NVIDIA GTC 2026: Proč otevřené i proprietární modely budou kooperovat a jak vznikají „compound agents“ a AI orchestrátory

AI už není jen o tom, kdo má „nejlepší model“. Stává se z ní průmysl, ve kterém jde o to, jak poskládáte celý systém: modely, nástroje, konektory, datové zdroje, bezpečnost, spolehlivost a hlavně orchestrace. Během debat na GTC 2026 zaznělo jedno klíčové poselství: není to spor „open vs. closed“. Je to spor o to, jak spolu budou fungovat otevřené i proprietární komponenty, protože každá z nich má své silné stránky.

V tomto článku shrnu a rozvedu hlavní myšlenky, které z panelu vychází: vznik třetího typu firem, posun od samotných modelů k „AI systému“, nástup agentů schopných pracovat dny, využití více modelů najednou a proč se v mission-critical aplikacích bude zvyšovat důraz na důvěru, kontrolu a otevřenou infrastrukturu.

Obsah

• 🤝 Není „open vs. closed“. Je to „proprietární a otevřené“
• 🏗️ Modely už nejsou středobod. Je to celý systém
• 🧠 Třetí typ AI firem: nejen modely, nejen aplikace
• 🤖 „Compound agents“: agenti jako spolupracovníci na týdny práce
• 🎼 Hudební metafora: modely jsou nástroje, orchestr je dirigent
• 🧭 Prechod od „model snapshotu“ k celému vývojovému cyklu
• 📚 Otevřenost jako urychlovač vědy a přístupu k nástrojům
• 🔬 Obecné vs. specializované: value se nejčastěji rodí ve specialistech
• 💶 Ekonomie agentů: čím větší kapacita, tím víc rozhoduje cena za průlom
• 🧰 „Osobní produktivita“ a agenti běžící hodiny až dny
• 🏭 Otevřené modely pro podnik: kontrola, resilience a možnost vypnout
• 🔧 Customizace: AI musí reflektovat vaše doménové IP
• 💡 Náklady: otevřený ekosystém umožňuje levnější verze a sdílení R&D
• 🛡️ Mission-critical aplikace: důvěra bude centrální téma
• ⚡ Otevřená infrastruktura: otevřené modely potřebují „AI grid“
• 🧪 Hybridní modely a další architektonické inovace
• 💼 Ekonomika ROI se přesouvá: od „ROI AI“ k „ROI AI v byznysu“
• 🔮 Co to celé znamená do praxe: jak přemýšlet o AI v roce 2026 a dál
• ✅ Závěr: směrem k agentickému průmyslu, kde vítězí ekosystém

🤝 Není „open vs. closed“. Je to „proprietární a otevřené“

Když lidé říkají, že se svět dělí na otevřené a proprietární modely, často přehlížejí realitu: v praxi vždycky potřebujete obojí. Jde totiž o to, co se děje okolo modelu.

Na jedné straně stojí modely a jejich schopnosti. Na straně druhé stojí celý stack: inference, orchestrace software, připojení na nástroje, škálování, bezpečnost, logování, řízení rizik a nakonec i produktová vrstva, která to celé zpřístupní konkrétnímu byznysu.

Proto zaznělo, že otevřenost i proprietárnost nejsou binární volby. Jsou to dvě „ingredience“ do receptu na spolehlivou AI aplikaci.

⚙️ Co dává otevřenost a co dává uzavřenost

Panelisté popisovali, že:

• Otevřené modely často excelují v tokenové a nákladové efektivitě. To je důležité zejména v rozsáhlých nasazeních, kde každý prompty a každý token něco stojí.
• Proprietární (uzavřené) modely bývají velmi silné v orchestrace, reasoning a v tool calls. V některých scénářích mohou mít výhodu v tom, jak dobře zvládají „systémové“ úlohy a práci s nástroji.

Klíčové je, že se už nedíváme jen na „co model umí“, ale na jak se model chová v systému. A v takovém systému se obvykle hodí kombinovat více typů modelů.

