Cloudflare Clef rozhoduje bez textové odpovědi, pravidla však musí dodat člověk

Cloudflare podle oznámení z 1. října 2026 uvedla modely Clef a Clef-flash na Workers AI a zveřejnila jejich váhy pod licencí Apache 2.0. Modely vracejí pravděpodobnosti předem určených odpovědí místo volně vytvořeného textu. Vývojář tím získá strukturovaný podklad pro třídění nebo eskalaci; pravidlo, které výsledek promění v akci, musí dodat provozovatel aplikace.

V testu Flavia Copese z 1. října 2026 přiřadil Clef-flash zprávě o chybě exportu v Safari kategorii bug_report pravděpodobnost 0,9664. U otázky, zda zpráva obsahuje postup k reprodukci, vrátil 0,5355. Jsou to hodnoty pro konkrétní zprávu a přesně zadané otázky, nikoli naměřená úspěšnost modelu v zákaznické podpoře.

Jak Clef vytváří odpověď bez volného textu

Požadavek obsahuje vstupní stav a schéma otázek, které určí aplikace. Typ noul hodnotí otázku s odpovědí ano či ne, choice vybírá z pojmenovaných možností a score pracuje s popsanou stupnicí. Kategorie jako technický problém, fakturace nebo obchodní dotaz tedy vznikají při návrhu schématu. Clef ohodnotí nabídnuté možnosti; ve strukturované datové odpovědi zůstávají názvy polí a kategorií, ale nevzniká volná slovní odpověď modelu.

Podstatný rozdíl proti běžnému generativnímu LLM je v kroku po přečtení vstupu. Základ modelu z rodiny Qwen zpracuje stav a otázky, načež specializovaná část ohodnotí platné volby souběžně. Nevytváří postupně větu, z níž by aplikace musela zpětně vyčíst štítek. To zjednodušuje napojení na kód, ale správný datový tvar sám o sobě nevypovídá o správnosti přiřazené kategorie.

Clef používá formát otázek kompatibilní s modelem Jev od TypeSafe. Při volání přes REST se mění adresa služby a přístupový token a odpověď Workers AI má vnější obálku, v níž je vlastní výsledek pod klíčem result. Kompatibilita tak usnadňuje převod existující integrace, zatímco její pravidla pro spuštění akce je nutné posuzovat zvlášť.

Číslo z modelu musí projít samostatným pravidlem

Na podpoře se rozdíl mezi odhadem a rozhodnutím projeví okamžitě. Model může u téže zprávy vrátit pravděpodobnosti pro správný tým, naléhavost a závažnost dopadu. Nerozhoduje tím, zda má být přivolána pohotovost, zda lze požadavek bez kontroly uzavřít nebo kdo nese odpovědnost za chybné přiřazení. Takové kroky vyplývají ze závazků služby a interního rozdělení pravomocí.

Pro hypotetickou zákaznickou podporu lze tok rozhodnutí vyjádřit krátkým schématem. Jde o možnou politiku aplikace, nikoli o funkci, kterou by Clef sám zapínal:

1. Předem definované otázky rozdělí příchozí zprávu mezi přípustné kategorie a odděleně ohodnotí její naléhavost.
2. Jednoznačný případ, který splní práh pro směrování, aplikace přiřadí odpovědnému týmu.
3. Vysoké skóre naléhavosti spustí eskalaci podle samostatného pravidla a rozpisu pohotovosti.
4. Nejasný výsledek nebo krok se závažným dopadem přejde k lidskému schválení; do té doby aplikace neprovede nevratnou akci.

Práh pro běžné směrování nemusí být stejný jako práh pro přivolání pohotovosti. Chybné přiřazení zpozdí řešení, kdežto přehlédnutý výpadek nebo zbytečný poplach mají jiné náklady. Proto samotná vysoká pravděpodobnost není oprávněním k libovolnému zásahu. To, kdo smí nastavit hranice a kdo přebírá sporný případ, patří do firemních pravidel pro AI.

Kompatibilní rozhraní nepřenáší kalibraci

U rozhodovacího modelu záleží na tom, zda jeho čísla odpovídají četnosti správných odpovědí na skutečných případech. Pokud aplikace spouští akci nad zvoleným prahem, potřebuje znát nejen podíl správných automatických rozhodnutí, ale také naléhavé zprávy, které pod prahem zůstaly. Prah z jednoho modelu nelze mechanicky převést na jiný jen proto, že oba přijímají stejné schéma.

Rozdíl ukázal test týmu Construct provedený 4. října 2026 a zveřejněný následující den: na 117 jimi označených syntetických případech dosáhl Clef-flash při použití prahů navržených pro Jev správného konečného rozhodnutí v 82,1 % případů, s vlastními prahy zvolenými na oddělených případech v 90,6 %. Šlo o konkrétní rozhodovací úlohy Constructu a malé soubory s interně vytvořenými štítky, nikoli o obecné pořadí modelů. Změna výsledku po úpravě prahů ukazuje, proč kompatibilita API nezaručuje stejnou akční politiku.

Výstup pro choice navíc odděluje pravděpodobnosti kategorií od pole confidence; v Copesově ukázce měly odlišné hodnoty. Aplikace proto musí vědět, na které číslo její podmínka skutečně navazuje. I s kalibrovaným prahem může správná kategorie ve schématu chybět nebo může být otázka vyložena jinak, než zamýšlel její autor. Cesta k člověku má v takovém případě zachytit nejistotu, kterou pevná nabídka odpovědí sama nevyřeší.

Co dokazuje spuštěné API a co teprve benchmark

Hostované modely na Workers AI a zveřejněné váhy představují dostupný produkt; skutečné volání ukazuje tvar odpovědi a použitelnost typovaných otázek. Publikované srovnávací skóre naproti tomu vychází z testů provedených výrobcem. Z těchto tabulek nelze bez shodné metodiky vyvodit, jak rychle poběží konkrétní požadavek z české aplikace ani kolik chyb udělá při jejích vlastních kategoriích.

Rozhodovací model se hodí tam, kde program opakovaně třídí známé možnosti. Generativní LLM může formulovat odpověď zákazníkovi, vysvětlení nebo návrh dalšího postupu; Clef dodá ohraničené skóre, podle kterého aplikace pokračuje. Pokud má po třídění následovat textová odpověď, musí ji vytvořit jiná část systému. Nejbližším důsledkem vydání Clef je tedy možnost vložit pravděpodobnostní klasifikaci přímo do toku požadavků; rozsah automatických zásahů se bude odvíjet od prahů a pravomocí nastavených pro konkrétní službu.

Přečtěte si také:

• Firemní pravidla pro AI na dvě strany: začněte daty, ne seznamem zákazů
• Tři AI tarify proti sobě: rozhodují limity, ne jen nejlepší model
• AI agent, nebo RPA: flexibilita prohrává tam, kde rozhoduje rychlost