OpenAI o3: Nejsilnější reasoning model světa a jeho reálné limity

Když OpenAI v dubnu 2025 představilo model o3 spolu s o4-mini, nešlo jen o další iteraci v dlouhé řadě jazykových modelů. Šlo o kvalitativní posun v tom, jak AI přistupuje k řešení problémů — o přechod od pouhého „čtení" vizuálního vstupu k aktivnímu „myšlení s obrazem". Dnes, v roce 2026, je o3 stále referenčním bodem pro průmyslové nasazení reasoning modelů, přestože jeho nástupci a konkurenti ho na řadě benchmarků překonávají. Co přesně o3 umí, kde jsou jeho reálné limity a proč to stále záleží?

Multimodální reasoning: od analýzy obrazu k myšlení s obrazem

Klíčový technologický skok, který o3 přinesl, je integrace obrazu přímo do řetězce uvažování — tzv. chain-of-thought. Předchozí modely uměly obrázek popsat nebo z něj extrahovat informace, ale o3 s ním pracuje jako s aktivním prvkem svého myšlenkového procesu. Jak popisuje OpenAI: model „nevidí obrázek — myslí s ním." Prakticky to znamená, že uživatel může nahrát fotografii tabule, ručně nakresleného schématu nebo rozmazaného technického výkresu a model jej interpretuje jako součást svého analytického procesu, nikoli jen jako přídavný vstup.

Na benchmarku MMMU (Massive Multidisciplinary Multimodal Understanding), který testuje vizuální porozumění na úrovni vysokoškolských znalostí, dosáhl o3 82,9 procenta. Na SWE-bench Verified, standardním testu reálných programátorských problémů, pak překonal hranici 69,1 procenta. To jsou čísla, která v průmyslovém kontextu skutečně hovoří: model dokáže analyzovat chybový výstup z produkčního prostředí, propojit ho s diagramem architektury systému a navrhnout opravné kroky — vše v jediném průchodu.

Přesto má o3 jeden strukturální problém, který se v roce 2026 projevil naplno: přílišná sebedůvěra ve vizuálních scénářích. OpenAI samo při představení GPT-5 přiznalo, že o3 podával sebejisté odpovědi o neexistujících obrázcích v 86,7 procenta případů, zatímco GPT-5 jen v 9 procentech. Jinými slovy: o3 „halucinuje" vizuální vstupy. Pro nasazení v prostředích, kde záleží na přesnosti — například v logistice při analýze poškozených zásilek ze záběrů kamer nebo v průmyslové kontrole kvality — je toto kritický limit, který nelze ignorovat.

Benchmarky v kontextu: kde o3 vede a kde ztrácí

Čistá čísla z benchmarků jsou užitečná, ale teprve jejich kontext odhaluje skutečný obraz. Na aktuálních žebříčcích figuruje o3-mini na prvním místě ve formální logice (99,8 %) i v logických hádankách typu „Knights and Knaves" (99,7 %). To jsou syntetické testy deduktivního uvažování, kde architektura chain-of-thought září. V reálnějších testech jako GAIA, který simuluje plnění praktických úkolů s nástroji, se obraz komplikuje — tam přebírají vedení modely jako DeepSeek R1 nebo Gemini 2.5 Pro.

Na programátorském benchmarku MBPP Plus je na vrcholu Qwen3-235B-A22B s 66,2 procenty, zatímco o4-mini High dosahuje 64,3 procenta. O3 samotný pak na SWE-bench dosahuje 71,7 procenta — čímž se stává jedním z nejsilnějších modelů pro reálný softwarový vývoj. Tento výsledek je relevantní: SWE-bench nesimuluje hračkové problémy, ale skutečné GitHub issues z produkčních repozitářů.

Klíčový technologický kontext doplňuje Gemini 3 od Google DeepMind. Ten dosáhl nového rekordu na ARC-AGI-2 a nabízí kontext 2 milionů tokenů oproti o3's 200K. Pro analýzu celých technických dokumentací, kompletních kódových bází nebo hodinových zápisů z výrobních linek je to jiná liga. Gemini 3 přitom integruje vizuální informace do reasoning procesu nativně — podobně jako o3, ale s delší pamětí a lepší kalibrací.

Na opačném konci spektra cenové dostupnosti stojí o4-mini: podle analýzy Meta Intelligence si zachovává 85–90 % schopností o3 při zhruba pětinových nákladech (kolem 2 dolarů za milion vstupních tokenů). Pro enterprise scénáře, kde reasoning běží stovky tisíc dotazů denně, je tento poměr cena/výkon rozhodující.

Proč o3 stále záleží pro průmyslové nasazení

V průmyslovém prostředí — skladech, přístavech, výrobních závodech — se reasoning modely prosazují jako vrstva nad specializovanými systémy. O3 není nástroj pro ovládání AGV nebo řízení jeřábů, ale je to analytická vrstva, která propojuje vizuální vstupy z kamer, strukturovaná data z WMS systémů a nestrukturované technické dokumenty do akceschopných doporučení.

Schopnost o3 pracovat s rozmazanými nebo neideálními obrazy je v průmyslovém kontextu prakticky cenná — průmyslové kamery nejsou studiové vybavení a technické výkresy bývají skenovány z papíru desítky let starého. Stejně tak schopnost integrovat whiteboard schéma z provozní porady do kontextu analytické úlohy zkracuje vzdálenost mezi operativním rozhodnutím a jeho technickou implementací.

Limitem zůstává kontextové okno 200K tokenů. Při analýze rozsáhlé technické dokumentace — například při auditu bezpečnostních protokolů celého skladu nebo při revizi kompletního nasazení výrobní linky — model naráží na hranice. Právě zde Gemini 3 s oknem 2 milionů tokenů otevírá jiné možnosti, i když za cenu jiných kompromisů.

Do konce roku 2026 analytici předpokládají, že reasoning schopnosti modelů o velikosti 10B parametrů dosáhnou úrovně, která dnes vyžaduje modely jako plný DeepSeek R1. To bude mít přímý dopad na nasazení v hraničních zařízeních — edge computing v průmyslu dostane reasoning modely přímo na podlahu výroby, bez závislosti na cloudové infrastruktuře. Open-source modely jako GPT-OSS-120B, který dosahuje srovnatelné výkonnosti s o4-mini na jednom GPU s 80GB VRAM, tento trend akcelerují.

O3 tak v roce 2026 stojí na zajímavém průsečíku: není to nejsilnější model na všech benchmarkcích, není nejlevnější ani nemá největší kontext. Je to ale model, který jako první přesvědčivě demonstroval, že vizuální a textové uvažování lze skutečně integrovat — a to způsobem, který má měřitelný dopad v reálných úlohách. Otázka, která zůstává otevřená: nakolik je architekturální přístup o3 k multimodálnímu reasoning škálovatelný do prostředí, kde spolehlivost a kalibrovaná sebedůvěra modelu záleží víc než surový výkon na benchmarku?