🏗️ Modely už nejsou středobod. Je to celý systém

Jedna z nejpřesnějších formulací z panelu zněla jako připomínka: AI není jen model, AI je systém. To se promítá do několika praktických závěrů.

Model je sice srdce, ale není to organismus. Skutečný výkon přichází až tehdy, když do hry vstoupí:

• Orchestrace (kdy a jaký model volat, v jakém pořadí a s jakými nástroji)
• Pořizování kontextu (napojení na vaše data, dokumenty, databáze, zdroje domény)
• Tooling a konektory (schopnost pracovat s nástroji, systémy a workflow)
• Bezpečnost a kontrola (guardrails, logování, introspekce, ovládání nasazení)
• Spolehlivost v čase (odolnost vůči výpadkům, změnám API, nečekaným scénářům)

Jinými slovy: už nechcete jen „zeptat se modelu“. Chcete, aby AI konala práci. To přináší logický posun od generování textu k agentům a orchestrátorům.

🧠 Třetí typ AI firem: nejen modely, nejen aplikace

Tradičně se sektor popisoval jako dvě kategorie:

• Foundation model companies staví velké obecné modely a poskytují přístup přes API.
• Application companies pak staví produkty na těchto modelech, bez toho aby řešily „model research“ v hloubce.

Podle panelu ale roste třetí skupina: firmy, které kombinují obojí. Používají to nejlepší, co trh nabízí na API úrovni, ale současně dělají i vlastní modelování a vytvářejí výslednou agentickou aplikaci pro konkrétní vertikálu.

Tenhle přístup dává smysl: když chcete řešit konkrétní doménu (průmysl, zdravotnictví, inženýrství, servis), potřebujete jak schopnosti obecných modelů, tak i specifické znalosti a formování chování modelu tak, aby odpovídalo vašim procesům.

🤖 „Compound agents“: agenti jako spolupracovníci na týdny práce

Dosud se agentika často zjednodušovala do příběhu: „nejdřív voláte model, pak voláte model s nástroji“. Panel však naznačil, že se blíží další skok: agent se stává coworkerem, který zvládá úlohy trvající hodiny až dny.

Tady přichází praktická potřeba: pod kapotou nemůže být jeden model „pro všechno“. Úkoly jsou příliš různorodé. V takovém světě se bude dít něco jako:

• v některých krocích chcete „computer use“ schopnosti (rychlé a robustní vykonávání akcí)
• jindy chcete doménovou inteligenci, kterou dodá specializovanější model
• někde jinde potřebujete různé modely pro plánování, psaní, vyhodnocení, kódování nebo práci s multimédii

Výsledek: compound agents (sloučené agentní systémy), které jsou chytřejší, než by byl jakýkoli jeden model sám o sobě, protože směšují jeho síly ve správný moment.

🧪 Příklad: „agentem psaný“ prototypový browser end-to-end

Panel zmiňoval experimenty, kde agenti pomáhají stavět kompletní prototyp (včetně práce po týdny) tak, aby šlo o end-to-end workflow. V podobných úlohách se velmi rychle ukáže, že jeden model nestačí. Spíš potřebujete systém, který umí rozdělit práci na části a každou část přidělit tomu nejvhodnějšímu modelu.

Z pohledu software architektury to není jen „AI“. Je to distribuované rozhodování a workflow management přenesený do agentiky.

🎼 Hudební metafora: modely jsou nástroje, orchestr je dirigent

Jedna z nejlíbivějších metafor v panelu zněla tak, že modely jsou jako hudební nástroje a výsledná práce je symfonie. Orchestrátor pak dělá to, co dělá dirigent: vybírá nástroje, řídí rytmus a skládá je do jednoho výkonu.

V praxi to znamená, že orchestrátor musí být schopný:

• delegovat úlohy mezi různé modely a nástroje
• pracovat s multimodálními funkcemi (text, kód, multimédia)
• řešit multi-cloud a více konektorů
• spravovat file systémy, napojení na externí služby a interní datové zdroje

Odtud i jednoduchá idea, která panel zmiňoval: když máte dobrý orchestration systém, delegujete task a nemusíte se neustále rozhodovat, „který model je nejlepší na který krok“.

