Od chatbotov k spolupracovníkom: prečo sa ďalšia vlna umelej inteligencie týka riadenia agentov, nie rozprávania s nimi

/Všeobecné/ Od

Od chatbotov k spolupracovníkom: prečo sa ďalšia vlna umelej inteligencie týka riadenia agentov, nie rozprávania s nimi

Počas posledných dvoch rokov väčšina ľudí vnímala umelú inteligenciu ako jediného partnera v konverzácii: zadáte výzvu, model odpovie a vy iterujete. Tento interakčný vzorec je známy a často užitočný – ale zároveň naráža na svoje hranice. Skutočná práca v spoločnostiach zriedka vyzerá ako jedno vlákno otázok a odpovedí. Vyzerá ako chaotická sieť dokumentov, kódových báz, frontov tiketov, zdieľaných priečinkov, schválení, povolení a nedokončených úloh, ktoré je potrebné koordinovať.

Preto prebieha badateľný posun: predajcovia umelej inteligencie sa vás snažia presunúť z...chatovanie s modelkoukdohľad nad súborom modelov— malý „tím“ agentov, ktorí si môžu rozdeliť prácu, bežať paralelne, udržiavať si vlastný kontext a podávať spätné správy.

Oznámenia spoločností Anthropic a OpenAI z tohto týždňa sú jasným znakom tohto obratu. Anthropic presúva „tímy agentov“ do Claude Code spolu s novým vlajkovým modelom Claude Opus 4.6. OpenAI presadzuje Frontier, platformu zameranú na budovanie, nasadzovanie a riadenie „kolegov s umelou inteligenciou“ v rámci podnikov.

Prezentácia je lákavá: vy sa stanete vedúcim, agenti sa stanú konateľmi. Realita je však zložitejšia. V praxi práca nezmizne – mení sa. Človek sa presúva z pracovníka na toho, kto...manažéra manažment má svoje vlastné náklady: dohľad, koordináciu, kontrolu kvality a zodpovednosť, keď sa niečo pokazí.

Čo ľudia myslia pod pojmom „agent“ (a prečo to nie je len marketing)

V každodennej konverzácii sa slovo „agent“ často používa ako vágne synonymum pre „umelú inteligenciu, ktorá dokáže veci robiť“. Technicky vzaté, väčšina moderných agentov kombinuje niekoľko zložiek:

  • Plánovací cyklusSystém sa opakovane rozhoduje, čo má robiť ďalej, namiesto toho, aby odpovedal len raz.
  • Použitie nástrojaAgent môže volať API, spúšťať príkazy, čítať/zapisovať súbory, prehliadať interné znalostné bázy alebo otvárať tikety.
  • Stav a pamäťAgent si vedie lokálny záznam o tom, čo urobil, čo sa naučil a čo je ešte potrebné urobiť.
  • Povolenia: niektorá vrstva rozhoduje o tom, k čomu má agent prístup a aké akcie môže vykonať.

Ak ste niekedy používali asistenta kódovania, ktorý dokáže spúšťať testy, otvárať žiadosti o zmeny alebo vyhľadávať v repozitári, videli ste rozdiel medzi chatbotom a agentom používajúcim nástroje. Kľúčové je, že agent nie je lengenerovanie textu— je tofungovanie v rámci pracovného postupu.

Myšlienka „tímu“ pridáva ďalšiu vrstvu: namiesto jednej slučky beží viacero slučiek naraz. Jeden agent môže prehľadávať kódovú základňu. Iný môže navrhovať dokumentáciu. Tretí môže hľadať okrajové prípady alebo riešiť problém z inej hypotézy. V ideálnom prípade sa zbiehajú rýchlejšie, ako by to dokázal jeden asistent.

Anthropicov pohľad: tímy agentov v Claude Code

Anthropicov nový model,Claude Opus 4.6, je prezentovaný ako silnejší model „robenia náročných vecí“: vylepšené kódovanie, lepšie ladenie a kontrola, dlhšie trvajúce úlohy a beta kontextové okno, ktoré môže dosiahnuť1 milión tokenovPosledný bod je dôležitý, pretože veľa zlyhaní „agentov“ je v skutočnosti zlyhaním „kontextu“ – agenti strácajú prehľad o detailoch s rastúcim počtom úloh.

Popri modeli sa Anthropic zameriava aj na vývojárske UX:tímy agentovvo vnútri Claude Code. Základná myšlienka je jednoduchá:

  • Založíš tím.
  • Jedno sedenie funguje ako vodítko.
  • Viaceré relácie s členmi tímu fungujú nezávisle vo svojich vlastných kontextoch.
  • Spoluhráči si môžu navzájom posielať správy priamo (nielen cez vedúceho).

