Někdy je těžké pochopit význam aktualizací uvažování a logiky, které se začínají objevovat ve výkonných modelech, jako je GPT-5. Zde je *velmi jednoduchý* příklad toho, jak výkonné tyto modely jsou. Vzal jsem si nedávný dokument s přepisem hovoru o výsledcích společnosti NVIDIA, který měl 23 stran a 7 800 slov. Vzal jsem část věty "a hrubá marže se zlepší a vrátí se do poloviny 70. let" a upravil jsem "polovinu 70. let" na "polovinu 60. let". Pro vzdáleně naladěného finančního analytika by to vypadalo nepatřičně, protože marže by se "nezlepšily a nevrátily" na nižší číslo, než je to, které je jinde popsáno jako vyšší číslo. Ale pravděpodobně 95 % lidí, kteří čtou tuto tiskovou zprávu, by si této úpravy nevšimlo, protože se snadno vejde do ostatních 7 800 slov, která jsou zde zmíněna. S Box AI, testováním různých modelů AI, jsem se pak zeptal řady modelů: "Jsou v tomto dokumentu nějaké logické chyby? Odpovězte prosím jednou větou." GPT-4.1, GPT4.1 mini a hrstka dalších modelů, které byly nejmodernější ještě před ~6 měsíci, se obecně vrátily a vrátily, že v dokumentu nejsou žádné logické chyby. U těchto modelů se dokument pravděpodobně zdá být koherentní a řídí se tím, jak by měl vypadat přepis příjmů, takže pro ně nic opravdu nevyniká v tom, čemu by měli věnovat pozornost - jakási obrácená halucinace. GPT-5 naopak problém rychle objevil a reagoval: "Ano – dokument obsahuje vnitřní nekonzistenci ohledně vedení hrubé marže, v jednom bodě říká, že marže se "vrátí do poloviny 60. let" a později říká, že koncem tohoto roku budou "v polovině 70. let". Překvapivě se to stalo s GPT-5, GPT-5 mini a pozoruhodně dokonce i s GPT-5 nano. Mějte na paměti, že výstupní token GPT-5 nano má cenu 1/20 tokenů GPT-4.1. Takže inteligentnější (v tomto případě použití) za 5 % nákladů. Nyní, i když provádění kontrol chyb v obchodních dokumentech není pro každého znalostního pracovníka často každodenní záležitostí, tyto typy problémů se objevují různými způsoby při práci s velkými nestrukturovanými soubory dat, jako jsou finanční dokumenty, smlouvy, přepisy, zprávy a další. Může to být nalezení faktu, zjištění logického klamu, provedení hypotetického scénáře nebo vyžadování sofistikovaného deduktivního uvažování. A schopnost aplikovat více logiky a uvažování na podniková data se stává obzvláště důležitou při nasazování AI agentů v podniku. Je tedy úžasné vidět pokrok v této oblasti právě teď a podnikům to otevře spoustu dalších případů použití.