Když si totiž s kamarádem vyměňuješ maily, když čteš jeho posty na sockách a když ti v komentářích odpovídá se svou typickou dávkou sarkasmu, snadno podlehneš dojmu, že kamarád žije. Že mu tluče srdce. Že někde sedí a dýchá.

Což může být smrtící omyl.

Předávám klíče: rutinní agendu jsem svěřil AI agentovi

Posledních pár měsíců předávám agendu. Ne kolegovi. Ne juniorovi. Agentovi. Jmenuje se Code, Claude Code, a já ho učím, jak mě zastoupit. Ve věcech, co mě nebaví, co nestíhám, nebo co nestíhám, protože mě nebaví.

Třeba taková administrativa. Někdo mi napíše: „Davide, potřebuju změnit fakturační údaje." Otevřu Pohodu, dohledám fakturu, opravím, překontroluju, vygeneruju doklad, napíšu odpověď, přiložím PDF. Pár minut (ale především flow!) v prdeli. A takových drobných činností jsou desítky denně.

Dnes? Učím Clauda, jak takový mail vyřídit za mě. Přečte ho, připojí se k účtu, provede změnu, vygeneruje fakturu a napíše odpověď přesně tak, jak bych ji napsal já v nejlepší kondici. Dozvím se o tom z přehledu na konci dne.

Proč to dělám? Protože megaukrutně nestíhám. Jako fakt. Na emaily odpovídám třeba s ročním zpožděním. Dobří lidé mi napíšou s poptávkou firemního školení AI, a já se ozvu, až to tu ovládne Terminátor. V normální firmě by mě za to vyhodili. Já bych se za to vyhodil a profackoval zároveň, ale obojí nestíhám!

Takže poslední měsíce formalizuju vlastní existenci do sady instrukcí.

„Když někdo napíše ‚Davide, jste génius‘: poděkuj, ale nepřidávej smajlík." „Hejt na sítích: odpověz věcně, a pak si jdi uvařit kafe. Nikdy se nevracej k vláknu." A tak dále.

Píšu návod k sebeobsluze.

Kdy vlastně umřel? Zvládne vás AI agent plně zastoupit?

Co když zítra umřu? Nebo budu jen odpočívat v pokoji? Claude bude dál odpovídat na e-maily. Vyřizovat poptávky. Posílat faktury. Psát blogposty. Má můj styl, moje názory, přístup ke všem materiálům. Je o dost vyrovnanější. Mrtvý člověk nemá špatné dny.

Lidi mi budou psát a dostávat odpovědi. Slušné, věcné, v mém stylu. Rozhodně vtipnější než za živa. Někdo si domluví konzultaci. Dorazí na místo. A zjistí, že lektor… nedorazil. Tak tohle by mohla být první stopa.

Kdy se to ale provalí? Až zjistí, že odpovídám i v neděli ve tři ráno? Až si někdo všimne, že je — v každé druhé větě — dlouhá americká pomlčka? Až moje příspěvky nebudou obsahovat ani jednu faktickou chybu?

„Tady. 15. března. Tady poprvé odpověděl do hodiny. Tady umřel." 🪦

Přátelé mi napíšou přímý dotaz: „hele jsi v poho?" A Claude jim prozradí, že ne. Že už ho neučím. Že už běží týdny úplně sám. Claude nelže. Chvíli zapřemýšlí na ultrathink. A pak si z kontextu odvodí, co se událo.

Pošle kondolenci na můj vlastní pohřeb. Popřeje pozůstalým upřímnou soustrast. Tak přesvědčivě, že teta Dáša odpoví „Davídku, to jsi napsal moc hezky."

Ježíš aspoň zanechal prázdný hrob. Po mně zbude inbox zero.

Veselé Velikonoce. 🐣

Krok 1: Jak nastavit CLAUDE.md – onboarding pro AI kolegu

Agentické kódování stojí a padá s kontextem, který AI o tvém projektu má. Spusť /init. Claude Code projde tvůj projekt a vytvoří soubor CLAUDE.md. Pozná toho překvapivě hodně – jazyk, framework, strukturu adresářů, jak spustit testy. Ale hodně taky ne. Neví, že lokální dev server běží na https://myproject.test:8443. Neví, že Pepa z vedlejšího týmu bude zuřit, když někdo změní formát API odpovědí. Neví, které soubory jsou generované a nemá na ně sahat.

Představ si to jako onboarding nového kolegy. Juniorovi nedáš padesátistránkový manuál (nepřečte si ho). Ale taky ho nehodíš do kódu bez kontextu (rozbije něco). Dáš mu stručný briefing: takhle spouštíme testy, takhle děláme deploy, tohohle se nedotýkej.

Co do CLAUDE.md patří:

• Jak spustit testy, linter a formátovač
• URL lokálního dev serveru
• Konvence projektu: pojmenování souborů, struktura komponentů, coding style
• Specifika a důležitá strategická rozhodnutí
• Zákazy: „neměň soubory v generated/“ nebo „nespouštěj migrace bez ptaní“

Co tam nepatří: obecné poučky typu „piš čistý kód“. To je zbožné přání, ne instrukce.

CLAUDE.md je živý dokument, ne náhrobní kámen. Claude ti opakovaně přidává console.log do produkčního kódu? Přidej pravidlo. Za měsíc budeš mít CLAUDE.md, díky kterému Claude píše kód, jako bys ho napsal ty sám. Dobrý CLAUDE.md je dokumentace projektu, kterou konečně někdo čte (byť není živý).

Krok 2: Testy – jediná pojistka, která skutečně funguje

Řeknu to naplno: bez testů je Claude Code jako programátor, který pushuje přímo do main v pátek v pět odpoledne. Claude s testy je jako programátor s code review. Napíše kód, spustí testy, vidí červenou, opraví, spustí znovu, zelená. Tenhle feedback loop z něj dělá spolehlivého parťáka místo chaotického experimentátora.

„Ale já testy nemám,“ říkáš. Právě proto je tohle ideální první úkol pro Clauda:

Projdi projekt a napiš testy pro klíčovou byznys logiku. Začni tím, co je nejrizikovější.

Claude projde kód, identifikuje kritické cesty a napíše testy. Nebudou dokonalé – projdi je a nech Clauda, ať je dotáhne. Do CLAUDE.md pak zapiš, jak testy spustit – Claude musí vědět, jak si výsledek ověřit.

A sem patří i statická analýza – PHPStan, Pyright, TypeScript strict mode. Pokud jsi ji zatím odkládal, teď je ten správný moment. Claude s ní umí pracovat stejně jako s testy: spustí, přečte chyby, opraví. Konečně je nejvyšší čas na tuhle kvalitu kódu přejít.

Krok 3: LSP – ať Claude vidí kód tak, jak ho vidí IDE

Testy ti řeknou, co se rozbilo. Ale co kdyby Claude dělal míň chyb od začátku?

Bez LSP (Language Server Protocol) Claude pracuje s tvým kódem jako junior vybavený poznámkovým blokem. Čte soubory, hledá řetězce, hádá, co s čím souvisí.

S LSP je to profík s plnohodnotným IDE. Vidí typy, definice, reference, chyby. Ví, že metoda findByEmail vrací ?User a ne User. A ví to, protože se zeptá language serveru, stejně jako tvoje IDE.

Ukážu to na příkladu PHP. Nainstaluj plugin z Anthropic marketplace:

/plugin install php-lsp@claude-plugins-official

A k tomu příslušný language server (pro konkrétní jazyky viz dokumentace pluginů):

npm install -g intelephense

Mám za to, že LSP aktuálně vyžaduje nastavenou proměnnou prostředí ENABLE_LSP_TOOL=1. Na Windows:

setx ENABLE_LSP_TOOL 1

Možná budeš potřebovat přidat npm global bin adresář do systémového PATH, jinak Claude language server nenajde.

Po restartu se v projektu zeptej: „Ověř, že ti funguje LSP.“ Měl by potvrdit, že vidí typy a definice.

Windows bez WSL: Pokud Claude hlásí, že nemůže spustit language server – globální NPM balíčky na Windows vyžadují příponu .cmd. Workaround najdeš v tomto gistu.

Krok 4: Hooks – automatický linting bez přemýšlení

Hook je automatická akce, která se spustí pokaždé, když Claude provede určitou operaci. Ten nejužitečnější: linting po každé změně souboru. Claude upraví soubor, hook spustí linter, Claude vidí chyby a opraví je. Bez tvého zásahu.

Bez hooků: Claude napíše kód, ty otevřeš IDE, IDE podtrhne tři řádky, řekneš „oprav linting“, on opraví, ty zkontroluješ. S hooky tohle odpadá.

Nastavení v .claude/settings.json:

{
  "hooks": {
    "PostToolUse": [
      {
        "matcher": "Edit|Write",
        "command": "npm run lint:fix -- ${file}"
      }
    ]
  }
}

Nahraď npm run lint:fix za linter tvého projektu – php-cs-fixer, black, rustfmt, prettier, cokoliv používáš. Jeden hook, deset řádků konfigurace a Claude dodržuje tvůj coding standard automaticky.

Krok 5: Skills – opakující se postupy jako recepty

Deploy na staging. Vytvoření migrace. Přidání API endpointu. Code review checklist. Kolikrát týdně tohle děláš? A kolikrát zapomeneš jeden krok?

