Andrej Karpathy, jeden ze zakladatelů OpenAI a dlouholetá výrazná osobnost výzkumu umělé inteligence, znovu otevřel téma, o kterém psal už v dubnu. Tehdy upozorňoval, že lidé mluví o jazykových modelech každý jinak a vzájemně se míjejí. Nyní tvrdí, že se rozdíly v chápání schopností AI nezmenšily, ale naopak rychle rostou. Místo dvou skupin, které si nerozumí, podle něj vzniká úzký trychtýř. Na jeho vrcholu stojí miliardy lidí, kteří AI skoro neznají, zatímco na dně je pár tisíc vyvolených, kteří sledují, jak stroje za týdny zvládají práci na roky.
Miliardy lidí bez kontaktu, další jen s chatbotem
Karpathy svůj odhad označuje za hrubý výpočet od oka. Podle něj se zhruba šest miliard lidí, tedy asi tři čtvrtiny světové populace, s jazykovými modely téměř vůbec nesetkalo.
O úroveň níž stojí jedna až dvě miliardy lidí, kteří občas sáhnou po bezplatné verzi ChatGPT nebo podobné služby. Tato skupina podle Karpathyho vidí spíš trochu přihlouplého chatbota a bere ho jako lepší vyhledávač nebo pomocníka při psaní. Občas se možná nějaký digitální agent pokusí zarezervovat letenku. Karpathy přiznává, že má přátele mimo technologický svět, kteří pro AI nemají skoro žádné využití, a podle něj je to z jejich pohledu pochopitelné.
Do stejné skupiny řadí i řadu profesionálů, kteří se nevěnují matematice ani programování. Typickým příkladem jsou manažeři. Většinu času tráví rozhovory s lidmi, takže sice chápou, co se děje, ale znají to jen z druhé ruky a celý obor jim připadá trochu abstraktní.
Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel. - Napkin math somewhere around 6B people (~75% of the population) have barely come in contact with LLMs at all. - Around 1-2B (~20%) are casual and infrequent users of free-tier ChatGPT-like products. This group sees derpy chatbots and treats them a bit like a better Google search, a writing aid, or etc. Maybe an agent tries to book you a flight. I have non-tech friends who (reasonably, imo) say they have not much use for it at all. Even many professionals outside of math&code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract. - Now we get to professional use of frontier-grade LLMs in math&code. Somewhere around 20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt. Building apps, copying apps, translating apps, decompiling apps from binaries... This has all happened very quickly and recently - less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code. - And finally we get to the ~5,000 people (~0.00006%) with access to frontier-grade systems internally. The external world has seen the preview. It looks like swarms of thousands of agents collaborating over weeks on software mega projects: minting zero days, running cyber attacks and defenses at machine speeds, discovering new science, advancing the frontier of mathematics. Things that would have taken top professionals in the industry years of work. Meanwhile, human review and comprehension are starting to fall behind. For example, people are still involved in the "archeology" of the OpenAI-HF incident from many months ago. Mathematicians may be poring over the 722 manuscripts on frontier mathematics for a while. The funnel is driven by a combination of factors: 1. The impact scales with ambition, problem size, and horizon. A question with a paragraph answer barely stresses the system. You need a reservoir of big, difficult problems that you really care about. This aspect drives the consumer / professional dimension of the funnel. 2. The jaggedness of the system (which I have written about a lot separately). Capability peaks in domains that are digital, verifiable and economically valuable. This is because LLM capability emerges from reinforcement learning on verifiable rewards on a curated environment mixture driven by revenue potential. This aspect primarily drives the area (e.g. math&code) dimension of the funnel. 3. Access. Free-tier, paid-tier, internal. So this is the weirdness of the moment. The general public has mostly not interacted with these systems. When they have, it looks like a derpy chatbot. The majority of professionals still see only a modest uplift. And a small sliver of professionals are experiencing the vertigo of the curve going vertical. And it is all happening at the same time.
— Andrej Karpathy (@karpathy) October 11, 2026
Programátorům se změnila práce
Teprve na další úrovni začíná to, co Karpathy považuje za skutečnou zkušenost s nejpokročilejšími modely. Zhruba dvacet milionů lidí, což je asi 0,2 procenta populace, je používá profesionálně při programování a v matematice. Ti na vlastní kůži vidí, že velké a složité projekty, které jim dříve zabraly týdny až měsíce, dnes zvládnou autonomní agenti na základě jediného zadání. Stavějí aplikace, kopírují je, převádějí do jiných jazyků nebo je rekonstruují z hotových binárních souborů.
Karpathy upozorňuje, jak rychle se to všechno stalo. Ještě před necelým rokem psal kód ručně, znak po znaku zadával příkazy, které znal nazpaměť, a jen občas stiskl tabulátor, aby mu editor doplnil kousek textu.
Nejlepší AI používá jen hrstka lidí
Na úplném dně trychtýře je podle Karpathyho asi pět tisíc lidí, kteří mají přístup k nejvýkonnějším systémům přímo uvnitř vývojářských firem. Jde o zhruba 0,00006 procenta lidstva.
Okolní svět z jejich práce zatím viděl jen ukázky. Karpathy je popisuje jako roje tisíců agentů, které týdny spolupracují na obřích softwarových projektech. Nacházejí dosud neznámé bezpečnostní chyby, vedou kybernetické útoky i obranu rychlostí stroje, objevují vědecké poznatky a posouvají hranice matematiky. Jde o úkoly, na kterých by špičkoví odborníci pracovali roky.
Lidé přitom podle něj přestávají stíhat, protože kontrola a pochopení výtvorů strojů začínají zaostávat. Jako příklad uvádí incident spojený s OpenAI a Hugging Face, který lidé dodnes zpětně rozplétají jako archeologové. Matematici se zase podle Karpathyho ještě dlouho budou probírat stovkami rukopisů o nejpokročilejší matematice.
Proč jsou lidé v různých patrech
Karpathy vidí za vznikem tohoto trychtýře tři příčiny. První je velikost úkolu. Přínos AI roste s ambicemi, rozsahem problému a časovým horizontem. Otázka, na kterou stačí odpověď v jednom odstavci, systém téměř nezatíží. Kdo chce vidět skutečné schopnosti AI, potřebuje zásobu velkých a složitých problémů, na kterých mu opravdu záleží. Právě to podle něj odděluje běžné uživatele od profesionálů.
Druhou příčinou je nerovnoměrnost schopností modelů, o které Karpathy psal už mnohokrát. AI exceluje hlavně v oborech, které jsou digitální, dají se snadno ověřit a mají velkou ekonomickou hodnotu. Vyplývá to ze způsobu výcviku. Modely se učí metodou zpětnovazebního učení s ověřitelnou odměnou ve speciálně sestavených prostředích a jejich výběr řídí hlavně finanční přínos. Proto mají náskok matematici a programátoři, zatímco jiné obory zůstávají pozadu.
Třetí příčina je nejprostší, a sice přístup. Jinou zkušenost má člověk s bezplatnou verzí, jinou s předplatným a úplně jinou ten, kdo pracuje se systémy, které se na veřejnost zatím vůbec nedostaly.
Karpathy tak popisuje zvláštní situaci, kdy vedle sebe existují úplně odlišné reality. Většina lidí s AI téměř nepřišla do styku, a pokud ano, viděla neohrabaného chatbota. Většina profesionálů zažívá jen mírné zlepšení. A malá hrstka lidí podle jeho slov prožívá závrať z toho, jak se křivka pokroku stáčí kolmo vzhůru.
