Na konferenci Dell Technologies World 2026 v Las Vegas zazněla jedna myšlenka zcela jasně: umělá inteligence už není jen zajímavá technologická novinka. Stává se praktickým pracovním nástrojem, který mění tempo vývoje softwaru, podobu podnikových procesů i to, jak firmy přemýšlejí o infrastruktuře.
Když spolu na pódiu mluvili Michael Dell a Jensen Huang, nešlo jen o představení další generace systémů Dell AI Factory postavených na technologiích NVIDIA. Šlo hlavně o popis zásadního posunu. AI se podle nich přesouvá z fáze experimentů do období, kdy je skutečně užitečná, nasazovaná napříč podniky a stále více autonomní.
Tento posun má konkrétní důsledky. Roste poptávka po výpočetním výkonu, mění se role CPU i GPU, rozšiřuje se význam hybridní AI a firmy začínají hledat způsob, jak provozovat inteligentní systémy lokálně, v datových centrech i v cloudu současně. V pozadí toho všeho je také nová představa práce: ne člověk obsluhující jeden nástroj, ale člověk koordinující celé týmy agentů a jejich podagentů.
Právě to dává celé debatě větší význam než pouhé oznámení nového hardwaru. Zazněl totiž obraz budoucnosti, ve které je architektura výpočetní techniky přestavována v reálném čase.
Obsah
- 🤖 Užitečná AI už není slib, ale realita
- 📈 Proč agentní systémy dramaticky zvyšují nároky na výpočetní výkon
- 👩💻 Jak se mění práce inženýrů a týmů
- 🏢 Proč je podniková transformace teprve na začátku
- 🧠 Nová architektura AI: mozek, sandbox a agentní harness
- ☁️ Hybridní AI: cloud, lokální provoz a datové centrum současně
- 🔐 Důvěrnost a confidential computing jako nutná podmínka
- ⚙️ Proč se v éře agentů znovu mění význam CPU
- 🖥️ Od desktopu po AI továrnu: jedna architektura napříč měřítky
- 💸 Konec tokenové úzkosti? Myšlenka neomezené inteligence
- 🌐 Každý model, každý cloud, lokálně i v podniku
- 🚀 Ambice rostou spolu s výkonem
- 🔍 Co si z Dell Technologies World 2026 odnáším
🤖 Užitečná AI už není slib, ale realita
Jensen Huang popsal vývoj posledních let jako přirozenou cestu od generativní AI k agentním systémům. Nejdřív modely uměly vytvářet obsah. Pak začaly vytvářet i materiál pro přemýšlení. To vedlo ke schopnosti uvažovat, plánovat a nakonec jednat jako agenti, kteří mohou samostatně plnit úkoly.
To je podle mě klíčový rozdíl. Dřívější generativní AI většinou reagovala na jeden dotaz a dodala jednu odpověď. Agentní AI funguje jinak. Musí pochopit zadání, promyslet postup, zvolit nástroje, vyhodnotit výsledky a případně svůj plán upravit. Tento cyklus se může opakovat znovu a znovu, dokud není práce hotová.
Takový systém už nepůsobí jako chatovací rozhraní s hezkými odpověďmi. Připomíná spíš digitálního pracovníka, který dostane cíl a sám se snaží dojít k výsledku. A právě v tom je důvod, proč se podle Huanga poptávka po AI zvedá tak rychle.
Jeho argument byl jednoduchý: čím užitečnější AI je, tím více ji firmy chtějí nasazovat. A čím více je nasazovaná, tím více roste potřeba výpočetního výkonu. Kombinace reálné užitečnosti a masového využití vytváří explozivní růst.
Michael Dell na to navázal poznámkou, že ještě před pár lety šlo hlavně o potenciál. Dnes už se ale technologie dostává do velkých podniků v mnohem větším měřítku. Přesto je to stále jen začátek. Mnoho firem teprve zkoumá, jak přepsat pracovní postupy tak, aby z AI získaly skutečně transformační efekt.