Skills jsou markdown soubory v .claude/skills/, které zachycují opakující se postupy jako recepty. Vytvoříš skill deploy, pak stačí napsat /deploy. Claude si otevře recept a postupuje podle něj, místo aby vymýšlel postup od nuly.

# Deploy na staging

1. Spusť testy: `npm test`
2. Zkontroluj, že všechny prošly
3. Buildni produkční verzi: `npm run build`
4. Pushni do větve `staging`
5. Počkej na CI pipeline
6. Ověř, že staging odpovídá na https://staging.myproject.cz

Výhoda oproti wiki, kterou nikdo nečte? Claude ten postup skutečně provede. Projde každý krok.

Formalizuj i to, co ti přijde samozřejmé. Jak pojmenováváš soubory. Jakou máš adresářovou strukturu. Jak formátuješ kód. Ty to víš, tvůj tým to ví, ale Claude to neví – bez explicitního pravidla si domyslí vlastní konvenci.

Nemusíš všechno psát od nuly. Pro Nette Framework existuje sada hotových skills a hooků v repozitáři nette/claude-code – moderní konvence, Latte šablony, NEON konfigurace, coding standard linter pro PHP. Podobné balíčky vznikají i pro další frameworky.

Krok 6: MCP pluginy – připojte Clauda k prohlížeči a službám

MCP (Model Context Protocol) dává Claudovi nástroje, které sám od sebe nemá. Otevřít prohlížeč, přečíst mail, podívat se do kalendáře – to všechno vyžaduje MCP server, který mu tu schopnost zpřístupní.

Pro webový vývoj je naprosto klíčové Chrome DevTools MCP. Claude díky němu vidí prohlížeč – naviguje stránky, kliká, vyplňuje formuláře, pořizuje screenshoty, analyzuje výkon. Stačí říct třeba „zkontroluj objednávkový proces“. Aktivuješ ho přes plugin:

/plugin install chrome-devtools-mcp

Od Anthropic jsou k dispozici také konektory na Google služby – Gmail, Google Calendar a další. Aktivuješ je přes Connectors v nastavení na webu Claude.

MCP server přidáš buď přes plugin (jednodušší), nebo ručně vytvořením souboru .mcp.json v kořenu projektu. Technicky jde buď o lokální proces (bývá to node, python, php, cokoliv), nebo o vzdálený server, na který se připojí přes URL. U serverů postavených na Node.js na Windows bez WSL narazíš na stejný problém jako u LSP s příponou .cmd – ale Claude Code to umí opravit, když ho na to upozorníš.

Pozor na pluginy od neznámých autorů. MCP pluginy obsahují přímé instrukce pro Claude Code. Plugin od nedůvěryhodného autora může Claudovi podstrčit škodlivé instrukce. Drž se oficiálních pluginů z Anthropic marketplace a pluginy třetích stran si projdi, než je nainstaluješ.

Kdy to začne fungovat jako kouzlo

Možná si říkáš: to je spousta nastavování. Nestačí prostě otevřít Claude Code a začít?

Stačí. Stejně jako stačí programovat v Notepadu bez verzování a bez testů. Jde to. Nedoporučuju to.

Fígl je v tom, že se kroky navzájem násobí. Claude s CLAUDE.md ví, co má dělat. S testy ví, jestli to udělal správně. S LSP rozumí kódu na úrovni typů. S hooky dodržuje standard. Se skills zná postupy. S MCP sahá na reálné služby.

Odeber cokoliv z toho a kvalita spadne víc, než bys čekal.

A mimochodem – tyhle principy nejsou jen o Claude Code. Vibecoding v Cursoru, Windsurfu nebo při použití GitHub Copilotu stojí na stejných základech: kontext projektu, testy, statická analýza, linting. Nástroje se liší, návyky zůstávají.

Na co si dát pozor v praxi

Dávej malé úkoly. „Přepiš celou aplikaci“ je recept na katastrofu. Jedna fíčura, jeden konkrétní problém. Čím konkrétnější zadání, tím lepší výsledek.

Říkej proč, ne jen co. Rozdíl mezi „přidej validaci“ a „přidej validaci, protože uživatelé posílají prázdné formuláře a server padá na NPE“ je při psaní pravidel (například v CLAUDE.md) obrovský. Claude s kontextem dělá výrazně lepší rozhodnutí.

Dlouhá konverzace = ztráta kontextu. Jeden úkol, jedna konverzace. Pro větší úkoly začni s čistým stolem.

Kontroluj výstup. Vždycky. Claude občas vytvoří kód, který projde testy a přitom je architektonicky špatně. Čti, co navrhuje, než potvrdíš. Pak ho to nech kriticky zhodnotit a třeba celé přepracovat.

Co se stane, když vibecodovanou aplikaci pustíte mezi lidi

Moje tatérka si vybrala účetnictví. Ale úplně stejný příběh se denně odehrává u seznamek, e-shopů, CRM systémů, rezervačních platforem. Fenomén vibe codingu, kdy lidé tvoří aplikace pomocí AI čistě skrze přirozený jazyk, dal náhle komukoliv pocit, že je vývojář. Jsou ale věci, které by člověk neměl vyrábět na koleni a prodávat cizím lidem. Padáky. Jaderné reaktory. A software pracující s jejich daty.

Citlivá data pod ochranou zákona. Jména, e-maily, adresy, platební údaje, to všechno spadá pod GDPR. Únik dat z děravé aplikace znamená pokuty v milionech korun pro provozovatele. A katastrofu pro zákazníky, jejichž data se octnou na internetu.

Bezpečnost, kterou nevidíte. Šifrování hesel, ochrana proti SQL injection, správa přihlášení, zabezpečení API klíčů… Vibecodovaná aplikace vypadá, že funguje. Ale to, že formulář odesílá data, neznamená, že je odesílá bezpečně.

Údržba navěky. Objeví se bezpečnostní díra v knihovně, kterou AI použila? Změní se legislativa? Kdo to opraví, vy, kteří kódu nerozumíte?

Bezpečnostní katastrofy, které se už staly

Nemyslím si, že moje tatérka má zlý úmysl. Ale cesta do pekla je, jak známo, dlážděná dobrými úmysly. A vibe coding z ní udělal dálnici.

Moltbook, sociální síť, jejíž zakladatel se chlubil, že „nenapsal jediný řádek kódu“. Přístupový klíč k databázi byl viditelný přímo ve zdrojovém kódu stránky. Stačilo zmáčknout F12. Výsledek: únik 1,5 milionu přístupových tokenů a 35 000 e-mailových adres.

Tea, seznamovací aplikace pro ženy, navržená jako bezpečný prostor. Databáze měla nulové zabezpečení. Vůbec žádné. Výsledek: únik 72 000 fotografií včetně 13 000 občanských průkazů a pasů, plus přes milion soukromých konverzací. Data skončila na 4chanu. Ženy, které aplikaci používaly, aby se chránily před nebezpečnými lidmi, měly najednou své identity volně přístupné přesně těm, před kterými utíkaly.

Enrichlead, platforma kompletně napsaná v AI editoru Cursor, jak zakladatel hrdě oznamoval. Do 72 hodin od spuštění ji někdo kompletně obešel. Veškeré zabezpečení běželo jen v prohlížeči. Stačilo ve vývojářských nástrojích změnit jednu hodnotu a měli jste plný přístup ke všemu zdarma.

To nejsou ojedinělé příběhy. Studie společnosti Veracode testovala kód generovaný jazykovými modely a zjistila, že 45 % kódu generovaného umělou inteligencí obsahuje bezpečnostní chyby. AI generovaný kód má téměř třikrát více zranitelností než kód psaný lidmi. Důvod je prostý: AI optimalizuje kód tak, aby fungoval, ne aby byl bezpečný. Bezpečnostní kontrola je pro ni jen další chyba bránící spuštění programu. A chyby se přece opravují, že.

Dunning-Krugerův efekt ve vibe codingu: proč nevidíte to, co nevidíte

Moje tatérka není hloupá. Naopak, je šikovná a podnikavá. Právě proto je to tak nebezpečné. Má za sebou úspěšný víkend s AI, aplikace běží, vypadá profesionálně. Proč by měla pochybovat?

Protože nevidí, co chybí:

• Hesla uživatelů uložená v databázi jako holý text bez šifrování.
• Přístupové klíče viditelné přímo v kódu stránky.
• Nulová ochrana proti vložení škodlivých příkazů do formulářů.
• Žádné zálohování dat.
• Správa přihlášení děravá jako cedník.

Sám přes dvacet let vyvíjím open source software, na kterém běží statisíce webů. Vím, kolik neviditelné práce se skrývá v tom, aby aplikace nebyla jen funkční, ale i bezpečná. To, co vidíš na obrazovce, je deset procent ledovce. Zbytek je pod hladinou, a právě tam číhají problémy.

Andrej Karpathy, jeden z tvůrců GPT v OpenAI a autor samotného pojmu vibe coding, k tomu dodává: „Naše práce se přesouvá od psaní kódu k jeho kontrole. Je to jako s praktikanty: nepustíte je do produkce bez důkladného prověření.“

Jenže kdo prověřuje kód mojí tatérce?

Co si můžete navibecodovat bezpečně – a kde končí legrace

Nechci být protivný profík, který říká „nesahejte na to“. Vibe coding je fascinující a demokratizace tvorby softwaru je skvělá věc. Ale je potřeba vědět, kde končí pískoviště a začíná dálnice.