🧭 Prechod od „model snapshotu“ k celému vývojovému cyklu

Další důležitý posun se týká toho, jak dnes nahlížíme na model. Často se díváme jen na poslední snapshot vážené sítě. Panel ale argumentoval, že úspěch je ve dlouhém procesu: data, průběžné checkpointy, infrastruktura, post-training, iterace a experimentování.

Proto zaznělo, že u otevřených přístupů nejde jen o samotné váhy, ale o to, aby šlo zpřístupnit i „vývojový cyklus“ a umožnit výzkumníkům a vývojářům nekonečnější přizpůsobení.

🧩 Proč post-training bude relativně dominovat

Bylo zmíněno, že pre-training býval v minulosti obrovská část tréninku. Do budoucna má ale post-training zabírat mnohem větší podíl. Tím se zvyšuje význam:

• jemného dolaďování chování (alignment)
• agentických dovedností (tool use, planning, práce s kontextem)
• vyhodnocování v reálných pracovních scénářích

Je to logické: generické „naučení základů“ je startovní rampou. Skutečná užitečnost se rodí až v tom, jak model dostane úkoly, zpětnou vazbu a pravidla ve fázi post-trainingu.

📚 Otevřenost jako urychlovač vědy a přístupu k nástrojům

Panealisté zdůraznili, že pokrok v AI je extrémně rychlý. Když je vývoj exponenciální, nestačí mít jen pár velkých laboratoří. Je obrovské množství chytrých lidí, kteří ale nemají přístup k potřebným znalostem a nástrojům.

Otevřenost může pomoci dvojím způsobem:

• snížit bariéry vstupu pro výzkumníky a vývojáře mimo špičková centra
• umožnit veřejné studium (nové experimenty, nové hypotézy, rychlejší iterace)

Panel to popisoval jako pozitivně sumovou situaci: sdílení urychlí pokrok celé disciplíny.

🔬 Obecné vs. specializované: value se nejčastěji rodí ve specialistech

Je lákavé dívat se na „největší obecný model“ jako na vítěze. Ale panelisté naznačili jiný pohled:

• generalisté jsou důležití, aby zvládali široké spektrum úkolů
• ale největší hodnota často pochází ze specialistů

To opět podporuje filozofii compound agentů: generalista může dát rozumný směr, ale specialista může dodat hloubku v doméně nebo v jedné kategorii dovedností.

V systému se to může projevit tak, že jeden model zvládne obecné plánování, zatímco jiný model se specializuje na část práce, kde je potřeba vyšší přesnost, jiné nástroje nebo doménové znalosti.

💶 Ekonomie agentů: čím větší kapacita, tím víc rozhoduje cena za průlom

V panelu zazněl historický bod: AlphaGo a moment, kdy „agent“ začal být skutečně superinteligentní na škále. Bylo zmíněno, že systém měl relativně malé parametry oproti dnešku, ale stále porazil nejlepší hráče na světě. Zajímavější ale bylo, že systém se „učil“ průběžně a šlo o ekonomické rozhodnutí, kolik výpočetního výkonu investujete do dalšího zlepšení.

V budoucnu podle stejného uvažování přejde rozhodování z „umíme to?“ na „kolik to bude stát a jak velký průlom od toho čekáme?“. Když se agentika a reinforcement learning (RL) aplikují na jazykové modely ve velkém měřítku, stává se „compute allocation“ hlavním tématem.

Jinými slovy: některé velké otázky se stanou otázkami rozpočtu a priorit. A když investujete dost, můžete řešit i mimořádně náročné problémy, například v medicíně nebo v průmyslovém vývoji.

