Codex ve třídě: Průvodce roku 2026 pro učitele programování

V dubnu 2026 vydala společnost OpenAI potichu průvodce nasazením pro ChatGPT Edu s názvem Deploying Codex in Higher Education. BÄ›hem nÄ›kolika týdnů zavedly univerzity v USA a KanadÄ› Codex pro celé ročníky počítačových vÄ›d — plnÄ› autonomní nástroj pro programování, který dokáže pÅ™ečíst osnovy, vytvoÅ™it strukturu repozitáÅ™e, napsat produkční kód, spustit testy a odeslat funkční Å™eÅ¡ení za ménÄ› než Å¡edesát sekund. Každý úkol, který kdy byl po běžném studentovi bakaláÅ™ského studia požadován, je nyní na dosah jediného promptu.

Pokud učíte programování, už víte, co bude následovat. Pilotní průzkum ve velké univerzitní tÅ™ídÄ› CS v roce 2025 ukázal, že více než 25 % studentů pÅ™iznalo podvádÄ›ní s pomocí AI pÅ™i domácích úkolech z programování. Neoficiální zprávy od profesorů algoritmů uvádÄ›jí skutečnou míru nad 50 %. Otázkou již není, zda studenti AI používají — ale zda je vaÅ¡e úkoly jeÅ¡tÄ› vůbec nÄ›co naučí, když ji používají.

Tato pÅ™íručka je určena pedagogům programování, kteÅ™í odmítají AI buď zcela zakázat, nebo jí tÅ™ídu zcela odevzdat. Podíváme se na to, co skutečnÄ› ukazuje výzkum, jaké vzorce podvádÄ›ní sledovat v odevzdaných pracích v Pythonu a JavaScriptu, jak pÅ™epracovat úkoly tak, aby se AI stala podporou namísto zkratky, a jak nástroje jako Plagly.ai pomáhají ověřovat učení, aniž byste museli hrát detektiva u každého odevzdaného kódu (commit).

Stav AI v programovacích tÅ™ídách v roce 2026

Současnou krízi definují tÅ™i čísla. Za prvé, rozÅ¡íÅ™ení: pilotní studie z července 2025 na arXiv (2507.06438) měřila podvádÄ›ní s pomocí AI ve velkém kurzu CS a zjistila, že více než čtvrtina studentů sama nahlásila poruÅ¡ení pravidel — a vlastní hláÅ¡ení téměř vždy podhodnocují skutečnost. Za druhé, daň za kvalitu: analýza společnosti CodeRabbit z prosince 2025 zjistila, že kód napsaný spolupůsobením AI obsahoval 1,7krát více závažných problémů než kód napsaný človÄ›kem, pÅ™ičemž míra bezpečnostních zranitelností byla 2,74krát vyÅ¡Å¡í. Za tÅ™etí, daň za učení: programátoÅ™i v nÄ›kolika nedávných zprávách popisují, jak jejich schopnosti ladÄ›ní (debugging) atrofovaly bÄ›hem nÄ›kolika týdnů po pÅ™echodu na pracovní postupy s prioritou LLM.

Andrej Karpathy vytvoÅ™il v únoru 2025 termín vibe coding pro označení nového způsobu práce s LLM — popíÅ¡ete, co chcete, pÅ™ijmete to, co model vygeneruje, a nasadíte bez čtení. Karpathy to myslel jako oslavu. BÄ›hem roku se vÅ¡ak stejný termín stal v oboru synonymem pro generaci vývojářů, kteÅ™í dokážou plynule zadávat prompty, ale nedokážou uvažovat o tom, co jejich kód skutečnÄ› dÄ›lá.

Pro pedagogy není tato obava filosofická. Je zcela konkrétní: studenti pÅ™icházejí na konzultační hodiny a nedokážou vysvÄ›tlit kód, který odevzdali, nedokážou vysledovat, proč test selhal, a nedokážou provést kognitivní práci, kterou je mÄ›lo programování naučit. Úkol byl splnÄ›n. Známka byla získána. K učení vÅ¡ak nikdy nedoÅ¡lo.