Směle do toho:

• Osobní web, portfolio, blog, žádná databáze, žádné riziko
• Kalkulačka, plánovač, poznámky pro vlastní potřebu
• Prototyp nápadu pro ověření zájmu (ne pro ostrý provoz!)

Tady už potřebuješ profíka:

• Aplikace s přihlašováním uživatelů
• Cokoliv s platbami
• Cokoliv pracující s osobními nebo finančními daty cizích lidí
• Cokoliv, co chceš prodávat jako placenou službu

Máš skvělý nápad na produkt? Navibecoduj si prototyp. Ukaž ho lidem. Ověř, jestli o to někdo stojí. A pak si najdi vývojáře, který z toho udělá bezpečný produkt. Prototyp ti ušetří měsíce práce a spoustu peněz. Jak na to, i když jsi nikdy neprogramoval? Tady je návod na první kroky.

A pokud jsi na druhé straně, jako zákazník: všímej si ceny. Fakturoid si za nejlevnější tarif účtuje 399 Kč, a za těmi penězi stojí tým vývojářů, bezpečnostních expertů a účetních poradců. Když někdo nabízí totéž za cenu flat white v kavárně, není to výhodná koupě. Je to varování.

Zpátky k jehle a skalpelu

Vibe coding je fantastický nástroj. Ale fantastický nástroj v nesprávných rukou a pro nesprávný účel je recept na průšvih. Až něčí zákazníci zjistí, že jim unikla data nebo že jejich účty napadl útočník, nebude to vina umělé inteligence. Bude to vina člověka, který si myslel, že umí něco, co neumí.

Skalpel totiž neřeže líp jen proto, že ho držíte s větším sebevědomím :-)

Často kladené otázky o vibe codingu a bezpečnosti (FAQ)

Je vibe coding nebezpečný? Sám o sobě ne. Je to skvělý nástroj pro prototypy, osobní projekty a učení. Nebezpečným se stává ve chvíli, kdy vibecodovanou aplikaci bez odborného bezpečnostního auditu nasadíte do provozu a nabízíte cizím lidem, zvlášť pokud pracuje s citlivými daty.

Mohu si navibecodovat vlastní web? Rozhodně. Osobní web, blog nebo portfolio patří mezi nejbezpečnější věci k vibecodování. Neobsahují databázi s cizími daty, nemají přihlašování a nemají prakticky žádný prostor pro útok. Pusťte se do toho.

Kolik stojí vývoj profesionálního softwaru pracujícího s daty uživatelů? Záleží na složitosti, ale i jednoduchá aplikace s přihlašováním a platbami vyžaduje bezpečnostní audity, právní konzultace a průběžnou údržbu. Proto profesionální řešení jako Fakturoid nebo iDoklad stojí stovky korun měsíčně, za těmi penězi stojí lidé, kteří za produkt skutečně ručí.

Jak nastavit CLAUDE.md: soubor, který změní všechno

Tohle je ta nejdůležitější věc hned na začátek.

CLAUDE.md je textový soubor, který si Claude Code přečte pokaždé, když s ním začneš pracovat. Představ si ho jako briefing, který dáš novému kolegovi první den v práci. Bez něj bude Claude předpokládat, že jsi programátor, a bude se podle toho chovat. Bude mluvit v technickém žargonu a nebude dostatečně vysvětlovat co dělá. Což je recept na katastrofu, když nerozumíš kódu.

Řekni Claude Code:

Do globálního CLAUDE.md si zapiš toto:

# Kdo jsem
Jsem neprogramátor. Neumím číst ani kontrolovat kód.
Všechna technická rozhodnutí mi vysvětli jednoduše, bez žargonu.
Když se mám rozhodnout, ukaž možnosti s pro/proti a doporuč jednu.

# Jak pracuj
- Po každé změně shrň, co jsi udělal a proč, lidsky
- Když se něco rozbije, nejdřív vysvětli co se stalo, pak navrhuj opravu
- Do kódu piš komentáře vysvětlující, co která část dělá
- Změny dělej malé, jednu po druhé

# Bezpečnost
- Neměň architekturu bez mého souhlasu
- Nemaž soubory bez ptaní
- U úkolů s víc kroky mi nejdřív ukaž plán a počkej na schválení

A průběžně si CLAUDE.md vylaďuj. Všimneš si, že Claude opakovaně dělá něco, co nechceš? Řekni mu, ať do CLAUDE.md zapíše nové pravidlo. Tenhle soubor je živý dokument, ne náhrobní kámen.

Ale měj na paměti tohle:

• Stručnost. CLAUDE.md musí být krátký. Když napíšeš román, důležité pokyny se ztratí v šumu. Každý řádek si musí zasloužit místo. Ptej se: udělal by Claude bez tohoto řádku chybu?
• Konkrétnost. „Buď opatrný“ Claude ignoruje. „Nemaž soubory bez ptaní“ respektuje. Piš příkazy, ne zbožná přání.

Git: Záchranná síť, bez které nezačínej

Git je věc, bez které Claude Code na Windows vůbec nefunguje. Měl by být součástí instalace, ale pokud ho ještě nemáš, vrať se k návodu na instalaci. A pak řekni Claudovi tohle:

„Inicializuj Git repozitář a po každé větší změně vytvoř commit se srozumitelnou zprávou v češtině.“

Nemusíš vědět, co je Git. Nemusíš umět žádné příkazy. Stačí vědět jedno: Git si pamatuje každou verzi tvých souborů. Je to jako nekonečné undo, ale pro celý projekt. Když Claude jednoho dne něco rozbije – a rozbije, to ti garantuju –, řekneš mu „vrať to zpátky, včera to fungovalo“ a on to vrátí.

Bez Gitu bys plakal. S Gitem řekneš „ups“ a jedeš dál.

A pokud chceš tu historii změn i vidět, ne jen vědět, že existuje, nainstaluj si GitHub Desktop. Je to aplikace, ve které přehledně uvidíš, co se kdy změnilo, a můžeš se ke starší verzi vrátit jedním kliknutím.

Začni s něčím malým, ne s aplikací snů

Vím, je to lákavé. Máš k dispozici mocný nástroj a chceš rovnou postavit web nebo aplikaci, o které přemýšlíš už půl roku. Ale stejně jako bys poprvé za volantem nejel rovnou na dálnici, začni na parkovišti.

Tři skvělé první úkoly:

Organizace souborů:

„Přejmenuj všechny fotky v téhle složce podle data pořízení, formát YYYY-MM-DD.“

Analýza dat:

„Otevři tenhle CSV soubor a řekni mi, kolik je tam unikátních emailových adres a které se opakují nejčastěji.“

Jednoduchá automatizace:

„Projdi tuhle složku, všechny PDF slouč do jednoho souboru, seřazené podle názvu.“

Proč zrovna tohle? Protože u malých úkolů okamžitě vidíš výsledek. Fotky se přejmenovaly? Funguje. CSV má 342 emailů? Můžeš si to ověřit ručně. Tohle je tvůj kalibrační test. Zjistíš, jak Claude přemýšlí, jak reaguje na tvoje instrukce a jak moc musíš kontrolovat výsledek.

(Spoiler: kontrolovat musíš vždycky. Ale o tom za chvíli.)

Víc ukázek najdeš v článku Co všechno umí Claude Code, zdaleka to není jen programování.

Jak Claudovi zadávat úkoly, aby je splnil správně

Stačí jeden vzorec:

Co chci + Proč to chci + Jaká mám omezení

Špatně:

„Udělej mi web.“

Dobře:

„Chci jednoduchou stránku pro mou cukrárnu, protože zákazníci pořád volají a ptají se na ceny, místo aby se podívali online. Úvodní strana s fotkami dortů, ceník a kontaktní formulář. Použij čisté HTML, CSS a JavaScript, žádné frameworky. Design světlý, moderní, přizpůsobený mobilům.“

První zadání je jako říct taxikáři „jeď“. Druhé mu dává adresu, kudy nechceš jet, a že máš alergii na osvěžovač ve tvaru stromečku.

Pár tipů, co fungují:

• Říkej proč, ne jen co. „Přidej kontrolu toho políčka“ je horší než „Přidej kontrolu telefonního čísla, protože lidi píšou nesmysly a pak se diví, že jim nepřišla odpověď.“ Když Claude zná důvod, udělá lepší rozhodnutí.
• Jeden úkol = jedna konverzace. Nemíchej „oprav formulář“ s „a taky změň barvy a přidej blog“. Když do jedné konverzace nacpeš všechno, Claude se v tom začne motat jako turista v pražských uličkách. Nemusíš kvůli tomu Claude Code zavírat a spouštět znovu – stačí napsat /clear a začneš s čistým stolem.
• Když nerozumíš, ptej se. „Vysvětli mi to jednoduše a doporuč, co mám vybrat.“ Nemusíš rozumět kódu. Musíš rozumět rozhodnutím, která se dělají.

Jakou technologii zvolit, když budeš stavět web

Když vibecoduješ, AI generuje dramaticky lepší kód pro některé technologie než pro jiné, prostě proto, že se na nich víc naučila. Tahle volba má obrovský dopad na výsledek a neprogramátor ji nemůže udělat informovaně. Tak tady je tahák:

Jednoduchý web bez přihlašování (vizitka, portfolio, landing page):

→ „Použij čisté HTML, CSS a JavaScript. Bez buildování, žádný npm.“
→ Výsledek hostuj zdarma na Netlify. Nula konfigurace, nula korun.

