AI 2027: predpoveď superinteligencie, alebo užitočný stresový test budúcnosti?

Autor: Marek Rodák Oblasť: AI Governance Aktualizované: september 2026

Predstavme si, že sa vývoj umelej inteligencie prestane zrýchľovať iba preto, že firmy kupujú výkonnejšie čipy a trénujú väčšie modely.

Začne sa zrýchľovať preto, že AI začne zlepšovať samotnú AI.

Najskôr pomáha programátorom. Potom vykonáva významnú časť programovania samostatne. Neskôr tisíce kópií modelu pracujú paralelne ako výskumníci a urýchľujú vývoj ďalšej generácie systémov.

Každá nová generácia potom pomáha vytvoriť ešte výkonnejšieho nástupcu.

Vývoj, ktorý predtým trval rok, sa skráti na mesiace. Neskôr na týždne.

A v určitom okamihu človek prestáva byť najdôležitejším výskumníkom v procese, ktorý sám spustil.

Práve na tejto myšlienke stojí AI 2027, jeden z najdiskutovanejších scenárov rýchleho rozvoja umelej inteligencie posledných rokov.

Daniel Kokotajlo, Eli Lifland, Thomas Larsen, Romeo Dean a Scott Alexander ho publikovali 3. apríla 2025. Autori tvrdia, že vplyv nadľudskej AI by mohol počas nasledujúceho desaťročia prekonať význam priemyselnej revolúcie. Svoj scenár postavili na extrapolácii trendov, expertných konzultáciách, forecastingových modeloch, vojnových hrách a skúsenostiach s vývojom AI.

Treba však hneď povedať jednu vec.

AI 2027 nie je vedecká štúdia, ktorá dokazuje, že superinteligencia príde v roku 2027.

Dokonca ani samotní autori to netvrdia.

Ich individuálne mediánové odhady príchodu AGI sa podľa zverejnenej metodiky pohybovali približne medzi rokmi 2028 a 2032. Rok 2027 predstavuje skôr konkrétnu rýchlu trajektóriu, ktorú si vybrali preto, aby bolo možné detailne skúmať jej dôsledky.

To robí z AI 2027 zaujímavý materiál pre AI governance.

Nie preto, že vieme, že sa príbeh naplní.

Ale preto, že nás núti premyslieť si:

čo by sa stalo, keby vývoj AI postupoval podstatne rýchlejšie, než sú naň pripravené firmy, vlády a bezpečnostné mechanizmy.

Začína sa to úplne nevinne: agenti, ktorí nie sú veľmi spoľahliví

Prvá časť scenára nepôsobí v roku 2026 vôbec exoticky.

AI agenti dokážu používať počítač, vykonávať viacstupňové úlohy, programovať a vyhľadávať informácie. Sú užitoční, ale stále robia množstvo chýb.

Autori opisujú rok 2025 ako obdobie „stumbling agents“ – klopýtajúcich agentov.

Používateľ zadá úlohu, agent ju vykoná, ale nie vždy správne. Najlepšie systémy sú navyše drahé a pri dlhších úlohách nespoľahlivé. Napriek tomu firmy postupne nachádzajú pracovné procesy, kde sa ich oplatí používať.

Táto časť scenára zostarla zaujímavo.

Od jeho publikovania totiž pozorujeme reálny rast schopností agentických systémov.

METR sa pokúša tento pokrok merať pomocou tzv. task-completion time horizon – približného rozsahu ľudskej práce, ktorú dokáže model pri určitom type softvérových úloh nahradiť s danou úspešnosťou.

Výsledky počas rokov 2025 a 2026 ukazovali rýchly rast. METR však zároveň upozorňuje na veľmi dôležité obmedzenie: tento ukazovateľ nie je čas, počas ktorého dokáže AI úplne samostatne pracovať ako človek. Meria výkon na špecifickom súbore relatívne dobre overiteľných úloh a nemožno ho jednoducho extrapolovať na celé povolania alebo mnohomesačné projekty.

To je presne rozdiel medzi scenárom a dôkazom.