Jak Codex a Copilot skutečnÄ› Å™eÅ¡í vaÅ¡e úkoly

Než začnete učit v prostÅ™edí AI, musíte pÅ™esnÄ› pochopit, co dÄ›lá dobÅ™e a kde naopak naráží na limity. Generace autonomních kódovacích nástrojů z roku 2026 — OpenAI Codex, GitHub Copilot Workspace, Claude Code, Cursor — sdílí společný vzorec. PÅ™ijmou prompt, naplánují víceúrovňový pÅ™ístup, provedou úpravy souborů v celém repozitáÅ™i, spustí testy a iterují, dokud testy neprojdou. To se kvalitativnÄ› liÅ¡í od automatického dokončování v nástroji Copilot z roku 2023, vůči nÄ›muž byla vÄ›tÅ¡ina osnov navržena.

Co současná AI zvládá v kurzech CS mimoÅ™ádnÄ› dobÅ™e:

• Úkoly pro kurzy CS1 a CS2: Smyčky, podmínky, rekursi, základní datové struktury (spojové seznamy, stohy, fronty, BST). U standardních zadání z učebnic dosahují Codex a Claude Code na první pokus úspěšnosti testů pÅ™es 95 %.
• Implementace algoritmů podle specifikace: Pokud zadáte Dijkstrův algoritmus, A*, vyhledávání Å™etÄ›zců KMP nebo jakýkoli klasický algoritmus specifikovaný názvem, moderní LLM reprodukují kanonickou implementaci téměř doslova.
• Struktury webových a mobilních projektů: VytvoÅ™ení CRUD aplikace s autentizací, React dashboardu, Flask API — jeden prompt, funkční repozitáÅ™, často lépe strukturovaný, než co napíÅ¡e vÄ›tÅ¡ina bakaláÅ™ských studentů.
• SQL dotazy a návrh schématu: I nejednoznačné specifikace v angličtinÄ› produkují správné, idiotické SQL dotazy.
• PÅ™eklad kódu: PÅ™evod Å™eÅ¡ení z Javy do Pythonu, refaktorování procedurálního kódu na OOP, portování C do Rustu — téměř dokonalé napÅ™íč dvojicemi jazyků.

Kde AI stále spolehlivÄ› naráží na limity:

• Konvence specifické pro daný kurz: Pokud váÅ¡ kurz CS1 používá vlastní grafickou knihovnu Turtle, interní testovací prostÅ™edí nebo pÅ™íručku stylu s idiosynkratickými pravidly pro pojmenování, výstup AI se okamžitÄ› začne liÅ¡it. Výzkumníci ukázali, že programy generované ChatGPT se často odchylují od stylu učebnic natolik, že jsou automaticky označeny.
• Refaktorování více souborů se skrytými vazbami: Autonomní nástroje mají stále problémy, pokud správná odpověď vyžaduje uvažování o omezeních roztrouÅ¡ených v souborech, které model nedostal k dispozici.
• Uvažování o výkonu pÅ™i pÅ™ísných omezeních: Požádejte AI, aby upravila kód na složitost O(n log n) u problému, kde vygenerovala O(n^2), a často se dočkáte pouze povrchní reorganizace namísto skutečné algoritmické zmÄ›ny.
• Souběžnost a soubÄ›hy (race conditions): LLM produkují kód, který vypadá správnÄ›, ale obsahuje jemné chyby v bezpečnosti vláken v míÅ™e výraznÄ› pÅ™evyÅ¡ující jejich průmÄ›rnou chybovost.
• Matematika specifická pro danou doménu: Numerická stabilita, okrajové pÅ™ípady s plovoucí desetinnou čárkou, vlastní fyzika nebo grafická matematika. AI zde s jistotou produkuje vÄ›rohodnÄ› vypadající nesprávné odpovÄ›di.

Pokud vaÅ¡e současné úkoly patÅ™í výhradnÄ› do prvního seznamu, jsou osnovy v roce 2026 funkčnÄ› zastaralé. Pedagogickým úkolem je posunout hodnocení smÄ›rem k druhému seznamu — nebo pÅ™epracovat hodnocení tak, aby učil samotný proces Å™eÅ¡ení, nikoli pouze odevzdání.