Pokud bych to měl shrnout jednou větou, pak asi takto: AI už není zajímavá proto, co by jednou mohla dělat, ale proto, co už dnes reálně dělá.
📈 Proč agentní systémy dramaticky zvyšují nároky na výpočetní výkon
Velká část debaty se točila kolem výpočetních nároků. A dává to smysl. Pokud AI jen odpovídá na jednu otázku, spotřeba výpočetního výkonu je relativně přímočará. Pokud ale AI samostatně pracuje celé hodiny nebo dny, potřebuje násobně více prostředků.
Jensen Huang popsal, že u agentních systémů může jít klidně o stonásobné až tisícinásobné navýšení výpočetní potřeby. Důvod je zřejmý:
- AI musí déle uvažovat nad úkolem.
- Spouští více kroků a iterací.
- Používá externí nástroje a databáze.
- Vyhodnocuje mezivýsledky.
- Případně mění svůj plán a zkouší jiný postup.
Jako příklad zazněla softwarová práce, která může běžet třeba týden. To zní na první pohled extrémně, ale pointa byla jiná: takový běh může zvládnout za týden to, co by lidský tým dělal třeba měsíc. To znamená zásadní nárůst produktivity, ale zároveň i obrovské zvýšení nároků na infrastrukturu.
Tohle je důležitý moment pro každou firmu, která plánuje enterprise AI strategii. Nestačí se ptát, jaký model použít. Je potřeba řešit i to, jak dlouho bude model pracovat, kolik agentů poběží souběžně, jaké nástroje budou používat a jak bude celá architektura navržená.
Zajímavé je i to, že růst poptávky není způsoben jen složitostí jednotlivých úloh. Roste také počet samotných uživatelů a týmů, které agenty zapojují do každodenní práce. Huang zmínil oblasti jako:
- vývoj softwaru,
- DevOps,
- SRE,
- CI/CD procesy,
- QA testování.
Jinými slovy, nejde o několik izolovaných experimentů. AI se začíná stávat vrstvou, která prostupuje široké spektrum technických činností v podniku.
👩💻 Jak se mění práce inženýrů a týmů
Velmi silně na mě zapůsobila část debaty o tom, jak AI mění roli člověka v práci. Jensen Huang řekl, že dnes už dobrý inženýr pracuje s agentem. V budoucnu ale podle něj nebude nejcennější ten, kdo používá jednoho pomocníka, nýbrž ten, kdo dokáže koordinovat celé skupiny agentů, které navíc samy řídí další podagenty.
To je mnohem větší změna, než jak ji často popisujeme. Nemění se jen produktivita jednotlivce. Mění se samotná organizační logika práce.
Dříve člověk dělal úkol a předával ho dalšímu člověku. V novém modelu může jeden člověk spravovat desítky nebo stovky agentů, kteří mezi sebou rozdělují specializované kroky. Michael Dell to popsal jako zásadní otevření prostoru pro lidskou kreativitu. Pokud totiž rutinní a opakovatelné činnosti přebírají agenti, člověk může více času věnovat směru, návrhu, prioritám a rozhodnutí, co je vlastně hodné řešení.
Tomu odpovídá i další zajímavá myšlenka, která na pódiu zazněla. AI sice zvyšuje produktivitu, ale skutečně velký dopad má na ambice. Když se čas potřebný na splnění úkolů dramaticky zkracuje, mění se i laťka toho, co je možné chtít.
Padlo několik výmluvných srovnání:
- co dříve trvalo měsíce, se zkracuje na týdny,
- co dříve trvalo týdny, se zkracuje na dny,
- co dříve trvalo dny, se zkracuje na hodiny,
- a u menších úkolů začíná být normou téměř okamžitý výsledek.
Když se mění rychlost práce, mění se i očekávání. To není drobný detail. V podnikové praxi se tím totiž posouvá plánování, investiční rozhodování i konkurenční tlak.