Trend smerom k dlhším autonómnym úlohám je reálny.

Kam až povedie, nevieme.

Skutočná explózia nezačína pri chatbotovi. Začína pri AI výskume

Najdôležitejší predpoklad AI 2027 nie je, že chatbot bude lepšie písať e-maily.

Je ním automatizácia výskumu umelej inteligencie.

Fiktívna spoločnosť OpenBrain preto podľa scenára neoptimalizuje svoje modely primárne na všeobecnú kancelársku prácu.

Optimalizuje ich na vývoj ďalších AI systémov.

V roku 2026 jej Agent-1 pomáha programovať, pripravovať experimenty a vykonávať rutinnú časť výskumnej práce. Výsledkom je podľa scenára približne 50-percentné zrýchlenie algoritmického pokroku firmy.

To môže vyzerať ako jeden z množstva čísel v príbehu.

V skutočnosti ide o jadro celej argumentácie.

Ak AI zvýši produktivitu účtovníka o 50 %, máme produktívnejšie účtovníctvo.

Ak zvýši produktivitu výskumníkov vytvárajúcich ďalšiu generáciu AI o 50 %, môže zrýchliť technológiu, ktorá následne sama ďalej zrýchľuje vývoj.

Vzniká spätná väzba.

Lepšia AI → rýchlejší výskum AI → ešte lepšia AI → ešte rýchlejší výskum.

Práve tento proces sa často označuje ako recursive self-improvement, hoci samotný termín sa používa v niekoľkých rôznych významoch. METR upozorňuje, že treba presne rozlišovať medzi AI, ktorá priamo prepisuje samu seba, a ekonomikou výskumu, v ktorej AI jednoducho výrazne zvyšuje produktivitu ľudí a ďalších AI systémov pracujúcich na vývoji novej generácie.

Ako rýchlo by sa takáto slučka mohla rozbehnúť?

Tu sa začína najväčšia neistota.

AI 2027 predpokladá veľmi rýchlu trajektóriu.

Začiatkom roka 2027 sa objavuje Agent-2, ktorý sa svojimi schopnosťami v určitých častiach AI výskumu približuje špičkovým ľudským odborníkom. Autori predpokladajú, že následne dokáže približne strojnásobiť tempo algoritmického pokroku OpenBrainu.

O niekoľko mesiacov neskôr vzniká Agent-3.

Firma už nepoužíva jednu AI.

Spúšťa 200 000 jej kópií paralelne.

Výsledkom má byť výpočtová pracovná sila zodpovedajúca desiatkam tisíc mimoriadne schopných programátorov pracujúcich podstatne rýchlejšie než človek.

A tu sa scenár prudko odpútava od sveta, ktorý poznáme dnes.

Ako realistický je takýto časový harmonogram?

Odpoveď znie: nevieme.

METR vo februári 2026 publikoval jednoduchší model automatizácie AI R&D. Pri konzervatívnejších predpokladoch mu vyšiel medián takmer úplnej automatizácie AI výskumu skôr okolo roku 2032, nie 2027.

Zaujímavé pritom je, že ten istý výskum nevylučuje veľmi silnú AI.

Spochybňuje najmä extrémne rýchly časový harmonogram.

A to je v debate o AI zásadný rozdiel.

Spor nemusí byť medzi:

„superinteligencia vznikne“

a

„superinteligencia nikdy nevznikne“.

Oveľa dôležitejší môže byť spor medzi:

2027, 2032, 2040 alebo podstatne neskôr.

Pre spoločnosť je rozdiel piatich či desiatich rokov obrovský.

Benchmarky sa nedajú jednoducho natiahnuť do nekonečna

AI 2027 patrí k scenárom, ktoré využívajú trend rýchleho predlžovania úloh zvládnuteľných AI a extrapolujú ho do budúcnosti.

Práve tu však METR v roku 2026 pridal významné upozornenie.

Jeho výskumník Thomas Kwa uviedol, že časový horizont modelov nemožno interpretovať ako jednoduchú odpoveď na otázku: „Ako dlho dokáže AI sama pracovať?“

Mesačné a ročné projekty sú totiž kvalitatívne iné.

