Vyšší účet za tokeny, ale téměř stejný kód
Testovací společnost Vals AI podrobila důkladné prověrce novou generaci modelů. V benchmarku Vibe Code Bench postavila samostatně pracující agenty proti propojeným týmům. Do testu nastoupily modely GPT-6 Sol a Claude Opus 5.5 ve dvou úrovních uvažovacího úsilí – střední a maximální.
Výsledky publikované na serveru The Decoder ukazují výrazný nepoměr mezi cenou a přínosem. Agentní týmy stály 1,8krát až 5,1krát více než samostatný agent řešící stejný úkol. Ze čtyř přímých srovnání mezi týmem a sólo agentem přineslo zapojení skupiny statisticky významné zlepšení pouze v jediném případě. Šlo o model GPT-6 Sol při středním uvažovacím úsilí, kde tým dosáhl o 7,3 bodu vyššího skóre. Při nastavení maximálního výkonu nepřineslo týmové zapojení modelům Sol ani Opus 5.5 žádnou hmatatelnou výhodu.
Příčina neefektivity a takzvaná koordinační daň
Proč větší počet autonomních AI agentů nepředvádí lepší výsledky? Odpověď leží v architekturách samotných systémů. Když agenti pracují v týmu, nespotřebovávají tokeny primárně na psaní kódu nebo logický úsudek, ale na vzájemnou komunikaci a předávání stavu.
Vývojář OpenAI Codex Eric Provencher nedávno veřejně varoval před nasazováním více než dvou paralelních pod-agentů. Označil tento jev jako koordinační daň. Agenti v týmu si navzájem nedůvěřují. Opakovaně prověřují práci druhých, provádějí duplicitní úkony a při každém předání úlohy musejí znovu načítat a rekonstruovat kontext rozdělané práce. Místo synergického efektu vzniká informační šum.
Výzkumník OpenAI Noam Brown v podcastu Dwarkesh potvrdil, že víceagentní systémy kupují pouze rychlost, nikoliv vyšší kvalitu. Čtyři agenti dokáží vyřešit rozdělitelný úkol dvakrát rychleji, ale stojí přesně dvakrát kolik. Při šestnácti agentech se efektivita dále propadá. Brown připomněl, že záleží na typu úkolu. Vyhledávání na webu nebo paralelní matematické výpočty se dělí snadno. Psaní románu nebo návrh architektury z jednoho kusu ale paralelně dělat nelze. Poslat deseti tisícům agentů zadání na napsání knihy nedává o nic větší smysl než poslat na stejný úkol deset tisíc lidí.
Limity škálování v datech Anthropicu
Zjištění společnosti Vals AI potvrzují i interní měření Anthropicu u modelu Claude Opus 5.5. V testech zaměřených na práci se znalostní bází a dokazování matematických vět se ukázalo, že zvyšování počtu agentů naráží na brzký strop.
V testu znalostní báze dosáhl jediný agent skóre 0,53. Tým deseti agentů zvedl úspěšnost na 0,70. Zapojení třiceti agentů posunulo výsledek pouze na 0,71 a masivní roj sta agentů se zastavil na hodnotě 0,74. Podobný průběh zaznamenal benchmark zaměřený na matematické věty, kde posun z deseti na sto agentů znamenal posun skóre z 0,66 na 0,68. Spotřeba tokenů přitom rostla lineárně, zatímco přínos se blížil nule.
Model Fable 5.1 sice při vyšším počtu agentů ukázal v matematice mírně výraznější růst než Opus 5.5, celkově ale zaostával. U znalostní báze dokonce skóre modelu Fable při přechodu ze 30 na 100 agentů lehce pokleslo, protože si agenti začali navzájem přepisovat správné závěry.
Finanční dopady a tiché chyby v nástrojích
Problém přerůstá z teoretických benchmarků do reálných rozpočtů firem. Studie investičního fondu a16z ze srpna 2026 ukázala, že AI agenti spotřebovávají téměř pětkrát více tokenů než lidští uživatelé a jejich spotřeba vzrostla od začátku roku čtrnáctinásobně. Přechod většiny dodavatelů na účtování podle reálné spotřeby tokenů odhalil skryté ztráty. Některé firmy zaznamenaly desetinásobné až padesátinásobné zvýšení měsíčních nákladů na API.
Analýzy společností Databricks a Pinecone odhalily další zdroj plýtvání – tiché chyby v protokolech pro propojení nástrojů (MCP). Pokud agent narazí na selhání externího API nebo neplatnou odpověď nástroje, často přejde do skryté opakovací smyčky. Bez nastavených limitů zkouší stejný neúspěšný požadavek desítkykrát za sekundu, což během několika minut propálí stovky dolarů za neužitečné tokeny.
Co to znamená pro vývoj v Česku
Vývojáři i firmy využívající rozhraní API mají v Česku i v celé Evropské unii k dispozici stejné modely jako zbytek světa. Vlajkový model GPT-6 Sol vychází na 2 dolary za milion vstupních a 10 dolarů za milion výstupních tokenů. Claude Haiku 5.5 drží cenu na 0,10 USD za vstup a 0,50 USD za výstup. U lehkých modelů se ztráty v týmových smyčkách projeví pomaleji, u těžkých uvažovacích modelů ale peníze mizí velmi rychle.
Pro praktické nasazení vyplývá z dostupných dat jasné doporučení. Stavět složité týmy autonomních agentů pro kreativní nebo architektonické úkoly se nevyplatí. Mnohem vyšší návratnost investice přináší využití jediného agenta s vysokou úrovní uvažovacího času (test-time compute). Pokud už je paralelní zpracování nutné, nejlepší poměr ceny a výkonu nabízí rozdělení práce mezi nejvýše dva až tři pod-agenty s pevně stanovenou strukturou a přísnými limity opakovacích smyček.
Vyplatí se týmy AI agentů alespoň kvůli rychlosti?
Částečně ano. Pokud lze úkol snadno rozdělit na nezávislé části (například sběr dat z více webů současně), čtyři agenti dokončí práci přibližně dvakrát rychleji. Zaplatíte za to ale dvojnásobnou cenu za spotřebované tokeny.
Jaké úkoly jsou pro týmy AI agentů nejméně vhodné?
Úkoly vyžadující lineární logiku a kontextovou návaznost, jako je psaní uceleného kódu, tvorba textů nebo návrh systémové architektury. Agenti v těchto případech spotřebují většinu výpočetního výkonu na vzájemnou komunikaci a kontrolování práce druhých.