Å est vzorců podvádÄ›ní, na které je tÅ™eba se zaměřit pÅ™i odevzdávání programů

StejnÄ› jako se učitelé jazyků naučili rozpoznávat znaky AI esejí, vyučující CS vyvíjejí katalog vzorců odevzdaných prací kódovaných pomocí AI. VÄ›tÅ¡ina z nich je patrná pro každého, kdo kód pozornÄ› čte, ale snadno se skryjí napÅ™íč stovkami odevzdaných prací. Toto je Å¡est nejčastÄ›jÅ¡ích diagnostických vzorců, které jsme pozorovali u tisíců odevzdaných prací studentů v letech 2025–2026.

• Stylistická jednotnost napÅ™íč ročníkem: Když dvacet studentů v jedné skupinÄ› odevzdá Å™eÅ¡ení s identickým pojmenováním promÄ›nných (často result, arr, helper), identickými signaturami funkcí a identickými formulacemi komentářů (často začínajícími „Tato funkce...“ nebo „Iterovat pÅ™es...“), pÅ™íčinou je málokdy nezávislé myÅ¡lení.
• PÅ™íliÅ¡ komentované triviální bloky: AI má tendenci komentovat každý Å™ádek, včetnÄ› zÅ™ejmých operací jako # inkrementovat čítač. Lidskému kódu na úrovni dovedností studenta obvykle komentáÅ™e chybí úplnÄ›, nebo obsahuje pouze záhlaví komentářů.
• Idiomatické vzorce nad úrovní kurzu: Student kurzu CS1, který se jeÅ¡tÄ› neučil list comprehensions, odevzdá jednorádkový list comprehension. Student, který nevidÄ›l collections.defaultdict, jej použije správnÄ›. Student, který se nesetkal s generátory, využívá yield pro líné vyhodnocení. Strop dovedností patrný v kódu pÅ™evyÅ¡uje to, co kurz pokryl.
• Defenzivní oÅ¡etÅ™ení okrajových pÅ™ípadů nad rámec specifikace: AI reflexivnÄ› pÅ™idává if not arr: return [] a validaci typů. Skuteční studenti na úrovni dovedností úkolu zÅ™ídkakdy pÅ™idávají defenzivní kontroly, o které nebyli výslovnÄ› požádáni.
• Míchání snake_case ve stylu Stack Overflow s camelCase: Tréninková data AI obsahují obÄ› konvence; ve stresu je nÄ›kdy míchá uprostÅ™ed souboru. Student, který celý semestr píÅ¡e snake_case, najednou nevloží currentNode doprostÅ™ed metody.
• Test bÄ›hem konzultačních hodin: NejrychlejÅ¡í spolehlivý signál je zprostÅ™edkován človÄ›kem. Požádejte studenta, aby kód promluvil — vysvÄ›tlil, proč tato smyčka, proč tento základní pÅ™ípad, co se stane, když je vstup prázdný. Studenti, kteÅ™í kód napsali sami, dokážou odpovÄ›dÄ›t. Ti, kteÅ™í jej vygenerovali pomocí AI, nikoli.

Pedagogická otázka: AI jako tutor, nebo AI jako Å™eÅ¡itel?

NejdůležitÄ›jÅ¡ím pedagogickým poznatkem roku 2026 je, že AI nemusí být nepÅ™ítelem učení. Může být jeho vůbec nejlepÅ¡ím zesilovačem — ale pouze tehdy, když je postavena do role sokratovského tutora namísto Å™eÅ¡itele problémů. Stejný model, který napíÅ¡e dokonalé Å™eÅ¡ení, může odmítnout Å™eÅ¡ení napsat a místo toho se vás zeptat, jakou datovou strukturu byste použili, proč by brutální síla mohla být pÅ™íliÅ¡ pomalá nebo jaký invariant očekáváte, že bude platit na začátku vaÅ¡í smyčky.