🏢 Proč je podniková transformace teprve na začátku
Michael Dell zdůraznil, že i když už do AI vstupují největší světové firmy, skutečně plošná transformace pracovních toků je stále v rané fázi. To považuji za realistický pohled.
Dnes je snadné podlehnout dojmu, že revoluce už je kompletně tady. Ve skutečnosti však mnoho organizací stále hledá odpovědi na základní otázky:
- Které procesy má smysl automatizovat jako první?
- Kde je vhodná plná autonomie a kde je nutný lidský dohled?
- Jak pracovat s citlivými podnikovými daty?
- Jak zajistit kvalitu dat a governance?
- Jak skloubit ambici s dostupným výkonem a energií?
Právě poslední bod se objevuje i v popisu celé akce. Škálování AI není jen o touze po co největších modelech. Vyžaduje pragmatický přístup, který bere v úvahu napájení, kapacitu infrastruktury i kvalitu dat. V tom je podle mě velká síla této diskuse. Nebyla jen oslavou technologií, ale i připomenutím, že úspěch AI bude záviset na velmi praktických rozhodnutích.
Firmy, které chtějí AI opravdu rozšířit, budou muset přemýšlet systémově. Nejde jen o nákup hardwaru nebo licence na model. Jde o propojení dat, bezpečnosti, orchestrace agentů, provozních nástrojů a ekonomiky celého provozu.
Pro širší kontext je užitečné sledovat i to, jak se mění podnikové IT směrem k agentní automatizaci a AI governance. Dobré shrnutí trendů nabízí například Gartner nebo přehled průmyslových dopadů od McKinsey QuantumBlack.
🧠 Nová architektura AI: mozek, sandbox a agentní harness
Jedna z nejzajímavějších částí celé prezentace byla technická architektura agentních systémů, jak ji Jensen Huang vysvětlil. Místo jednoho monolitického systému popsal několik vrstev, které spolupracují.
Velký jazykový model jako centrální mozek
V centru stojí obří jazykový model. Ten je výpočetně nejnáročnější částí celého systému a představuje hlavní inteligenci, kterou agenti využívají. Právě zde běží nejtěžší úlohy spojené s uvažováním, plánováním a generováním odpovědí či akcí.
Huang tuto vrstvu spojil s velmi velkým scale-up systémem s NVLink architekturou, který funguje jako jeden masivní počítač. Smyslem je mít infrastrukturu schopnou provozovat extrémně velké modely s obrovským počtem parametrů.
Harness pro řízení agentů
Agent ale nezačíná jen u modelu. Potřebuje i řídicí vrstvu, která obstarává orchestrace, volání nástrojů, správu kroků a dohled nad průběhem úlohy. Této vrstvě Jensen říká harness.
Právě harness je to, co z modelu dělá skutečně pracujícího agenta. Bez něj by měl systém sice silnou jazykovou inteligenci, ale neměl by bezpečně a organizovaně propojený proces vykonávání úloh.
Sandbox a bezpečné prostředí
Tento harness má podle popisu běžet v zabezpečeném a spravovaném kontejneru, tedy v sandboxu. Důvod je prostý. Agentní systémy pracují s nástroji, daty a často i s citlivými firemními procesy. Proto je potřeba prostředí, které je izolované, kontrolované a řízené pravidly governance.
NVIDIA v této souvislosti zmínila open source sandbox OpenAI? Ne, zde je důležité držet se přesného kontextu: šlo o otevřené sandboxové řešení NVIDIA Open Shield. To má sloužit jako bezpečnostní vrstva, kterou podle Huanga používá velká část odvětví.
NeMo a lokální specializované modely
Jako referenční harness zazněl NeMo framework, respektive jeho agentní orchestrace. Smysl je jasný: firmy si mohou vytvářet vlastní specializované agenty, trénované nebo upravené pro konkrétní doménu, interní data a specifické dovednosti.
