AI žebříčky se změnily: co ukazuje nový test Artificial Analysis

Artificial Analysis 27. října změnilo svůj hlavní test AI modelů. Nový Intelligence Index v5 více prověřuje práci s nástroji a náročné úkoly. Jeho skóre proto nelze přímo porovnávat se starší verzí. Pro firmu je užitečný jako podklad pro výběr kandidátů, které potom ověří na vlastní práci.

Model, který dobře odpoví na otázku, nemusí stejně dobře dokončit úkol v několika aplikacích. Při automatizaci potřebujeme také správně přečíst podklady, zvolit další krok, použít nástroj a poznat, zda výsledek splňuje zadání.

Právě schopnosti modelů při složitější práci se snaží podrobněji rozlišit Artificial Analysis Intelligence Index v5.0. Jeho autoři přidali dva testy, tři další upravili a změnili složení souhrnného hodnocení. Oznámení nové verze vyšlo 27. října 2026.

Pro čtenáře našich předchozích srovnání je podstatné datum. Články z 24. října vycházejí z verze 4.3.2 a zachycují tehdejší data. Následující přehled používá verzi 5.0, s aktuální tabulkou načtenou 1. listopadu 2026. Jde o odlišné sady měření.

Co nový index měří

Intelligence Index skládá výsledky devíti hodnocení do čtyř oblastí. Každá oblast má čtvrtinovou váhu:

Zdroj: Artificial Analysis, metodika Intelligence Index v5.0. Uvedené názvy označují samostatné testy. Souhrnné skóre není procentem správně vyřešené práce v každé z těchto oblastí.

Jde především o anglicky orientovanou sadu testů. Některá hodnocení využívají i obrazové vstupy, ale index nenahrazuje samostatné posouzení češtiny, hlasu nebo konkrétní práce s obrázky. Podrobnosti uvádí metodika Artificial Analysis.

Pro českou firmu z toho plyne jednoduchá věc: vysoké celkové skóre je dobrý důvod model vyzkoušet. Samo nepotvrzuje, že správně přečte váš ceník, dodrží českou terminologii nebo připraví použitelnou odpověď zákazníkovi.

Větší důraz na dokončení úkolu

Nový FrontierCode 2.0 hodnotí změny ve skutečných softwarových projektech. Terminal-Bench-Science prověřuje vědecké pracovní úkoly v prostředí terminálu. V některých hodnoceních nestačí splnit jen část požadavků: chybný výsledek některé povinné kontroly může znamenat neúspěch celého pokusu. Popis změn v indexu v5.

To je pro firemní automatizaci užitečný způsob uvažování. Představme si přípravu nabídky z příchozí poptávky. Asistent může správně najít zákazníka a přehledně zpracovat text, ale pokud zamění rozměr nebo použije neaktuální cenu, nabídka není připravena k odeslání.

Při vlastním testu proto potřebujeme určit, které podmínky musí být splněny současně. U jedné úlohy to může být správný odběratel, správné položky, ověřený výpočet a seznam chybějících údajů. Pěkně napsaný závěr chybu v těchto bodech nevyrovná.

Neznamená to, že má každá chyba stejnou závažnost. Znamená to předem rozlišit, co lze snadno opravit a co už brání dalšímu použití výsledku.

Proč se změnila i samotná čísla

Artificial Analysis uvádí, že 60 % váhy nového indexu připadá na hodnocení se soukromými testovacími sadami nebo neveřejnými správnými odpověďmi. Změnily se také otázky, úlohy a jejich zastoupení. Z indexu například vypadly SciCode a AA-LCR; jiné testy dostaly nové verze. Zdroj: oznámení v5.

Proto nelze vzít skóre modelu z našeho říjnového článku, odečíst je od dnešní hodnoty a výsledek označit za jeho zlepšení či zhoršení. Měnilo se i měřítko.

Stejný problém vzniká u nákladu testu. Pokud nová sada vyžaduje více kroků a více generovaného textu, může být dražší i při stejné sazbě za tokeny. Vyšší částka za novou benchmarkovou úlohu sama o sobě nedokládá zdražení API.

Při porovnání tedy sledujme současně verzi testu, datum, přesnou variantu modelu a nastavení úsilí. Bez těchto údajů mohou dvě podobně vypadající tabulky popisovat různou práci.

Aktuální výsledky: vybrané modely k 1. listopadu

Při načtení aktuálního žebříčku byl na prvním místě Gemini 4 Carbon v nastavení High. To je novější stav než pořadí popsané v oznámení z 27. října, kde vedl Claude Opus 5.5.

Zdroj: aktuální tabulka Artificial Analysis, načtená 1. 11. 2026, Intelligence Index 5.0. Vybrané modely při uvedeném nastavení; mezi nimi jsou v úplném žebříčku také další úrovně úsilí. Skóre a náklady jsou zaokrouhlené. Označení Default Fallback ponecháváme podle zdroje. Nejde o vlastní měření Kodo ani o cenu každého firemního dotazu.

Tabulka ukazuje, že pořadí podle souhrnného výkonu a podle nákladu testu není stejné. GPT-6.1 Sol má nižší skóre než Opus, ale uvedený náklad úlohy je přibližně osminový. Jestli je pro konkrétní firmu tento rozdíl výhodný, závisí na kvalitě výsledků v její práci. Aktuální žebříček Artificial Analysis.

Skóre 59,43 přitom neznamená, že model vyřeší 59,43 % vašich poptávek. Ani rozdíl dvou bodů neznamená o dva procentní body vyšší přesnost v českém účetním dokumentu. Index spojuje různé typy hodnocení.