Tuto designovou filozofii ilustruje AI Tutor od Code.org, integrovaný do základních lekcí Code.org. Je postaven na sokratovských principech: klade otázky, podporuje zkoumání a podnÄ›cuje k zamyÅ¡lení namísto poskytování pÅ™ímých odpovÄ›dí. Microsoft pro stejný účel upravuje Copilot — nedávné aktualizace pÅ™idaly prompty pro „tutor mode“, kvízy v kontextu a otázky k ladÄ›ní namísto pouhého doplňování kódu. NÄ›kolik univerzitních týmů vybudovalo na stejném základÄ› systémy specifické pro dané kurzy: Boot.dev, Educative.io a rostoucí seznam interních nástrojů na institucích včetnÄ› Stanfordu a Carnegie Mellon.

Rozdíl mezi AI jako Å™eÅ¡itelem a AI jako tutorem je rozdílem mezi studentem, který dokončil úkol s úspěšnou sadou testů, a studentem, který dokončil úkol s hlubÅ¡ím pochopením toho, proč testy procházejí. První student získá stejnou známku. Druhý absolvent odchází zamÄ›stnatelný.

Å est strategií pro programovací úkoly v éÅ™e Codexu

Po spolupráci s pedagogy od kurzů CS1 až po závÄ›rečné projekty jsme vidÄ›li Å¡est strategií pÅ™epracování úkolů, které konzistentnÄ› obnovují skutečné učení, aniž by klesly k čistÄ› manuálním režimům zákazů a detekce.

• 1. PÅ™esunutí hodnocení na osobní ověřování. NejúčinnÄ›jÅ¡ím samostatným zásahem je vyžadovat pÄ›timinutovou ústní obhajobu pro každý netriviální úkol. Studenti vysvÄ›tlí kód nahlas, upraví jej na místÄ› v reakci na malou variantu problému a odpoví na jednu nebo dvÄ› doplňující otázky. To odhalí vÅ¡e: AI zkratku, částečné pochopení i spolupráci, která má pÅ™íliÅ¡ blízko ke kopírování.
• 2. Zadávání čtení kódu, nejen psaní kódu. Dejte studentům kód vygenerovaný pomocí AI s jemnými chybami a požádejte je, aby je naÅ¡li a opravili. Požádejte je o kritiku návrhu kódu. Požádejte je o jeho rozÅ¡íÅ™ení. ÄŒtení a kritika výstupu AI je dovednost, kterou trh práce vyžaduje a kterou za nÄ› AI neudÄ›lá — nemůžete AI donutit, aby dobÅ™e vyhodnotila svůj vlastní kód.
• 3. Oceňování procesu namísto výstupu. Vyžadujte historii verzí (commit history), která ukazuje skutečnou rozpracovanou práci: neúspěšné testy, mezistupnÄ› refaktorování, ladÄ›ní. Dokonalý první commit bez historie je jasným znamením.
• 4. PÅ™estrukturování testů tak, aby byly odolné vůči AI. Skryté testovací pÅ™ípady, které zkoumají okrajové situace, které AI typicky pÅ™ehlíží (hraniční podmínky, off-by-one pÅ™ípady, stropy výkonu), odměňují pečlivé pÅ™emýšlení, i když AI poskytla výchozí Å™eÅ¡ení.
• 5. Explicitní zapojení AI do úkolu. NejpokrokovÄ›jÅ¡í pedagogové navrhují úkoly, v nichž studenti musí zadat prompt AI, vyhodnotit její výstup, identifikovat chyby a odevzdat jak návrh vygenerovaný pomocí AI, tak svou opravenou verzi — spolu s analýzou toho, co bylo Å¡patnÄ›. Tím se nástroj pro podvádÄ›ní stává součástí osnov.
• 6. Ověřování autentičnosti pÅ™i odevzdání. Nástroje jako Plagly.ai analyzují odevzdaný kód z hlediska vzorců generování AI, stylistických anomálií na úrovni vÄ›t a signálů konzistence autorství. V kombinaci s výše uvedenými lidskými kontrolami získáte obhajitelnou vrstvu ověřování, aniž by se hodnocení zmÄ›nilo ve forenzní analýzu.

