Grafika: vectorjuice, Magnific.com
Díky rychlému rozvoji velkých jazykových modelů (LLM) dochází v posledních letech k výrazné proměně způsobu programování. Zatímco dřívější nástroje pro AI asistované programování, jako například GitHub Copilot nebo OpenAI Codex, sloužily převážně k doplňování kódu a generování jednotlivých funkcí, současné systémy umožňují vytvářet celé aplikace prostřednictvím přirozeného jazyka. Tento přístup, označovaný jako vibe coding, posouvá roli programátora od manuálního psaní syntaxe k formulování záměrů, zadávání úloh a dohledu nad procesem vývoje.
Moderní AI agenti dokážou analyzovat celé kódové základny, navrhovat opravy, spouštět testy nebo spravovat vývojářská workflow s minimálním lidským zásahem. Navzdory rychlému rozšiřování vibe codingu a rostoucímu zájmu o tento přístup stále chybí dostatek empirických studií zaměřených na jeho vzdělávací potenciál a využitelnost pro studenty s odlišnou úrovní programátorských zkušeností.
[1]
Vibe coding využívá přirozený jazyk místo klasického psaní kódu
Programátor nebo uživatel popisuje AI, co má aplikace dělat, a jazykový model následně automaticky generuje zdrojový kód. Programování se tak posouvá od psaní syntaxe ke konverzačnímu vyjadřování záměru.
Termín vibe coding poprvé použil Andrej Karpathy v únoru 2025
Bývalý výzkumník OpenAI a vedoucí AI ve společnosti Tesla popsal tento styl programování jako stav, kdy člověk „zapomene, že kód vůbec existuje“ a nechá většinu práce na AI modelech. K rychlému rozšíření této myšlenky přispěly nástroje využívající velké jazykové modely (LLM).
Vibe coding mění roli programátora
Místo detailního psaní jednotlivých částí programu člověk především formuluje požadavky, testuje výsledky a upravuje instrukce pro AI. Programátor více dohlíží na návrh a fungování aplikace než na samotnou implementaci kódu.
[2]
Tým výzkumníků Newyorské univerzity z Šanghaje, New Yorku a Abu Dhabi si proto položil 3 základní otázky:
Aby na ně dokázal odpovědět, uspořádal měsíční online hackathon, na který se přihlásilo celkem 229 účastníků z osmi zemí. Byli mezi nimi jak úplní začátečníci bez programátorských zkušeností, tak pokročilí softwaroví inženýři. Hackathon zahrnoval celkem tři úrovně technické náročnosti: první (Spark) se zaměřovala na frontendové funkce s doporučenou dobou dokončení 2 hodiny, druhá (Build) vyžadovala integraci backendu a databáze s časovým rozsahem 24 hodin a poslední (Launch) cílila na produkčně připravené nasazení během 72 hodin.
Součástí akce byly též úvodní semináře a workshopy zaměřené na prompt engineering a ukázky práce s AI nástroji jako např. ChatGPT, Claude nebo Cursor. Velký důraz byl kladen na práci s promptováním a komunikaci s AI zahrnující následujících šest základních strategií:
Úkolem účastníků bylo vytvářet projekty výhradně pomocí kódu generovaného LLM, přičemž nebyly povoleny žádné manuální úpravy. Současně byli povinni odevzdat kompletní historii chatů, zdrojový kód, demonstrační videa a zprávy o funkčnosti projektu.
Pro posouzení kvality projektů a praktického využití LLM výzkumný tým použil smíšený metodologický přístup kombinující standardizované hodnocení s dotazníky po skončení hackathonu.
Zjištěné výsledky přinesly empirické důkazy o tom, jak se lidé s různou úrovní programátorských zkušeností zapojují do vibe codingu při rostoucí složitosti úloh a zároveň odhalily vzorce v promptovacích strategiích a postupech ladění chyb. Uvedený výzkum však především nabídl praktické poznatky pro pedagogy identifikující příležitosti i limity vibe codingu pro rozvoj konkrétních dovedností studentů.
Výzkum ukázal, že vibe coding výrazně snižuje vstupní bariéru k programování. I účastníci bez předchozích zkušeností dokázali vytvořit funkční webové aplikace.
Mezi nejčastější patřily aplikace zaměřené na produktivitu, zdraví a wellbeing, vzdělávání, finance, hry nebo AI nástroje. Nejvíce používaným LLM byl ChatGPT 5.0, následovaný Claude Sonnet 4.5 a různými verzemi Gemini, mezi agenty vedl Cursor, Lovable, Base44 a GitHub Copilot.
Výsledky studie potvrdily, že studenti mají vyšší motivaci, rychleji prototypují, více experimentují, získávají větší sebevědomí a lépe rozumí celému procesu tvorby aplikací.
Výzkum zároveň odhalil několik zásadních skutečností:
Začátečníci často kopírovali ukázkové projekty z workshopů bez hlubší originality. Zkušenější účastníci naopak využívali více AI nástrojů současně a dokázali AI efektivně řídit při návrhu komplexnějších systémů.
Studie ukázala, že vibe coding nenahrazuje informatické myšlení, ale mění jeho charakter. Vibe coding sice klade menší důraz na syntaxi, větší ovšem na návrh systému, evaluaci výsledků, kritické myšlení a práci s AI.
Podle autorů to znamená, že školy budou muset redefinovat programátorskou gramotnost. Důležitější než na znalost konkrétního jazyka bude nutné zaměřit se na schopnost formulovat problém, navrhovat řešení, efektivně komunikovat s AI a hodnotit kvalitu výsledků.
Současně ale zdůrazňují, že problematika algoritmů, datových struktur, bezpečnosti, debuggingu nebo architektury softwaru nadále patří mezi zásadní kompetence.
[1]
Ze studie nepřímo vyplývá, že AI může výrazně zpřístupnit programování širší skupině žáků, kteří mohou vytvářet smysluplné projekty mnohem dříve než bez ní. Zároveň posouvá roli učitele od výuky syntaxe k vedení projektů a reflexi. Důležitou součástí výuky se pak stává AI gramotnost, resp. AI plynulost.
Přínos vibe codingu však má ještě jednu rovinu. Kromě jeho využití v rámci jednotlivých předmětů, ať už je jejich zaměření jakéhokoliv, nebo ve školních či mimoškolních projektech, může žákům pomoci vytvořit si vlastní řešení daného problému, a uvědomit si, že se software stává jejich osobním médiem.
A v neposlední řadě i to, že nejlepší aplikace jsou ty, které jim pomáhají se zlepšovat.
[3]
Článek je publikován pod licencí Creative Commons BY-NC-ND 4.0 (Uveďte autora-Neužívejte komerčně-Nezasahujte do díla).
Článek nebyl prozatím komentován.
Pro vložení komentáře je nutné se nejprve přihlásit.
Článek není zařazen do žádného seriálu.
Národní pedagogický institut České republiky © 2025
