Nature radí laboratóriám vyberať AI podľa úlohy

Vedecké tímy a firmy už neriešia len to, či nasadiť umelú inteligenciu, ale aký typ nástroja použiť na konkrétnu prácu. Podľa explaineru časopisu Nature z 10. júla sa nové „AI scientist“ systémy začínajú odlišovať najmä podľa úloh, spoľahlivosti a ceny. Pre malé laboratórium, startup či interný vývojový tím preto nemusí byť najlepšou voľbou najsilnejší model, ale taký, ktorý sa dá kontrolovať, bezpečne napojiť na vlastné dáta a lacno otestovať.

V explaineri Nature autor Ewen Callaway píše, že generatívne AI nástroje pre vedu sa už nedajú hádzať do jedného vreca. Niektoré sú silnejšie pri prehľade literatúry, iné pri tvorbe hypotéz, ďalšie pri návrhu experimentov alebo pri spracovaní dát. Pre laboratórium aj firmu z toho vyplýva praktická zmena: pri nákupe alebo pilotnom teste už nestačí pozrieť sa na to, ktorý model je všeobecne „najlepší“.

Rozdiel medzi bežným AI asistentom a nástrojom pre výskumný workflow je najmä v tom, čo má systém robiť opakovane a s akou mierou kontroly. Na sumarizáciu článkov, preklad odborných textov či prvý návrh kódu môže stačiť všeobecný model. Ak má však nástroj pracovať s internými protokolmi, laboratórnymi záznamami, firemnými dátami alebo podkladmi pre regulované rozhodovanie, dôležitejšie býva, či vie presne citovať zdroj, držať sa postupu a produkovať opakovateľné výstupy.

To je aj dôvod, prečo nemusí byť najdrahší alebo najvýkonnejší model automaticky najlepšou voľbou. V úzkom pracovnom postupe často rozhoduje menší počet chýb, jednoduchšie nastavenie oprávnení, možnosť pracovať vo vlastnom prostredí a predvídateľný účet za používanie. Pre malý tím bez vlastného AI oddelenia môže byť rozdiel medzi užitočným nástrojom a drahou hračkou práve v tom, koľko dodatočnej kontroly si výstupy vyžiadajú.

AI zrýchli len časť práce

Nature v tom istom júlovom čísle upozornila aj na dva nezávislé multi-agent AI systémy, ktoré majú pomáhať zrýchliť laboratórny výskumný cyklus. Nejde len o jeden chatbot, ale o viac prepojených agentov, ktorí si medzi sebou delia úlohy, napríklad vyhľadávanie, plánovanie krokov alebo návrh ďalšieho postupu. Tvorcovia týchto systémov podľa Nature zároveň zdôrazňujú, že človek má zostať pri kontrole procesu aj interpretácii výsledkov.

To je dôležitý signál aj mimo akademických laboratórií. Vo firme môže AI urýchliť rešerš trhu, prípravu technickej dokumentácie, predspracovanie dát alebo návrh interných reportov. Lenže čím bližšie je nástroj k rozhodnutiu, ktoré má finančný, medicínsky alebo právny dosah, tým menší priestor je na to, aby sa na chybu prišlo až po odovzdaní výstupu.

Preto sa v praxi mení aj to, ako sa úspech AI meria. Nestačí, že odpovie rýchlo a presvedčivo. Dôležitejšie je, či vie skrátiť celý pracovný krok bez toho, aby výskumník, analytik alebo vývojár následne strávil rovnaký čas overovaním každého tvrdenia.

Benchmarky sa presúvajú k reálnym úlohám

Na tento posun reagujú aj firmy, ktoré AI modely vyvíjajú. OpenAI pri predstavení benchmarku LifeSciBench uviedla, že jeho cieľom je testovať realistické úlohy v life sciences, nie iba jednoduché biologické otázky. Benchmark podľa spoločnosti obsahuje 750 úloh vytvorených expertmi naprieč siedmimi workflowmi a siedmimi biologickými doménami.