Tím se dostáváme k důležitému závěru. Budoucnost podnikové AI nemusí stát jen na jednom univerzálním modelu. Mnohem pravděpodobnější je kombinace velkých modelů pro obecné uvažování a menších, lokálně provozovaných modelů pro specializované úlohy v konkrétní firmě.
☁️ Hybridní AI: cloud, lokální provoz a datové centrum současně
Z celé debaty velmi silně vystoupilo slovo hybridní. A podle mě oprávněně. Firmy totiž nechtějí být odkázané jen na jeden způsob nasazení AI.
Huang popsal model, ve kterém:
- lokálně mohou běžet menší nebo specializované modely,
- centrální agentní harness může běžet na CPU blízko firemních procesů,
- největší jazykové modely mohou běžet v cloudu nebo ve vlastním datovém centru.
Tato kombinace dává podnikům flexibilitu. Citlivé úlohy mohou ponechat blízko vlastním datům. Náročné modely mohou provozovat tam, kde je dostupná odpovídající infrastruktura. A vše lze propojovat do jednoho pracovního celku.
Právě tady se ukazuje, proč je pojem AI factory stále častější. Nejde jen o server nebo akcelerátor. Jde o celé výrobní prostředí pro inteligenci, které musí dodávat výkon, bezpečnost, orchestraci i provozní efektivitu.
Pro orientaci v tématu hybridního cloudu a podnikové architektury může být užitečný i obecnější rámec od NIST, který se dlouhodobě věnuje důvěryhodné a bezpečné AI.
🔐 Důvěrnost a confidential computing jako nutná podmínka
V podnikové AI je bezpečnost stejně důležitá jako výkon. Jensen Huang proto zdůraznil, že systémy jsou postavené s podporou confidential computing. To je důležitý detail, protože mnoho organizací nechce svěřovat citlivá data bez silných technických záruk.
Myšlenka confidential computing je jednoduchá: data mají být chráněná i během zpracování, nejen při ukládání nebo přenosu. Díky tomu podnik nemusí spoléhat pouze na důvěru k provozovateli datového centra. Ochrana je zabudovaná přímo v architektuře systému.
Pro oblasti jako finance, zdravotnictví, výroba nebo obrana je to zásadní. Právě zde budou lokální AI, privátní cloudy a zabezpečené datové centrum hrát velmi silnou roli. Firmy chtějí výhody agentní AI, ale ne za cenu oslabení kontroly nad vlastními daty.
Pokud někdo hledá širší technické vysvětlení tohoto přístupu, užitečný základ nabízí třeba přehled od Confidential Computing Consortium.
⚙️ Proč se v éře agentů znovu mění význam CPU
Ve veřejné debatě o AI se často mluví hlavně o GPU. Na této akci ale zaznělo i něco, co mi přijde mimořádně zajímavé: agentní systémy vracejí do centra pozornosti také CPU.
Jensen Huang vysvětlil, že harness, orchestrace a práce s nástroji běží na CPU. A protože agenti neustále sahají do databází, vyhodnocují mezivýsledky a zajišťují provozní logiku, CPU musí být extrémně rychlé. Jinak bude obrovský akcelerovaný systém čekat, až mu zbytek pipeline připraví další práci.
To je velmi praktický postřeh. V AI infrastruktuře nejde jen o špičkový výkon jednoho komponentu. Rozhoduje vyváženost celého systému.
Huang zde zmínil CPU Vera, navržené pro nový ekonomický model AI. Dřívější CPU v cloudu byla podle něj stavěná hlavně pro hyperscale prostředí, kde se optimalizovalo na počet jader a jejich pronájem. V AI éře se ale ekonomika mění. Měřítkem už nejsou pronajatá CPU jádra, ale rychlost generování tokenů.