🧰 „Osobní produktivita“ a agenti běžící hodiny až dny

Panel předpokládá, že s růstem schopností modelů a orchestrátorů přibudou:

• personal productivity agents, kteří zvládnou složitější úkoly na více krocích
• agentí systémy, které budou umět využívat nástroje spolehlivěji
• agentika, která poběží delší dobu a bude schopná vracet se ke kontextu a přehodnocovat plány

To je důležité: produktivita není jen „rychlé generování odpovědi“. Produktivita znamená, že AI skutečně provede proces a dokončí úlohu, i když vyžaduje trpělivost, plánování a práci s více systémy.

🏭 Otevřené modely pro podnik: kontrola, resilience a možnost vypnout

Jedna z praktických argumentací ve prospěch otevřených modelů mířila na nasazení v podnicích. Agentika se totiž odehrává v „execution layer“. Tam je potřeba kontrola.

Panelisté zdůraznili zejména:

• kontrolu nad nasazením (kde a jak se agenti provozují)
• tlačítko „turn on / turn off“ pro agenty uvnitř organizace
• odolnost (resilience), když externí API může být vypnuté nebo se změní
• introspekci (vidět, co kód dělá, a mít možnost to spravovat)

V praxi to znamená, že organizace s otevřeným stackem má větší jistotu, protože ví, co běží a kde jsou hranice odpovědnosti.

🔧 Customizace: AI musí reflektovat vaše doménové IP

Kontrola je jedna věc. Druhá je přizpůsobení. Panelisté zmiňovali, že agenti jsou skvělé v „virtuálním světě“, kde pracují s dokumenty a daty. Ale jakmile máte fyzický svět, stroje, inženýrství a procesy, přichází potřeba vložit do modelů i váš interní know-how.

To se podle panelu nikdy „nezpakuje“ zpět do jednoho obecného modelu. Modely se budou specializovat podle toho, co potřebujete měřit, jaké streamy a časové řady máte k dispozici a jaké máte reálné constraints ve výrobě a servisu.

Zmiňovaný příklad byl produkt orientovaný na propojení modelů s různými datovými zdroji, včetně těch fyzických. Pointa byla jasná: otevřenost umožní lepší customizaci agentů pro inženýrské týmy, které dnes často nemají z generativní AI tolik užitku.

💡 Náklady: otevřený ekosystém umožňuje levnější verze a sdílení R&D

Otevřenost může urychlit i finanční stránku. Když se výzkum a vývoj sdílí, některé náklady se distribuují napříč ekosystémem. Panel zmiňoval iniciativy ve stylu „coalitions“, kde sdílené R&D zkracuje cestu k lepšímu výkonu a přístupnosti.

Prakticky: otevřený stack může umožnit „levnější verze všeho“ a tím i širší nasazení AI napříč zeměmi a organizacemi.

🛡️ Mission-critical aplikace: důvěra bude centrální téma

Jedna z nejdůležitějších částí panelu se týkala mission-critical scénářů. Dnes se agentika posouvá z „chatbotů“ do oblastí, kde je chyba drahá. A čím vyšší je cena chyby, tím vyšší je potřeba důvěry.

Vysoká důvěra se podle panelu skládá z několika prvků:

• hostování a kontrola (ne delegovat klíčovou část rozhodování na třetí stranu bez možnosti introspekce)
• možnost ověřit chování (introspect a guardrails)
• řízení rizik (vědět, kde agent může selhat a jak ho omezit)

Bylo zmíněno, že v některých kontextech mohou uzavřené modely fungovat skvěle. Ale v mission-critical aplikacích se bude stále častěji vracet otázka: můžeme tomu systému věřit? A je snazší důvěřovat tomu, co je otevřenější, protože vidíte do systému a víte, co běží.

⚡ Otevřená infrastruktura: otevřené modely potřebují „AI grid“

Panel šel ještě dál než „otevřené modely“. Zdůrazňoval, že i infrastruktura musí být otevřená, protože jinak narazíte na konsolidaci a nedostatek sdílené kapacity.

Inspirace přišla z průmyslové revoluce. Když byly zdroje jako energie vzácné, mnoho továren si je začalo hromadit. Výsledkem byly neefektivní stavy: generátory běžely na půl výkonu, zásoby se hromadily a část kapacity se nevyužívala.

