Od večerního vibe codingu k AI-first organizaci z pohledu IT

Claude Code byl moment, kdy se všechno zrychlilo

Václav začal platit za ChatGPT hned po vydání. První rok si ale skoro nepamatuje, k čemu ho používal. Postupně přidal recepty, práci s fotkami a malé osobní experimenty. Skutečný zlom přišel až s Claude Code.

“

Přišel Claude Code a to prostě úplně vystřelilo. Během toho roku jsem se neskutečně posunul a začal jsem nacházet věci, kde mi to dokáže pomoct - jak osobně, tak v businessu.

Další skok přinesly modely Opus 4.5 a 4.6 s milionovým kontextovým oknem. Václav už nemusí tolik hlídat, jestli AI udrží všechny instrukce a podklady. V Claude Code se podle něj prakticky nedostane ani na 50-60 % kapacity, takže může předat AI větší kus práce bez neustálého zkracování kontextu.

Podobný vývoj vidím i u lidí v našich programech. Nejdřív si s AI hrají, potom ji zapojí do osobních věcí a až časem do práce. Zrychlení přijde ve chvíli, kdy se potká schopný model, dostatek kontextu a vlastní zkušenost s tím, jak AI zadávat práci.

Dva agenti si navzájem kontrolují kód

Václavovo hlavní workflow propojuje Claude Code, GitHub a CodeRabbit, agenta pro kontrolu kódu. Chce se dostat do stavu, kdy člověk nebude muset číst každý řádek a místo toho zkontroluje výsledek celého procesu.

“

Já to opravdu dělám s cílem, že ten kód nikdy nebude číst člověk. Je to můj cíl, abych se tam dostal - ale v tu chvíli Claude Code ještě není tak daleko, abych to nechal jenom na něm.

V praxi to funguje jako opakující se smyčka. Claude Code připraví změnu a odešle ji do GitHubu. CodeRabbit ji projde, najde chyby a sepíše připomínky; Claude Code je pak zapracuje. Václav celý proces sleduje a rozhoduje, jestli je výsledek připravený jít dál.

Boris Černý z Anthropicu říká, že 100 % jeho kódu píše AI. Václav k tomu přidává důležitý kontext: u interních aplikací už takový přístup dává smysl. U produktu pro miliony zákazníků se SLA 99,999 % zatím potřebujete mnohem přísnější kontrolu.

Vibe coding se hodí na prototypy a osobní projekty, kde můžete rychle zkoušet různé cesty. Ve firmě s certifikacemi SOC 2 a ISO 27001 už nestačí, že aplikace funguje. Potřebujete dohledat, jak vznikla, kdo ji zkontroloval a podle jakých pravidel se dostala do provozu.

“

Pokud jim řekneš: to já to tady řeknu Cursoru, on mi to napíše a já to dám do produkce - tak ti řeknou, že tak super, no to by nešlo. Takže ty potřebuješ mít ty procesy zdokumentovaný.

Proto Václav staví kolem vývoje další kontrolní vrstvu. Agenti kód revidují, zapisují změny a hlídají kvalitu; firma díky tomu dokáže doložit postup při auditu a splnit pravidla, která na ni kladou zákazníci.

U interních aplikací si může dovolit experimentovat rychleji. Půldenní výpadek pomocného nástroje má jiný dopad než výpadek produktu pro miliony zákazníků. Rozdílné riziko si žádá rozdílný proces.

Firemní data musí být připravená pro agenty

Václav říká, že každý firemní systém by dnes měl mít svůj "MCP mode" - způsob, jak se k němu může bezpečně připojit AI agent. Bez přístupu k datům totiž agent zvládne jen izolované úkoly a nevidí souvislosti napříč firmou.

Jedna z cest vede přes dokumentaci v GitHubu a markdown souborech, ke kterým agenti přistupují pomocí Claude Code nebo Cursoru. Inspirací je GitLab Handbook: firemní informace jsou zapsané tak, aby v nich mohl hledat člověk i AI.

Dlouho nikdo nechtěl interní data uklízet, protože výsledek nebyl hned vidět. To se mění, když lidé uvidí agenta napojeného na pět systémů, který mezi nimi hledá souvislosti. AI navíc může pomoct i se samotným tříděním a doplňováním dokumentace.

Cloud Act brzdí práci se zákaznickými daty

Největší překážkou pro nasazení AI v Y Softu nejsou schopnosti modelů. Je jí Cloud Act, americký zákon, který podle Václava umožňuje tamním úřadům žádat přístup k datům spravovaným americkými firmami, i když fyzicky leží v Evropě.

Zákaznická data ze západní Evropy, zvlášť data vládních úřadů, proto nemohou automaticky mířit do ChatGPT nebo Claude. Otevřené modely sice existují, ale problém pokračuje u služeb postavených kolem nich - třeba CRM nebo service desku. Evropských možností je zatím málo.

Václav proto mluví o řízení rizika, ne o jeho úplném odstranění. Někdo uvnitř firmy musí hledat cestu, kterou přijmou bezpečnostní týmy i právníci zákazníků.

Budoucnost patří lidem, kteří umějí stavět

Václav se v rozhovoru vrací k rozlišení Andreje Karpathyho mezi coders a builders. Samotné psaní kódu přebírá AI stále častěji. Větší cenu proto mají lidé, kteří rozumějí problému, domluví se s ostatními a dovedou celé řešení až k výsledku.

“

Za mě je to o tom: rozumím tomu businessu, dokážu se bavit s lidmi, dokážu definovat výsledky a dokážu tyhle informace přetavit do instrukcí pro agenty.

Technické dovednosti nezmizí, ale jejich role se mění. Část rutinní práce převezme AI a člověk bude víc odpovídat za porozumění byznysu, komunikaci a přesné zadání výsledku.

Pět věcí, které stojí za vyzkoušení

• Začněte na vlastním projektu. Cit pro práci s AI si vybudujete zkoušením. Malý večerní projekt vám ukáže víc než další hodina teorie.
• Nechte AI kontrolovat AI. Jeden agent připraví změnu, druhý ji zreviduje a první zapracuje připomínky. Vy hlídáte výsledek.
• Oddělte prototyp od produkce. Rychlý experiment snese volnější pravidla; firemní provoz potřebuje dokumentaci, audit a odpovědnost.
• Připravte data pro agenty. Uklizená dokumentace a bezpečný přístup k interním systémům rozhodují o tom, co AI skutečně zvládne.
• Stavte řešení, ne jen kód. Porozumění byznysu a schopnost přesně popsat výsledek budou mít větší cenu než ruční psaní každého řádku.

Ještě jeden rozhovor k tématu

V předchozím díle jsem mluvil s Danem Hastíkem o deep techu, kvantových počítačích a o tom, proč nemusíme sami sebe kopírovat do dvaceti agentů. Někdy dává větší smysl postavit jednoho dobrého pomocníka a získaný čas strávit s dětmi nebo na surfu.