Cognition hits $48B valuation, signaling investors believe AI coding is far from a winner-take-all market

Osmačtyřicet miliard dolarů za firmu, která vznikla v roce 2024. Cognition, výrobce programovacího agenta Devin, oznámil 8. září 2026 investici přes dvě miliardy dolarů. Kolo vedly Andreessen Horowitz a Accel. Takové peníze naznačují, že investoři čekají prostor pro více vítězů automatizovaného programování. Pro českého vývojáře z toho plyne příjemnější zpráva: nemusí vsadit celou práci na jediného dodavatele. Oznámení Cognition

Cognition stojí 48 miliard dolarů. Vy si hlavně nekupte drahého opisovače

Cognition zároveň uvádí, že jeho roční přepočet aktuálních tržeb vzrostl od květnového financování ze 492 milionů na téměř 900 milionů dolarů. Pozor na účetní zkratku. Jde o přepočet současného tempa, nikoli o již utržené peníze za celý rok. Firma mezi zákazníky jmenuje NVIDIA, Citi nebo Mercedes-Benz. Čísla pocházejí od samotného Cognition. Výsledky podle firmy

Ocenění odpovídá přibližně 53násobku uvedeného ročního tempa tržeb. To je sázka na prudký růst. Samotná investice ovšem nedokazuje, že trh dlouhodobě uživí všechny dnešní konkurenty. Investoři mohou správně odhadnout směr technologie a současně přestřelit cenu. Obojí se do jedné prezentace pohodlně vejde.

Podstatnější je, co zákazník vlastně kupuje. Doplnění několika řádků v editoru je jiná služba než agent, který prozkoumá repozitář, upraví několik souborů a spustí testy. Další disciplínou je údržba stovek projektů nebo hledání příčin provozních incidentů.

Tyto činnosti mají odlišnou toleranci chyb, nároky na přístupová práva i ekonomiku. Malé studio může chtít rychlou nápovědu. Banka potřebuje dohledatelné změny a řízení přístupů. Výrobce průmyslového softwaru řeší prostředí, kam zdrojový kód vůbec smí odejít.

Právě rozdílné potřeby vytvářejí prostor pro více dodavatelů. Je to rozumná interpretace investice, nikoli potvrzený přírodní zákon. Vítěze vybírejte podle vlastních úkolů. Žebříček modelů vám nepoví, kolik času strávíte opravou jejich sebevědomých nesmyslů.

Kolik stojí Devin a jak poznat, zda se zaplatí

Podle ceníku ověřeného 9. září 2026 nabízí Devin bezplatný tarif s omezenou kvótou, Pro za 20 dolarů měsíčně a Max za 200 dolarů. Týmový tarif má základ 80 dolarů měsíčně plus 40 dolarů za každé plné vývojářské místo. Placené varianty mají kvóty; další spotřebu lze dokupovat. Předplatné tedy není neomezená směna digitálního zaměstnance. Ceník Devinu

Pětičlenný tým vychází podle tohoto vzorce na 280 dolarů měsíčně před případnými daněmi a dodatečnou spotřebou. Korunový rozpočet počítejte podle kurzu skutečné platby. Při porovnávání nabídek si poznamenejte také limity souběžných úloh, dostupné modely a cenu překročení kvóty.

Nejužitečnější metrika je cena přijaté změny. Sečtěte předplatné, dodatečnou spotřebu a čas lidí věnovaný zadání, kontrole i opravám. Součet vydělte počtem změn, které skutečně prošly kontrolou a slouží v projektu.

Modelový příklad: nástroje stojí 1 000 Kč, kontrola zabere tři hodiny při interní sazbě 800 Kč. Náklady činí 3 400 Kč. Pokud vzniklo deset přijatých úprav, jedna stojí 340 Kč. To je účetní model, nikoli naměřený výkon Devinu.