Dokumentácia spoločnosti Anthropic zdôrazňuje, že tímy fungujú najlepšie, keď sa dá práca čisto paralelizovať: výskum, recenzie, modulárne zmeny, konkurenčné hypotézy ladenia, práca medzi vrstvami, kde rôzni agenti môžu vlastniť rôzne povrchy.

Dokumentácia však pripúšťa aj skrytú pravdu: tímy stoja viac. Spaľujú viac tokenov a zvyšujú náklady na koordináciu. Ak je vaša úloha sekvenčná alebo hlboko prepletená (napríklad refaktoring, ktorý sa dotýka mnohých zdieľaných súborov), jedna dobrá relácia môže prekonať „tím“, ktorý neustále šliape sám po sebe.

Pohľad OpenAI: Frontier ako riadiaca rovina agenta

OpenAIHranicaje menej zameraný na individuálnych vývojárov a viac na organizácie. Je to ako „vrstva riadenia“ pre nasadenie agentov:

  • Zdieľaný kontext naprieč obchodnými systémami (dátové sklady, CRM, interné aplikácie).
  • Identita agenta, oprávnenia a hranice.
  • Konzistentné prostredie pre vykonávanie.
  • Spätná väzba a hodnotenie, aby sa agenti zlepšovali.

Toto je bežný problém podnikov, vyjadrený v jazyku umelej inteligencie: spoločnosti už teraz zápasia s rozrastaním, riadením a fragmentovanými systémami. Ak každý tím používa agentov, ktorí sa pripájajú k rôznym nástrojom s rôznymi oprávneniami, výsledkom je chaos. Frontier je navrhnutý ako spôsob centralizácie tohto riadenia.

Toto posolstvo je tiež konkurenčné. Dodávatelia SaaS historicky predávajú softvér, ktorý koordinuje obchodné pracovné postupy. Ak modelové spoločnosti dokážu zabaliť „pracovné postupy ako agentov“, môžu sa priamo dostať do tejto oblasti.

Nepríjemná realita stredného manažmentu

Tu je časť, ktorú dodávatelia zriedka zdôrazňujú: ľudská rola sa mení z „pracovníka“ na „supervízora“. Znie to posilňujúco, ale prináša to aj určité kompromisy.

1) Teraz vlastníte kontrolu kvality

Agenti dokážu rýchlo písať návrhy, ale stále halucinujú, nesprávne interpretujú kontext alebo robia pravdepodobné, ale nesprávne zmeny. Keď spustíte jedného agenta, prehodnocujete jeden výstupný prúd. Keď spustíte päť agentov, prehodnocujete päť.

Inými slovami: tím agentov môže znásobiť váš výkon, ale môže tiež znásobiť plochu, kde sa veci môžu pokaziť.

2) Koordinačné réžia je skutočná

Paralelizmus funguje, keď sú úlohy nezávislé. Mnoho reálnych projektov je však prepojených:

  • Zmena dátového modelu vynúti zmeny všade.
  • Oprava chyby sa týka kódu, testov, dokumentácie a nasadenia.
  • Zmena politiky sa dotýka školení, komunikácie a nástrojov.

Dokonca aj v ľudských tímoch môže paralelná práca vytvárať konflikty pri zlúčení a nesúlad. U agentov sa tieto problémy objavujú rýchlejšie, pretože pracujú rýchlo – a prirodzene „necítia“ organizačný kontext, pokiaľ im ho explicitne neposkytnete.

3) Zodpovednosť nezmizne

Ak agent otvorí žiadosť o stiahnutie (pull request), ktorá preruší produkciu, nemôžete povedať „to urobila umelá inteligencia“. Výsledok vlastní osoba, ktorá to schválila. Podniky sa zaujímajú o povolenia a audítorské záznamy, pretože akcia agenta je stále korporátnou akciou.

Preto výraz „kolegovia agenti“ rýchlo vedie k otázkam o:

  • Kto povolil agentovi prístup?
  • Aké údaje načítalo?
  • Aké kroky podniklo?
  • Vieme reprodukovať jeho uvažovací reťazec?
  • Môžeme bezpečne vrátiť zmeny späť?

Prečo k posunu dochádza práve teraz

Táto vlna nie je náhodná. Zblížilo sa niekoľko trendov.

Dlhšie kontexty robia agentov menej krehkými

Ak model dokáže spoľahlivo sledovať státisíce tokenov, môže v pracovnej pamäti uchovávať viac kódovej bázy, histórie tiketov alebo manuálu politík. To znižuje počet zlyhaní typu „strata vlákna“, ktoré frustrovali skorších agentov.

Ekosystémy nástrojov dozrievajú

V rokoch 2023 – 2024 sa mnohé demá agentov spoliehali na krehkú automatizáciu prehliadačov alebo hračkárske sady nástrojov. Dnes spoločnosti vybudovali skutočné integrácie: prístup k repozitárom, pracovné stromy, systém ticketingu, interné vyhľadávanie, prístup k štruktúrovaným údajom a sandboxové runtime prostredia.

