Nerozhoduje model, ale co kolem něj postavíte

V dubnu 2026 vydala Mozilla za jediný měsíc 423 bezpečnostních oprav Firefoxu. Za celý rok 2025 se to číslo drželo mezi dvaceti a třiceti měsíčně. V únoru 2026 šedesát a něco, v březnu sedmdesát a něco — a pak jde graf svisle vzhůru.

Vlastní zápis Mozilly přisuzuje 271 ze 423 agentnímu systému postavenému kolem Claude Mythos Preview od Anthropicu: 180 s hodnocením sec-high, 80 sec-moderate, 11 sec-low. Zbytek přišel obvyklou cestou — 41 hlášení zvenku, 111 nálezů zevnitř jinými metodami.

Mezi nálezy byla dvacet let stará chyba v XSLT a patnáct let stará vada v prvku <legend>. Bavíme se o kódu, který četly tisíce schopných inženýrů, přes deset let se nepřetržitě fuzzuje a audituje ho celé odvětví bezpečnostních výzkumníků, kterým za to někdo platí.

To je ta hlavní zpráva. A svádí k závěru, který je špatně.

Mozilla to už jednou zkusila a neuspěla

Podstatná část je schovaná uprostřed toho inženýrského zápisu. Mozilla dělala dřívější pokusy s GPT-4 a Claude Sonnetem 3.5 a hledala jimi tutéž třídu chyb. Vypadalo to slibně a skončilo to v koši: podle vlastních slov Mozilly znemožňovalo množství falešných poplachů nasazení ve velkém. Statická analýza bez dynamického testování nestačila.

Takže tatáž organizace, tentýž kód, tatáž ambice, schopné modely — a žádný výsledek.

V roce 2026 se nezměnilo jen to, že model umí lépe číst kód. Změnilo se, že směl ověřovat vlastní práci. Nový systém mu dal rozhraní, kterým si vytvoří a spustí reprodukovatelný test, postavený nad fuzzovací infrastrukturou, kterou Firefox dávno měl, a rozprostřený přes jednorázové virtuální stroje. Kandidát na chybu buď spustí AddressSanitizer, nebo ne.

Celý mechanismus je v tomhle. Model, který tvrdí, vyrábí práci lidem. Model, který si své tvrzení umí otestovat, vyrábí nálezy.

Pořád na to bylo potřeba přes sto lidí

Mozilla je v tomhle přímá a zaslouží si spíš citovat než převyprávět: na vydání se podílelo přes 100 lidí — psali a revidovali záplaty, stavěli a škálovali celý systém, třídili nálezy, testovali opravy a řídili vydání ke každé chybě.

Systém dodával podněty rychlostí, na kterou by žádný lidský tým nestačil. Zpracovat je ale pořád musela velká, schopná a dobře zorganizovaná inženýrská organizace. Nic tady nenaznačuje, že by byl bezpečnostní tým nahrazen. Posunulo se úzké hrdlo: od hledání možných chyb k jejich zpracování.

Druhý důkaz míří stejným směrem

Existuje mnohem větší datový soubor, který říká strukturálně totéž. Anthropic ve svém Economic Index z června 2026 porovnává, jak lidé pracují na různých rozhraních — chat na jedné straně, agentní Claude Code na druhé.

To chování si není ani vzdáleně podobné. Medián sezení, ze kterého vzešel článek, zabral jeden prompt v Claude Code a třináct kol v chatu. A závěr, který je podstatný pro každého, kdo vybírá nástroj: i když se odstíní vliv modelu, agentní rozhraní vykazuje měřitelně víc delegování — o 0,26 bodu autonomie na pětibodové škále. Claude Code jede v 54 % případů na Opusu proti 10 % u chatu, ale ten rozdíl přetrvá i při srovnání stejného se stejným.

Přečtěte si to vedle Firefoxu a dostanete tutéž větu dvakrát, ze dvou úplně odlišných důkazů: způsob, jakým je práce zapojená, hýbe výsledkem víc než to, jaký model sedí uprostřed. Jednou je to případovka o stovce inženýrů, podruhé vzorec napříč miliony sezení.

Podmínka, která rozhoduje, jestli je to přenositelné k vám

Tady je výhrada, kterou většina převyprávění toho firefoxového výsledku vynechá — a přitom právě ona rozhoduje, jestli se to na vaši firmu vůbec vztahuje.

Hledání zranitelností je neobvykle šťastná disciplína. Má zadarmo automatického a neúplatného rozhodčího. Chyba v práci s pamětí buď pod sanitizerem spadne, nebo ne. Stroj proto může vypálit tisíce hypotéz a téměř všechny se zahodí, aniž je člověk vůbec uvidí. Cena chybného tipu se blíží nule.

Skoro žádný firemní proces takhle nefunguje. Špatně zaúčtovaná faktura nespadne. Smluvní ujednání se špatně nastaveným limitem náhrady škody nezhavaruje. Odpověď podpoře, která tiše slíbí něco, co nenabízíte, projde přes každou automatickou kontrolu, kterou máte.

Co s tím v pondělí

Hledejte práci, která už rozhodčího má. Párování, kde musí souhlasit dva systémy. Cokoli se schématem, kontrolním součtem, validačním pravidlem nebo sadou testů. Pořizování dat, kde navazující systém odmítne, co je špatně. Taková práce není efektní a přesně v ní žije přenositelná verze toho firefoxového výsledku.

Když rozhodčí není, je tím projektem ho postavit. Ne výběr modelu, ne licence k nástroji. Sepsat, co u jednoho procesu znamená „správně", ve tvaru, který dokáže zkontrolovat stroj — na tom všechno ostatní stojí. A je to přesně ten krok, který skoro každý uvízlý pilot přeskočil.

Počítejte s lidmi, kteří ten výstup zpracují. Mozilla potřebovala sto lidí, aby strávili produkci jedné linky. Přepočítejte si to poctivě na svůj tým, než někomu slíbíte číslo o propustnosti.

Změřte si to předtím, ještě tenhle měsíc. A nenahrazujte to pocitem. Když METR v roce 2025 změřil zkušené vývojáře, vyšli o 19 % pomalejší a byli přesvědčení, že byli o 20 % rychlejší — rozdíl devětatřiceti bodů, u zkušených a motivovaných lidí. A to srovnání vyprchává: když se METR vrátil s novějšími nástroji, musel tu otázku opustit, protože vývojáři odmítali pracovat bez těch nástrojů i za 50 dolarů na hodinu. Ať je váš výchozí stav jakýkoli, dneska se zachycuje snáz než za půl roku.

Poctivé shrnutí

To firefoxové číslo je skutečné, potvrzené vlastními inženýry Mozilly a patří mezi nejpozoruhodnější dosud zveřejněné výsledky. Zároveň není důkazem, že vám nákup lepšího modelu k něčemu bude.

Vyrobila ho disciplína s automatickou definicí správnosti, aparát, který nechal model testovat se proti té definici, infrastruktura, která už existovala, a stovka lidí připravených podle výstupu jednat. Odeberte kteroukoli z těch čtyř věcí a dostanete dřívější pokus Mozilly: slibný, hlučný, odložený.

Výnos pořád není v modelu. Je v tom, co kolem něj postavíte.

Často kladené dotazy