OpenAI zároveň píše, že 79 percent úloh vyžaduje viac krokov uvažovania alebo rozhodovania a 53 percent úloh si pýta interpretáciu alebo syntézu aspoň jedného podkladu. To je pre firmy a univerzity podstatné aj mimo biológie. Ak nástroj zvládne len krátku odpoveď na izolovanú otázku, ešte to neznamená, že obstojí pri reálnom postupe, kde treba čítať dokumenty, porovnať dáta, navrhnúť ďalší krok a výsledok vysvetliť človeku.

Práve tu sa ukazuje, že dobrý test AI nemá pripomínať marketingovú ukážku, ale bežný pracovný deň. Pri laboratóriu to môže byť rešerš k novej hypotéze, príprava podkladov pre experiment a prvé spracovanie výsledkov. Vo firme zas napríklad analýza reklamácií, technických záznamov alebo interných správ, ktoré majú viesť k rozhodnutiu vo vývoji či výrobe.

Ako si vybrať nástroj bez zbytočných nákladov

Pre slovenské univerzity, startupy aj menšie firmy je rozumnejšie začať od jedného konkrétneho problému než od veľkého nákupu licencie. Ak tím nevie pomenovať, ktorú opakovanú úlohu chce AI zrýchliť, pravdepodobne zatiaľ nepotrebuje nový „vedecký“ systém, ale lepší proces alebo klasický analytický nástroj. Generatívna AI dáva ekonomický zmysel vtedy, keď šetrí čas pri činnostiach, ktoré sa často opakujú a zároveň nevyžadujú, aby človek po nej prepísal polovicu výstupu.

Pred rozhodnutím sa oplatí merať aspoň tri veci:

• koľko času nástroj ušetrí pri jednej presne zadanej úlohe,
• koľko výstupov musí odborník opravovať alebo úplne prerobiť,
• či systém vie pracovať s internými dátami v režime, ktorý schváli bezpečnostný alebo právny tím.

Náklady totiž netvorí len mesačné predplatné alebo API účet. Rastú aj s časom seniorných ľudí, ktorí musia čistiť dáta, nastavovať prístupy, kontrolovať výstupy a písať interné pravidlá používania. V malom tíme sa veľmi rýchlo ukáže, že lacný nástroj s vysokou chybovosťou môže byť v súčte drahší než presnejšie, ale užšie riešenie.

Rovnako dôležité je vedieť, kde sa AI neoplatí nasadiť vôbec. Ak firma potrebuje auditovateľný reporting z tabuliek, pevne definovanú štatistiku alebo prácu v regulovanom prostredí, klasický BI softvér, databázový nástroj či overený štatistický balík môže byť lacnejší a spoľahlivejší než generatívny asistent. V takom prípade AI nepridá rýchlosť, ale ďalšiu vrstvu kontroly.

Čo to môže znamenať pre Slovensko

Na Slovensku je téma najbližšie univerzitám, nemocničnému výskumu, technologickým startupom a výrobným firmám, ktoré už pracujú s textami, meraniami alebo internými vývojovými dátami. V zdravotníctve môže AI pomôcť rýchlejšie triediť literatúru a pripravovať podklady pre výskumné tímy, no citlivosť dát zvyšuje nároky na bezpečnosť a anonymizáciu. V priemysle môže urýchliť analýzu dokumentácie či vývojových poznámok, ale len ak sa dá zapojiť do existujúceho procesu bez chaosu v dátach.

V školstve by sa zmena mohla prejaviť skôr v tom, ako sa budú pripravovať mladí výskumníci a analytici. Ak majú AI nástroje vstúpiť do laboratórnej a firemnej praxe, nestačí vedieť položiť dobrý prompt. Dôležitejšie bude rozumieť kvalite zdrojov, kontrole výstupov, práci s dátami a tomu, kedy má posledné slovo človek.

Práve to bude najbližší test aj pre slovenské tímy: či si vyberú nástroj, ktorý reálne skracuje cestu k výsledku, alebo si k existujúcemu procesu len pridajú ďalší platený krok overovania.