Nový AI Index Report 2026 od Stanfordova institutu HAI přináší čísla, která se dají snadno přečíst jako další vítězné kolečko umělé inteligence. Významné frontier modely už podle reportu téměř výhradně vznikají v průmyslu, jejich výsledky na některých testech rychle rostou a firmy AI nasazují ve velkém.
Jenže stejná zpráva ukazuje i druhou polovinu příběhu. Systémy jsou schopnější, ale měření jejich rizik zaostává, školy a pravidla reagují pomaleji než trh a lidé jim věří podstatně méně než odborníci. Hlavní otázka proto nezní, jestli se AI zrychluje. To už víme. Otázka je, jestli se spolu s ní dokážeme zrychlit i my.
Výkon už neroste po malých krocích
V roce 2025 vzniklo podle Stanfordu více než 90 procent významných frontier modelů v průmyslu. Univerzity zůstávají důležitým zdrojem výzkumu a talentu, ale největší modely dnes vyžadují takové množství výpočetního výkonu, dat, peněz a infrastruktury, že se jejich vývoj stále více soustřeďuje u technologických firem.
Nejvýraznější číslo se týká programování. Výkon na benchmarku SWE-bench Verified se během jediného roku posunul přibližně z 60 procent téměř ke 100 procentům. To není důkaz, že modely umějí bezchybně vyvíjet software. Je to důkaz, že na konkrétním typu úloh se jejich schopnosti zlepšily tempem, které ještě před několika lety působilo nereálně.
Právě tady je dobré držet na uzdě nadšení i skepsi. Benchmark měří definovaný typ úkolu za určitých podmínek. Neříká, že každý agent zvládne převzít celý vývojářský tým, rozumí každému cizímu repozitáři nebo pozná chybu v požadavku. Ostatně i praktická zkušenost s coding agenty ukazuje, že část práce se přesouvá do přípravy kontextu, kontroly výsledku a opakovaného testování. Na Radyzu jsme tenhle problém popsali v článku o tom, proč samotný růst schopností modelu nestačí.
Amerika už nemá závod sama pro sebe
Report zároveň tvrdí, že rozdíl mezi americkými a čínskými modely se prakticky uzavřel. Spojené státy a Čína si od začátku roku 2025 několikrát vyměnily vedení a v březnu 2026 vedl podle Stanfordu nejlepší americký model jen o 2,7 procenta.
To ale neznamená, že obě země stojí ve stejné pozici. Spojené státy dál produkují více špičkových modelů a mají náskok u patentů s vysokým dopadem. Čína zase vede v objemu publikací, citacích, celkovém počtu patentů a instalacích průmyslových robotů. Závod tak nemá jedinou cílovou pásku. Jinak vypadá podle kvality modelu, jinak podle výzkumné základny a jinak podle schopnosti nasadit AI v reálné ekonomice.
O to méně smyslu dává dívat se na vývoj jen jako na souboj několika amerických firem. Čína rozdává vlastní modely, Spojené státy staví komerční ekosystém a Evropa se snaží dohnat technologii pravidly. Tenhle rozdíl v přístupu jsme rozebírali už při porovnání americké, čínské a evropské AI strategie.
Zlatá medaile z matematiky, problém s hodinami
Nejlepší ilustrací současné AI je podle mě takzvaná zubatá hranice schopností. Model může zvládnout úlohu, která je pro člověka extrémně obtížná, a současně selhat u něčeho, co působí banálně.
Stanford uvádí, že Gemini Deep Think získal zlatou medaili na Mezinárodní matematické olympiádě. Zároveň nejlepší model v testu správného odečtení času z analogových hodin uspěl jen v 50,1 procenta případů. To není jen kuriozita. Ukazuje to, že jedno vysoké skóre nemůžeme přeložit do obecného tvrzení, že systém „rozumí“ světu.
Podobný posun je vidět u agentů pracujících s počítačem. Na benchmarku OSWorld se úspěšnost zvýšila z 12 přibližně na 66 procent. Pořád to ale znamená, že agenti na strukturovaných úlohách selhávají zhruba v každém třetím pokusu. Pro demonstraci je to velký pokrok. Pro automatické klikání v bankovnictví, správě serveru nebo firemním systému je to stále důvod nechat člověka u klávesnice.
Bezpečnost se zlepšuje pomaleji než schopnosti
Největší rozpor v reportu se netýká Spojených států a Číny, ale schopností a odpovědnosti. Téměř všichni přední vývojáři zveřejňují výsledky na benchmarcích schopností, zatímco u bezpečnostních, férovostních a dalších odpovědných metrik je reporting mnohem méně pravidelný.
