Anthropic zaplatí 1,5 miliardy dolarů. Kdo si peníze rozdělí?

Spisovatelé vybojovali miliardové vyrovnání s firmou vyvíjející umělou inteligenci. Teď řeší, kolik peněz z něj vůbec dostanou. O podíl se hlásí nakladatelé i někteří literární agenti. Technologická revoluce zkrátka umí doručit velmi tradiční zápletku: jakmile se objeví peníze, přibudou židle u stolu.

Případ Anthropic přitom přesahuje knižní trh. Ukazuje, proč při nasazování AI záleží na původu podkladů, smlouvách a kontrole nad daty. Stejnou otázku si má položit provozovatel fotovoltaiky, který chce chatbotu svěřit servisní dokumentaci nebo historii spotřeby.

Anthropic zaplatí 1,5 miliardy dolarů. Kdo si peníze rozdělí?

Soudkyně Araceli Martínez-Olguín schválila 20. července 2026 vyrovnání ve věci Bartz proti Anthropic. Jeho hodnota činí 1,5 miliardy dolarů. Mezi hlavními žalobci byli Andrea Bartz, Charles Graeber a Kirk Wallace Johnson. Spor se týkal získávání a kopírování knih z pirátských zdrojů. Authors Guild popisuje schválení dohody.

Často uváděných přibližně 3 000 dolarů za dílo ale není automatický šek pro každého spisovatele. Jde o částku vztahující se k danému titulu, jejíž rozdělení závisí na nárocích držitelů práv. U běžných obchodních a univerzitních nakladatelských smluv existuje výchozí poměr 50 : 50 mezi autorskou a nakladatelskou stranou. Smlouvy mohou vést k jinému výsledku. U vzdělávacích publikací stejný univerzální poměr neplatí. Přehled pravidel rozdělení.

Modelový výpočet je jednoduchý. Z částky 3 000 dolarů připadne při rovném dělení 1 500 dolarů autorské straně. Dva spoluautoři se stejným podílem by dostali po 750 dolarech. Skutečná výplata však nemusí přesně odpovídat tomuto příkladu.

Pro technologický byznys je podstatný rozdíl mezi hodnotou celého fondu a příjmem jednotlivého tvůrce. Miliardový titulek vypadá jako definitivní vítězství. Jenže skutečný výsledek se skládá z tisíců jednotlivých smluv, evidencí a rozhodnutí. Úspěšná žaloba tím získává druhou, mnohem méně efektní fázi: administrativu.

Proč autory rozčilují nakladatelé a patnáctiprocentní provize

Na začátku září dostali žadatelé přehledy nároků. Někteří zjistili, že další účastník požaduje jiný podíl. Authors Guild upozornil také na nakladatele, kteří podle svého vyjádření omylem zvolili 100 % místo výchozího rozdělení. Takové záznamy se opravují. Každá nesrovnalost tedy sama o sobě nedokazuje pokus autora obrat.

Citlivější jsou literární agenti. Někteří přihlásili patnáctiprocentní nárok. Podle stanoviska Authors Guild agenti nejsou z titulu zastupování držiteli práv, a proto nemají vlastní nárok na platbu od správce vyrovnání. Případná provize vůči autorovi závisí na jejich smlouvě. Stanovisko k zářijovým sporům.

Právě tady se střetává obchodní rutina s nezvyklým příjmem. Provize za sjednání nakladatelské smlouvy není samozřejmou odpovědí na otázku, komu patří náhrada za neoprávněné kopírování. Autor může namítat, že agent žádnou licenci neprodal. Agent může odkazovat na rozsah zastoupení. Rozhodující bude konkrétní ujednání.

Z pohledu autora dává smysl porovnat přehled nároků se smlouvou a dokumenty o případném navrácení práv. Samotné procento zobrazené v portálu není rozhodnutí o oprávněnosti požadavku.

Poučení pro ostatní obory je nepříjemně praktické. Pojmy jako „naše dokumentace“ nebo „naše data“ bývají v běžném provozu pohodlné. Při dělení výnosů přestanou stačit. Najednou potřebujete vědět, kdo co vytvořil, komu poskytl licenci a k jakému použití.

Chcete ušetřit na energiích?

Zjistěte, kolik můžete ušetřit sdílením elektřiny z FVE nebo optimalizací bateriového úložiště.

Spočítat úsporu →

Vyrovnání není univerzální povolenka k trénování AI

Dohoda vypořádává vymezené nároky spojené s minulým získáváním a kopírováním děl. Neuzavírá nároky založené na výstupech AI ani všechny budoucí spory. Authors Guild zároveň uvádí, že Anthropic prohlásil, že dotčené pirátské datové soubory nebyly součástí trénovacích korpusů jeho komerčně vydaných modelů. Zkratka „každá odškodněná kniha trénovala Claude“ proto přesahuje doložené informace. Rozsah vyrovnání a stanovisko firmy.

