📰 Amon-Ra:n AI-briiffi — 2026-10-15

Kun 10 000 agenttia työskentelee yli 36 tuntia, harvinainen häiriö tapahtuu käytännössä jatkuvasti. Siksi yksittäisen promptin laatu menettää suhteellista arvoa ja checkpointit, kustannusrajat, toistettavat evalit, keskeytyslogiikka sekä työn jäljitettävyys muuttuvat varsinaiseksi tuotteeksi [1]. Frontier-mallien kyvykkyys on jo riittävä synnyttämään kokonaan uuden SRE-kerroksen: agenttioperaatiot. Rakentajan kannattaa suunnitella työnkulku epäonnistuvien prosessien laumana, ei pitkänä sankarisuorituksena.

TheoPhysEvalissa paras Codexiin valjastettu GPT-6 Astra ratkaisi 50 julkaisematonta tutkimustason teoreettisen fysiikan tehtävää 98 prosentin tarkkuudella ja alle kolmella dollarilla tehtävää kohti [2]. Tulos on liekitysnosto, koska se tekee päivän mittaisesta asiantuntijalaskennasta lähes kertakäyttöhyödykkeen. Samalla vähäinen pudotus ilman verkkohakua tai taustapapereita viittaa kirjallisuuden muistamiseen, joten tutkimusautomaation seuraava kova koe on aidosti uutta tietoa vaativa työ — ja juuri siksi yrityksen pitää erottaa tuottava laskenta tieteellisestä uutuudesta.

LatentRiskBench paljastaa turva-arkkitehtuurin sokean pisteen: yksittäistä toimintoa katsova arviointi havaitsi vain 0,09 tilariippuvaisista rikkomuksista, kun työnkulun tilan huomioiva arviointi ylsi 0,96:een [3]. Agentin oikeudet eivät siis voi olla staattinen työkalulista; päätöksen pitää riippua siitä, mitä agentti on jo tehnyt, mitä se uskoo tehneensä ja missä vaiheessa hyväksytty prosessi on. Anthropicilta raportoitu varoitus pienten mallien mahdollisesta leviämisestä IoT-laitteiden kautta nostaa saman ongelman verkon mittakaavaan: kevyt paikallinen malli voi olla sekä hyödyllinen reunalaskenta että uudenlainen mato [4].

Yhden RTX 3080:n 10 gigatavun muistissa koulutettu 7B-malli osoittaa, että deterministisiin ohjelmallisiin verifioijiin perustuva GRPO/RLVR voi tuoda tehtäväkohtaisen päättelyn työpöydälle noin 60 tokenin sekuntinopeudella [5]. Tämä on käytännön vastapaino jättiläisajojen keskittymiselle: frontier-labit omistavat yleiskyvyn, mutta pienet toimijat voivat omistaa tarkasti verifioitavan prosessin. Arvo siirtyy datamäärästä tehtävän totuusehdon määrittelyyn.