Andrej Karpathy, spoluzakladatel OpenAI a průkopník moderní AI, sdílí svůj pohled na zásadní proměnu programování a vývoje softwaru. V rozhovoru na Sequoia AI Ascent 2026 vysvětluje, proč se jako programátor nikdy necítil více pozadu a co to dnes znamená pro vývojáře i firmy.
Zlomový moment: prosinec jako bod obratu
Karpathy popisuje konkrétní okamžik, kdy si uvědomil, že se něco zásadně změnilo. V prosinci, kdy měl více volného času, začal naplno využívat agentní nástroje, například Claude Code. Zjistil, že výstupy nejnovějších modelů byly opakovaně správné a často nevyžadovaly opravy. Přestal kód neustále opravovat a začal systému více důvěřovat.
Zdůrazňuje, že mnoho lidí vnímalo AI v předchozím roce hlavně jako náhradu ChatGPT. Skutečná změna ale podle něj nastala právě tehdy, zejména v oblasti agentních pracovních postupů, které začaly reálně fungovat. Téma AI agentů se tak posunulo z experimentální fáze do každodenní praxe.
Software 3.0: nové paradigma programování
Karpathy popisuje tři éry softwaru:
- Software 1.0: vývojář píše explicitní kód s přesnými pravidly.
- Software 2.0: programování probíhá skrze datové sady a trénování neuronových sítí. Tento koncept Karpathy poprvé představil ve svém eseji Software 2.0 již v roce 2017.
- Software 3.0: programování se mění na promptování. To, co je v kontextovém okně, se stává nástrojem pro ovládání LLM (large language model, velký jazykový model) jako interpretu.
Jako ilustraci uvádí instalaci Claude Code. Ta místo shell skriptu funguje jako instrukce zkopírovaná přímo agentovi. Agent následně sám analyzuje prostředí, provádí inteligentní kroky a v cyklu ladí problémy. Podle Karpathyho jde o mnohem výkonnější přístup než tradiční skriptování. Podrobný přehled toho, jak s tímto nástrojem pracovat od základních příkazů po orchestraci více agentů, najdete v průvodci Claude Code od základů po týmy agentů.
Vibe coding vs. agentní inženýrství
Karpathy jasně rozlišuje mezi dvěma přístupy:
- Vibe coding: zvyšuje dostupnou úroveň pro každého, kdo chce něco vytvořit v softwaru. Každý může pomocí vibe codingu tvořit vlastní aplikace nebo nástroje.
- Agentní inženýrství: zachovává kvalitativní standard profesionálního vývoje softwaru. Vývojář je stále zodpovědný za svůj kód, ale práce postupuje výrazně rychleji.
Agentní inženýrství vnímá jako skutečnou inženýrskou disciplínu. Agenti jsou výkonní, ale zároveň částečně nespolehliví a stochastičtí. Klíčová otázka proto zní: jak je koordinovat tak, aby se zachoval vysoký kvalitativní standard? Praktické postupy pro efektivní spolupráci s autonomními systémy shrnuje článek o tom, jak delegovat práci na AI agenta. Historické srovnání s „10x inženýrem“ podle Karpathyho zastarává. Skutečné zrychlení při agentním inženýrství může být mnohonásobně vyšší.
Jagged intelligence: proč jsou modely nerovnoměrné
Karpathy používá pojem „jagged intelligence“ (nerovnoměrná inteligence), který vysvětluje paradox současných modelů. Špičkový model zvládne refaktorovat kódovou základnu o 100 000 řádcích nebo hledat zero-day zranitelnosti. Zároveň ale může poradit, abyste šli 50 metrů pěšky na myčku, přestože tam jedete autem právě proto, abyste ho umyli.
Příčiny této nerovnoměrnosti jsou dvě:
- Modely jsou trénovány pomocí reinforcement learningu (posilovaného učení) v ověřitelných doménách, například v matematice a kódu, kde lze poměrně snadno definovat odměnu. Tento přístup vychází ze základních principů strojového učení s učitelem.
- Laboratoře vkládají do tréninkových dat to, co považují za hodnotné. Například přidání šachových dat do tréninku může výrazně zlepšit schopnost modelu hrát šachy.
To znamená, že vývojáři musí sami zkoumat, ve kterých „okruzích“ jejich aplikace funguje dobře a kde je nutný fine-tuning (doladění modelu) nebo vlastní data. Karpathy toto téma podrobněji rozvádí ve svém blogovém příspěvku 2025 LLM Year in Review.
Co zůstává v rukou člověka: vkus, úsudek a porozumění
S rostoucí autonomií agentů Karpathy identifikuje dovednosti, jejichž hodnota roste:
- Návrh specifikace a architektury systému: agent přiřadil platbu špatně, protože nikdo nespecifikoval, že uživatelé musí mít jedinečné ID nezávislé na e-mailové adrese.
- Vkus a estetický úsudek: generovaný kód bývá funkční, ale často zbytečně objemný, s křehkými abstrakcemi a opakovanými copy-paste sekcemi.
- Hluboké porozumění základním konceptům: detaily API si pamatovat nemusíte, ale stále musíte chápat například to, jak funguje paměť tensorů.
Karpathy cituje myšlenku, která ho zaujala: „Můžete outsourcovat myšlení, ale nemůžete outsourcovat porozumění.“ Dodává, že LLM v porozumění nevynikají. Právě proto zůstává člověk klíčovým článkem celého systému.
Nové příležitosti: co dříve nebylo možné
Karpathy upozorňuje, že největší příležitosti AI nespočívají jen v urychlení existujících procesů. Jsou hlavně ve věcech, které dříve vůbec neexistovaly. Jako příklad uvádí LLM znalostní báze, které z dokumentů automaticky vytvářejí firemní wiki. Něco takového dříve běžný kód nedokázal, protože neexistoval spolehlivý způsob, jak ze souboru faktů generovat znalostní strukturu.
Zakladatelům firem doporučuje hledat domény, ve kterých lze vytvořit ověřitelná RL prostředí a vlastní datové sady. Reinforcement learning totiž může fungovat bez ohledu na to, zda se na danou oblast velké laboratoře přímo zaměřují. Vlastní fine-tuning tak může přinést výraznou konkurenční výhodu. Kompletní přepis rozhovoru a Karpathyho vlastní shrnutí klíčových myšlenek je dostupné na jeho blogu v příspěvku Sequoia Ascent 2026 summary.
Posun od vibe codingu k agentnímu inženýrství není jen technickou změnou. Je to nový způsob přemýšlení o tom, co software je a kdo ho řídí. Pokud chcete zjistit, jak tyto principy aplikovat ve své firmě, podívejte se na naše služby v oblasti implementace AI do firem – rádi vám pomůžeme najít správný přístup pro váš konkrétní případ.