Jak vypadá ověřování v praxi

VÄ›tÅ¡ina pedagogů, s nimiž spolupracujeme, nechce podrobnÄ› zkoumat každé odevzdání. ChtÄ›jí kontrolu integrity, která ukáže pÅ™ípady s vysokou mírou pravdÄ›podobnosti, které stojí za rozhovor. Pracovní postup, který v praxi funguje, je pÅ™ímočarý:

• Skenování odevzdaných prací: Každé odevzdání projde detekcí AI, která vrátí skóre spolehlivosti a označení na úrovni vÄ›t (nebo Å™ádků). Plagly.ai provádí tuto analýzu s pÅ™esností 99 % napÅ™íč rodinami modelů včetnÄ› GPT-5.5, Claude 4.6 a Gemini 3.1.
• Kontrola vzorců na úrovni skupiny: Když osm odevzdaných prací v jedné skupinÄ› sdílí stejné idiomatické formulace, stejný styl komentářů, stejný defenzivní kód, označíte tuto skupinu ke kontrole.
• Cílený rozhovor bÄ›hem konzultačních hodin: Označení studenti jsou požádáni, aby kód proÅ¡li osobnÄ›. Rozhovor je krátký a téměř vždy průkazný.
• PÅ™ezkoumatelné zprávy Agentic Council: Modul Agentic Council od Plagly.ai spustí odevzdanou práci pÅ™es sedm doménových expertních modelů (kvalita psaní, ověřování faktů, citace, struktura, detekce AI, oborové znalosti, dopad) a vygeneruje zprávu s referencemi, kterou můžete v pÅ™ípadÄ› potÅ™eby pÅ™iložit k Å™ízení o akademické integritÄ›.

Co tento pracovní postup nedÄ›lá, je nahrazování výuky. Smyslem ověřovací vrstvy je uvolnit vaÅ¡i pozornost pro úkoly a studenty, kteÅ™í to skutečnÄ› potÅ™ebují — ty zvídavé, ty, kteÅ™í bojují s látkou, i ty, kteÅ™í AI používají promyÅ¡lenÄ›, ale stále potÅ™ebují v procesu lidský kontakt.

Co to znamená pro návrh osnov v pÅ™íÅ¡tím roce

Pokud si z této pÅ™íručky máte odnést jednu vÄ›c, pak tuto: úkoly, které vypadají nejznámÄ›ji z vaÅ¡ich osnov z roku 2022, jsou v roce 2026 ty s nejhorÅ¡ím signálem. Standardní sekvence CS1 — smyčky, podmínky, rekurze, datové struktury, Å™adicí algoritmy — je pÅ™esnÄ› to území, kde je AI nejjistÄ›jÅ¡í. Studenti, kteÅ™í na tyto problémy používají Codex, se nic nenaučí. Studenti, kterým je používání Codexu na tyto problémy zakázáno, často omezení nesou s nelibostí a stejnÄ› jej použijí.

Osnovy, které obstojí, jsou ty, které považují plynulé využívání AI za cíl kurzu. Studenti by se mÄ›li naučit dobÅ™e zadávat prompty, kriticky vyhodnocovat výstupy AI, ladit kód vygenerovaný pomocí AI a rozpoznat, kdy se AI s jistotou mýlí. MÄ›lo by se po nich také vyžadovat, aby osobnÄ› nebo pod dohledem prokázali, že dokážou o kódu uvažovat bez pomoci AI — nikoli proto, že by to trh práce vyžadoval (obvykle nebude), ale proto, že kognitivní dovednost programování je to, za co zamÄ›stnavatelé stále platí a co absolventi potÅ™ebují, aby za pÄ›t let dorostli do seniorních rolí.

Pedagogové, kteÅ™í tento pÅ™echod úspěšnÄ› zvládají, nejsou ti s nejpÅ™ísnÄ›jÅ¡í politikou zákazu AI. Jsou to ti, kteÅ™í pÅ™estavÄ›li své hodnocení kolem dvou otázek: Dokáže student vysvÄ›tlit tento kód vlastními slovy? a Dokáže student tento kód upravit, když se problém zmÄ›ní? VÅ¡e ostatní — syntaxi, Å¡ablonovitý kód, rutinní vzorce — AI zvládne a trh práce bude AI za studenta stále častÄ›ji Å™eÅ¡it. Výuka nezmizela. Pouze se posunula o úroveň abstrakce výše.

