úkoly skutečně převzít.

Tam se skrývá rozpočet. Pokud se společnosti podaří proměnit šestitýdenní optimalizační úkol v jeden den (jak tvrdí OpenAI ve Frontier marketingu), není to „cool tech“ – je to strategická výhoda.

Jak vypadá „dobrý“ systém pro týmy agentů

Pokud experimentujete s nastavením pro více agentů, nejspolehlivější výhry obvykle plynou z několika málo vzorců.

Dělit podle artefaktu, ne podle vágní role

„Výzkumník, kodér, tester“ je příliš nejasné. Lepší rozdělení vypadá takto:

  • Agent A: prohledá repozitář a zjistí, kde se používá X; vytvoří seznam cest k souborům.
  • Agent B: vypracovat plán migrace; vyjmenovat rizika a navrhnout testy.
  • Agent C: implementujte změny pouze v modulu Y; nedotýkejte se ostatních modulů.
  • Agent D: psát poznámky k vydání a aktualizovat dokumentaci.

Betonové hranice snižují překrývání a usnadňují kontrolu.

Kontrolní stanoviště sil

Bezpečný vzorec je:

  1. Agent navrhuje plán.
  2. Člověk schválí nebo opraví.
  3. Agent se spouští v omezeném rozsahu.
  4. Lidské kontroly a sloučení.

To je pomalejší než „nechat to běžet“, ale je to mnohem spolehlivější.

Zacházejte s agenty jako se stážisty se superschopnostmi

Dobrý mentální model zní: agenti jsou rychlí, neúnavní a mají široké znalosti – ale chybí jim úsudek v oblastech, které jsou nejdůležitější. Mohou být skvělí v generování možností a hrozní ve výběru té, která odpovídá vašim skutečným omezením.

Pokud s nimi budete zacházet jako s autonomními kolegy, spálíte se. Pokud s nimi budete zacházet jako s vysoce výkonnými asistenty, kteří potřebují vedení a kontrolu, získáte skutečnou hodnotu.

Rizika, která budou definovat příští rok

S šířením agentských platforem se některá rizika zvýší.

Rozšíření zabezpečení a oprávnění

Čím více nástrojů může agent používat, tím nebezpečnější se stává jednorázová injekce promptu nebo chybná konfigurace. Podniky budou stále více vyžadovat oprávnění s nejnižšími oprávněními, spouštění v sandboxu a silné auditní protokoly.

Hodnocení a metriky „spolehlivosti agentů“

Jedna věc jsou benchmarky pro schopnosti surového modelu. Druhá věc jsou benchmarky pro „zvládne tento agent dokončit pracovní postup ve vašem prostředí, aniž by něco narušil“. Očekávejte vlnu nástrojů pro hodnocení agentů: opakované běhy, bodování, sledování regrese a automatizované seskupování agentů.

Zablokování pracovního postupu

Pokud podnik postaví své operace kolem běhového prostředí agentů a kontextové vrstvy jednoho dodavatele, náklady na přechod se zvýší. To sice zvýší poptávku po standardech a přenositelnosti – ale dodavatelé budou také konkurovat tím, že své ekosystémy budou vázat na stávající systém.

Sečteno a podtrženo

Umělá inteligence se přesouvá zodpovídánínaherectvía zjeden asistentnatýmy agentůVýhoda je skutečná: paralelní práce, rychlejší průzkum a možnost pracovat v chaotických reálných systémech místo v chatovacím okně.

Tato změna ale lidi z cyklu neodstraňuje – cyklus mění. Pokud se objeví příběh o „kolegovi s umělou inteligencí“, mnoho znalostních pracovníků stráví méně času tvorbou prvních návrhů a více času dohledem, auditem a koordinací. Dalším bojištěm produktivity nebude to, kdo má nejchytřejšího chatbota. Bude to to, kdo dokáže agenty udělat spolehlivými, ovladatelnými a skutečně užitečnými v reálných organizacích.