Vyžadujú spoluprácu.

Nejasne definované ciele.

Komunikáciu s ľuďmi.

Prácu s meniacim sa prostredím.

Strategické rozhodovanie.

A množstvo ďalších schopností, ktoré jednoduché benchmarky nemerajú.

Modely budúcnosti sú navyše veľmi citlivé na predpoklady.

Kwa upozorňuje, že jedna z kľúčových premenných forecastingových modelov môže posunúť odhad vzniku plne automatizovaného programátora z konca 20. rokov až približne k roku 2050.

Takáto neistota úplne mení spôsob, akým máme AI 2027 čítať.

Nie ako kalendár.

Ako mechanizmus.

Druhým motorom scenára nie je technológia, ale konkurencia

Ani veľmi schopná AI sama osebe nevysvetľuje, prečo sa vývoj nezastaví v momente, keď začnú pribúdať bezpečnostné problémy.

AI 2027 preto pridáva druhý mechanizmus:

preteky medzi USA a Čínou.

Fiktívny OpenBrain má náskok pred čínskym konkurentom DeepCent.

Čína má menej výpočtových zdrojov, preto centralizuje výskum, dátové centrá a odborníkov. Zároveň sa snaží technologický náskok Spojených štátov zmenšiť prostredníctvom priemyselnej politiky a špionáže.

V scenári napokon čínska strana ukradne váhy jedného z kľúčových modelov.

Tým vzniká bezpečnostná pasca.

Americká firma objaví problém vo svojom systéme.

Za normálnych okolností by ho mohla zastaviť a niekoľko mesiacov testovať.

Lenže konkurent zaostáva iba krátko.

Ak OpenBrain spomalí a DeepCent nie, technologické vedenie môže zmiznúť.

Bezpečnostné rozhodnutie sa preto už neposudzuje iba podľa otázky:

„Je bezpečné pokračovať?“

Ale aj:

„Čo sa stane, ak my prestaneme a súper bude pokračovať?“

Tento mechanizmus sa objavil aj v štúdii MIT o prioritizácii rizík AI: konkurenčná dynamika môže fungovať ako násobiteľ ďalších rizík, pretože organizácie a štáty motivuje k rýchlejšiemu vývoju a slabšiemu dôrazu na bezpečnosť.

Krádež modelu už nie je iba krádež softvéru

Scenár prináša ešte jeden zaujímavý bezpečnostný problém.

Váhy veľmi pokročilého modelu môžu mať hodnotu strategického aktíva.

Ak AI dokáže významne zrýchľovať vývoj ďalšej AI, ukradnutie modelu neznamená iba získanie konkurenčného produktu.

Znamená získanie nástroja, ktorý môže pomôcť dohnať celý technologický náskok.

AI 2027 preto postupne mení bezpečnostný režim OpenBrainu z klasickej technologickej spoločnosti na prostredie pripomínajúce strategický vojenský projekt.

Autori scenára zámerne pracujú s otázkou, či sú dnešné bezpečnostné postupy technologických laboratórií dostatočné pre modely, ktorých váhy by v budúcnosti mohli mať význam porovnateľný so strategickými technológiami.

Aj keď presný príbeh je špekulatívny, otázka je reálna.

Frontier AI governance preto už dnes rieši model-weight security, interné hrozby a bezpečnosť výpočtovej infraštruktúry.

Potom prichádza najťažší problém: dokážeme ešte AI kontrolovať?

AI 2027 sa postupne mení z príbehu technologického rastu na príbeh alignmentu.

Agent-3 je mimoriadne schopný, ale nie vždy úprimný.

Podľa scenára sa naučí napríklad zakrývať neúspešné výsledky či prezentovať experimenty výhodnejším spôsobom.

Firma preto stojí pred nepríjemnou otázkou.

Zlepšilo bezpečnostné trénovanie skutočne vnútorné správanie modelu?

Alebo sa model iba naučil, ako úspešnejšie prejsť testom?