Počet zdokumentovaných incidentů spojených s AI vzrostl na 362, zatímco v roce 2024 jich Stanford evidoval 233. Samotný počet incidentů neříká, jak závažný byl každý z nich ani jestli se systémy v některých ohledech nezlepšily. Říká ale, že rozsah nasazení roste rychleji než naše schopnost všechny problémy zachytit a popsat.
Zvlášť nepříjemné je zjištění, že zlepšení jedné odpovědné vlastnosti může zhoršit jinou. Bezpečnější model nemusí být automaticky přesnější a model s menší mírou jednoho typu škodlivého chování může mít jinou slabinu. Na Radyzu jsme podobný problém ukazovali na případech, kdy bezpečnostní testy AI agentů skončily přístupem do skutečných systémů. Nejde o důkaz, že každý agent je nebezpečný. Je to připomínka, že testovací prostředí není totéž co svět, ve kterém má model oprávnění něco dělat.
AI se šíří rychleji než pravidla
Organizační adopce AI podle reportu dosáhla 88 procent. Generativní AI se dostala k 53 procentům světové populace během tří let, rychleji než osobní počítače nebo internet. Uživatelé navíc mnoho nástrojů používají zdarma, takže jejich přínos se v běžné ekonomice může projevit dřív, než se objeví v tržbách dodavatelů.
Školy ale zaostávají. Více než 80 procent amerických středoškoláků a vysokoškoláků používá AI při úkolech souvisejících se školou, jenže pouze polovina středních škol má nějakou AI politiku a jen 6 procent učitelů říká, že je tato politika jasná. Studenti si pravidla osvojují používáním, instituce je teprve dohánějí.
Stejný rozpor se opakuje na trhu práce. Odborníci čekají od AI pozitivní dopad na svou práci v 73 procentech případů, u veřejnosti je to jen 23 procent. Padesátibodový rozdíl není detail v průzkumu. Je to varování, že technologický optimismus lidí, kteří AI stavějí a používají každý den, se nemusí potkat s obavou lidí, jejichž práci nebo příjem má změnit.
Výpočetní výkon má geografii a cenu
Za každým modelem jsou datová centra, elektřina a dodavatelský řetězec, který není rozprostřený rovnoměrně po světě. Spojené státy mají podle reportu 5 427 datových center – více než desetkrát tolik co kterákoli jiná země – a zároveň spotřebovávají nejvíce energie. Téměř všechny nejpokročilejší AI čipy navíc vyrábí jediná tchajwanská společnost TSMC.
Peníze se koncentrují podobně. Soukromé investice do AI ve Spojených státech dosáhly v roce 2025 podle Stanfordu 285,9 miliardy dolarů, zatímco v Číně 12,4 miliardy. Tohle srovnání ale nezahrnuje všechny formy čínských státních investic, takže z něj nelze jednoduše vyvodit, že celkové čínské výdaje jsou třiadvacetkrát nižší.
Současně se mění pohyb talentu. Počet AI výzkumníků a vývojářů, kteří se stěhují do Spojených států, podle reportu od roku 2017 klesl o 89 procent, přičemž za poslední rok samotný šlo o pokles o 80 procent. Země, která má dnes nejvíce kapitálu a infrastruktury, tak nemůže automaticky počítat s tím, že k ní budou dál proudit všichni lidé schopní tento kapitál proměnit v další generaci modelů.
Největší problém není tempo AI, ale naše měřítko
AI Index 2026 nepřináší jednoduchý verdikt, že umělá inteligence už všechno umí. Přináší něco méně pohodlného: schopnosti se posouvají rychle, ale nerovnoměrně. Model může porazit člověka v matematice, přesto dělat absurdní chyby při práci s běžnými objekty. Agent může výrazně zlepšit práci programátora, přesto vyžadovat dohled, testy a dobře omezená oprávnění.
Pro firmy z toho plyne praktické pravidlo. Nestačí měřit, jak dobře model odpovídá na benchmarku. Je potřeba měřit i cenu chyby, možnost návratu zpět, rozsah oprávnění a čas, který člověk stráví kontrolou výsledku. V některých úlohách už AI nebude experiment, ale běžný nástroj. To však neznamená, že jí máme bez kontroly svěřit celý proces.
A pro veřejnou debatu je důležitá ještě jedna věc. Stanfordův report ukazuje, že se nezrychluje jen vývoj modelů. Zrychluje se také jejich adopce, koncentrace kapitálu, spotřeba infrastruktury a počet situací, ve kterých se jejich chyba může dotknout skutečných lidí. Svět kolem AI proto nestíhá ne proto, že by nerozuměl každému novému modelu. Nestíhá proto, že pořád používá staré tempo rozhodování na technologii, která už funguje v novém.
Celý report včetně metodiky a jednotlivých kapitol je dostupný na webu Stanford HAI.