Zdroje

Document Title
From chatbots to co-workers: why the next wave of AI is about managing agents, not talking to them
AI vendors are shifting from single chatbots to teams of tool-using agents. Here’s what agent teams are, why they’re emerging now, and why supervision and governance matter.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Bing delisted 1.5 million Neocities sites. Here’s why that matters for the open web
The “Virtual Console” is back… sort of: what Nintendo’s Switch 2 retro downloads really mean
Page Content
From chatbots to co-workers: why the next wave of AI is about managing agents, not talking to them
Nature
Climate
/
General
/ By
Admin
For the last couple of years, most people have experienced AI as a single conversational partner: you type a prompt, the model responds, and you iterate. That interaction pattern is familiar and often useful — but it also hits a ceiling. Real work inside companies rarely looks like a single Q&A thread. It looks like a messy web of documents, codebases, ticket queues, shared folders, approvals, permissions, and half-finished tasks that have to be coordinated.
That’s why a noticeable shift is underway: AI vendors are trying to move you from
chatting with a model
to
supervising a set of models
— a small “team” of agents that can split work, run in parallel, keep their own context, and report back.
This week’s announcements from Anthropic and OpenAI are a clear sign of that pivot. Anthropic is pushing “agent teams” inside Claude Code alongside a new flagship model, Claude Opus 4.6. OpenAI is pushing Frontier, a platform aimed at building, deploying, and governing “AI coworkers” inside enterprises.
The pitch is seductive: you become the lead, agents become the doers. But the reality is more complicated. In practice, the job doesn’t disappear — it changes. The human moves from being the worker to being the
manager
, and management has its own costs: oversight, coordination, quality control, and responsibility when something goes wrong.
What people mean by “agents” (and why it’s not just marketing)
In everyday conversation, “agent” is often used as a vague synonym for “AI that can do things.” Technically, most modern agents combine a few ingredients:
A planning loop
: the system repeatedly decides what to do next instead of answering once.
Tool use
: the agent can call APIs, run commands, read/write files, browse internal knowledge bases, or open tickets.
State and memory
: the agent keeps a local record of what it has done, what it learned, and what still needs doing.
Permissions
: some layer decides what the agent is allowed to access and what actions it can take.
If you’ve used a coding assistant that can run tests, open pull requests, or search a repo, you’ve seen the difference between a chatbot and a tool-using agent. The key point is that the agent is not only
generating text
— it is
operating inside a workflow
.
The “team” idea adds another layer: instead of one loop, you have multiple loops running at once. One agent can scan a codebase. Another can draft documentation. A third can chase down edge cases or attack the problem from a different hypothesis. Ideally, they converge faster than a single assistant could.
Anthropic’s take: agent teams in Claude Code
Anthropic’s new model,
Claude Opus 4.6
, is positioned as a stronger “do hard things” model: improved coding, better debugging and review, longer sustained tasks, and a beta context window that can reach
1 million tokens
. That last point matters because a lot of “agent” failures are really “context” failures — agents lose track of details as tasks grow.
Alongside the model, Anthropic is leaning into a developer UX:
agent teams
inside Claude Code. The basic idea is straightforward:
You start a team.
One session acts like a lead.
Multiple teammate sessions work independently in their own contexts.
Teammates can message each other directly (not only through the lead).
Anthropic’s own docs emphasize that teams work best when work can be parallelized cleanly: research, reviews, modular changes, competing debugging hypotheses, cross-layer work where different agents can own different surfaces.
But the docs also admit the hidden truth: teams cost more. They burn more tokens and they add coordination overhead. If your task is sequential or deeply entangled (for example, a refactor that touches many shared files), one good session may beat a “team” that is constantly stepping on itself.
OpenAI’s take: Frontier as the agent control plane
OpenAI’s
Frontier
is aimed less at individual developers and more at organizations. It reads like a “management layer” for agent deployment:
Shared context across business systems (data warehouses, CRMs, internal apps).
Agent identity, permissions, and boundaries.
A consistent execution environment.
Feedback loops and evaluation so agents improve.
This is a common enterprise problem dressed in AI language: companies already struggle with sprawl, governance, and fragmented systems. If every team spins up agents that connect to different tools with different permissions, the result is chaos. Frontier is positioned as a way to centralize that governance.
The message is also a competitive one. SaaS vendors historically sell software that coordinates business workflows. If model companies can package “workflows as agents,” they can reach directly into that territory.
The uncomfortable middle-manager reality
Here’s the part vendors rarely emphasize: the human role changes from “worker” to “supervisor.” That sounds empowering, but it comes with tradeoffs.
1) You now own quality control
Agents can draft quickly, but they still hallucinate, misread context, or make plausible-but-wrong changes. When you run one agent, you’re reviewing one stream of output. When you run five, you’re reviewing five.
In other words: a team of agents can multiply your output, but it can also multiply the surface area where things can go wrong.
2) Coordination overhead is real