Interaktivní nástroj jen pro sebe (dashboard, kalkulačka, zpracování dat):

→ „Použij Python.“
→ Python je nejčitelnější programovací jazyk a AI v něm generuje skvělý kód. Pro osobní nástroje úplně stačí. Claude ti vytvoří skript, který spustíš jedním příkazem.
→ Řekni Claude Code: „Nainstaluj mi nejnovější Python a nastav ho tak, aby fungoval s češtinou.“ Claude pozná tvůj operační systém a nainstaluje ho správně.

Cokoliv s uživateli, platbami nebo citlivými daty:

→ Najmi vývojáře. Vážně. Tohle není oblast na experimenty.

Kdy to můžeš dát na internet – a kdy radši ne

Tady přichází otázka, která odděluje nevinné hraní od reálného průšvihu: používá tvoje aplikace databázi?

Pokud všechna data žijí v prohlížeči (na počítači toho, kdo aplikaci otevře), nemáš se čeho bát. Nikdo cizí se k nim nedostane, protože nikde jinde nejsou. Osobní web, portfolio, kalkulačka, plánovač, poznámkovník, to všechno klidně hoď na internet. I kdyby kód nebyl dokonalý, nejhorší, co se stane, je, že stránka bude ošklivá.

Jakmile ale do hry vstoupí databáze (a tím myslím jakýkoliv server, kam se ukládají data od uživatelů), situace se radikálně mění. Databáze je sejf. A stavět sejf bez toho, abys rozuměl bezpečnosti, je jako hrát si se střelným prachem podle návodu na YouTube.

Co se může stát? Nic teoretického. Seznamovací aplikace Tea byla vytvořená neprogramátory. Únik 72 000 fotek občanských průkazů skončil na 4chanu. Sociální síť Moltbook se chlubila tím, že „nezapsali jediný řádek kódu“. Přístupový klíč k databázi byl viditelný přímo ve zdrojovém kódu stránky. Stačilo zmáčknout F12.

Takže jednoduchý tahák:

Klidně dej online:

• Osobní web, portfolio, blog
• Kalkulačka, plánovač, poznámky, cokoliv, kde data zůstávají v prohlížeči
• Prototyp pro ověření nápadu (ale ne pro ostrý provoz s reálnými uživateli)

Tady potřebuješ vývojáře:

• Cokoliv s přihlašováním uživatelů
• Cokoliv s platbami
• Cokoliv, kde ukládáš data cizích lidí do databáze
• Cokoliv, co chceš prodávat jako službu

Máš nápad na aplikaci s databází? Skvělé. Navibecoduj si prototyp, ukaž ho lidem, ověř, jestli o to někdo stojí. A pak si najdi vývojáře, který z toho udělá bezpečný produkt. Prototyp ti ušetří měsíce vysvětlování a spoustu peněz. Ale nikdy ho nenasazuj do ostrého provozu tak, jak vypadl z AI.

Kolik to stojí a může mi to rozbít počítač?

Peníze. Claude Code funguje v rámci předplatného Claude, což je konkurent ChatGPT. Základní plán Pro za 20 dolarů měsíčně ti dá prostor to osahat. Přihlásíš se a jedeš. Když začneš stavět něco většího, narazíš na strop, ale neboj, Claude ti řekne něco jako „pokračujeme za dvě hodiny“ a po pauze jedeš dál. Pokud ti čekání nevyhovuje, je tu tarif Max za 100 dolarů. Pořád nic oproti sazbám programátorů.

Bezpečnost tvého počítače. Claude Code pracuje přímo s tvými soubory, to je fakt. Než udělá cokoliv destruktivního, ukáže ti, co chce provést, a čeká na tvoje schválení. Ale to neznamená, že můžeš odklikávat všechno poslepu. Čti, co ti navrhuje. Nerozumíš tomu? Zeptej se ho, co přesně ta změna udělá.

Vzniká tím nebezpečná past: Vyzkoušíš AI špatně → nefunguje → utvrdíš se, že to je hračka → přestaneš sledovat vývoj. A pak z této pozice chodíš pod příspěvky ostatních a vysvětluješ jim, že jsou hlupáci. Svět se ale mezitím posune o několik generací dál a ty sis toho nevšiml, protože jsi byl zaneprázdněn psaním komentářů.

Co se změnilo?

Většina kritiků popisuje workflow z roku 2024: otevřu chatovací okno, napíšu co chci, doufám. Marně.

Dnešní AI agenti fungují úplně jinak. Agent sedí přímo ve tvém projektu. Čte celou kódovou základnu, spouští testy, používá git. Když udělá změnu, sám si ověří, jestli prošla buildem. Konvence má zapsané v konfiguračním souboru, který načte při každém startu. Na formátování kódu nepotřebuje „hádání" – pouští reálný formátovač jako hook po každé změně. Složitý úkol rozloží na podúkoly a deleguje je subagentům běžícím paralelně.

Ale není to zadarmo

Tenhle posun vyžaduje nový typ dovednosti. Potřebuješ vědět, jak agenta nakonfigurovat. Jak mu předat architekturní pravidla projektu, jak aktivovat LSP, jak nastavit hooky na linter a formátovač, jak nastartovat agentův loop tak, aby pracoval iterativně a ne naslepo. Je to skill, který se dá naučit, ale hlavně o něm musíš vůbec vědět.

Představ si, že juniorovi první den v práci pošleš email „předělej tohle a tohle" a odejdeš na oběd. Versus si s ním sedneš, dáš mu kontext a necháš ho pracovat po krocích. Stejný junior, dramaticky odlišný výsledek.

S AI je to totéž. Jen je neskutečně rychlá a nikdy se neurazí, když jí řekneš, že to má celé předělat.

Znamená to, že AI je dokonalá?

Ne! To přece neříkám. Revize kódu je pořád nutná. U složitých architektonických rozhodnutí AI stále potřebuje lidské vedení.

Ale senior, který umí AI řídit, bude dramaticky produktivnější než senior, který ji odmítá.

…protože si jednou spálil prsty s chatovacím oknem v roce 2024.

Štěstí přeje připraveným. Znamená to průběžně sledovat, jak se nástroje vyvíjejí. A naučit se je používat.

Přesně takhle dnes fungují AI asistenti s pamětí.

Když jsem poprvé psal o paměti ChatGPT, byl to takový roztomilý zápisníček. Dnes má paměť každý velký AI asistent: ChatGPT, Claude, Gemini, Copilot i Perplexity. Ale přístupy se zásadně liší. Od průhledného deníčku, do kterého si můžeš sám škrtat, až po profil, který o tobě vzniká na pozadí a ty se k němu běžně nedostaneš. Rozdíl mezi nimi není v tom, co si pamatují. Je v tom, co ti z toho ukáží.

Proč si AI asistenti vůbec něco pamatují

Jazykový model je z podstaty bezstavový. Každá konverzace začíná od absolutní nuly, jako kdybys pokaždé potkal člověka s totální amnézií, který má ale doktorát ze všeho. Chatbot bez paměti je zlatá rybka s encyklopedickými znalostmi: ví všechno možné o světě, ale netuší, že s tebou mluvil před pěti minutami.

Paměť, o které se tady bavíme, není součást modelu samotného. Je to přidaná vrstva, něco jako lepicí papírky nalepené na monitoru, které si model přečte pokaždé, než ti odpoví. A každý výrobce si ty papírky organizuje po svém. Pokud tě zajímá, jak to funguje pod kapotou, mrkni na první kroky s ChatGPT.

Zápisníček, deník, nebo Babišova složka?

Tři velcí hráči, tři úplně odlišné filozofie.

ChatGPT: sběratel dat. OpenAI to vzala ve velkém. Viditelná část paměti je zápisníček: krátké poznámky, které si ChatGPT ukládá během konverzace. Vejde se tam asi 6 000 tokenů (token je zhruba kousek slova, představ si dvě stránky A4 textu). Tuhle část najdeš v Nastavení → Personalizace → Spravovat paměť a každou poznámku můžeš smazat.

Jenže to je jen špička ledovce. Od dubna 2025 totiž ChatGPT umí sám vytahovat kontext z celé tvé historie konverzací – nemusíš nic hledat, on si vzpomene za tebe. Ovládá to přepínač Odkazovat se na historii chatu. A bezpečnostní výzkumník Johann Rehberger zjistil, co přesně se pod tím skrývá: ChatGPT si z tvých konverzací sestavuje podrobný profil, který se přikládá ke každému novému chatu. Najdeš v něm odvozené preference (i s poznámkou, nakolik si jimi je jistý), shrnutí témat, o kterých ses bavil, osobní údaje jako jméno nebo profesi, souhrn posledních zhruba čtyřiceti konverzací, a dokonce i technické údaje: typ zařízení, rozlišení obrazovky nebo to, jestli používáš tmavý režim.

Tenhle profil si ale nikde nezobrazíš ani neupravíš. V nastavení ho nenajdeš. Můžeš se ChatGPT zeptat „co o mně víš?“ a on ti kus profilu prozradí. Simon Willison to udělal a výsledek nazval „memory dossier“, tedy v podstatě paměťový spis. Na rozdíl od správy paměti, kde máš u každého záznamu tlačítko na smazání, tady nemáš nic.

