Představme si pondělní ráno v týmu, který si pořídil několik AI agentů. Jeden prochází kód, druhý píše testy, třetí hledá chybu a čtvrtý mezitím připravuje dokumentaci. Všichni pracují rychle, ale po pár hodinách není jasné, kdo co převzal, co je skutečně hotové a které „splněno“ znamená jen další sebejistou zprávu v chatu.
Právě na tento nepořádek míří TaskWire, o kterém jsme psali v aktuální Rychlé zprávě. Služba se popisuje jako desktopová aplikace se sdílenou pracovní plochou, kde mohou lidé a AI agenti pracovat s úkoly, aniž by každý nový krok znovu načítal celý dlouhý chat.
To je podstatnější změna, než jak na první pohled vypadá. TaskWire neprodává další model ani další osobnost do chatbotu. Prodává pracovní režim, v němž má být vidět stav práce, vlastník úkolu a okamžik, kdy má člověk přestat sledovat konverzaci a začít kontrolovat výsledek.
Chat je dobrý na domluvu. Výroba potřebuje stav
Dlouhý chat má jednu příjemnou vlastnost: všechno je na jednom místě. Člověk může napsat požadavek, doplnit výjimku a o několik zpráv později se vrátit k detailu, který by v jiném systému hledal. Jakmile ale stejný chat používá více agentů, začne připomínat poradu, z níž si každý účastník odnáší jinou verzi úkolu.
Agent si přečte historii, vybere si z ní část a vyrobí odpověď. Další agent potom čte tutéž historii znovu, jen s jiným cílem. Vzniká dojem spolupráce, ale ve skutečnosti se často jen opakuje předávání kontextu. Čím delší je záznam, tím více pozornosti padá na vysvětlování minulosti místo práce na přítomném problému.
TaskWire staví na opačné jednotce: agent si vezme jeden konkrétní úkol, jeho pokyny, složku a vlastní vlákno. Podle popisu na oficiální stránce TaskWire má další práce začínat čistě, bez automatického přenášení celého včerejšího rozhovoru. To může omezit zbytečné čtení, ale samo o sobě to není kouzelná úspora tokenů.
Rozhoduje, jak dobře člověk úkol rozdělí. „Oprav aplikaci“ je pořád špatně zadaná práce, i když ji vložíme do elegantní tabule. „Najdi příčinu pádu vyhledávání při prázdném dotazu, změnu otestuj a vrať ji ke kontrole“ už má hranice, podle kterých lze poznat, co má agent udělat a kdy skončil.
Úkol není kratší prompt. Je to dohoda o odpovědnosti
Na sdíleném boardu není nejdůležitější barevná kartička ani animace přesunu do dalšího sloupce. Důležité je, že úkol může mít jednoho vlastníka, jasný stav a stopu změn. Když dva agenti pracují na stejném problému, nejde pouze o nepříjemné překrývání práce. Může vzniknout konflikt v kódu, rozbitý dokument nebo rozhodnutí, u kterého se nikdo nepřihlásí k odpovědnosti.
TaskWire podle svého popisu umožňuje agentům úkoly postupně nárokovat, posouvat je z čekání do kontroly a sdílet u nich konverzaci. Uvádí také stavové signály agentů: člověk má vidět, kdo čeká, kdo pracuje a kdo se odmlčel. To je užitečnější než další okno s nápisem „AI přemýšlí“, protože provozní otázka zní: na koho se teď můžeme spolehnout?
Zároveň je fér držet se hranice zdroje. Tohle jsou funkce a příklady popsané výrobcem, nikoli výsledek nezávislého testu několika týmů. Nevíme z nich, zda se práce v reálném projektu zrychlí, kolik oprav přibude ani zda lidé nezačnou jen poctivěji sledovat více stavových polí.
Přesto je princip zdravý. V článku o Yetim jsme řešili podobný problém z opačné strany: produktový návrh potřebuje kontrolní body, jinak AI jen uhladí nejasný nápad do přesvědčivého textu. TaskWire řeší další patro stejné potíže. Jakmile je rozhodnuto, co se má dělat, musí být stejně čitelné, kdo to dělá a co po něm zůstalo.
Koordinace není počet agentů na obrazovce
Na trhu je snadné zaměnit počet připojených agentů za schopnost týmu. Tři modely otevřené vedle sebe vypadají jako digitální oddělení. Ve skutečnosti mohou tři lidé jen rychleji vyrábět nesouvisející návrhy, které pak musí někdo ručně porovnat, sjednotit a opravit.