To má zásadní důsledky:
- důležitý je vysoký jednovláknový výkon,
- klíčová je vysoká paměťová propustnost,
- databázové operace musí být velmi rychlé,
- CPU nesmí brzdit průchod práce k velkým modelům.
Byla zmíněna i podpora databázových technologií jako Starburst a DuckDB, které z rychlého CPU a vysoké propustnosti těží. V agentním světě totiž databáze nejsou okrajovou součástí. Jsou doslova tepenným systémem, na který agenti neustále narážejí.
🖥️ Od desktopu po AI továrnu: jedna architektura napříč měřítky
Velkou část pozornosti na pódiu získalo i představení nové řady počítačů navržených pro provoz agentů. Na celé věci bylo nejzajímavější to, že Jensen Huang zdůrazňoval jednotnou architekturu napříč různými velikostmi systémů.
Myšlenka je jednoduchá, ale silná: stejná architektonická logika může existovat v desktopové stanici, ve větší stanici i v obřím datacentrovém systému. To firmám zjednodušuje přechod mezi lokálním experimentem, týmovým nasazením a plným produkčním provozem.
Zaznělo i konkrétní srovnání velikostí. Jedna pracovní stanice představuje menší variantu, větší systém je zhruba stokrát větší a další konfigurace se pohybují mezi nimi. Vše ale stojí na stejné architektuře.
Nejvíc pozornosti vzbudilo tvrzení, že desktopová stanice je schopná provozovat AI model o velikosti jednoho bilionu parametrů. Ještě před krátkou dobou by to působilo jako čistě cloudová záležitost. Tady ale zaznělo, že výkon, který byl donedávna vyhrazen velkým datovým centrům, se přesouvá blíž k uživateli, do lokálního prostředí a podnikových týmů.
To je přesně ten typ posunu, který může změnit ekonomiku nasazení AI. Pokud firma dokáže provozovat velmi silné modely lokálně nebo v rámci vlastního datového centra, získává nejen nižší latenci a lepší kontrolu nad daty, ale i větší předvídatelnost nákladů.
💸 Konec tokenové úzkosti? Myšlenka neomezené inteligence
Michael Dell během debaty použil velmi trefný pojem: neměřená inteligence. Tím myslel situaci, kdy má organizace výpočetní kapacitu ve vlastním počítači nebo datovém centru a může ji používat s vlastními daty bez neustálého počítání každého tokenu.
Jensen Huang na to navázal humornou poznámkou o tokenové úzkosti. Ten pojem možná zní odlehčeně, ale trefuje skutečný problém. U cloudových AI služeb často vzniká psychologická i finanční bariéra. Každý delší běh, každá větší dávka dotazů a každá komplexnější agentní práce se promítá do účtu.
To může vést k paradoxu. Firmy mají technologii, která by mohla zásadně zrychlit práci, ale používají ji opatrněji, než by bylo optimální, protože nad každou operací visí otázka ceny.
Lokální a hybridní infrastruktura tento problém částečně řeší. Neznamená to, že inteligence je skutečně zdarma. Samozřejmě není. Znamená to ale, že náklady lze více převést do investičního a provozního modelu, který má firma pod kontrolou. A to může výrazně změnit ochotu AI rozšířit.
Pro podniky s vysokou intenzitou používání agentů je to velmi podstatná úvaha. Někde bude cloud ideální. Jinde bude nejlepší privátní infrastruktura. A velmi často zvítězí kombinace obojího.
🌐 Každý model, každý cloud, lokálně i v podniku
Dalším důležitým motivem celé prezentace byla kompatibilita. Huang zdůraznil, že architektura NVIDIA má podporovat všechny přední frontier modely i open source modely. Zmínil také, že v poslední době se k této architektuře silněji přiklání i Anthropic.
Pro zákazníky je podstatné hlavně to, co z toho plyne prakticky. Firmy nechtějí stavět AI strategii na slepé sázce na jednoho dodavatele, jeden model nebo jeden cloud. Chtějí možnost vybírat podle use case, ceny, datové citlivosti a požadovaného výkonu.