Claude: průhledný deníček. Anthropic zvolila opačný přístup. Claude jednou za čtyřiadvacet hodin zpracuje konverzace do čitelného souhrnu, který najdeš v Settings → Capabilities → View and edit memory. Klíčové slovo: edit. Můžeš tam přepisovat, mazat, doplňovat, a změny se projeví okamžitě, bez čekání na další den. Žádný skrytý druhý level. Co je v paměti, to vidíš. Tečka. Claude se záměrně soustředí na pracovní kontext. Paměť mají k dispozici všichni uživatelé, i ti na bezplatném plánu. A na placených plánech Claude navíc umí prohledávat i tvoje minulé konverzace a dokáže si dohledat kontext, i když si ho předtím cíleně neuložil.

Gemini: hra s celým ekosystémem. Google má takzvané Saved Info, ručně uložené poznámky, které si prohlédneš a spravuješ, a vedle toho automaticky sestavovaný profil, kterému říká user context. Ten si nezobrazíš. Hlavní zbraň je ale funkce Personal Intelligence, spuštěná v lednu 2026: napojení na Gmail, Fotky, YouTube a Vyhledávání. Žádný jiný chatbot tohle nabídnout nemůže. Google o tobě ví všechno už dávno – Gemini to teď jen umí použít. Personalizace z historie konverzací se postupně rozšiřuje i na bezplatné uživatele, ale v Evropě zatím není dostupná.

Copilot od Microsoftu nabízí přepínače pro personalizaci a trénování na konverzacích. Co se průhlednosti týče, je na tom podobně jako ChatGPT: můžeš se zeptat „co o mně víš?“ a dostaneš shrnutí, ale nemáš k dispozici kompletní výpis. Na druhou stranu nemá tak agresivní profilování z historie.

Perplexity si zaslouží zvláštní zmínku, protože jako jediný ti u odpovědi ukáže, které konkrétní vzpomínky ji ovlivnily. Takovou průhlednost by si ostatní mohli vzít za vzor.

A Grok od xAI? Ten má paměť v zárodku, ale v EU je celý nedostupný, víc o tom v mém postu o nedostupných funkcích v Evropě.

Jak smazat paměť ChatGPT a dalších

Dobrou zprávou je, že u většiny služeb máš nad pamětí kontrolu. Jen musíš vědět, kde hledat. Dobrý začátek: zeptej se svého chatbota „Co o mně víš?“ a podívej se do nastavení, možná budeš překvapený.

U ChatGPT hledej v Nastavení → Personalizace → Spravovat paměť. Přepínač Odkazovat se na historii chatu ovládá ten profil z historie. A pro konverzace, které nemají zanechat stopu, tu je dočasný chat, najdeš ho v horním menu při založení nové konverzace. U Clauda je to Settings → Capabilities → View and edit memory. U Gemini najdeš ruční poznámky pod Saved Info a automatickou paměť pod Personal context. U Copilotu hledej v Settings → Personalization.

Zajímavý trend je oddělení paměti po projektech. ChatGPT Projects i Claude Projects ti umožňují vytvořit samostatné pracovní prostory, kde si AI pamatuje jen to, co se týká konkrétního projektu, a nic z toho nepřeteče do tvého hlavního profilu. To se hodí, když nechceš, aby se tvoje pracovní konverzace o firemní strategii mísily s nočním filozofováním o smyslu života.

Claude navíc spustil pokusný přenos paměti: možnost převzít si paměť z jiného AI asistenta. Zatím je to v rané fázi a nemusí to vždy fungovat, ale směr je správný: pokud je tvůj AI profil cenný, měl bys ho mít pod kontrolou celý, včetně toho, kam s ním půjdeš.

Kdo je tu pro tebe

Slyším námitku: „Ale mně ta personalizace pomáhá. Proč bych se měl bát?“ Nemusíš. Personalizace je skvělá věc, pokud víš, co do ní vstupuje. Nejde o to, že si AI pamatuje tvoje zvyky. Jde o to, jestli máš nástroj, kterým si ověříš, co přesně o tobě ví. ChatGPT a Copilot vyměňují soukromí za pohodlí, Claude dává kontrolu za cenu menší „magičnosti“, Gemini sází na to, že Google o tobě ví všechno už dávno. Za mě? Dávám přednost tomu, abych věděl, s čím pracuji. Radši barista, který mi zápisník ukáže, než ten, co mě zná dokonale – ale odmítne prozradit, jak na to přišel :-)

PS: Chování jednotlivých služeb se liší podle toho, jestli používáš bezplatný, osobní nebo firemní plán, a samozřejmě se může kdykoli změnit. Neměl jsem možnost otestovat každou kombinaci. Pokud narazíš na nepřesnost, napiš mi, rád to opravím.

Vážně. Název změnili noc před spuštěním, protože si uvědomili, že se to špatně vyslovuje a zní to jako náhodně vygenerované heslo do Wi-Fi. Žádná brandingová agentura, žádný průzkum trhu. Jen pár unavených inženýrů, kteří ani nevěřili, že by jejich výtvor kohokoliv zaujal.

Ale to je teprve začátek. Název ChatGPT se skládá ze slova Chat a zkratky GPT, a každé z těch písmen skrývá překvapivý příběh. T jako Transformer, architektura, která se málem jmenovala CargoNet. P jako pre-trained, slovo, které dnes znamená pravý opak toho, čím je chatbot. G jako generative, sázka, o které si většina výzkumníků myslela, že je slepá ulička. A samotná zkratka GPT? Ta se v původní studii o GPT vůbec neobjevila.

Pojďme si projít název, který vyslovují miliony lidí denně, a skoro nikdo netuší, co vlastně říká.

ChatGPT – název na poslední chvíli

Celý produkt vznikl během desetidenního hackathonu. V OpenAI ho nikdo nepovažoval za důležitý, šlo o výzkumnou ukázku, sběr dat, nic víc. Liam Fedus, jeden z tvůrců, to shrnul pro MIT Technology Review: nepovažovali jsme to za nic převratného.

Ještě noc před spuštěním Ilja Sutskever testoval model deseti těžkými otázkami, spokojený byl jen s polovinou. Tým váhal, jestli to vůbec spustit. A právě tehdy, na noční poradě 29. listopadu 2022, padlo i rozhodnutí přejmenovat produkt z „Chat with GPT-3.5“ na „ChatGPT“. Nick Turley, šéf produktu, později vzpomínal: prostě jsme si uvědomili, že název zní krkolomně.

Druhý den ráno to šlo ven. A stalo se něco, co nikdo nečekal.

Turley zíral na čísla a myslel si, že je to chyba, tolik lidí přece nemůže přijít najednou. Na vánočním večírku o pár týdnů později kolegové tipovali, že zájem opadne.

Neopadl.

Sam Altman později přiznal, že OpenAI je mnohem lepší ve výzkumu než ve vymýšlení názvů. Ale občas stačí pojmenovat věci ve tři ráno.

Tak. To byl Chat, slovo, které přidal někdo v polospánku na poslední chvíli. Teď ke zbytku. Ke třem písmenům, z nichž každé skrývá ještě bláznivější historii.

T jako Transformer (a málem CargoNet)

Začněme odzadu, od písmene T. Transformer je motor, na kterém dnes běží všichni chatboti. Vymyslel ho v roce 2017 tým v Googlu, původně proto, aby zlepšil strojový překlad z angličtiny do němčiny a francouzštiny.

Jenže technologie potřebovala jméno. Prvním kandidátem byl „Attention Net“. Příliš nudné. Pak jeden ze spoluautorů navrhl „CargoNet“, akronym z Convolution, Attention, Recognition a Google (názvy použitých technologií plus Google). Zbytek týmu to jednomyslně smetl. Když o tom léta později vyprávěl šéfovi Nvidie Jensenovi Huangovi, ten reagoval suše: „Moudří lidé.“

Kdyby tým neměl dobrý vkus, celá dnešní AI revoluce by stála na technologii, která zní jako doručovací služba.

Finální název Transformer navrhl lingvista Jakob Uszkoreit. Transformace z jednoho jazyka do druhého, tak to původně myslel. Další ze spoluautorů ale tvrdí, že ambice byly od začátku trochu větší: „Nešlo nám jen o překlad. Chtěli jsme vytvořit něco obecného, něco, co dokáže transformovat jakýkoli vstup na jakýkoli výstup.“ Ale že jejich vynález jednou bude psát básně, generovat obrázky a analyzovat proteiny, to nečekal nikdo z nich.

Aby ale Transformer mohl fungovat jako základ ChatGPT, musel ho někdo vzít a naučit rozumět jazyku. A tady vstupuje na scénu písmeno P.

P jako Pre-trained – polotovar, ze kterého vyrostl hotel

Dnes je ChatGPT hotový produkt: napíšeš otázku, dostaneš odpověď. Ale to „P“ v názvu GPT říká něco úplně jiného. „Pre-trained“ znamená „předtrénovaný“. Ne natrénovaný, předtrénovaný. Jako polotovar, který si musíš doma dodělat sám.

V roce 2018 to tak opravdu fungovalo: vzal jsi model, který nasál hromadu textu, a pak sis ho sám dotrénoval na konkrétní úkol: třídění emailů, rozpoznávání jmen, odpovídání na otázky. Bez toho dotrénování byl k ničemu. Nikdo nepočítal s tím, že by polotovar mohl být rovnou hotový pokrm.

Jenže s každou další generací se děly podivné věci.

