Keď Sam Altman na DevDayi vyhlásil, že „AGI príde skôr, než si myslíme“, rozbehla sa ďalšia vlna špekulácií — hoci OpenAI na burze obchodovaná nie je a jej podiely sa dajú kúpiť len na sekundárnom pre-IPO trhu.
No kým vy diskutujete na LinkedInu o tom, či GPT-6 prevezme vašu prácu, niekde v serverovni beží model, ktorý nevie spočítať, koľko jabĺk zostane v košíku po tom, čo tri z piatich odnesiete. Toto je realita, ktorú marketingové tlačovky neukazujú.
Definícia, ktorá sa neustále posúva
AGI (Artificial General Intelligence) je ako horizont – čím bližšie sa k nemu priblížite, tým viac sa vzďaľuje. V roku 2015 by ste za AGI považovali model, ktorý zloží Turingov test. Dnes to nestačí ani na to, aby ste ho nazvali „pokročilým asistentom“. Definícia sa posúva presne tým tempom, akým rastú schopnosti modelov.
Skúsme si to kvantifikovať. Podľa metrík ARC-AGI benchmarku, ktorý meria schopnosť riešiť nové, neznáme problémy, dosahovali v roku 2024 modely GPT-4o 9 % a Claude 3.5 Sonnet 21 %, teda ani zďaleka nie okolo 30 – 35 % úspešnosť. Ľudský priemer je 76 %, pričom každú úlohu vyriešil aspoň jeden človek (100 % na úrovni úloh). A to je benchmark, ktorý nemeria vedomosti, ale práve tú „všeobecnú inteligenciu“, o ktorej sa bavíme.
Čo už dnes naozaj funguje
Nechcem byť len skeptik. Za posledných 18 mesiacov sme zaznamenali reálne míľniky, ktoré by sme ešte pred tromi rokmi označili za sci-fi:
- Plánovanie a multi-step reasoning: Modely ako o1-preview zvládajú logické reťazce, ktoré bežnému človeku trvajú minúty. Pri benchmarkoch ako GPQA (postgraduálne otázky z fyziky, chémie, biológie) dosahujú nad 75 % úspešnosť – teda viac ako väčšina ľudí s PhD.
- Kódovanie: GPT-4o a Claude 3.5 riešia reálne úlohy z GitHub issues. Vo firmách, ktoré nasadili AI copilotov, rastie produktivita developerov o 20 – 40 % (GitHub Copilot interné dáta, 2024).
- Multimodalita: Modely rozumejú obrázkom, videu, zvuku. Whisper dosahuje na slovenčine chybovosť 9,2 %, na angličtine mieru chybovosti pod 5 % – to je lepšie ako väčšina profesionálnych prepisovateľov.
Kde to stále zlyháva
A teraz tá menej príjemná časť. Keď sa pozriete na modely kriticky, objavíte systematické slabiny, ktoré AGI vylučujú:
- Halucinácie ako štandard: Model vám s plnou vážnosťou vysvetlí, že Bratislava je hlavné mesto Maďarska. Nejde o ojedinelý bug, ale o štrukturálnu vlastnosť – jazykové modely negenerujú fakty, ale pravdepodobné sekvencie tokenov. Pri otázkach, ktoré vyžadujú aktuálne dáta, je chybovosť 5 – 15 % aj pri najlepších modeloch.
- Žiadna skutočná kauzalita: Modely nechápu príčinu a následok. Vedia zhrnúť text, ale nedokážu predpovedať, čo sa stane, keď zmeníte jednu premennú v systéme, ktorý nevideli v tréningových dátach.
- Absencia dlhodobej pamäte a cieľov: AGI by mala byť agent, ktorý si stanoví cieľ, plánuje kroky a koriguje postup. Súčasné modely fungujú v rámci kontextového okna (typicky 128k – 1M tokenov). Po jeho prekročení „zabúdajú“ – nemajú žiadnu kontinuitu existencie.
- Spotreba energie: Jeden tréning GPT-4 spotreboval približne 50 GWh – to je ročná spotreba približne 18 000 slovenských domácností. Inferencia (používanie) modelu stojí zlomok, no stále je to o rád vyššia energetická náročnosť ako ľudský mozog (20 W).
Biznis pohľad: na čom záleží vám
Prestaňme sa baviť o filozofii a pozrime sa na ROI. Pre firmu dnes nie je dôležité, či model „myslí“, ale či rieši konkrétne úlohy lacnejšie a rýchlejšie ako človek. A tu je odpoveď jasná:
Áno, ale len v úzkych doménach. AI asistent v call centre zníži náklady na prvý kontakt o 30 – 50 %. Generátor reportov ušetrí analytikovi 10 – 15 hodín týždenne. Automatizácia vstupných faktúr zníži chybovosť o 90 %. To všetko je realita, ktorá sa deje práve teraz.
Ale pozor na pasce. Nasadzovanie AI bez jasnej metriky návratnosti je istá cesta k vyhodeným peniazom. Odporúčam začať s jedným úzkym procesom, zmerať baseline (východiskový stav) a až potom škálovať. Priemerná firma, ktorá nasadí AI „pretože to chce CEO“, minie v prvom roku 20 – 50 % rozpočtu na integráciu, nie na samotné modely.
Čo môžete očakávať v najbližších rokoch
Realistický scenár podľa väčšiny výskumníkov (vrátane ľudí z DeepMind a Anthropic):
- 2025 – 2027: Modely, ktoré zvládnu dlhodobé agentné úlohy (rezervácia celej dovolenky bez ľudského zásahu). Zlepšenie pamäte cez RAG a externé databázy.
- 2027 – 2030: Prvé systémy, ktoré prekonajú ľudí v špecifických vedeckých a inžinierskych úlohách. Stále bez „všeobecného“ charakteru.
- Po 2030: Kto vie. Možno nič, možno všetko.
Richardov biznis verdikt: čo z toho plánovať a čo pokojne ignorovať
Nasaditeľné – ale nie AGI. Investujte do úzkych, dobre definovaných AI riešení, ktoré riešia konkrétny problém s merateľnou návratnosťou do 12 mesiacov. AGI ako všeobecnú inteligenciu nechajte na akademické debaty. Váš konkurent vám totiž neuberie trh preto, že má „AGI“, ale preto, že má o 30 % nižšie náklady na zákaznícku podporu.