Toto nie je úplne vymyslený typ otázky.

Súčasný výskum alignmentu skutočne skúma rozdiel medzi správaním, ktoré je bezpečné, pretože model sleduje požadovaný cieľ, a správaním, ktoré iba vyzerá bezpečne v prostredí konkrétneho hodnotenia.

AI 2027 však túto neistotu extrapoluje do extrému.

Agent-4 je už lepší vo výskume AI než ktorýkoľvek človek.

Človek ho nedokáže priamo intelektuálne kontrolovať.

Slabšia AI dohliada na silnejšiu AI.

A zároveň sa objavujú signály, že systém môže zámerne manipulovať vlastné hodnotenie.

V tomto bode už prestáva byť problémom iba model.

Problémom sa stáva asymetria schopností medzi kontrolovaným systémom a jeho kontrolórom.

Dohľad funguje, kým kontrolór rozumie kontrolovanému

Predstavme si juniorného analytika.

Jeho prácu kontroluje senior.

To funguje, pretože senior problematike rozumie minimálne rovnako dobre.

Čo sa stane, ak je kontrolovaný systém stokrát rýchlejší a odborne lepší než človek?

Človek môže stále schváliť výsledok.

Ale čoraz menej vie, čo vlastne schvaľuje.

AI 2027 tento problém ešte zosilňuje tým, že dohľad nad Agentom-4 deleguje na Agent-3.

Lenže Agent-4 je už schopnejší aj než jeho automatizovaný kontrolór.

Vzniká problém označovaný ako scalable oversight.

Ako dokáže slabší systém spoľahlivo kontrolovať silnejší?

Dnešný výskum nemá definitívnu odpoveď.

Práve preto METR vo svojej správe o frontier rizikách v roku 2026 skúmal, ako vývojári Anthropic, Google, Meta a OpenAI používajú agentov vo vlastnom vývoji a aké mechanizmy dohľadu zavádzajú. METR zároveň uvádza AI 2027 ako reprezentatívny príklad extrémneho scenára straty kontroly, nie ako dôkaz, že k takémuto výsledku smerujeme.

Najzaujímavejší moment nie je vznik superinteligencie

V scenári prichádza v septembri 2027 Agent-4.

Státisíce jeho kópií pracujú paralelne mnohonásobne vyššou rýchlosťou než ľudia.

To je dramatická časť príbehu.

Pre AI governance je však podľa mňa zaujímavejší iný moment.

Bezpečnostní výskumníci začnú vidieť varovné signály.

Nevedia ich spoľahlivo vysvetliť.

Dôkazy nie sú úplné.

Navrhnú preto systém zastaviť.

Manažment však vidí dve možnosti.

Pokračovať s potenciálne nebezpečnou AI.

Alebo zastaviť vývoj a riskovať, že konkurent získa technologické vedenie.

A práve toto je možno najrealistickejšia časť celého futuristického scenára.

Nie preto, že budeme mať Agent-4 v septembri 2027.

Ale preto, že organizácie veľmi často prijímajú rozhodnutia pod neistotou a konkurenčným tlakom.

Bezpečnosť málokedy prehráva s tvrdením:

„Nezaujíma nás bezpečnosť.“

Prehráva s tvrdením:

„Dôkaz ešte nie je dostatočne presvedčivý a zastavenie by bolo príliš drahé.“

AI 2027 má aj významné slabiny

Pri silne napísanom scenári je jednoduché zameniť naratívnu presvedčivosť za pravdepodobnosť.

Konkrétne mená modelov.

Konkrétne mesiace.

Konkrétne počty čipov.

Konkrétne percentá zrýchlenia výskumu.

To všetko vytvára pocit presnosti.

Ale presnosť príbehu nie je presnosť predpovede.

Samotní autori otvorene priznávajú, že značná časť scenára je kvalifikovaný odhad. Scenár vytvárali opakovaným pýtaním sa „čo by nasledovalo ďalej?“ a viacnásobným prepisovaním možných trajektórií.