Pilot postavte na dvaceti skutečných úkolech. Zahrňte opravu chyby, doplnění testů i změnu rozhraní. Každý nástroj musí dostat stejné zadání a stejný výchozí kód. Sledujte také návraty chyb během následujících týdnů. Rychle vytvořený problém se do produktivity počítat nemá, byť má krásný popis změny.

Vlastní programovací model spustíte dvěma příkazy

Pro levný lokální pokus poslouží Ollama a Qwen2.5-Coder. Jde o starší rodinu modelů, kterou zde volíme kvůli dostupným menším variantám. Balíček sedmimiliardové verze má v katalogu přibližně 4,7 GB, čtrnáctimiliardové 9 GB. Velikost souboru ovšem není celková spotřeba paměti. Modely v katalogu Ollama

Nainstalujte aplikaci z oficiální stránky Ollama, spusťte ji a otevřete terminál:

```bash ollama pull qwen2.5-coder:7b ollama run qwen2.5-coder:7b ```

Pro první pokusy počítejte orientačně s 16 GB operační paměti. Grafická karta s 8 až 12 GB videopaměti může u této velikosti pomoci, ale konkrétní nároky závisejí na délce kontextu, kvantizaci a dalších aplikacích. Procesor zvládne výpočet také; rychlost si změřte na vlastním zadání.

Vložte krátkou funkci a požádejte o nalezení chyby, vysvětlení a test, který ji odhalí. Celý firemní repozitář pro první pokus nepotřebujete. Samotný běžící model navíc ještě není agent: bez dalšího propojení neprochází soubory ani nespouští příkazy.

Pro napojení skriptu lze použít místní rozhraní:

```bash curl http://localhost:11434/api/generate \ -H 'Content-Type: application/json' \ -d '{ "model": "qwen2.5-coder:7b", "prompt": "Vysvětli rozdíl mezi výkonem v kW a energií v kWh.", "stream": false }' ```

Strukturu požadavku popisuje dokumentace rozhraní Ollama. Příklad slouží jako ověření komunikace. Správnost odpovědi musíte posoudit zvlášť.

Lokální provoz omezuje potřebu posílat zadání externímu poskytovateli. Pokud ale přidáte rozšíření editoru nebo vzdálené služby, zkontrolujte jejich vlastní datové toky. Umístění modelu samo neříká, kam komunikuje zbytek sestavy.

Malý model, sto kroků tréninku a žádný zázrak na počkání

Čerstvý návod na Hugging Face ukazuje doladění modelu LFM2.5-350M pomocí GRPO. Autoři použili přibližně 500 trénovacích příkladů a 100 optimalizačních kroků. Výsledek v testu IFStruct stoupl z 22,6 na 29,7 procenta. To je zlepšení o 7,1 procentního bodu. Pořád ovšem výrazně méně než spolehlivost, kterou čekáte od běžného programu. Popis experimentu a postup

Trénink využívá knihovnu TRL a adaptér LoRA. Ukázka je navržena pro grafickou kartu se 16 GB paměti, dostupnou také v některých bezplatných prostředích Colab či Kaggle. Jejich přidělení a limity ale nejsou zárukou nepřetržitého provozu.

LoRA při dolaďování ponechává původní váhy zmrazené a učí menší přídavné matice. Snižuje tak počet trénovaných parametrů. Sama neurčuje, za co model dostává odměnu; to řeší trénovací postup. Vysvětlení LoRA

Praktický postup začíná daty. Připravte příklady skutečných vstupů a přesně definujte požadovaný výstup. Oddělte testovací sadu před tréninkem. Potom porovnejte základní a doladěný model na stejných případech.

U energetické aplikace může jít o převod servisního hlášení do polí „zařízení“, „čas“, „závada“ a „závažnost“. Platný JSON ještě nezaručuje správnou závadu. Kontrolujte proto zvlášť formát a věcnou správnost. Chybějící údaj musí smět zůstat neznámý.