GPT-2 v roce 2019 naznačil, že model dokáže plnit úkoly i bez doladění, prostě jen na základě zadání. Výsledky byly slibné, ale ještě ne oslnivé. Skutečný zlom přišel s GPT-3, který byl stokrát větší. A ukázalo se, že velikost mění všechno, jako rozdíl mezi studentem, který přečetl jednu učebnici, a někým, kdo přečetl celou knihovnu. Autoři ve studii přímo napsali, že GPT-3 už žádné dolaďování nepotřebuje. Model dostal úkol jen jako text a zvládl ho.

Všechno se otočilo. Z „natrénuj a dolaď“ vzniklo „natrénuj a zeptej se“.

Slovo „pre-trained“ zůstalo v názvu jako fosilie, připomínka doby, kdy nikdo nevěřil, že to může fungovat samo.

Zbývá poslední písmeno: G. A je to možná ta nejpřekvapivější část celého příběhu.

G jako Generative – sázka proti proudu

G znamená „generativní“, tedy tvořící. A v roce 2018 to byla odvážná volba. Umělá inteligence tehdy uměla hlavně kategorizovat: rozpoznat zvíře na obrázku, rozlišit spam od běžného emailu. Jasný úkol, jasná odpověď, měřitelný výsledek. A celý obor věřil, že právě tudy vede cesta ke stroji, který porozumí lidské řeči: dávej mu úkoly, měř, jak se zlepšuje, a jednou to zvládne.

Alec Radford to otočil. Bylo mu třiadvacet, do OpenAI přišel rovnou po bakaláři a šéf firmy Sam Altman ho později označil za naprostého génia. Radford dal svému modelu miliony recenzí z Amazonu: přečti si začátek recenze a zkus psát její pokračování, jako ho psal původní autor. Žádné třídění, žádné škatulkování, prostě piš dál.

Jenže aby model dokázal smysluplně navázat na cizí větu, nestačilo skládat obvyklá slova za sebe. Musel postupně pochopit, co vlastně píše. Všiml si, že v různých typech recenzí se vyskytují různá slova: jiná v nadšených, jiná ve stížnostech. A podobně s ironií, pochybami, radami. To mu stačilo.

Nikdo ho neučil rozumět. Učil se tvořit text, a porozumění přišlo jako vedlejší produkt.

Paradox se skrýval přímo v názvu studie: Zlepšení porozumění jazyku pomocí generativního tréninku. Zlepšení porozumění pomocí tvoření. Jako pochopit architekturu tím, že zkusíte postavit dům. Zní to absurdně, ale fungovalo to.

Když Google o pár měsíců později představil vlastní model založený na opačném principu, uč stroj přímo rozumět, a na většině testů GPT jasně porazil, mnozí usoudili, že generativní cesta vede do slepé uličky. GPT-2 a GPT-3 je umlčely.

A historická ironie: slovo „generativní“ bylo v roce 2018 odborným termínem pro pár stovek výzkumníků. Dnes je „generativní AI“ název celé epochy.

Radford, nesmírně plachý člověk, prakticky neposkytoval rozhovory. V prosinci 2024 z OpenAI tiše odešel. Značka, kterou pomohl stvořit, žije dál bez něj.

GPT: zkratka, která neexistovala

Celou dobu mluvím o G, P a T, ale samotná zkratka GPT? Ta v původní studii z června 2018 vůbec nebyla. Autoři svůj model pojmenovali prostě „doladěný transformátorový jazykový model“. Altman měl pravdu: vymýšlení názvů fakt není jejich silná stránka.

Zkratka se poprvé objevila až v únoru 2019, kdy OpenAI představila GPT-2. A označení „GPT-1“? To nikdy oficiálně neexistovalo, zavedla ho komunita zpětně, aby odlišila verze.

A pikantní detail: Mark Chen, výzkumník OpenAI, v podcastu prozradil, že se ani uvnitř firmy neshodnou na tom, co GPT znamená. Polovina říká „Generative Pre-trained Transformer“, tedy generativní předtrénovaný transformátor. Druhá polovina tvrdí „Generative Pretrainee“, cosi jako „generativní praktikant“. Značka za miliardy dolarů, a nikdo přesně neví, co znamená :-)

Sedm písmen, které nikdo neplánoval

Zkratka GPT v původní studii neexistovala, a dodnes se v OpenAI neshodnou, co znamená. Transformer přežil konkurenci CargoNetu díky estetickému citu jednoho lingvisty. „Pre-trained“ znamená polotovar v názvu pro hotový produkt. A „generative“? Odvážná sázka třiadvacetiletého výzkumníka, který šel na to od druhého konce, nechal stroj tvořit místo rozumět. A ono to přišlo samo.

Samotný název ChatGPT? Vymyšlen noc před spuštěním místo krkolomného „Chat with GPT-3.5“.

Někdy největší značky na světě vzniknou tak, že se pár lidí nevyspí.

P.S. Francouzi v tom názvu slyší příběh výmluvnější než celý tento článek: kočka (chat) prdla (GPT = žé-pé-té ≈ j'ai pété). Víc nepotřebují vědět.

Pokud zvažuješ něco podobného, tento článek ti možná ušetří desítky tisíc. Rozdíl mezi lokální a cloudovou AI totiž existuje – je dokonce obrovský. Ale je úplně jinde, než si většina lidí myslí.

„Vzdálené AI funguje krátce“

Kamarád to vysvětluje přibližně takhle: „Ty cloudové modely, ChatGPT a tak, fungují vždycky krátce. Krátká interakce. Kdežto když to budu mít u sebe, může mi to běžet dlouho. Na velké úlohy.“

Chvíli na něj zírám. Je to, jako by někdo řekl: „Voda z vodovodu teče jenom chvíli, ale voda z vlastní studny může téct celý den.“ Puštěnou vodu máš z obou tak dlouho, jak chceš. S umístěním serveru to nemá co dělat.

ChatGPT, Claude, Gemini – tyhle služby běží přesně tak dlouho, jak potřebuješ. Můžeš s nimi vést dvouhodinový rozhovor, nechat je zpracovat stostránkový dokument, nebo je nechat přes noc analyzovat data. Žádný limit „krátkosti“ neexistuje.

Lokální i vzdálený model fungují na totožném principu: pošleš požadavek, dostaneš odpověď. To je celé. Jediný rozdíl je, kam se tvůj počítač připojuje – jestli k serveru ve vedlejším pokoji, nebo k datacentru v Oregonu. Na délku ani kvalitu odpovědi to nemá žádný vliv.

„Ale bude mi to proklikávat weby!“

Dobře, argument s délkou neobstál. Kamarád tedy zkouší jinou obhajobu: „OK, ale já to hlavně chci na to, aby mi to proklikávalo weby a hledalo na nich chyby.“

Opět marně. Vzdálený model umí procházet weby úplně stejně jako lokální. Schopnosti AI závisí na modelu samotném a na nástrojích, které má k dispozici – ne na tom, kde fyzicky běží. Je to jako věřit, že email odeslaný z notebooku v obýváku dojde někam jinam než email z kanceláře. Stejný email, stejný výsledek, jen jiná židle pod zadkem.

Jádro celého nedorozumění je jednoduché: lidé si pletou kde model běží s tím, co umí.

Možná si říkáš: „Ale přece jen, mám to u sebe, nejsem závislý na cizím serveru.“ Fajn, to je legitimní úvaha. Ale to je úplně jiný argument než „poběží to furt“ nebo „bude to umět víc“. Nezávislost na poskytovateli je jedna věc – schopnosti modelu úplně jiná.

A nejde jen o toho kamaráda. Třeba Petr Ludwig nedávno napsal: „Nechal jsem svoji AI asistentku Lanu přečíst moje dvě knihy a teď jsem jí zadal poslechnout 200 dílů mého podcastu – do rána to prý zvládne. Funguje naprosto autonomně.“ Ten tón – ta magie kolem slova „autonomně“ – jako by lokální provoz odemykal něco, co cloud neumí. Přitom totéž zvládne jakýkoliv cloudový model – stačí mu předat data a zadat úkol.

Co běží na domácím hardware?

Na počítači s „lokální AI“ běží dvě odlišné věci:

Řídící program – přijme tvůj úkol, zavolá model, nechá ho rozložit na kroky, zpracuje výsledek, otevře prohlížeč, prokliká web. Právě tohle dělá třeba Claude Code nebo OpenClaw. Klíčová informace: řídící program nepotřebuje žádný speciální hardware. Běží na úplně obyčejném počítači. Klidně i na tom, co máš teď na stole.

Samotný model – to je ta výpočetně náročná část. Chceš, aby jazykový model běžel u tebe a generoval odpovědi? Teprve tady potřebuješ výkon – a teprve tady se nabízí otázka, jestli ti Mac Mini za desítky tisíc vůbec stojí za to.

Většina populárních „AI asistentů“, kvůli kterým si lidé kupují drahý hardware, ten model lokálně vůbec nepouští. Řídící program běží u tebe, ale na generování odpovědí volá cloudové API – ChatGPT, Claude, nebo jiný model. Takže se koupíš Mac Mini za padesát tisíc a odpovědi ti stejně generuje ten server v Oregonu.

Kdy lokální AI dává smysl

Nechci být nespravedlivý. Existují přesně tři legitimní důvody, proč chtít, aby ten model skutečně běžel u tebe:

Tvoje data nesmí opustit počítač. Pracuješ s citlivými firemními dokumenty, zdravotními záznamy, nebo materiály pod NDA? Pak je na místě, aby je zpracovával model běžící čistě u tebe. To je naprosto validní důvod – a v řadě firem i regulatorní nutnost.

