Většina debat o umělé inteligenci se pořád točí kolem toho, co všechno dokáže napsat. Jenže spousta firemních úloh žádný text nepotřebuje: stačí rozhodnout, zda je zpráva reklamace, komu ji předat nebo jak naléhavá je. Liquid AI teď nabízí model d1 právě pro tuto práci — a připomíná tím, že AI v provozu často nevystupuje jako autor, ale jako neviditelný dispečer.
V rychlé zprávě o uvedení d1 jsme popsali základní funkci. Tady je důležitější otázka, co se změní, když se z automatického štítku stane krok, který přesměruje zákazníka, označí obsah jako závadný nebo pošle požadavek k dražšímu modelu.
Když výsledek nemusí být věta
Dokumentace Liquid AI popisuje tři typy výstupu: pravděpodobnost odpovědi ano či ne, výběr z předem daných kategorií a skóre na definované škále. Jeden požadavek může obsahovat více otázek nad stejným vstupem. Firma uvádí příklady od třídění zákaznických požadavků po moderaci a skórování.
To je jiný úkol než napsat odpověď. Běžný jazykový model musí vytvořit text a aplikace z něj pak vytahuje požadované „billing“, „technical“ nebo třeba hodnotu naléhavosti. D1 naproti tomu vrací přímo strukturovaný výsledek a rozložení pravděpodobností nad možnostmi. V příkladu výrobce model současně určuje, zda jde o chybu, komu patří a jak rychle ji řešit.
Liquid AI pro d1 uvádí označení modelu d1:free a v dokumentaci ukazuje nulový počet generovaných výstupních tokenů. To samo o sobě ale není důkaz, že bude levnější v každém konkrétním nasazení: rozhodují také cena vstupu, limity, objem provozu, rychlost a náklady na kontrolu chyb. Stejně tak tvrzení výrobce o kalibrovaných pravděpodobnostech není nezávislý benchmark výsledků na datech konkrétní firmy.
Rozhodovací hranice je důležitější než hezké skóre
Pravděpodobnost není příkaz. Pokud systém odhadne vysokou naléhavost, teprve pravidlo v aplikaci rozhodne, zda ticket přeskočí frontu, dostane člověka na telefonu, nebo jen změní pořadí ve frontě. U bezpečnostního filtru zase někdo určuje, jak vysoký výsledek stačí k blokaci a kdy je rozumnější požádat moderátora o kontrolu.
Průvodce Liquid AI pro nasazení rozhodovacích modelů popisuje i prahování a předání nejasných případů člověku či silnějšímu modelu. Je to užitečný vzor, nikoli hotová politika pro každou firmu. Hranice 0,8 může být přijatelná u řazení méně důležitých požadavků, ale příliš přísná u automatického mazání účtů nebo zamítání reklamací.
A hlavně: číselná přesnost odpovědi nespraví špatně zadaná pravidla. Pokud jsou kategorie neúplné, popisy se překrývají nebo vstup neobsahuje potřebný kontext, systém může spolehlivě vybírat z nesprávného jídelního lístku. Před nasazením je proto nutné testovat typické i hraniční případy, měřit falešná poplachy a přehlédnuté případy a mít cestu pro odvolání nebo opravu rozhodnutí.
AI rozhoduje i tehdy, když to nikdo nenazývá rozhodováním
Třídění e-mailů vypadá nenápadně, dokud špatná kategorie neposílá klienta na nesprávné oddělení. Skórování naléhavosti vypadá jako pomoc, dokud se z něj nestane pořadník, podle něhož firma rozděluje práci. A moderace bývá prezentována jako filtr, přestože její výsledek může rozhodnout o tom, kdo smí publikovat a kdo musí čekat na odvolání.
Právě proto není nejdůležitější, zda model generuje nula tokenů, ale kdo navrhl možnosti, prahy a následné akce. U každé automatizace by mělo být dohledatelné, jaký vstup se vyhodnotil, jaká možnost zvítězila, co systém udělal dál a kdo může výsledek přezkoumat. Když tato pravidla zůstávají v kódu bez vlastníka, automatizace se snadno promění v rozhodnutí bez odpovědného rozhodovatele.
Ne náhrada jazykového modelu, ale další vrstva
Liquid AI sama d1 nedoporučuje pro volné psaní, souhrny ani složité vícekrokové uvažování. Její migrační návod vymezuje vhodný případ jednoduše: odpověď musí být jednou z možností, které aplikace zná předem. Pokud má systém napsat novou větu, vysvětlit nečekaný problém nebo sestavit plán, generativní model zůstává vhodnějším nástrojem.
To neznamená, že d1 automaticky nahradí jiné modely. Může se stát levnější a rychlejší třídicí vrstvou před nimi, ale právě takový prostředník dostává moc určovat, co se k člověku či většímu modelu vůbec dostane. V praxi proto dává smysl porovnávat ho na vlastních označených datech s dosavadním řešením, změřit dopady chyb a pro nejisté nebo citlivé případy zachovat lidskou kontrolu.
Liquid AI už dříve nabízela modely LFM pro běžnější jazykové a multimodální úlohy; jejich uvedení jsme na Radyz popsali v článku o modelu LFM2.5. D1 ukazuje jiný směr: místo soutěže v tom, kdo vytvoří plynulejší odstavec, se firma zaměřuje na rozhodovací krok uvnitř aplikace.
To je méně nápadné než nový chatbot, ale pro každodenní používání AI možná podstatnější. Když automatizace rozhoduje, komu se dostane pozornosti a koho systém odfiltruje, rozhraní s přehledným skóre nestačí. Potřebujeme také vědět, kdo nastavil hranice — a kdo ponese odpovědnost, když se model splete.