Pro úzkou úlohu může být takový specialista levnější než velký univerzální model. Nasazení ale podmiňte vlastním měřením. Sto kroků tréninku je zajímavý experiment, nikoli certifikát bezchybnosti.

Paměť agenta si ponechte pod vlastní kontrolou

Přechod mezi nástroji komplikuje ztráta kontextu. Nový agent může vidět aktuální soubory, ale nemusí vědět, proč tým zavrhl předchozí řešení. Výsledkem bývá další nadšený návrh přesně té slepé uličky, kterou jste minulý měsíc opustili.

Projekt funes, představený na Hugging Face, zpracovává záznamy pracovních relací do prohledávatelné paměti. Vyhledávání a řazení výsledků běží lokálně. Volitelně lze paměť přenášet přes vlastní datovou sadu na Hugging Face, která je standardně soukromá. Výsledky odkazují na původní záznamy. Představení projektu funes

Po instalaci podle dokumentace projektu se podporovaný agent propojí například příkazem:

```bash funes add claude ```

Přenositelnost má přímý ekonomický význam. Pokud při výměně dodavatele zachováte historii rozhodnutí, stojí změna nástroje méně času. Dodavatel pak musí dál přesvědčovat kvalitou služby.

Začít můžete i jednodušeji. V repozitáři udržujte soubor `docs/rozhodnuti.md`. Ke každému zásadnímu rozhodnutí napište datum, důvod, odmítnuté alternativy a odkaz na související změnu. Agentovi dejte výslovný pokyn soubor před prací přečíst.

Do paměti nepatří hesla ani úplné výpisy zákaznických databází. Starší rozhodnutí navíc nemusí platit navždy. Označujte nahrazené postupy a u každého pravidla zachovejte původ. Jinak si vyrobíte vyhledávač velmi přesvědčivých historických omylů.

Při použití cloudového agenta mohou nalezené pasáže odejít k jeho poskytovateli. Lokální index a lokální zpracování celé úlohy jsou dvě samostatná rozhodnutí.

Elektřina, hardware a kontrola přístupů rozhodnou o skutečné ceně

Lokální model neúčtuje každý požadavek, ale spotřebovává elektřinu a opotřebovává hardware. Počítejme modelovou sestavu s průměrným příkonem 150 W během výpočtu, používanou čtyři hodiny denně po 22 pracovních dnů. Spotřebuje 13,2 kWh měsíčně. Při zvolené ceně 6 Kč/kWh jde o 79,20 Kč. Skutečný příkon změřte zásuvkovým wattmetrem.

Počítač pořízený výhradně pro tuto práci za modelových 30 000 Kč při rozpočítání na tři roky představuje dalších přibližně 833 Kč měsíčně. Připočtěte správu a nečinnost. Právě vytížení může rozhodnout, zda vlastní stroj vyjde výhodněji než předplatné.

Ve větší firmě pomůže odděleně měřit výpočetní techniku. Smart Energy Share nabízí informace k [IoT monitoringu](https://smartenergyshare.com/iot-monitoring?utm_source=share-electric&utm_medium=referral&utm_campaign=satellite-marketing) a [energetickým řešením pro firmy](https://smartenergyshare.com/pro-firmy?utm_source=share-electric&utm_medium=referral&utm_campaign=satellite-marketing). Pro plánování odložitelných výpočtů můžete sledovat [spotové ceny elektřiny](https://smartenergyshare.com/spotova-cena-elektriny-denni-trh?utm_source=share-electric&utm_medium=referral&utm_campaign=satellite-marketing); úspora závisí na vaší smlouvě a celkové ceně odběru.

Datová centra podle zprávy IEA spotřebovala v roce 2024 přibližně 415 TWh. Číslo zahrnuje datová centra obecně, nikoli jen umělou inteligenci. Analýza IEA