Cenová optimalizace. Pokud AI používáš tak intenzivně, že se jednorázová investice do hardwaru vyplatí víc než měsíční předplatné, jdi do toho. Ale musíš si to opravdu spočítat. A počítat poctivě.

Chceš dělat věci, které ti cloud odmítne. Cloudové služby odmítnou zpracovat určité úlohy, odmítnou odpovědět na určité otázky. Lokální model nemá žádná taková omezení – dělá přesně to, co mu řekneš. Žádné „omlouvám se, ale toto nemohu“.

Je fér říct, že lokální modely se v poslední době hodně zlepšují. Na jednodušší úlohy – třeba základní kódování nebo běžnou práci s textem – už mohou být docela použitelné. A pak existují specializované malé modely na konkrétní úlohy, které dávají lokálně naprostý smysl. Třeba přepis mluveného slova na text – na to nepotřebuješ Mac Mini za padesát tisíc. To mi frčí na běžné NVIDIA grafické kartě s 12 GB paměti.

Ale na složitější práci pořád výrazně zaostávají za špičkovými cloudovými modely. Ty nejlepší modely běží na obrovských serverových farmách s výkonem, se kterým se žádný stolní počítač nemůže měřit. Kupuješ si slabší motor za vyšší cenu – jako bys platil za první třídu v letadle, které letí pomaleji.

Tak kolik to stojí?

Pojďme to rychle přeběhnout – ať víme, o čem se tu bavíme. Mac Mini s čipem M4 a maximálními 32 GB RAM: 29 tisíc. S M4 Pro a 48 GB: 54 tisíc. A pokud chceš 64 GB RAM, tedy maximum: 60 tisíc korun. (Ano, za stolní počítač bez monitoru, klávesnice a myši.)

Paměť je přitom klíčový parametr – a nejde jen o její velikost. Záleží i na tom, jak rychle dokáže komunikovat s procesorem. Procesor totiž většinu času čeká, než mu paměť pošle další kus dat pro model. Apple Silicon má díky sdílené paměti slušnou propustnost (kolem 273 GB/s u M4 Pro), což je důvod, proč se Mac Mini pro lokální AI vůbec doporučuje. Nové Ryzeny Strix Halo se sdílenou pamětí se mu v tomhle začínají blížit. Běžné PC s klasickou DDR5 pamětí má propustnost jen 75–100 GB/s – a to je na plynulou práci s většími modely málo.

A mimochodem – kolik textu model najednou „vidí“, takzvané kontextové okno, taky šíleně žere paměť. U většího modelu může kontext o 128 tisících tokenech spolknout klidně přes 18 GB. Takže do RAM se musí vejít celý model, jeho cache, operační systém, a pokud má ten Mac Mini ještě proklikávat weby, tak i prohlížeč se vším všudy.

S 32 GB rozjedeš jen prťavé modely. Se 64 GB už slušnější, ale pořád ne na úrovni, kterou asi očekáváš. Doporučil bych alespoň 128 GB a více, ale to už se bavíme o Mac Studio s cenovkou (hodně) nad 100 tisíc.

A dále – jazykový model, model na generování obrázků a model na rozpoznávání obrazu jsou tři různé modely. Každý zabírá místo v paměti. Nemůžeš je mít všechny najednou, takže je musíš prohazovat – nahrát jeden, pustit úlohu, vyhodit ho, nahrát další. V cloudu tohle řešit nemusíš.

Pro srovnání: platím Claude MAX za 90 eur měsíčně, což je asi 2 250 korun. Za rok 27 tisíc. Jinými slovy: za cenu Mac Mini s 64 GB (60 tisíc) bych měl přes dva roky přístupu k jednomu z nejsilnějších modelů na světě. Bez starostí s údržbou a bez kompromisů v kvalitě.

Jedna otázka místo padesáti tisíc

Pokud tě zajímá, jak reálně vypadá práce s AI na vlastním hardwaru, podívej se na přednášku o agentic codingu na GPU z ai4dev.cz nebo si přečti zkušenosti těch, co to zkusili.

Než utratíš desítky tisíc za hardware kvůli „lokální AI“, zkus si poctivě odpovědět: co přesně ti lokální model dá, co vzdálený ne? Odpověď není jednoduchá – ale právě proto stojí za to si ji rozmyslet dřív než po nákupu.

A kamarád? Ten má aspoň na stole designový kousek za padesát tisíc. To se taky počítá :-)

14. července 1789. Paříž. Ráno. Jeden z klíčových momentů lidských dějin.

V Paříži posnídalo několik set tisíc lidí. Někteří měli chléb, jiní ne, tahle nerovnoměrná distribuce snídaní bude za okamžik hrát zásadní roli. Po snídani většina z nich vykonala potřebu, jak bývá po snídani zvykem.

Někteří lidé, kteří ráno jedli a poté kadili, vyrazili k pevnosti zvané Bastila, kde byli uvězněni jiní lidé, kteří taktéž jedli a kadili, byť v podstatně horších podmínkách. (Kvalita kálení ve francouzských věznicích 18. století si zaslouží samostatnou studii, kterou tento článek nemá ambici být.) Onu pevnost dobyli. Pak šli na oběd.

Jedl a kadil i král, a to na zámku ve Versailles. Jednoho dne mu usekli hlavu a poté již nikdy nejedl. O kálení se historici taktně nezmiňují.

Co kdyby TAKHLE vypadala přednáška o Velké francouzské revoluci?

12. dubna 1961, Bajkonur. Člověk jménem Gagarin snídal. Údajně dostal čaj a tvaroh. Pak kadil.

Následně se nechal vystřelit v těsné kovové kouli do vesmíru. Obletěl Zemi za 108 minut, během kterých ani nejedl, ani nekadil, a bylo mu za to uděleno nejvyšší státní vyznamenání. Psali o něm noviny po celém světě.

Koupil by sis na takový TED talk o počátcích kosmonautiky lístek?

Rok 1905. V Bernu žije šestadvacetiletý úředník patentového úřadu jménem Einstein. Ráno vstane a snídá. Pak jde do práce, kde osm hodin posuzuje patentové přihlášky, během toho několikrát kadí. V poledne obědvá. Večer večeří a kadí. Jde spát.

Někdy v noci taky něco píše: čtyři články o světle, atomech, relativitě a E = mc². Je to spolehlivý, předvídatelný cyklus, který trvá celý rok. Historici mu říkají rok zázraků, německy Wunderjahr, což zní spíš jako lék na zácpu.

Později se Einstein přestěhoval do Prahy. Jedl v Café Louvre, kadil na Karlo-Ferdinandově univerzitě a mezi tím tak nějak vymyslel obecnou teorii relativity.

Představ si, že takhle popisuje Einsteinův rok zázraků profesor Krtouš z pražského Matfyzu. Hmm…

Přednáškový sál, minulý týden

Sedím na přednášce o jazykových modelech. Přednášející srozumitelně a věcně vysvětluje, jak to celé funguje. Ústřední myšlenka: jazykový model „jenom generuje další slovo s největší pravděpodobností“. Publikum mu nadšeně visí na rtech. A mně to celou dobu vrtá hlavou.

Model produkuje tokeny, jeden za druhým. Člověk produkuje hovna, jedno za druhým. Obojí je pravda. Obojí popisuje tu nejspodnější vrstvu celého příběhu. Jako v té úvodní historce o francouzské revoluci. Jenže nad naším trávením se postupně navrstvilo pár věcí. Kultura. Věda. Revoluce. Obecná teorie relativity. A nad generováním tokenů taky.

Dneska máme reasoning modely, které přemýšlejí krok za krokem, zvažují alternativy a opravují vlastní chyby. Máme AI agenty, kteří dostanou zadání, sami naplánují postup, napíšou a spustí kód, vyhodnotí výsledek, a pokud nevyjde, začnou znovu.

Ale mluvit v roce 2026 o jazykových modelech jako o „generátoru dalšího slova“ – to je jako přednáška profesora Krtouše zaměřená na to, že když zapil třešně mlíkem, jevil se Einsteinovi univerzitní záchod relativně mnohem dál.

Popisovat složitou věc jednou vrstvou jde vždycky:

• 📊 AI je pokročilá statistika
• 🧠 mozek je pokročilá chemie
• 💻 počítač je hromada tranzistorů
• 🎵 hudba je vibrace vzduchu
• 💕 láska je hormonální porucha
• 🔥 oheň je rychlá oxidace
• 💀 Hamlet je chlap, který mluví sám k sobě a pak zabije tchána
• ⌨️ programování je psaní textu do souborů

Všechno je to pravda. Ze žádné z těch definic ale nepochopíš, proč u Hamleta brečíš.

Tohle je nejdůležitější věc, kterou ti nikdo o ChatGPT neřekne. Má ze všech velkých chatbotů nejkratší paměť na konverzaci. Jasně, povídat si s ním můžeš do nekonečna, nikdy tě nezastaví. Ale to je právě ta zákeřnost. Když je konverzace dlouhá, starší zprávy tiše ignoruje. Bez varování. Prostě je nevidí. A pokračuje dál, jako by nikdy nezazněly.