Z toho plyne argument pro „grid“: mechanismus, který umožní sdílet kapacitu tak, aby existovala base load a zároveň šlo pružně „spikeovat“ v době špiček. Panel to popsal jako směr, kterým se chce ubírat budování AI gridu.

Pointa je: pokud má open ekosystém uspět na frontiere, potřebuje i sdílenou, bezpečnou a flexibilní infrastrukturu.

🧪 Hybridní modely a další architektonické inovace

V debatě se objevilo i téma hybridních modelů. Nešlo jen o marketingové tvrzení, ale o argumenty z analýzy a experimentů, že hybridní přístupy mohou být:

• efektivnější v tréninku
• tokenově úspornější
• architektonicky výhodnější než čisté transformery v některých režimech

Důležitější však je, že otevřený přístup k infrastrukturovému stacku zvyšuje rychlost inovací. Když lidé mohou testovat varianty a sdílet poznatky, vzniká prostředí, které posouvá architektury a agentické systémy rychleji než izolovaná laboratoř.

💼 Ekonomika ROI se přesouvá: od „ROI AI“ k „ROI AI v byznysu“

Panel zakončoval velmi praktickou poznámkou: dřív se lidé často ptali na ROI generativní AI obecně. Teď se pozornost přesouvá na konkrétní návratnosti v reálných procesech.

Například kódování se nebere jen jako „software engineering“. „Coding“ je chápáno širší: zakódování business procesů a pravidel práce. To je přesně místo, kde agenti a orchestrace dávají největší smysl.

Letos se podle panelu čeká inflexní bod: začnou dominovat otázky „Jaká je ROI našeho AI nasazení v konkrétní firmě?“

🔮 Co to celé znamená do praxe: jak přemýšlet o AI v roce 2026 a dál

Kdybyste si měli odnést několik jednoduchých principů, které z panelu vyplývají, zněly by takto:

1. Neplánujte architekturu podle modelu. Plánujte ji podle systému: data, nástroje, workflow, bezpečnost a orchestrace.
2. Počítejte s více modely najednou. Compound agenti budou standard, ne výjimka. Každý krok může potřebovat jinou sílu.
3. Open a closed budou koexistovat. Otevřené části poskytnou kontrolu, customizaci a důvěru. Uzavřené části mohou dodat rychlost a špičkové orchestrator schopnosti.
4. Mission-critical scénáře budou tlačit na introspekci. Pokud jde o zdraví, obranu nebo jiné vysoce rizikové oblasti, důvěra bude konkurenční výhodou.
5. Infrastruktura je stejně důležitá jako model. Bez „AI grid“ a sdílené kapacity může open inovace narážet na praktické limity.
6. Specialisté dávají největší hodnotu. Generalist bude důležitý jako mozek systému. Specialisté dodají přesnost a doménovou kompetenci.

Výsledek může být hodně konkrétní: agenti, kteří zvládnou úlohy napříč více nástroji, běžící dlouho, vracející se k cílům a postupně zpřesňující řešení, a to tak, aby odpovídali bezpečnostním i obchodním požadavkům.

✅ Závěr: směrem k agentickému průmyslu, kde vítězí ekosystém

Panel na GTC 2026 ukázal, že budoucnost AI není jen o tom, kdo postaví největší model. Je o tom, kdo vybuduje nejlepší ekosystém: kombinaci otevřených a proprietárních modelů, silných orchestrátorů, robustní infrastruktury a agentických systémů, které opravdu vykonávají práci.

A právě tady dává otevřenost největší smysl: zvyšuje kontrolu, umožňuje customizaci, zrychluje výzkum a pomáhá budovat důvěru v mission-critical nasazení. Uzavřené modely zase často přinášejí špičkové obecné schopnosti a výkon v orchestrace.

V praxi to znamená jednu věc: místo hledání „jednoho správného modelu“ budeme stavět systémy. A v těch systémech budou „compound agents“ postupně standardem, který přináší reálnou produktivitu a reálnou ekonomiku.