Václav Šlajs: Od vibe codingu k AI-first firmě z pohledu IT [Wiki]

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== Václav Šlajs: Od vibe codingu k AI-first firmě z pohledu IT ======

//Vytvořeno: **23.4.2026** | Aktualizováno: **~~LASTMOD~~**//

[[https://www.youtube.com/watch?v=2uynt3xOWyQ|Rozhovor s Václavem Šlajsem o posunu od vibe codingu k AI-first firmě]] je praktický pohled na to, kde už dnes dává AI ve firmě reálný smysl a kde naopak naráží na limity. Největší přínos videa je v kombinaci několika témat: víceagentní review kódu, práce s velkým kontextem, důraz na ''Markdown'' dokumentaci a opatrnost při práci se zákaznickými daty.

{{youtube>2uynt3xOWyQ?}}

===== Kontext a shrnutí =====

Ve videu zaznívá rozdíl mezi rychlým „vibe codingem“ a systematickým budováním AI-first firmy. Pro interní aplikace a automatizace už tenhle přístup může fungovat velmi dobře, pokud je k dispozici kvalitní kontext, čistá data a někdo, kdo výstupy AI průběžně kontroluje. U systémů, které pracují se zákaznickými daty nebo citlivými informacemi, je přístup výrazně opatrnější.

Důležitá není jen volba modelu, ale celé pracovní prostředí okolo něj:

  * jak se do modelu dostává kontext,
  * jak probíhá kontrola kvality výstupu,
  * jak jsou rozdělená data podle citlivosti,
  * jak se měří spotřeba tokenů a náklady.

===== Praktické principy z videa =====

==== Víceagentní review kódu ====

Jedna z nejpraktičtějších myšlenek je nepovažovat výstup jednoho modelu za finální. Ve videu zaznívá workflow, kde jeden agent kód připraví a další agent ho zreviduje. Jako konkrétní kombinace padá Claude Code a CodeRabbit.

Tahle zpětnovazební smyčka je použitelná hlavně tam, kde je potřeba:

  * rychle prototypovat interní nástroj,
  * hlídat kvalitu výstupu bez čistě ručního review,
  * dostat AI z roviny „vygeneruj mi něco“ do roviny opakovaně vylepšovaného workflow.

==== Interní aplikace jako vhodný start ====

Z videa je dobře čitelné, že interní aplikace jsou dnes pro AI-first přístup vhodnější než produkční systémy nad zákaznickými daty. Dává to smysl hlavně pro:

  * menší interní nástroje,
  * firemní workflow, na která dřív nebyl čas,
  * automatizace schvalování, reportingu nebo podpůrných procesů.

Naopak u produktů nad zákaznickými daty zaznívá výrazně větší opatrnost. Nejde jen o kvalitu kódu, ale i o legislativu, compliance a práci s citlivými daty.

==== Kontext je důležitější než ladění jednoho promptu ====

Video nestojí na jednom „zázračném promptu“. Důležitější je práce s kontextem:

  * mít k dispozici dost dokumentace,
  * pracovat s větším kontextovým oknem modelu,
  * udržovat znalosti v textové podobě, ideálně v ''Markdown'' souborech,
  * průběžně čistit a strukturovat data tak, aby je AI uměla spolehlivě použít.

Praktický závěr je jednoduchý: pokud je firemní znalost rozpadlá v neudržovaných poznámkách a nejasných složkách, agenti budou dělat horší rozhodnutí. Ve videu proto zaznívá i doporučení mít v adresářové struktuře jasné ''README'' soubory a snižovat historický nepořádek v datech.

==== Stručnost a jazyk mají vliv na tokeny ====

Ve videu padá i praktická poznámka ke spotřebě tokenů. Extrémně stručný styl komunikace může podle zkušenosti z rozhovoru výrazně snížit množství výstupních tokenů. Zaznívá také, že angličtina je z pohledu tokenizace často úspornější než čeština s diakritikou.

To není důvod psát nečitelně, ale je to dobrá připomínka pro workflow, kde se AI volá často a náklady jsou viditelné.

===== Nástroje a use-cases =====

==== Nástroje, které ve videu zaznívají ====

  * **Claude / Anthropic modely** – hlavní modely pro náročnější logiku a práci s velkým kontextem.
  * **Cursor** – editor pro AI-first vývoj.
  * **CodeRabbit** – další agent v review smyčce nad kódem.
  * **Microsoft Copilot for Business** – firemní standard pro širší použití mimo čistě technické experimenty.
  * **OpenTelemetry** – způsob, jak sledovat spotřebu tokenů a náklady v agentických workflow.
  * **Microsoft Fabric** – zdroj dat pro BI scénáře a personalizované výstupy.

==== Konkrétní scénáře použití ====

  * **Interní aplikace** – AI-first přístup dává smysl tam, kde je potřeba rychle dodat interní nástroj a kde nejsou v hlavní roli citlivá zákaznická data.
  * **BI a obchodní reporting** – nad daty ve Fabricu lze připravovat personalizované reporty a z nich generovat další výstupy, například personalizované e-maily.
  * **Osobní workflow** – ve videu zaznívá i lehčí use-case s nákupy a jídelníčkem nad Rohlíkem, který dobře ukazuje, že MCP a agenti nemusí končit jen u vývoje softwaru.

===== Bezpečnost a práce s daty =====

Jedno z nejdůležitějších varování ve videu je Cloud Act. Právě ten je popsaný jako zásadní bloker pro nasazování AI nad citlivými zákaznickými daty. Praktický dopad je jasný: nestačí řešit jen to, co model umí, ale i to, jaká data do něj vůbec mohou vstupovat.

Jako rozumný základ zaznívají tyto principy:

  * rozdělit data podle citlivosti,
  * mít seznam schválených nástrojů pro jednotlivé typy dat,
  * nepouštět zákaznická nebo osobní data do nástrojů bez jasně vyřešeného compliance rámce,
  * začít nejdřív tam, kde jsou data interní a riziko je nižší.

===== Co si z toho odnést do praxe =====

  * Zkusit workflow „generator + reviewer“ místo slepé důvěry jednomu modelu.
  * Začít na interní aplikaci nebo automatizaci, ne na systému nad zákaznickými daty.
  * Převádět důležité know-how do ''Markdown'' souborů a zpřehlednit strukturu dokumentace.
  * Měřit spotřebu tokenů a náklady, neřešit AI jen pocitově.
  * Před nasazením si jasně určit, která data mohou do kterého nástroje.

===== Zdroje =====

  * [[https://www.youtube.com/watch?v=2uynt3xOWyQ|Od večerního vibe codingu k AI-first firmě z pohledu IT (s Václavem Šlajsem)]]