Anthropic naučil AI agenty snít. Sami se opravují přes noc bez lidského zásahu

Anthropic naučil AI agenty snít. Sami se opravují přes noc bez lidského zásahu

Právní firma Harvey zaznamenala šestinásobné zlepšení úspěšnosti úkolů. Stačilo zapnout novou funkci, která agentům Claude umožňuje přes noc přehodnotit vlastní chyby a sestavit si plán, jak příště jednat lépe.

Strojové učení probíhalo dosud jinak. Modely se trénují na datech, nasadí se a fungují — dokud je někdo ručně nevylepší. Agenti od Anthropicu teď dostali schopnost, kterou lidé berou jako samozřejmost: možnost se přes noc zastavit, projít si, co dnes nešlo, a příště to udělat lépe. Anthropic tuto funkci pojmenoval dreaming — snění. A výsledky z prvních nasazení jsou pozoruhodné.

Co přesně dreaming dělá

Dreaming je plánovaný proces na pozadí, který běží tehdy, kdy agent nepracuje na aktivním úkolu — typicky přes noc nebo mezi pracovními sezeními. V průběhu tohoto procesu agent projde záznamy vlastních minulých sezení, identifikuje opakující se vzory chyb, rozpozná přístupy, které fungovaly, a z toho sestaví strukturované poznámky pro budoucí použití. Anthropic tomu říká "playbook" — příručka pro budoucí výkon.

Klíčová věc, na níž Anthropic trvá: dreaming neupravuje váhy modelu. Jde výhradně o práci s pamětí agenta v prostém textu. Vše, co agent v průběhu snění zapíše, je čitelné a auditovatelné člověkem. Správce systému vidí, co se agent naučil, může záznamy schválit nebo odmítnout, případně vypnout automatické přijímání změn a vše schvalovat ručně.

https://noviny.ai/api/admin/images/1ee35817-1ace-4b99-a8d2-24d6ddeca5e1/data

Alex Albert, který vede výzkumný produktový management v Anthropicu, popsal podstatu funkce na konferenci Code with Claude v San Francisku: "Člověk projde workflow s Claudem, a na konci chce zaznamenat cestu od A do B. Dreaming dělá totéž — místo toho, abyste vy ručně vytvořili instrukci ze své zkušenosti, model to udělá sám a má ten kontext pro příští sezení."

Dreaming odhaluje vzory, které žádný jednotlivý agent nemůže vidět sám — opakující se chyby, pracovní postupy, na nichž agenti nezávisle konvergují, a preference sdílené napříč týmem agentů.

Harvey: šestinásobné zlepšení. Jak je to možné?

Právní AI firma Harvey, která využívá Clauda pro zpracování složitých právních dokumentů, nahlásila po nasazení dreamingu šestinásobné zvýšení úspěšnosti dokončování úkolů. Jde o dramatické číslo — a je třeba ho zasadit do kontextu. V praxi to znamená, že agent, který předtím zvládal dokončit přibližně jeden z šesti úkolů správně, nyní zvládá většinu.

Jak je to možné bez změny modelu? Dreaming umožňuje agentovi identifikovat systémové vzory chyb napříč stovkami sezení — vzory, které žádné jednotlivé sezení nevidí. Právní dokumenty mají specifické struktury, fráze a pasti. Agent, který prošel tisíce dokumentů a přes noc si sestavil "co dělám špatně", přistupuje k dalšímu dokumentu s jinou sadou instrukcí pro sebe sama.

Wisedocs, firma zaměřená na přezkum lékařských dokumentů, dosáhla po implementaci funkce outcomes (hodnotící rubrika pro výstupy agenta) zkrácení doby přezkumu dokumentů o 50 %. Netflix mezitím nasadil multi-agentní orchestraci — třetí z nových funkcí — a zpracovává paralelně logy ze stovek buildů současně.