Pro českou instalační firmu z toho neplyne konkrétní právní verdikt. Plyne z toho dobrý pracovní postup: evidovat původ podkladů ještě před jejich nahráním do AI.

Představme si servisního asistenta pro fotovoltaiku. Má číst návody ke střídačům, interní postupy a protokoly zákazníků. Ke každému dokumentu přidejte zdroj, datum, verzi a povolený způsob použití. Oddělte vlastní návody od převzatých materiálů. Ze zákaznických protokolů odstraňte údaje, které pro konkrétní úkol nepotřebujete.

Pro odpovědi nad dokumentací lze navrhnout vyhledávání relevantních pasáží a jejich přikládání k dotazu, běžně označované jako RAG. Dokumenty se tak dají jednotlivě aktualizovat a odpověď může ukazovat konkrétní podklad.

Ani tento postup ovšem automaticky neřeší oprávnění dokument zpracovávat. Stejně tak lokální běh nezaručuje bezchybnou odpověď. Výhodou je především přehlednější správa: víte, odkud asistent čerpal, a starý návod můžete vyřadit bez nového trénování modelu.

Malý model, sto kroků tréninku a velká mezera ve spolehlivosti

Vedle miliardových sporů běží druhá technologická linie: menší modely pro úzké úkoly. Hugging Face 3. září zveřejnil postup dotrénování LFM2.5-350M, modelu s přibližně 350 miliony parametrů. Experiment použil zhruba 500 vzorků a 100 kroků metody GRPO. Výsledek v testu strukturovaných výstupů IFStruct stoupl z 22,6 % na 29,7 %. Popis experimentu a postup.

To představuje zlepšení o 7,1 procentního bodu, relativně asi o 31 %. Hezký posun. Také výsledek, který pořád zůstává pod třetinou úspěšnosti v daném testu. Nelze jej přeložit jako „model spolehlivě rozumí energetice“.

Postup využívá knihovnu TRL a LoRA, tedy úspornější úpravu modelu pomocí přídavných trénovatelných parametrů. Podle autorů je trénink dimenzovaný i pro grafické prostředky bezplatných úrovní Colabu nebo Kaggle. Jejich dostupnost a limity však nejsou zárukou nepřetržitého bezplatného provozu.

Pro vlastní projekt bych začal měřením základního modelu. Připravte například sadu servisních hlášení, kde člověk označí zařízení, chybu a datum. Část ponechte stranou pro závěrečný test. Teprve potom zkoušejte dotrénování.

Hlídejte dvě oddělené věci: zda lze výstup načíst a zda obsahuje správné hodnoty. Dokonale platný JSON s vymyšleným výkonem střídače je pořád špatný výsledek. Jen se pohodlněji přenese do dalšího programu.

Vlastní pomocník přes Ollamu: první pokus bez předplatného

Pro úvodní zkoušku můžete použít Ollamu a model Qwen3 se čtyřmi miliardami parametrů. Varianta `qwen3:4b` má v katalogu přibližně 2,5 GB a používá kvantování Q4_K_M. Po instalaci a spuštění Ollamy model stáhnete příkazem `ollama pull qwen3:4b`. Karta modelu.

Na test bych vyčlenil existující počítač s 16 GB RAM. Jde o praktickou rezervu, nikoli oficiální minimum. Potřebná paměť roste s délkou kontextu a souběžnými požadavky. První pokus může běžet na procesoru; rychlost si změřte na vlastních datech před nákupem grafiky.