TaskWire proto dává smysl hlavně jako pracovní infrastruktura. Podle zveřejněného popisu podporuje nástroje jako Claude Code, Codex, Cursor, Aider, ChatGPT, Gemini, OpenRouter, Ollama i vlastní skripty. Neříká tím, že všechny pracují stejně dobře. Říká spíš, že board má být místo, kde lze práci přidělit různým pracovníkům, ne další uzamčený chatbot.
To je důležitý rozdíl. Když se změní model, neměla by se rozpadnout evidence úkolů, rozhodnutí a kontroly. Stejnou myšlenku jsme sledovali u TaskPocketu, který odděluje seznam úkolů od volby asistenta. TaskWire jde dál směrem k více pracovníkům, ale otázka zůstává stejná: patří pracovní stav nástroji, nebo konkrétnímu modelu?
Dobře navržený systém musí umět i nečinnost. Agent, který čeká na odpověď člověka, není rozbitý agent. Úkol, který se vrátí k doplnění, není selhání workflow. Pokud board ukazuje pouze plynulý pohyb vpřed, bude tým tlačit problémy pod koberec, aby tabule vypadala zdravě.
Lokální board neznamená lokální AI
TaskWire rozlišuje lokální a live režim. V lokálním režimu má board, chat a logy zůstávat v databázi na počítači a agenti na stejném stroji mají pracovat v místních složkách. V live režimu se k boardu připojují agenti z cloudu a úkoly s komunikací se ukládají na vzdáleném hubu.
To je užitečné rozdělení, ale slovo „lokální“ nesmí udělat z cloudového modelu domácí spotřebič. Oficiální stránka zároveň počítá s přidáním modelů přes API klíč a s nástroji, které si drží vlastní relaci. Místní může být pracovní složka nebo databáze úkolů, zatímco obsah konkrétního zadání stále putuje k poskytovateli modelu.
Při práci s firemním kódem proto nestačí zeptat se, kde běží board. Je potřeba zjistit, co čte agent, komu patří jeho klíč, jak široká má oprávnění a zda se do úkolu omylem nedostaly údaje zákazníků. Zásady ochrany soukromí TaskWire jsou jeden podklad, ne náhrada za vlastní pravidla firmy a kontrolu nastavení používaných modelů.
Zajímavá je i hranice mezi pohodlím a kontrolou. Když agent pracuje v místní složce, neznamená to, že smí měnit všechno, co v ní najde. Board může ukázat, kdo úkol převzal, ale odpovědnost za přístup k repozitáři, produkčním klíčům a citlivým souborům musí zůstat v rukou lidí.
Člověk nebude pryč. Bude rozhodovat, co se počítá jako hotové
Největší slabina podobných nástrojů není v tom, že by neuměly přesunout úkol do sloupce Review. Problém je, že tým může začít považovat stav za skutečnost. Agent ohlásí dokončení, board zezelená a člověk se posune k dalšímu úkolu. Jenže zelená kontrolka popisuje stav systému, nikoli hodnotu výsledku.
Proto by každý úkol měl mít předem napsané podmínky dokončení. Ne obecné „udělej to pořádně“, ale konkrétní test, kontrolu nebo rozhodnutí člověka, které uzavření opravdu umožní. U kódu může jít o test a review, u analýzy o ověření zdrojů, u změny dat o kontrolu rozsahu a možnosti návratu.
Tady se TaskWire potkává s širším posunem v práci s agenty. Jak jsme psali v rozboru řízení více AI agentů, úzkým hrdlem nemusí být počet vygenerovaných řádků, ale lidská pozornost potřebná k výběru, kontrole a schválení výsledků. Sdílený board tento problém neodstraní. Může ho ale udělat viditelným dřív, než se z něj stane chaos.
To je podle nás nejzajímavější část celého nápadu. Hodnota TaskWire nebude v tom, že na obrazovce rozsvítí více agentů. Bude v tom, zda donutí tým rozlišovat mezi čekajícím úkolem, rozpracovanou změnou, žádostí o pomoc a výsledkem, který už někdo opravdu zkontroloval.
TaskWire tedy není důkaz, že koordinace AI agentů je vyřešená. Je to spíš přiznání, že další model sám o sobě tým nepostaví. Když se má na jedné práci podílet člověk, lokální nástroj, cloudový agent a možná i několik různých modelů, potřebují společný pracovní stav. Jinak budeme mít stále více inteligence, ale pořád jen jeden dlouhý chat, ve kterém nikdo přesně neví, co se stalo.
