Problém s AI nástroji: Neustále si vybíráme strany

Upřímné confession z praxe: většina týmů, které používají AI coding asistenty, uzavírají sázku, o které ani nevědí. Volí mezi Cursor a Claude Code, konfigurují Cline s konkrétním modelem a zamykají se do jednoho ekosystému. Když přijde další průlomový model, musí přehodnotit, překonfigurovat, někdy i předělat celý workflow.

Dropstone, nový hráč v prostoru agentic coding nástrojů, navrhuje něco jiného. Místo stavby kolem jednoho foundation modelu s ním zachází jako s infrastrukturou — komponentou, kterou lze vyměnit, až přijde něco lepšího. Jejich verze 1.5 kombinuje DeepSeek V4 Flash pro rychlé úkoly, DeepSeek V4 Pro pro běžnou práci a Moonshot Kimi K2.6 pro náročné operace.

Ale zajímavá část není v tom, které modely používají. Je v tom, jak se rozhodují, které modely použít.

Měsíční přehodnocení: Evaluační cyklus jako produktový prvek

Dropstone provozuje své open-weight frontier modely přes veřejný evaluační framework zvaný Joule Index, a to každý měsíc. Model, který vyhraje v agentic-coding workload, se dostane do další generace. "Dropstone 1.5" znamená pátý integrační cyklus s nejlepším dostupným modelem v době vydání.

To je fundamentálně odlišný přístup k verzování. Většina AI produktů buď zamkne na modelové rodině jedné laboratoře (pořád se divím nad Claude Code a GPT-4 integracemi), nebo vystaví výběr modelu uživateli jako "si to nakonfiguruj sám". Dropstone říká: "My děláme benchmarking. My publikujeme výsledky. My posíláme vítěze."

Pro vývojáře to přesouvá maintenance burden. Přestanete sledovat, která verze DeepSeek nebo Kimi je aktuální. Necháte runtime, ať se o to postará. Až nová generace modelů rozdrásá benchmarky, prostě aktualizujete CLI a jedete.

Runtime je produkt, ne model

Tohle je mentální shift, o který vás Dropstone žádá, a stojí za to se nad tím na chvíli zastavit. Model je commodity. Runtime je differentiator.

Co vám runtime dává, co nezískáte s raw API přístupem?

Agent loop. Plánování, tool dispatch, multi-step exekuce, error recovery. To nejsou triviální věci na kvalitní implementaci. Dostat AI k tomu, aby volala správný tool, graceful zpracovávala chyby a recovery bez spirálování do useless loops — to je skutečně tvrdé inženýrství. Dropstone to staví jako defaultní chování.

Safety boundary. Jakákoli state-changing akce vyžaduje explicitní uživatelský souhlas. Tohle není jen good practice — je to rozdíl mezi AI, která assistuje, a AI, která řádí, zatímco jste na meetingu. Credit-based billing znamená, že runaway agent loops vás nemůžou finančně zruinovat.

US-hosted compliance defaultně. Praktická věc: DeepSeek first-party API je hostované v Číně. Spousta US a EU podniků tam nemůže směrovat inference podle svého compliance posture. Dropstone routuje vše přes US-hostované endpointy s data_collection: deny vynuceným na API vrstvě. Žádná konfigurace není potřeba.

Cost engineering skrze caching. Tady to začíná být zajímavé. Dropstone hlásí prefix-cache hit rate přes 95 % po zahřátí session, s population-mean hit rate kolem 82 % napříč různými délkami session. Ta cache efficiency proudí do jejich pricing modelu, který umožňuje Pro uživatelům udržet zhruba 450 heavy-coding turns týdně za 15 dolarů měsíčně.

SATC Model: Token costs dělané lidsky

Dropstone představuje koncept jménem Session-Amortized Token Cost (SATC). Nápad je prostý: místo naivního per-token list price účtují unit cost, který odráží naměřenou cache ekonomiku. Session neustále opakují code patterns — import statements, boilerplate, function signatures. Cachování těchto prefixů znamená, že subsequent turns stojí dramaticky méně.

To je ta matematika, která dělá flat-rate billing fungovat. Runaway agent loop nemůže naplatit 40 dolarů tokenů odpoledne, protože cached tokens jsou efektivně zdarma. Credits capují worst case, caching capuje consumption rate.

Praktický důsledek: můžete nechat Dropstone běžet, nechat ho refaktorovat ten ošklivý service layer, a nemusíte sledovat dashboard s úzkostí jako při kontrolování AWS billu.

Proč to záleží pro celý průmysl

Dropstone explicitně netvrdí, že trénovali underlying modely. Nemohou auditovat weights. Staví na open-weight modelech stejně jako cloud providetoři staví na open-source databázích — differentation je v operační vrstvě, compliance posture, cost engineeringu a user experience.

To je zdravý postoj. Uznává, že foundation modely se stávají infrastrukturou, a že hodnota se přesouvá k tomu, kdo tu infrastrukturu dělá reliable, secure a cost-predictable.

Pro vývojáře a startupy by to měla být welcome news. Znamená to, že můžete delegovat " který model mám používat" otázku na někoho, kdo má za úkol ji zodpovědět. Můžete se soustředit na shipping produktu, zatímco někdo jiný provádí benchmarky a publikuje verdikty.

Otázka není, jestli AI coding asistenti budou dál zlepšovat. Budou. Otázka je, jestli tooling kolem nich bude stejně thoughtful jako samotné modely. Dropstone sází na to, že runtime, ne weights, je tam, kde produkt žije.

Čas ukáže, jestli mají pravdu. Ale pro týmy unavené z re-platformingu pokaždé, když vyjde nový model, je tenhle přístup minimálně hodný vyzkoušení.