Trojice funkcí: dreaming, outcomes, multi-agent orchestrace

Anthropic nezveřejnil dreaming izolovaně. Na konferenci Code with Claude zároveň přesunul dvě dříve experimentální funkce do veřejné beta verze:

**Dreaming** — plánovaná reflexe minulých sezení, sestavení playbooků pro budoucí výkon, nyní dostupné jako research preview (přihlášení přes formulář) **Outcomes** — možnost definovat rubrika úspěchu pro agenta; samostatný "grader" agent hodnotí, zda výstup splňuje zadaná kritéria; nyní ve veřejné betě **Multi-agent orchestrace** — jeden řídicí agent deleguje subtasky specializovaným podagentům, každý s vlastním kontextovým oknem; veřejná beta

Tři funkce se navzájem doplňují: orchestrace zajistí paralelní zpracování komplexního úkolu více agenty, outcomes definuje, co je dobrý výsledek, a dreaming extrahuje ze všech těchto běhů lekce pro příště. Vzniká uzavřená smyčka kontinuálního zlepšování bez nutnosti lidského vstupu mezi iteracemi.

https://noviny.ai/api/admin/images/cb8c0dc1-fdf0-4bf2-b137-d4fca30c6dcc/data

Růst Anthropicu: 80násobný. Dario Amodei přiznal, že to nečekali

Konference Code with Claude se konala v San Francisku a Dario Amodei, generální ředitel Anthropicu, na ní zveřejnil čísla, která překvapila i jeho samotného. V prvním čtvrtletí 2026 zaznamenal Anthropic 80násobný meziroční růst tržeb a využití platformy — při interních plánech počítajících s desetinásobným růstem ročně.

API objem na platformě Claude je meziročně 70krát vyšší, průměrný vývojář využívající Claude Code tráví s nástrojem 20 hodin týdně. Amodei otevřeně přiznal, že tento růst způsobil problémy s dostupností výpočetní kapacity. "Snažili jsme se dobře plánovat pro svět s 10násobným ročním růstem. A přesto jsme viděli 80násobek. To je důvod, proč jsme měli problémy s computem."

Co to znamená pro vaši firmu

Dreaming je zatím dostupný jako research preview — Anthropic přijímá přihlášky na přístup. Důležitější než konkrétní timeline je ale principiální posun, který tato funkce představuje.

Dosud byl AI agent v podstatě statický nástroj. Nasadili jste ho, fungoval, a pokud nefungoval dobře, museli jste ho vy nebo vývojáři ručně přenastavit. Dreaming mění tento model: agent si sám identifikuje, kde selhává, a sám si sestaví instrukce pro zlepšení. Lidský dohled zůstává — všechno je auditovatelné — ale iniciativa k učení přichází od agenta, ne od člověka.

Pro firmy, které AI agenty již nasazují nebo plánují nasadit, to přináší konkrétní důsledky: agenti nasazení na opakující se úkoly (zpracování dokumentů, zákaznická podpora, code review) mají největší potenciál profitovat z dreamingu, protože mají dostatek sezení k učení. Nové nasazení s malým počtem sezení dreaming příliš nevyužije — potřebuje historická data.

Z dlouhodobého pohledu jde o krok směrem k systémům, které vyžadují stále méně supervize — tedy o krok k autonomnějšímu provozu AI. To je atraktivní z hlediska nákladů i efektivity, ale zároveň vyžaduje propracovanější přístup k auditování a governance. Kdo a jak bude kontrolovat, co se agenti naučili a co si zapomněli opravit?

Živá demonstrace na konferenci ukázala tým Anthropicu, jak systém agentů simuloval přistání dronů na Měsíci — po jednom dreaming cyklu se výsledky simulace znatelně zlepšily. Zní to jako vědecký experiment, ale principiálně jde o totéž, co by mohlo v příštích měsících běžet ve vaší firmě: agent, který se přes noc sám vylepší, aby byl ráno lepší.