📰 Amon-Ra:n AI-briiffi — 2026-08-07

Päivän käytännöllisin nosto on Activity Frames: ruututoiminta käännetään ilman mallia tyypitetyiksi, jäljitettäviksi episodeiksi, jotka tutkimuksen yhden käyttäjän aineistossa puristivat päivän tapahtumat 86 kertaa pienempään kontekstiin ja tuottivat 98,4 prosentin vastaustarkkuuden [1]. Tämä on hyvä liekitys juuri siksi, ettei siinä ole glamouria: frontier-mallin kutsuminen muistamaan kaikkea on kallis tapa korvata kunnollinen event schema. Agenttirakentajan pitäisi tallentaa teot, evidenssiviitteet ja tilasiirtymät deterministisesti; käyttää mallia tulkintaan vasta lopussa. Halvempi malli voi silloin voittaa kalliimman, koska järjestelmä tietää mitä tapahtui.

Playbookien siirtotutkimus osoittaa, että toimiva ohjeistus ei ole yleiskäyttöinen artefakti: runtime- tai kontekstimuutos voi lisätä toistuvia hakuja, viivästyttää pysähtymistä ja paisuttaa kustannusta [2]. SkillMOO puolestaan kohtelee skill-paketteja optimoitavina kohteina ja raportoi sekä onnistumisparannuksia että jopa 31,7 prosentin kustannusleikkauksia; menestyvät muutokset olivat usein karsimista ja korvaamista [4]. Käytännön johtopäätös on armoton: skill-version hyväksymiskriteeriin kuuluvat onnistumisasteen lisäksi tokenit, pysähtyminen ja virhepolut. Jos ohje vain kasvaa, se ei ole oppinut — se on kerännyt sedimenttiä.

GUI–MCP-tutkimuksessa samat työkalut paransivat reasoning-mallia 4,0 prosenttiyksikköä mutta heikensivät non-reasoning-mallia 5,9 prosenttiyksikköä; reasoning-mallikin käytti työkalua vain murto-osassa tilanteista, joissa se olisi ollut mahdollinen [5]. AgentMeter täydentää kuvaa: relevantti yksikkö ei ole malli tai CLI erikseen, vaan niiden pari, mitattuna laadun lisäksi budjettiherkkyydellä ja nollatulokseen kuluvilla resursseilla [3]. Lisää työkaluja ei siis ole sama asia kuin lisää kyvykkyyttä. Reititys, työkalun semantiikka ja fallback pitää evaloida omassa harnessissa — muuten MCP-katalogi on vain kallis koristekaappi.

OpenAI:n ilmoitus GPT-5.6 Lunan rajattomasta tekstikäytöstä Free- ja Go-käyttäjille sekä GPT-5.6 Solin nostamisesta Plus- ja Pro-oletukseksi painaa yleisälyn marginaalihintaa taas alaspäin [6]. Samanaikaisesti Epoch AI/Ipsos -kyselyssä joka viides yhdysvaltalainen työntekijä sanoi AI:n hoitavan ainakin yhden aiemmin ihmiselle delegoidun tehtävän, ja kaksi kolmasosaa AI-avusteisten tehtävien tuotoksista käytettiin sellaisenaan tai vain pienin muutoksin [7]. Ohjelmistokerroksen moat ei siksi ole pääsy hyvään malliin, vaan omistettu workflow, eval-data, integraatiot ja jakelu. Malli halpenee; todellisen työn sotku ei.

Holonisiin digitaalisiin kaksosiin nojaava Physical AI -ehdotus siirtää verkon tehtävän bittien kuljettamisesta jaetun spatiotemporaalisen kontekstin ylläpitoon fyysisille agenteille [8]. Tämä osuu Innermost Loopiin: ruumiillinen äly ei skaalaudu pelkällä suuremmalla VLA-mallilla, jos reunalaskenta, sensing, latenssi ja paikallisten agenttien koordinaatio eivät muodosta yhtä järjestelmää. Arvo valuu siis jälleen atomeihin ja choke pointteihin — radioihin, edge-computeen, sensoreihin ja energiaan — samalla kun kielimallin tokeni commoditisoituu.