Kontrolu potřebují i oprávnění. Ars Technica popsala reklamy na platformách Meta propagující aplikace pro vytváření falešných nahých snímků, včetně reklam využívajících fotografie skutečných nezletilých. Jde o jinou oblast AI, ale ukazuje, že distribuce přes velkou platformu nezaručuje důvěryhodnost produktu. Zjištění Ars Technica

Programovacímu agentovi proto přidělujte oprávnění podle úkolu. Pro návrh opravy zpravidla nepotřebuje produkční hesla ani možnost nasazovat bez kontroly.

Začněte malým pilotem. Dodavatele vybírejte až podle výsledků

První týden vyhraďte měření. Vyberte jeden projekt s funkčními testy a připravte dvacet ohraničených úkolů. Každému napište podmínku přijetí. „Vylepši aplikaci“ je pozvánka k improvizaci. „Oprav převod časového pásma a dolož test pro přechod na zimní čas“ už se dá ověřit.

Druhý týden porovnejte placený nástroj s lokálním modelem na činnostech, které oba zvládnou. U samostatného modelu započítejte ruční předávání souborů a aplikování změn. Rozdíl v pohodlí je součást produktu a má cenu.

Výsledek může být kombinovaný. Lokální model pomůže s vysvětlením krátké funkce. Silnější služba dostane složitou změnu přes několik modulů. Opakovanou extrakci údajů převezme malý specialista, pokud projde testy. Není důvod posílat každou drobnost nejdražší dostupnou cestou.

Pro další čtení o inovacích lze navázat na ElectricShare.cz, pro souvislosti s fotovoltaikou na ShareElectric.cz. U vlastního projektu však držte hranici mezi generováním návrhů a rozhodováním: třeba cenové výpočty mají stát na ověřených datech a deterministickém kódu.

Moje předpověď? Velká část hodnoty zůstane v propojení modelů s firemními procesy, daty a kontrolou výsledků. Proto může prosperovat více dodavatelů zároveň. Ocenění Cognition tuto sázku ilustruje, nezaručuje její úspěch.

Začněte jedním repozitářem, pevným rozpočtem a měřením přijatých změn. Po čtrnácti dnech budete pro vlastní nákup vědět víc než z dalšího miliardového titulku.

Zdroje

Následující zdroje umožňují ověřit hlavní čísla a zopakovat technické postupy. Firemní oznámení představuje tvrzení samotného dodavatele; technické návody popisují konkrétní experimenty. Energetické zdroje slouží k ověření provozních souvislostí.

• Cognition: oznámení investičního kola — Primární zdroj ocenění 48 miliard dolarů, výše získané investice a deklarovaného tempa tržeb. Údaje o zákaznících i růstu pocházejí od firmy a nejsou samy o sobě nezávislým měřením kvality produktu.
• Hugging Face: doladění malého modelu pomocí GRPO — Reprodukovatelný postup s konfigurací, daty a výsledky testu IFStruct. Umožňuje rozlišit skutečné zlepšení dodržování struktury od obecného tvrzení, že model po krátkém tréninku spolehlivě zvládne libovolnou úlohu.
• Hugging Face: vlastní paměť programovacích agentů — Popis projektu funes, lokálního vyhledávání a volitelného sdílení paměti. Hodí se při návrhu přenositelné historie práce a při posuzování toho, které části zpracování zůstávají na vlastním počítači.
• OTE: výsledky denního trhu s elektřinou — Český primární zdroj tržních údajů. Velkoobchodní cenu používejte jako vstup do výpočtu podle konkrétní smlouvy; nezaměňujte ji s konečnou částkou účtovanou za odběr elektřiny.
• IEA: energetika a umělá inteligence — Mezinárodní analýza spotřeby datových center a související infrastruktury. Poskytuje širší kontext; spotřebu konkrétního lokálního modelu a počítače je stále potřeba změřit při skutečné práci.

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 Příklad výstupu EMO monitoring sidecar Vice o deploy local