Záleží také na nastavení stejného modelu

Označení modelu bez úrovně úsilí nestačí. Ta ovlivňuje, kolik práce model věnuje řešení a jaký náklad přitom vznikne.

Zdroj: Artificial Analysis, stejná verze indexu, dvě samostatně uvedená nastavení stejného modelu. Částky jsou zaokrouhlené.

Pro jednoduché třídění zpráv nemusí být vyšší úsilí přínosné. U složitého porovnání rozporných podkladů může mít větší váhu. Rozhodnutí potřebujeme opřít o výsledky konkrétních vstupů, nikoli o předpoklad, že nejvyšší nastavení je vhodné pro každý krok.

Právě rozdělení procesu může mít větší ekonomický přínos než výměna jednoho modelu za jiný v celém systému.

Co si z nových testů vzít pro otevřené modely

Nová metodika také výrazněji rozlišuje výsledky v náročných úlohách. Neznamená to, že otevřené modely přestaly být použitelné pro běžnou práci. Znamená to, že podobné souhrnné výsledky ve starší sadě nejsou zárukou podobného chování v nové.

Samostatnou otázkou je dostupnost. Označení modelu jako zamýšleného pro otevřené váhy ještě nemusí znamenat, že už lze stáhnout konkrétní váhy a provozovat je ve firmě. Před takovým rozhodnutím je potřeba ověřit zveřejněnou verzi, licenci a požadavky na provoz.

Při úvaze o úspoře tedy dává smysl ponechat otevřené modely mezi kandidáty. Jejich vhodnost ale posoudit podle požadované práce, včetně chyb, opakování a lidské kontroly. Samotná tabulka pořadí tyto náklady neobsahuje.

Jak převést benchmark do vlastního rozhodnutí

Začněte jedním opakovaným úkolem. Připravte vzorek běžných i problematických vstupů a popište výsledek, který má člověk přijmout.

1. Stanovte povinné podmínky. Například správné údaje, zachování jednotek, ověření proti zdroji a upozornění na chybějící informace.
2. Vyberte několik kombinací modelu a nastavení. Benchmark pomůže zúžit výběr, nemusí určit jediného vítěze.
3. Použijte stejné podklady. Zaznamenejte také zadání, verzi modelu a přístupné nástroje.
4. Počítejte celé zpracování. Zahrňte opakované pokusy, další model i čas člověka při opravách.
5. Určete, co se stane při neúspěchu. Další rozbor, doplnění údajů nebo předání odpovědnému člověku má být součástí návrhu.

U cenové nabídky může úspornější model vypsat údaje z poptávky. Pokud se dokumenty rozcházejí, další krok dostane silnější model nebo člověk. Výpočet ceny potom vychází ze schválených pravidel. Takový návrh lze vyhodnotit podle správnosti celého výsledku a skutečného nákladu.

Jak s výběrem může pomoci Kodo

Kodo může pomoci vybrat vhodný proces, připravit srovnatelná zadání a vyhodnotit, které kombinace modelů splňují požadovanou kvalitu. Součástí návrhu automatizace je také napojení dat, kontrola výsledků a předání nejasných případů člověku.

Prvním podkladem může být ukázka opakované práce a vysvětlení, podle čeho poznáte správný výsledek. Probrat využití AI s Kodo.

Časté otázky

Znamená jiné skóre v5, že se stejný model zhoršil?+

Samotná změna skóre mezi verzemi indexu to neprokazuje. Změnily se úlohy, jejich zastoupení a hodnocení. Pro přímé porovnání je potřeba používat stejnou metodiku a odpovídající nastavení modelů.

Jsou naše starší články podle verze 4.3.2 chybné?+

Zachycují jiný datový snímek a výslovně uvedenou verzi měření. Při dnešním výběru je vhodné doplnit novější výsledky. Staré a nové souhrnné skóre ale nelze spojit do jedné řady bez zohlednění změny metodiky.

Je náklad benchmarkové úlohy cenou jedné automatizace?+

Ne. Jde o standardizovaný náklad podle výpočtu Artificial Analysis. Vlastní automatizace má jiné vstupy, počet kroků, výstupy a kontroly. Její cenu je potřeba spočítat a změřit zvlášť.

Má pro firmu vždy smysl model s nejvyšším skóre?+

Ne vždy. Rozhoduje přijatelná kvalita daného úkolu, celkový čas a náklad včetně oprav. Silnější model může být vhodný pro obtížné případy, zatímco jednodušší kroky zvládne úspornější varianta.

---

Související články

• Nejlepší AI modely 2026: výkon, cena a využití ve firmě
• GPT-6 Astra vs. GPT-6.1 Sol: výkon a cena pro firmu
• Jak ušetřit na AI: otevřené modely a automatizace

Zdroje a metodika

• Artificial Analysis: oznámení Intelligence Index v5 — 27. října 2026, změny testů a jejich vah.
• Artificial Analysis: metodika hodnocení — verze 5.0, devět hodnocení, čtyři oblasti a limity použití výsledků.
• Artificial Analysis: aktuální srovnání modelů — data načtená 1. listopadu 2026 přes Firecrawl Alexandria. Tabulka v článku zachovává konkrétní varianty a nastavení; není převzetím pořadí z oznámení z 27. října.

Skóre a náklady jsou datovým snímkem k 1. listopadu 2026. Výsledky benchmarků slouží k orientaci a nenahrazují test konkrétního firemního použití. Článek neuvádí vlastní laboratorní měření Kodo.