ÄŒasto kladené otázky

Mohou detektory AI skutečnÄ› detekovat kód vygenerovaný pomocí AI?

Ano, s výhradami. Stejné statistické signály, které detekují AI prózu — perplexita, burstiness, stylometrické otisky prstů — platí pro kód s určitými rozdíly. Kód má omezenější syntaxi než přirozený jazyk, což dělá analýzu na úrovni slov méně informativní, ale má silnější strukturální signály. Vícemodelové ensemble detektory jako Plagly.ai obvykle dosahují 90-95% přesnosti na izolovaných odevzdáních kódu.

A co studenti, kteÅ™í používají AI legitimnÄ› jako tutora?

Ano, s výhradami. Stejné statistické signály, které detekují prózu z AI — perplexita, burstiness, stylometrické otisky prstů — platí i pro kód, s určitými rozdíly. Kód má omezenÄ›jÅ¡í syntaxi než pÅ™irozený jazyk, což činí analýzu na úrovni slov ménÄ› informativní, ale má silnÄ›jÅ¡í strukturální signály: vzorce pojmenování promÄ›nných, hustotu komentářů, idiomatické volby a použití knihoven. Vícemodelové detektory, jako je Plagly.ai, typicky dosahují 90-95% pÅ™esnosti na izolovaných odevzdáních kódu a výraznÄ› nad 95 %, pokud je zahrnuta analýza vzorců na úrovni skupiny.

Jak mám Å™eÅ¡it faleÅ¡nÄ› pozitivní výsledky u kódu napsaného studenty?

Ověřovací vrstva není navržena tak, aby toto penalizovala. Student, který použil AI k pochopení konceptu a poté napsal své vlastní Å™eÅ¡ení, vytvoÅ™í kód, který neodpovídá vzorcům generování AI na úrovni Å™ádků. Detekční signál je „tento kód byl napsán pomocí AI“, nikoli „tento student mluvil s AI“. Pokud zásady vaÅ¡eho kurzu povolují AI jako tutora, pracovní postup nadále funguje — zachycujete odevzdaný artefakt, nikoli proces reÅ¡erÅ¡e studenta.

Má smysl AI z kurzů CS zcela zakázat?

FaleÅ¡nÄ› pozitivní výsledky pÅ™i detekci kódu jsou nejčastÄ›jÅ¡í, když studenti píÅ¡í velmi „učebnicový“ kód, který se náhodou shoduje se vzorci, které AI typicky produkuje. Obrana je stejná jako pÅ™i detekci esejí: nepovažujte vysoké skóre za rozsudek. Použijte jej jako podnÄ›t k rozhovoru bÄ›hem konzultačních hodin. Student, který kód napsal sám, jej dokáže vysvÄ›tlit. Ten, který jej vygeneroval, nikoli. Rozhovor téměř vždy otázku vyÅ™eÅ¡í; skóre je pouze spouÅ¡těčem.

Může stejná detekce fungovat pro Javu, C++, Rust, Go a dalÅ¡í jazyky?

VÄ›tÅ¡ina institucí, které se pokusily o úplné zákazy v letech 2023–2024, od nich upustila. Zákazy byly nevynutitelné, vedly k tajnému používání AI a produkovaly absolventy, kteÅ™í byli jak nekvalifikovaní, tak neobeznámení s nástroji, které od nich zamÄ›stnavatelé očekávají. Vznikající konsenzus je takový, že správnou odpovÄ›dí je strukturované, transparentní používání AI v kombinaci s pÅ™epracováním hodnocení, které zajistí, že pod plynulým využíváním AI probíhá skutečné učení. Zákazy bez pÅ™epracování pÅ™ináÅ¡ejí to nejhorÅ¡í z obou svÄ›tů.