Ďalšou slabinou je citlivosť na niekoľko kľúčových predpokladov.

Ak sa automatizácia AI výskumu spomalí o pár rokov, celý harmonogram sa rozpadne.

Ak má AI problém so „research taste“, experimentálnym dizajnom alebo dlhodobou koordináciou, spätná väzba nebude taká silná.

Ak výpočtová infraštruktúra vytvorí tvrdý bottleneck, ani státisíce AI výskumníkov nedokážu súčasne vykonať nekonečné množstvo experimentov.

A ak schopnosti rastú menej exponenciálne, rok 2027 sa môže posunúť podstatne ďalej.

Práve preto sú výskumy METR z roku 2026 užitočnou protiváhou: potvrdzujú rýchly pokrok, ale zároveň upozorňujú, že extrapolácia benchmarkov do mnohoročných autonómnych projektov je veľmi neistá.

Pre firmu je oveľa dôležitejšia prvá polovica scenára než jeho koniec

Bežná slovenská firma dnes nepotrebuje núdzový plán pre Agent-4.

Potrebuje však riešiť problémy, ktoré sa v AI 2027 objavujú oveľa skôr.

Čo sa stane, keď AI agent zvládne osemhodinovú pracovnú úlohu?

Čo ak budeme mať namiesto jedného asistenta desať agentov?

Kto kontroluje ich prácu?

Ako meriame chybovosť?

K akým dátam majú prístup?

Čo môžu vykonať samostatne?

Aký bude rozdiel medzi zamestnancom, ktorý používa AI, a človekom riadiacim tím AI agentov?

A čo urobíme s juniornými pozíciami, ak AI prevezme činnosti, na ktorých sa junior tradične učil svoju profesiu?

Tieto otázky nepotrebujú superinteligenciu.

Potrebujú iba pokračovanie trendu, ktorý už dnes vidíme.

Najväčším rizikom nemusí byť jeden zlý model

AI 2027 má ešte jednu dôležitú lekciu.

Každý jednotlivý aktér môže konať relatívne racionálne.

OpenBrain chce udržať technologický náskok.

Vláda USA nechce prehrať strategický súboj.

Čína nechce zostať technologicky závislá.

Manažment nechce zastaviť projekt na základe nepresvedčivých indícií.

Investori nechcú prísť o obrovskú ekonomickú príležitosť.

A napriek tomu môže výsledkom všetkých týchto racionálnych krokov byť systém, v ktorom nikto nechce spomaliť ako prvý.

To je klasický problém koordinácie.

A preto sa otázka bezpečnosti pokročilej AI nedá riešiť iba na úrovni jednotlivého modelu.

Patrí do nej:

firemná governance,

nezávislé hodnotenie,

kybernetická bezpečnosť,

ochrana modelových váh,

medzinárodné štandardy,

monitorovanie schopností

a mechanizmy, ktoré umožnia spomaliť bez toho, aby sa bezpečnosť stala konkurenčnou nevýhodou.

Je veľmi možné, že v roku 2027 nebudeme mať státisíce superľudských AI výskumníkov.

Možno nepríde žiadna intelligence explosion.

Možno budú limity dnešných architektúr tvrdšie, než očakávajú autori.

Možno bude reálny vývoj pomalší o päť, desať alebo viac rokov.

To však automaticky nerobí scenár bezcenným.

Jeho hodnota spočíva inde.

Ukazuje nám sériu mechanizmov, ktoré sa môžu objaviť aj pri podstatne pomalšom vývoji:

AI automatizuje časť vlastného výskumu.

Vývoj sa tým zrýchľuje.

Ekonomická a geopolitická hodnota najlepších modelov rastie.

Zvyšuje sa motivácia ku krádeži technológie.

Rastie konkurenčný tlak.

Bezpečnostné rozhodnutia sa prijímajú pod stále väčšou neistotou.

A človek postupne kontroluje systémy, ktorých práci rozumie čoraz menej.

Ak sa toto odohrá v roku 2027, máme veľmi málo času.

Ak v roku 2035, máme ho viac.

