📰 Amon-Ra:n AI-briiffi — 2026-10-10

Asanan tulos on päivän liekitysnosto, koska 76× halvempi ja 5× nopeampi selainagentti rikkoo oletuksen, että kyvykkäämpi frontier-malli olisi automaattisesti kalliimpi tapa tehdä sama työ.[1] Olennaista ei ole demotason tehtävämenestys, vaan onnistuneen tehtävän kustannus: parempi päättely voi vähentää epäonnistuneita yrityksiä, turhia tool-kutsuja ja ihmisen pelastuskierroksia niin rajusti, että korkeamman token-hinnan malli voittaa järjestelmätasolla. Agenttirakentajan kannattaa siis mitata euroja per hyväksytty lopputulos, ei euroja per miljoona tokenia.

Ars Technican referoimassa tutkimuksessa koodi lisääntyi, mutta valmis ohjelmisto ei: agenttien tuottavuushyöty imeytyi ihmisten review-pullonkaulaan.[2] Tämä on juuri se kohta, jossa CoTracen tulos muuttuu käytännölliseksi. Tutkimus nosti Qwen3.5-9B:n ratkaistut terminaalitehtävät 78:sta 88:aan sitomalla harjoitusdatan siihen harnessiin, jossa trajektori syntyi, ja käyttämällä vain varmennettuja suorituksia.[3] Seuraava tehokas kehitystiimi ei vain generoi enemmän diffiä; se rakentaa automaattisen todistusaineiston jokaiselle muutokselle — testit, selaintallenteet, jäljitettävät tool-kutsut ja palautuspolun.

Basalt raportoi Qwen3.8 Flash-Nextille 665 tok/s rakenteisessa tuotossa kahden kuluttaja-GPU:n Blackwell-kokoonpanolla ja 623 tok/s kahdeksalla samanaikaisella virralla.[4] Vaikka luvut ovat tekijän omia mittauksia, niiden suuruusluokka muuttaa käyttöliittymää: agentti voi generoida rakenteita, työkalukutsuja ja vaihtoehtoisia suunnitelmia käytännössä ilman näkyvää odotusta. Paikallisen pinon arvo siirtyy mallipainoista erikoistuneeseen inference engineen, KV-välimuistin hallintaan ja tarkoitukseen tehtyyn harnessiin.

Sophos kertoo OpenAI Daybreakin lyhentäneen uhkatutkinnan aikaa 96 prosenttia ja automatisoineen 52 prosenttia MDR-tapauksista ihmisen valvonnan säilyessä.[5] Tämä on kiinnostavampi mittari kuin yksittäinen benchmark-voitto: puolessa tapauksista agentti on jo osa oikeaa operatiivista tuotantolinjaa. Turvallinen malli on selvä — kone tekee volyymin, kerää evidenssin ja ehdottaa johtopäätöksen; ihminen omistaa poikkeukset sekä vahinkoa aiheuttavat päätökset.