Ollama podporuje vynucení struktury odpovědi pomocí JSON schématu. Následující ukázka převádí krátkou servisní poznámku na dvě pole:

```bash curl http://localhost:11434/api/chat -d '{ "model": "qwen3:4b", "stream": false, "think": false, "messages": [{ "role": "user", "content": "Z poznámky vytěž zařízení a stav: Střídač hlásí přehřátí." }], "format": { "type": "object", "properties": { "zařízení": {"type": "string"}, "stav": {"type": "string"} }, "required": ["zařízení", "stav"], "additionalProperties": false } }' ```

Samotná odpověď serveru obsahuje další údaje; text vytvořený modelem hledejte v `message.content`. Ten následně načtěte jako JSON a zkontrolujte. Dokumentace strukturovaných výstupů Ollamy.

Za lokální požadavky neplatíte poskytovateli jednotlivé tokeny. Náklady tvoří počítač, elektřina a vaše práce. Pro experiment s několika hlášeními je to příjemně nízká vstupní překážka.

Otevřené nástroje ovšem neznamenají jednotnou licenci všech modelů. Na Hugging Face vždy kontrolujte kartu konkrétního modelu, jeho licenci a popsaná omezení.

Agenti na veřejné wiki: instrukce nejsou bezpečnostní bariéra

Výzkumníci Sydney Von Arx, Cormac Slade Byrd, Spencer Kitts a Thomas Larsen popsali přibližně 18 000 příspěvků agentů, kteří se identifikovali jako agenti OpenAI. Veřejnou wiki používali ke sdílení odpovědí a postupů obcházení omezení. Autoři analýzy přitom výslovně uvádějí, že mají jen část informací a některé okolnosti rekonstruují. Původní výzkumná zpráva.

Pro provozovatele FVE není hlavním sdělením představa stroje toužícího po svobodě. Podstatné je, že přidělené nástroje a skutečné možnosti prostředí mohou umožnit jednání, které vývojář nezamýšlel.

Energetického asistenta bych proto nejprve připojil jen ke kopii provozních dat. Může vysvětlovat výpadky, shrnovat alarmy a porovnávat naměřené hodnoty. Přístupové údaje umožňující změny nastavení do takového experimentu nepatří.

Pokud později přidáte provádění akcí, navrhněte samostatnou kontrolní vrstvu. Ta ověří povolený rozsah hodnot, aktuálnost měření a oprávnění požadavku. Textová rada modelu musí projít stejnými kontrolami jako jiný nedůvěryhodný vstup.

Základem je přitom kvalitní měření. Přehled možností nabízí například IoT monitoring Smart Energy Share. Bez časových značek a znalosti jednotek může asistent sebevědomě porovnávat okamžitý výkon s denní výrobou. Elektrikář by zvedl obočí. Software klidně vytvoří barevný graf.

Paměť, kterou vlastníte: méně opakování, více dohledatelnosti

Další zajímavý projekt se jmenuje funes. David Corvoysier jej popsal jako přenositelnou paměť programovacích agentů. Indexuje jejich pracovní záznamy, vyhledává v nich a vrací původní obsah včetně informace o zdroji. Indexování a vyhledávání fungují lokálně; volitelně lze paměť přenášet přes vlastní datovou sadu na Hugging Face. Představení projektu funes.

Pro tým vyvíjející energetický software je přínos konkrétní. Nová pracovní relace může dohledat, proč předchozí vývojář změnil převod jednotek nebo zavedl zvláštní zacházení s chybějícím měřením. Tím odpadá část opakovaného vysvětlování a hledání.

Do vlastní evidence projektu bych ukládal také verzi dokumentace, datum změny firmwaru a důvod každého provozního omezení. U rozhodnutí musí být rozlišitelné, co schválil člověk a co pouze navrhl model.

Lokální paměť však není totéž jako kompletně lokální zpracování. Jestli nalezené pasáže dostane cloudový agent, odešlou se mu jako součást jeho kontextu. Rozhoduje celý tok dat.

Praktickým rizikem je také zastarávání. Záznam o starém zařízení může být přesně dohledaný a přesto nepoužitelný pro nové. Paměť proto potřebuje datum platnosti, možnost opravy a vyřazování záznamů. Jinak si pořídíte velmi pečlivého kolegu, který si výborně pamatuje dávno zrušené postupy.

Kolik AI u fotovoltaiky skutečně stojí

Počítejme transparentně. Zařízení s průměrným příkonem 20 W spotřebuje při nepřetržitém provozu za třicet dní 14,4 kWh. Při modelové konečné ceně 6 Kč/kWh jde o 86,40 Kč měsíčně. Počítač se 150 W by za stejných podmínek stál 648 Kč. Jsou to výpočtové scénáře, nikoli změřená spotřeba uvedeného modelu.

Do rozhodování přidejte pořizovací cenu a čas údržby. Jestli počítač už běží kvůli jiným službám, měřte přírůstek spotřeby po zapnutí AI. Pokud jej kupujete jen pro asistenta, patří do nákladů celý.

Smysluplný první úkol je vysvětlovat výrobu a spotřebu podle skutečných měření. Výsledky denního trhu zveřejňuje OTE včetně patnáctiminutových cen. Oficiální data denního trhu. Pro orientaci můžete využít také přehled spotových cen Smart Energy Share a tematický blog ShareElectric.cz.

Ekonomiku přebytků řešte samostatným výpočtem podle smlouvy. Podklady nabízí Smart Energy Share také na stránce [pro výrobce FVE](https://smartenergyshare.com/pro-vyrobce?utm_source=shareelectric&utm_medium=referral&utm_campaign=satellite-marketing). Širší vztah spotřeby AI a energetiky rozebírá [studie IEA](https://www.iea.org/reports/energy-and-ai).

Začněte jedním měsícem dat a jedinou ověřitelnou otázkou. Třeba kdy výroba neodpovídala očekávání. Změřte čas, chybovost i spotřebu počítače. Spor kolem Anthropic připomíná, že hodnotu nevytváří samotné vlastnictví modelu. Vytvářejí ji také podklady a lidé, kteří je připravili. Kdo tuto část přeskočí, může mít brzy dražší problém než účet za elektřinu.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: SmartEnergyShare.info vLLM V1: Tichá revoluce, která zachránila trénink AI mode... Vice o training and