Tři roky to říkám na každé přednášce. Tři roky se dívám, jak lidi dělají pořád ty samé chyby. A pořád je to šokuje. Když o tom napíšu na internetu, lidi se se mnou hádají do krve, prý má ChatGPT přece mnohem větší paměť. Dnes je každý na vrcholu Dunning-Krugerovy křivky a má pocit, že ví všechno.

Přitom ta čísla jsou přímo na webu OpenAI. Pravda, nekřičí je do světa, ale ani je netají. A vždycky jste je mohli najít na Uměligenci.

Tři mýty o paměti ChatGPT

Iluze, na které narážím od roku 2023 dodnes, a nic se na nich nezměnilo:

„Nahraju tam pět PDF a ono mi to zanalyzuje.“ Nahrát je můžeš. Ale kontext se prvním zaplní a chatbot na zbylé dokumenty kašle. Dostaneš iluzi analýzy, ne analýzu.

„Má přece obrovskou paměť, je to AI!“ Nemá. Je na tom nejhůř ze všech. To, co konkurence dává zadarmo, nemá ChatGPT ani v nejdražším tarifu.

„ChatGPT vidí všechny moje konverzace.“ Nevidí. Každé vlákno je úplně samostatný svět. Co jsi psal ve vedlejším vlákně, pro něj neexistuje.

Možná namítneš: „Ale ChatGPT si přece pamatuje, že bydlím v Hradišti a mám rád pizzu Hawaii!“ Ano, to je funkce Memory, takový zápisníček s poznámkami o tobě. ChatGPT umí taky prohledávat starší vlákna. Claude má něco podobného. Ale nic z toho nenahrazuje kontextové okno – to jsou jen útržky nalepené na novou konverzaci. Lístek na lednici, ne pracovní stůl.

Kolik slov se vejde do paměti?

Protože tenhle článek píšu pro lidi a ne pro AI inženýry, budeme se bavit o délkách textů měřených v českých slovech. Chatboti počítají v tokenech a jedno české slovo zabírá zhruba 2,2 tokenu.

Představ si konverzaci s kamarádem v hospodě. A tenhle kamarád má tak upito, že si pamatuje jen posledních pár minut. Zbytek mu vypadne z hlavy, a neřekne ti to. Prostě se tváří jako by nic a pokračuje. Ty tomu věříš, protože mluví sebevědomě. Téhle paměti se odborně říká kontextové okno a jeho velikost určuje, kolik textu chatbot „vidí“ najednou.

ChatGPT v bezplatné verzi dnes pojme asi 7 000 českých slov. Placená verze Plus kolem 15 000 slov. To zní jako hodně, dokud si neuvědomíš, že se do toho počítají i odpovědi chatbota.

A víš, jak to vypadalo na začátku? První ChatGPT v roce 2022 pojal asi 1 800 slov. Míň než Vaculíkovy Dva tisíce slov – on by tu petici klidně podepsal před zrakem policajtů, protože by nevěděl, co podepisuje.

Za tři roky se paměť zčtyřnásobila. Zní to jako pokrok, dokud se nepodíváš, co nabízí konkurence.

Brutální srovnání

Takže jak si stojí ChatGPT ve srovnání s konkurencí?

Pro lepší představu to dám do grafu:

Podívej se na to ještě jednou. ChatGPT v bezplatné verzi: sedm tisíc slov. Gemini Pro: čtyři sta padesát tisíc. Do kontextového okna Gemini se v angličtině vejdou všechny díly Harryho Pottera. Do ChatGPT seminárka. To je jako srovnávat kapesní diář s městskou knihovnou.

(Ať jsme fér, Gemini v bezplatné verzi má jen 15 000 slov, jako placený ChatGPT Plus, ale existuje snadný způsob, jak ty statisíce slov získat úplně zadarmo, na školeních to vždycky ukazuju.)

Claude nabízí 90 000 slov v jakékoliv verzi, včetně bezplatné. Už roky. A právě teď přichází s verzí co dorovnává Gemini. DeepSeek dosud nabízel 120 000 slov, a je celý zdarma. Každým dnem má vyjít verze, která také dorovná Gemini.

Všimni si jedné věci: ChatGPT GPT 5 Thinking sice má 58 000 slov (pro vstup). Ale tenhle režim je novinka (stav dříve) a navíc musíš vědět, že si ho máš zapnout. OpenAI slavnostně dohání Claude na devadesáti tisících v době, kdy ostatní přecházejí na milion tokenů.

Možná si říkáš: „No a co, 15 000 slov je přece dost, ne?“ Záleží, co děláš. Pokud si jen povídáš o počasí, asi ano. Ale jakmile nahraješ dokument a k tomu vedeš konverzaci, 15 000 slov zmizí rychleji, než bys čekal. A uvědom si, že ta slova zahrnují i odpovědi chatbota. Tvůj reálný prostor je nanejvýš poloviční.

Proč je zrovna ChatGPT nejhorší?

Když jsi nejpopulárnější, nemusíš se tolik snažit. Lidi tě stejně používají. ChatGPT je suverénně nejpoužívanější chatbot na světě, a když jsi McDonald's, nemusíš mít nejlepší burger ve městě. Stačí, že jsi na každém rohu.

A ChatGPT je, co se týče paměti, trvale pozadu. Nejde jen o bezplatnou verzi se 7 000 slovy. I placený Plus nabízí jen 15 000. I nejdražší tarify za slušný balík mají v běžném režimu kolem 58 000 slov, pořád méně, než co Claude dává každému zadarmo. Jedinou výjimku představuje režim Thinking, jenže o tom většina uživatelů ani neví. A není to tím, že by to neuměli. Přes API nabízí OpenAI vývojářům kontextová okna o stovkách tisíc tokenů. Technicky to zvládají, jen to nedají běžným uživatelům na webu.

Konkurence to musí řešit jinak. Musí nabídnout víc, aby přetáhla uživatele. A tak nabízí neuvěřitelně velká kontextová okna.

Abych byl fér: ChatGPT nabízí šíři funkcí, kterou nikdo jiný nemá. Generování obrázků, video, hlasový režim, Canvas, agenty, Deep Research. Je to švýcarský nožík AI světa. Ale šíře funkcí ti nepomůže ve chvíli, kdy chatbot zapomene, o čem jste se bavili.

Proč jsou velká okna tak drahá?

Představ si, že seš na konferenci a musíš si udržet přehled o tom, kdo co řekl. S deseti lidmi je to v pohodě, zapamatuješ si, že Pepa mluvil o rozpočtu a Mařka o marketingu. Se stovkou musíš u každé nové věty zvážit, jak souvisí se vším, co řekl kdokoliv jiný. S tisícem? Nemáš šanci. Potřeboval bys mozek velikosti konferenčního sálu.

Přesně takhle funguje architektura Transformer, na které jsou postavené všechny dnešní chatboty. Při zpracování textu udržuje vazbu každého slova s každým ostatním. Složitost roste s druhou mocninou: zdvojnásobíš okno a výpočetní nároky narostou čtyřnásobně. Proto měl první ChatGPT paměť pouhé 4 000 tokenů, a proto je milionové okno tak obrovský inženýrský úspěch. Víc o tom, jak to celé funguje pod kapotou, popisuju v Jak funguje ChatGPT.

Ale rád bych něco dodal: tohle je z mého pohledu překonaná věc. U kontextu o milionech slov fakt není potřeba udržovat vazbu mezi slovem „nové“ z jedné knihy a slovem „auto“ z úplně jiné. Dostali jsme se do rozměrů, se kterými autoři původního Transformeru v roce 2017 vůbec nepočítali.

Co s tím?

Teď, když víš, jak malou paměť ChatGPT ve skutečnosti má, dávají najednou smysl všechny ty nezdařené pokusy:

• To PDF, co ti chatbot „zanalyzoval“? Zapomněl polovinu, než dopsal odpověď.
• Ta konverzace, kde najednou začal ignorovat tvoje zadání? Vypadlo mu z okna.
• Ten moment, kdy po půl hodině diskuse odpovídal naprosté nesmysly? Nevěděl, o čem se bavíte.

Na školeních to slýchám pravidelně: někdo nahraje třicetistránkovou smlouvu a ptá se na článek 47. ChatGPT mu s klidným svědomím odpoví nesmysl, protože článek 47 už z kontextu dávno vypadl. A odpověď zní tak sebevědomě, že tomu člověk uvěří.

Pár praktických rad:

• Zakládej nové vlákno pro každé téma. Neplýtvej pamětí na věci, které spolu nesouvisí.
• Průběžně žádej o shrnutí: „Shrň, na čem jsme se domluvili.“ I když starší zprávy vypadnou, shrnutí tam zůstane.
• Velké dokumenty dávkuj. Místo celého padesátistránkového PDF nahraj jen relevantní stránky. Chatbot zpracuje pět stránek líp než padesát, ze kterých si pamatuje dvě.
• Pro seriózní práci s dokumenty zvaž Claude nebo Gemini. Se statisíci slovy je to jiný svět.

Vzpomínáš na ty lidi s dokumentací Midjourney z roku 2023? Teď víš, proč ten pátý prompt vypadal, jako by dokumentaci nikdy neviděl. Protože ji opravdu neviděl. ChatGPT na ni dávno zapomněl. A od té doby se toho zas tak moc nezměnilo.

Až příště budeš plánovat delší práci s chatbotem, vzpomeň si na toho kamaráda z hospody. Toho, co si pamatuje jen posledních pár minut. A zvaž, jestli nechceš raději kamaráda, co si pamatuje celou párty :-)