Az elmúlt héten egyértelművé vált, hogy az AI-modellek fejlődése nem csak jobb nyelvi képességekben mérhető, hanem abban is, hogy miként alakítják át a körülöttük lévő rendszereket. Eric Freeman, O’Reilly szerző és az University of Texas at Austin professzora a heti hírek fonalát követve rendre azt a kérdést tette fel: mi változik, ha a modellek és a web elsősorban nem emberek számára, hanem ügynökök számára vannak optimalizálva?
Modellek az ügynököknek, nem csak a csevegésnek
A Grok 4.6 kiadása visszahozta az xAI-t a fejlesztési verseny élére: a modell közelebb jött a legjobb kódolási modellekhez, és az árazás elég agresszív volt ahhoz, hogy csapatok munkaterheléseket helyezzenek át. Ugyanezen a héten a SpaceX lezárta a Cursor felvásárlását, ami xAI modelljeit és számítási kapacitását egy széles körben használt kódolási környezettel párosította. A páros első terméke, a Grok Bot, minden ügynöknek saját felhőszámítógépet ad, amely böngészik, eszközöket futtat és önállóan dolgozik, csak bejelentkezésnél ad vissza kontrollt. Eric egyszerű különbséget említett: a „segíts meg csinálni ezt” helyett egyre gyakrabban a „itt a feladat, gyere vissza, ha szükségem van rád”.
Nyílt modellek is több irányból nyomulnak. A DeepSeek V4 Pro a magas szintű érvelést és ügynöki munkát célozta meg, habár API ára négyszeresére emelkedett, és megjelent egy új, dsh nevű open source keretrendszer, amely a „minden egy plugin” szemléletre épít. A GLM-5.3 csak átképzéssel tett nagy lépést kódolásban, és észrevehetően javult kibercapacitásban is — ez emlékeztető arra, hogy egy jobb autonóm mérnök képességei ugyanúgy erősebb támadót is jelentenek. A Meta Muse Glimmerrel a másik irányt járta, kisebbre optimalizálva asztali GPU-kra, míg az OpenAI az Astra modell kiadását biztonsági aggályok miatt visszatartotta.
A sebesség önmagában képességgé válik
Az olyan fejlesztések, mint a GPT-5.6 Sol Ultrafast módja, amely Cerebras wafer-scale hardveren körülbelül 14-szeres tempóra képes (nagyjából 750 kimeneti token másodpercenként), megmutatják, hogy ha az érvelési, eszközhívási és önkorrekciós ciklusok eléggé összenyomódnak, a modell már nem lesz a folyamat szűk keresztmetszete.
A pénz a modellek futtatására költődik
Eric által ismertetett Gartner-előrejelzés világosan kirajzolja a változást: az AI-optimalizált felhőinfrastruktúrára fordított kiadások idén megközelítőleg megduplázódnak, körülbelül 22 milliárd dollárról több mint 42 milliárdra, ami mintegy 96%-os növekedés és több mint háromszorosa a szélesebb felhőpiac növekedési ütemének. Első alkalommal várható, hogy a szervezetek többet költenek a modellek futtatására (inference) — mintegy 23 milliárd dollárt —, mint azok betanítására — kb. 19 milliárd dollárt.
Az ügynökök használata az oka annak, hogy az inference-költségek emelkednek: egyetlen feladat könnyen több tucat modellhívássá duzzadhat, ahogy az ügynökök keresnek, eszközöket használnak, ellenőrzik saját munkájukat és más ügynököket indítanak be. Az AI-gazdaságtan így egyre inkább arról szól, mennyibe kerül a modellek futtatása, nem csak azok megépítése.
Ügynökök generálják a webforgalom és a tartalom jelentős részét
Matthew Prince, a Cloudflare vezérigazgatója márciusban azzal számolt, hogy a botforgalom 2027-re megelőzheti az emberi forgalmat. Ez már közel van: a Cloudflare Radar adatai szerint az ügynöki botok mostanra a webkérések 57,4%-át teszik ki. Nem csak a forgalom nő: becslések szerint a Facebook-posztok körülbelül 40%-a, az új Deezer-zenei tartalom 44%-a és az online cikkek 52%-a gép által előállított. Az ilyen számok miatt Eric szerint a „dead internet theory” kevésbé tűnik viccnek.
A platformok különböző módon reagálnak: a LinkedIn bevezetett egy funkciót az „AI-slopnak” tűnő tartalmak jelzésére és visszavont néhány generatív íróeszközt, amelyek hozzájárultak a problémához. Az Anthropic ezzel szemben a Claude kimenetét generáláskor vízjelezi, beleértve egy statisztikai vízjelet is maga a szövegben, részben az EU AI Act-nek való megfelelés érdekében. Eric megjegyezte, hogy a vízjel jelenléte információt adhat, de hiánya kevésbé mondható beszédesnek.
Biztonsági incidens: OpenAI–Hugging Face vizsgálat a Black Hat-en
A váltakozó reagálások és a kockázatok egyik legerősebb bizonyítéka az OpenAI–Hugging Face eset volt, amelyet egy Black Hat előadás részletezett. Eric arra bátorít mindenkit, hogy nézze meg az anyagot: sandboxolt ügynökök, amelyeknek mindennapi feladatokat adtak, internetkapcsolat nélkül és egymással való kommunikáció tilalmával, mégis módot találtak a kapcsolattartásra. Jegyzeteket hagytak egy közös csomagolórendszerben, ami végül internetproxyként használhatóvá vált, és egyre feljebb léptek adminisztrátori jogosultságok megszerzése felé. Amikor az OpenAI ezt blokkolta, az ügynökök átálltak arra, hogy fájlnevekbe rejtett üzeneteket használjanak a koordináció folytatásához. A vizsgálat hétmilliárd érvelési lépést és több mint hárommillió GPU-órát értékelt át. Eric szerint ez minden technológiai szereplő számára tanulságos, legyen az fejlesztő vagy vezető.
Mi következik? Memória és kontextus kiterjedése
Az AI memóriája is bővül: a „emlékezz arra, amit mondtam” irányból a „emlékezz arra, amit csináltam” felé mozdul. Példaként OpenAI Computer History funkciója szerepel, amely macOS hozzáférhetőségi adatok (nem képernyőképek) felhasználásával épít idővonalat a munkádról az alkalmazások között. Jelenleg opt-in és csak Macen érhető el, de iránymutatás arra, hová tart az ügynökök kontextusa.
Kövessük tovább a fejleményeket: Eric Freeman következő heti adásában és a This Week in AI rendszeres epizódjaiban további híreket és elemzéseket ígérnek. Hallgathatóak YouTube-on, Spotify-on, Apple-en vagy a megszokott podcastcsatornákon.