Rozdiel medzi agentom, ktorý môžehovoriť o opravea taký, ktorý dokážespustiť testy a otvoriť PRje obrovský.

Firmy chcú pákový efekt, nie novosť

Chatboti sú užitočné, ale často sú aditívne: pomáhajú ľuďom vykonávať rovnaké úlohy o niečo rýchlejšie. Agentské platformy sa snažia byť multiplikatívne: snažia sa v skutočnosti prebrať úlohy z ľudskej náplne.

Tam sa nachádza rozpočet. Ak spoločnosť dokáže premeniť šesťtýždňovú optimalizačnú úlohu na jeden deň (ako tvrdí OpenAI vo Frontier marketingu), nie je to „cool technológia“ – je to strategická výhoda.

Ako vyzerá „dobrý“ stav pre tímy agentov

Ak experimentujete s nastaveniami pre viacerých agentov, najspoľahlivejšie výhry zvyčajne pochádzajú z niekoľkých vzorcov.

Rozdeľte podľa artefaktu, nie podľa vágnej úlohy

„Výskumník, programátor, tester“ je príliš nejasné. Lepšie rozdelenia vyzerajú takto:

  • Agent A: prehľadá repozitár a nájde miesto, kde sa používa X; vytvorí zoznam s cestami k súborom.
  • Agent B: vypracovať plán migrácie; uviesť riziká a navrhnúť testy.
  • Agent C: implementovať zmeny iba v module Y; nedotýkať sa ostatných modulov.
  • Agent D: písať poznámky k vydaniu a aktualizovať dokumentáciu.

Betónové hranice znižujú prekrývanie a uľahčujú kontrolu.

Kontrolné body síl

Bezpečný vzorec je:

  1. Agent navrhuje plán.
  2. Človek schvaľuje alebo opravuje.
  3. Agent sa vykonáva v obmedzenom rozsahu.
  4. Ľudské kontroly a zlúčenia.

Toto je pomalšie ako „nechať to bežať“, ale je to oveľa spoľahlivejšie.

Správajte sa k agentom ako k stážistom so superschopnosťami

Dobrý mentálny model je: agenti sú rýchli, neúnavní a majú široké znalosti – ale chýba im úsudok v oblastiach, ktoré sú najdôležitejšie. Môžu byť skvelí v generovaní možností a hrozní vo výbere tej, ktorá zodpovedá vašim skutočným obmedzeniam.

Ak sa k nim budete správať ako k autonómnym kolegom, popálite sa. Ak sa k nim budete správať ako k vysokovýkonným asistentom, ktorí potrebujú vedenie a kontrolu, získate skutočnú hodnotu.

Riziká, ktoré budú definovať budúci rok

S rozširovaním platforiem agentov sa niektoré riziká vyostrujú.

Rozširovanie bezpečnosti a povolení

Čím viac nástrojov môže agent použiť, tým nebezpečnejšia sa stáva jednorazová injekcia výzvy alebo nesprávna konfigurácia. Podniky budú čoraz viac požadovať povolenia s najnižšími privilégiami, vykonávanie v sandboxe a silné protokoly auditu.

Hodnotenie a metriky „spoľahlivosti agenta“

Jedna vec sú benchmarky pre schopnosti surového modelu. Druhá vec sú benchmarky pre „dokáže tento agent dokončiť pracovný postup vo vašom prostredí bez toho, aby niečo pokazil“. Očakávajte vlnu nástrojov na hodnotenie agentov: opakované spustenia, bodovanie, sledovanie regresie a automatizované vytváranie červených tímov.

Zafixovanie pracovného postupu

Ak podnik buduje svoje operácie okolo runtime a kontextovej vrstvy agenta jedného dodávateľa, náklady na prechod sa zvýšia. To zvýši dopyt po štandardoch a prenositeľnosti – ale dodávatelia budú tiež súťažiť tým, že svoje ekosystémy urobia nepoddajnými.

Zrátané a podčiarknuté

UI sa presúva zodpovedaniekherectvoa zjeden asistentktímy agentovVýhoda je skutočná: paralelná práca, rýchlejšie skúmanie a možnosť pracovať v chaotických systémoch reálneho sveta namiesto v chatovacom okne.

Táto zmena však neodstraňuje ľudí z cyklu – mení ho. Ak sa objaví príbeh o „kolegovi s umelou inteligenciou“, mnohí znalostní pracovníci strávia menej času tvorbou prvých návrhov a viac času dohľadom, auditom a koordináciou. Ďalším bojiskom produktivity nebude to, kto má najinteligentnejšieho chatbota. Bude to to, kto dokáže urobiť agentov spoľahlivými, ovládateľnými a skutočne užitočnými v reálnych organizáciách.

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...
l Slovenčina