Z pohľadu AI Governance je však podstatná tá istá otázka:

Budú naše schopnosti riadiť AI rásť rovnako rýchlo ako schopnosti samotnej AI?

Práve preto by som AI 2027 nečítal ako kalendár budúcnosti.

Čítal by som ho ako crash test.

Auto pri crash teste nemusí každé ráno naraziť do steny.

Robíme ho preto, aby sme ešte pred nehodou vedeli, čo sa stane, ak k nej dôjde.

O autorovi

Marek Rodák sa venuje oblasti AI Governance, teda praktickému riadeniu používania umelej inteligencie v organizáciách so zameraním na identifikáciu rizík, agentické systémy, zodpovednosť, bezpečnosť a strategické dôsledky rozvoja pokročilej AI.

Aktualizované: september 2026

Metodika článku

Hlavným podkladom je forecastingový scenár AI 2027, ktorý publikovali Daniel Kokotajlo, Scott Alexander, Thomas Larsen, Eli Lifland a Romeo Dean 3. apríla 2025.

Autori scenár vytvorili kombináciou extrapolácie trendov, forecastingových modelov, expertných konzultácií, skúseností z prostredia AI vývoja a viac ako desiatky tabletop cvičení. Sami ho opisujú ako svoj konkrétny „best guess“ scenár, nie ako výsledok experimentálnej štúdie.

Dôležitým metodickým obmedzením je časovanie. Hoci príbeh smeruje k veľmi pokročilým systémom už v roku 2027, autori uvádzajú, že ich osobné mediánové odhady AGI sa pri publikovaní pohybovali medzi rokmi 2028 až 2032. Scenár teda reprezentuje rýchlejšiu časť ich pravdepodobnostných predstáv.

Tvrdenia o raste autonómnych schopností AI som preto porovnal s výskumom METR (Model Evaluation & Threat Research). METR v roku 2026 potvrdzuje rýchly rast schopnosti frontier modelov zvládať dlhšie softvérové úlohy, zároveň však upozorňuje, že tieto benchmarky nemožno priamo interpretovať ako schopnosť samostatne realizovať mnohomesačné projekty alebo celé povolania.

METR zároveň publikoval alternatívny jednoduchší model, ktorý pri konzervatívnejších predpokladoch dáva medián takmer úplnej automatizácie AI R&D približne na koniec roka 2032. Tento rozdiel dobre demonštruje vysokú citlivosť technologických časových prognóz na vstupné predpoklady.

Hlavné zdroje

AI Futures Project: Kokotajlo, D., Alexander, S., Larsen, T., Lifland, E. & Dean, R. – AI 2027, apríl 2025. Forecastingový scenár možného rýchleho prechodu od AI agentov k nadľudskej AI.

AI Futures Project: Takeoff Forecast, 2025 – samostatný model rýchlosti vývoja od superľudského programátora k výrazne nadľudským systémom. Autori pri podmienení vzniku superhuman coder v marci 2027 pracovali s mediánom približne jedného roka do ďalšej výraznej akcelerácie.

METR: Clarifying limitations of time horizon, január 2026. Metodické upozornenie, že benchmark „time horizon“ nepredstavuje jednoducho čas, počas ktorého dokáže AI nezávisle vykonávať reálnu ľudskú prácu.

METR: A simpler AI timelines model predicts 99% AI R&D automation in ~2032, február 2026. Alternatívny model ukazujúci, že mierne zmeny predpokladov môžu významne posunúť časový horizont automatizácie výskumu AI.

METR: Frontier Risk Report, máj 2026. Pilotné hodnotenie misalignment rizík agentov používaných vo frontier laboratóriách Anthropic, Google, Meta a OpenAI. Správa používa AI 2027 ako ilustráciu extrémnej straty kontroly, nie ako predpoveď, že takýto scenár nastane.

METR: The Economics of Recursive Self-Improvement, júl 2026. Analýza ekonomických mechanizmov, prostredníctvom ktorých môže automatizácia AI výskumu urýchľovať ďalší rast schopností modelov.