Pokud infrastruktura zvládne různé modely, open source alternativy, cloudové nasazení i lokální provoz, stává se z ní univerzálnější platforma pro dlouhodobý rozvoj. A právě to je v rychle se měnícím AI trhu mimořádně cenné.
Z obchodního hlediska je to možná stejně důležité jako samotný výkon. Flexibilita totiž snižuje riziko, že investice zestárne příliš rychle.
🚀 Ambice rostou spolu s výkonem
Za technickými detaily celé akce se skrývá ještě jedna hlubší zpráva. Když se výpočetní infrastruktura zrychluje a AI se stává použitelnější, neposouvá se jen efektivita. Posouvá se i to, co si firmy a jednotlivci dovolí plánovat.
Jensen Huang to podal velmi osobně, když mluvil o tom, že se změnily jeho ambice. Nešlo o ego nebo rétoriku. Šlo o připomenutí, že když nástroje dramaticky rozšíří schopnost něco vytvořit, změní se i horizont představitelného.
To je důležité pro manažery, architekty i vývojáře. AI není jen nástroj na zlevnění práce. Může být i nástrojem, který umožní zkusit věci, které dřív nedávaly ekonomický nebo časový smysl.
V podnikové sféře to může vypadat třeba takto:
- rychlejší vývoj interních nástrojů,
- agresivnější automatizace provozu,
- lepší personalizace služeb,
- rychlejší zpracování rozsáhlých dat,
- větší počet experimentů, které firma zvládne paralelně.
Jakmile se některé činnosti zkrátí z týdnů na dny nebo z dní na hodiny, přestává být limitujícím faktorem samotné zpracování. Limitem se stává schopnost vybrat správný problém a dobře řídit systém kolem něj.
🔍 Co si z Dell Technologies World 2026 odnáším
Celé vystoupení na mě působilo méně jako produktová demonstrace a více jako mapa přechodu do nové etapy výpočetní techniky. Hlavní závěry bych shrnul do několika bodů.
- AI vstoupila do fáze skutečné užitečnosti. Už nejde jen o poutavé ukázky, ale o reálnou práci v podnicích.
- Agentní systémy mění ekonomiku výpočtů. Vyžadují mnohem více výkonu, protože samostatně plánují, iterují a používají nástroje.
- Produktivita není jediný efekt. Stejně důležitá je změna ambicí a schopnost zvládat větší rozsah práce.
- Budoucnost je hybridní. Modely poběží lokálně, v datových centrech i v cloudu podle potřeby.
- Bezpečnost a confidential computing jsou základ. Bez nich se podniková AI ve velkém měřítku neprosadí.
- CPU i GPU jsou součástí jedné rovnice. Agentní AI potřebuje vyvážený systém, ne jen jeden extrémně rychlý komponent.
- Jednotná architektura napříč měřítky zjednodušuje adopci. Od desktopu po velkou AI factory lze zachovat podobný provozní model.
Když to celé spojím, vychází mi z toho jeden poměrně jasný obraz. AI se posouvá od nástrojů, které odpovídají, k systémům, které pracují. A jakmile systémy začnou pracovat, musí se proměnit i samotná architektura počítání.
Právě proto má partnerství Dell a NVIDIA takovou váhu. Nejde jen o výkon jednotlivých čipů nebo serverů. Jde o snahu postavit praktickou infrastrukturu pro dobu, kdy budou agenti běžnou součástí firemního provozu.
Pokud se tato vize naplní, nebude největší změnou to, že budou modely větší. Největší změnou bude to, že inteligence přestane být vzácná, oddělená a dávkovaná. Stane se provozní vrstvou, která bude přítomná téměř všude.
A to už není drobná evoluce IT. To je začátek nové počítačové éry.
Související zdroj: Oficiální záznam keynote je dostupný na YouTube zde: Dell Technologies World 2026 Keynote.