Parallelism works when tasks are independent. But many real projects are coupled:
Changing a data model forces changes everywhere.
A bug fix touches code, tests, documentation, and deployment.
A policy change touches training, communication, and tooling.
Even in human teams, parallel work can create merge conflicts and misalignment. With agents, those issues appear faster because agents work quickly — and they don’t naturally “sense” organizational context unless you explicitly provide it.
3) Accountability doesn’t go away
If an agent opens a pull request that breaks production, you don’t get to say “the AI did it.” The person who approved it owns the outcome. Enterprises care about permissions and audit trails because the agent’s action is still a corporate action.
This is why “agent coworkers” quickly leads to questions about:
Who granted the agent access?
What data did it read?
What actions did it take?
Can we reproduce its chain of reasoning?
Can we roll back the changes safely?
Why the shift is happening now
This wave is not random. A few trends have converged.
Longer contexts make agents less brittle
If a model can genuinely track hundreds of thousands of tokens reliably, it can hold more of a codebase, a ticket history, or a policy manual in working memory. That reduces the “lost the thread” failures that made earlier agents frustrating.
Tool ecosystems are maturing
In 2023–2024, many agent demos relied on brittle browser automation or toy toolsets. Today, companies have built real integrations: repo access, worktrees, ticketing, internal search, structured data access, and sandboxed runtimes.
The difference between an agent that can
talk about a fix
and one that can
run tests and open a PR
is enormous.
Businesses want leverage, not novelty
Chatbots are useful, but they’re often additive: they help people do the same tasks a bit faster. Agent platforms are trying to be multiplicative: they try to actually take tasks off the human’s plate.
That’s where the budget lives. If a company can turn a six-week optimization task into one day (as OpenAI claims in Frontier marketing), that’s not “cool tech” — it’s a strategic advantage.
What “good” looks like for agent teams
If you’re experimenting with multi-agent setups, the most reliable wins tend to come from a few patterns.
Divide by artifact, not by vague role
“Researcher, coder, tester” is too fuzzy. Better splits look like:
Agent A: scan the repo for where X is used; produce a list with file paths.
Agent B: draft a migration plan; list risks and propose tests.
Agent C: implement changes only in module Y; do not touch other modules.
Agent D: write release notes and update docs.
Concrete boundaries reduce overlap and make review easier.
Force checkpoints
A safe pattern is:
Agent proposes a plan.
Human approves or corrects.
Agent executes in a constrained scope.
Human reviews and merges.
This is slower than “let it run,” but it’s far more dependable.
Treat agents like interns with superpowers
A good mental model is: agents are fast, tireless, and broadly knowledgeable — but they lack judgment in the ways that matter most. They can be brilliant at generating options and terrible at choosing the one that fits your actual constraints.
If you treat them like autonomous coworkers, you’ll get burned. If you treat them like high-output assistants that need guidance and review, you’ll get real value.
The risks that will define the next year
As agent platforms spread, a few risks will become sharper.
Security and permissions sprawl
The more tools an agent can use, the more dangerous a single prompt injection or misconfiguration becomes. Enterprises will increasingly demand least-privilege permissions, sandboxed execution, and strong audit logs.
Evaluation and “agent reliability” metrics
Benchmarks for raw model capability are one thing. Benchmarks for “can this agent complete a workflow in your environment without breaking things” are another. Expect a wave of agent evaluation tooling: replayable runs, scoring, regression tracking, and automated red-teaming.
Workflow lock-in
If an enterprise builds its operations around one vendor’s agent runtime and context layer, switching costs rise. This will push demand for standards and portability — but vendors will also compete by making their ecosystems sticky.
Bottom line
AI is moving from
answering
acting
, and from
one assistant
teams of agents
. The upside is real: parallel work, faster exploration, and the ability to operate inside messy real-world systems instead of in a chat box.
But the shift doesn’t remove humans from the loop — it changes the loop. If the “AI coworker” story lands, many knowledge workers will spend less time producing first drafts and more time supervising, auditing, and coordinating. The next productivity battleground won’t be who has the smartest chatbot. It will be who can make agents reliable, governable, and genuinely useful inside real organizations.
Sources
Ars Technica:
https://arstechnica.com/information-technology/2026/02/ai-companies-want-you-to-stop-chatting-with-bots-and-start-managing-them/
Anthropic announcement (Claude Opus 4.6):
https://www.anthropic.com/news/claude-opus-4-6
Claude Code docs (Agent teams):
https://code.claude.com/docs/en/agent-teams
OpenAI Frontier:
https://openai.com/index/introducing-openai-frontier/
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Bing delisted 1.5 million Neocities sites. Here’s why that matters for the open web
The “Virtual Console” is back… sort of: what Nintendo’s Switch 2 retro downloads really mean
AI vendors are shifting from single chatbots to teams of tool-using agents. Here’s what agent teams are, why they’re emerging now, and why supervision and governance matter.
Document Title
Page not found - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.
It looks like the link pointing here was faulty. Maybe try searching?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.
Florin.blog
Florin.blog » Feed
RSD
Search...
Čeština