Týden v AI, ve zkratce.
Týden 33 · 2026
Tento týden v Microsoft AI

Microsoft sjednocuje rozhraní Copilot, zatímco Azure a GitHub rozšiřují možnosti volby modelů.

Microsoft začal zavádět jednotnou aplikaci Microsoft Copilot, která spojuje spotřebitelské prostředí Copilot a zkušenost Microsoft 365 Copilot, a zároveň ukončuje několik spotřebitelských funkcí. Současně se podle reportů Microsoft chystá rozšířit plány na čip Maia pro budoucí kapacitu Azure a GitHub Copilot dodal několik aktualizací relevantních pro enterprise správu a rozšiřitelnost.

01

Microsoft začíná sjednocovat Copilot do jedné aplikace

Microsoft začal zavádět sjednocenou aplikaci Microsoft Copilot, která spojuje spotřebitelský Copilot se zkušeností Microsoft 365 Copilot. V rámci konsolidace Microsoft ukončí několik spotřebitelských funkcí dne 2026-08-18.

  • Aktualizujte interní školení a komunikaci pro uživatele, kteří dnes rozlišují mezi „Copilot“ a „Microsoft 365 Copilot“, protože Microsoft sbližuje vstupní bod i branding.
  • Prověřte, na kterých funkcích Copilot je Vaše organizace závislá a zda uživatelé využívají čistě spotřebitelské schopnosti, protože Microsoft 2026-08-18 odstraní Podcasts, Group Chat a bezplatné Deep Research.
  • Ověřte, kam se ukládají artefakty a výstupy z Copilot a jak jsou řízeny, protože konsolidace zahrnuje změny v tom, jak je obsah organizován napříč službami Microsoft.
02

Microsoft plánuje výrazně navýšit výrobu čipů Maia 300

Microsoft jednal o zajištění kapacity foundry s cílem významně zvýšit produkci vlastních AI čipů Maia 300, s dodávkami uváděnými pro rok 2027. Plán by rozšířil nabídku akcelerátorů pod kontrolou Microsoftu pro AI infrastrukturu Azure.

  • Sledujte, jak se vyvíjejí AI služby na Azure z pohledu cen, protože vyšší kapacita vlastních akcelerátorů může ovlivnit dostupnost i jednotkovou ekonomiku oproti dodávkám GPU od třetích stran.
  • Zeptejte se týmů Microsoft account, které služby Azure poběží na hardwaru Maia a jakou izolaci výkonu můžete očekávat, protože změny na úrovni platformy mohou ovlivnit latenci a předvídatelnost enterprise workloadů.
  • Plánujte nákup a architekturu s víceletým horizontem, protože uváděné závazky Microsoftu naznačují dlouhodobé navyšování AI kapacity do roku 2027, nikoli krátkodobé piloty.
03

GitHub Copilot přidává možnost volby modelu Grok 4.6

GitHub začal zavádět Grok 4.6 jako volitelný model v GitHub Copilot napříč hlavními IDE a tarify Copilot. Enterprise administrátoři mohou dostupnost řídit pomocí zásad.

  • Proveďte řízené hodnocení na schválených repozitářích a jazycích, protože volba modelu může podstatně změnit kvalitu kódu i zátěž code review pro enterprise týmy.
  • Slaďte podporu editorů s Vaší vývojářskou základnou, protože rollout cílí na více IDE používaných ve smíšených Windows i cross-platform českých enterprise prostředích.
  • Aktualizujte governance a zásady povolených modelů, protože zpřístupnění nové volby modelu mění compliance pozici a může ovlivnit auditní evidenci pro vývoj s podporou AI.
04

GitHub uvádí Agent Plugins 1.0 pro Copilot agenty

GitHub zpřístupnil Agent Plugins 1.0 jako generally available napříč VS Code, Copilot CLI, GitHub Copilot SDK a aplikací Copilot. GitHub pluginy prezentuje jako opakovaně použitelné rozšíření napříč kompatibilními agentními klienty.

  • Standardizujte interní tooling vytvořením jednoho pluginu pro více prostředí Copilot, protože znovupoužití snižuje režii údržby pro týmy platform engineeringu.
  • Definujte proces schvalování a distribuce pluginů, protože rozšíření agentů mohou přinášet rizika odtoku dat a přístupová rizika podobně jako jiné integrace.
  • Upřednostněte malou sadu enterprise pluginů s vysokou hodnotou (ticketing, znalostní báze, CI/CD akce), protože přenositelnost agentů může po zavedení governance urychlit adopci.
05

GitHub přidává do reportů Copilot rozpad tokenů podle modelu

GitHub zavedl reporting tokenů podle modelu, který rozlišuje input, output, cache read a cache write tokeny pro používání Copilot. Změna zlepšuje přehled jak pro administrátory, tak pro jednotlivé uživatele.

  • Nastavte chargeback nebo showback podle týmu a modelu, protože účtování tokenů podle modelu podporuje přesnější alokaci provozních nákladů na AI.
  • Využijte rozpad k porovnání modelů na reálných profilech workloadů, protože chování cache a objem výstupů mohou vést k výrazně odlišným účtům.
  • Doplňte do governance procesů prahové hodnoty a upozornění, protože lepší reporting umožňuje proaktivní kontrolu nákladů ještě před rozšířením rolloutu.