Výuka kódování s umělou inteligencí bez vytváření Vibe Coders: Pedagogický rámec pro rok 2026

Pokud v roce 2026 učíte programování, máte dvě možnosti, které nefungují, a jednu, která funguje. Dvě nefunkční možnosti jsou dobře známé: zakázat AI ve vašem kurzu (nevynutitelné, vede k tajnému používání a zanechává absolventy nepřipravené na praxi) nebo nechat studenty používat AI zcela volně (produkuje absolventy, kteří umí zadávat prompty, ale neumí myslet). Možnost, která funguje, je složitější. Vyžaduje, abyste přepracovali způsob, jakým se AI zapojuje do procesu učení — ne jako řešitel problémů, ne jako zakázaný nástroj, ale jako pečlivě strukturovaný asistent výuky, který studentům vrací kognitivní práci, kterou se AI chystala udělat za ně.

Toto je pedegogický rámec, který potřebujete. Ne seznam pravidel pro AI. Ne závody ve zbrojení s detekčními nástroji. Skutečný model výuky, postavený na třech desetiletích výzkumu v oblasti pedagogiky zaměřeného na podporu učení (scaffolding) a zónu nejbližšího vývoje, přepracovaný pro éru autonomních kódovacích nástrojů, které hravě zvládnou jakékoli zadání domácího úkolu.

Tato příručka je určena pedagogům programování, kteří chtějí vybudovat osnovy produkující skutečné programátory i v roce 2026. Projdeme si pedagogické základy, sedmifázový rámec pro výuku programování s podporou AI, vzorce chování ve třídě, které se nám osvědčily od kurzů CS1 až po závěrečné projekty, a vrstvu nástrojů — včetně Plagly.ai — která tento rámec činí prakticky použitelným ve velkém měřítku.

Proč oba extrémy v letech 2024–2025 selhaly

Dvouletý experiment skončil a verdikt je jasný. Programy, které AI zcela zakázaly (malá vlna kateder CS v roce 2024), zaznamenaly kolaps vynucování během jediného semestru, studenty, kteří pravidla tiše obcházeli, a zvětšující se propast mezi jejich absolventy a trhem práce. Programy, které zvolily opačný přístup — žádná pravidla, studenti používají, co chtějí — vyprodukovaly absolventy, kteří vstoupili do praxe bez schopnosti odlaďovat vlastní kód. Manažeři náboru reagovali zavedením živého programování při pohovorech a prověrkami dovedností, v nichž tito diplomovaní absolventi selhali.

Oba způsoby selhání sdílejí společnou příčinu. Zacházely s AI jako s otázkou typu ano/ne namísto pedagogické proměnné. Správná otázka nezní, zda by studenti měli používat AI. Zní, v jakém bodě procesu učení by měla AI zasáhnout a v jakém režimu. To je otázka, na kterou odpovídá tento rámec.

Pedagogický základ: Produktivní zápas a podpora učení (Scaffolding)

Vše, co následuje, vychází ze dvou konceptů pedagogické vědy. Prvním je produktivní zápas (productive struggle): kognitivní stav, v němž má učící se dostatek informací k tomu, aby mohl postupovat vpřed, ale ne dost na to, aby postupoval bez úsilí. Výzkumy konzistentně ukazují, že k učení dochází právě v produktivním zápasu. Úkoly, které jsou příliš snadné, nerozvíjejí žádné dovednosti. Úkoly, které jsou příliš těžké, budují pouze frustraci. Ideální střed — zóna nejbližšího vývoje — je místo, kde se skutečně tvoří neurální dráhy pro řešení problémů.

Druhým konceptem je podpora učení (scaffolding): dočasná pomoc poskytovaná schopnějším průvodcem (tradičně učitelem, spolužákem nebo učebnicí), která umožňuje učícímu se pracovat těsně nad hranicí jeho nezávislých schopností. Tato podpora se postupně odstraňuje, jak si učící se osvojuje základní dovednost. Dobrá podpora neřeší problém za studenta; pomáhá mu, aby problém vyřešil sám.

Z tohoto pohledu je jasně patrné pedagogické selhání konceptu „vibe coding“: LLM, který poskytne hotové řešení, ničí produktivní zápas tím, že odstraňuje kognitivní práci, která produkuje učení. Je to obdoba doučovatele, který vyřeší každý příklad v okamžiku, kdy se student zamračí. Student sice sedí na židli, ale k žádnému učení nedochází, protože chybí úsilí.

Stejně tak je však patrná i pedagogická příležitost. Stejný LLM, nakonfigurovaný tak, aby uchovával produktivní zápas — kladl diagnostické otázky, poskytoval částečné nápovědy, odmítal napsat kód, k jehož zobrazení student ještě nedospěl — je tím nejmocnějším nástrojem podpory učení, jaký byl kdy vytvořen. Je trpělivý. Je nekonečně dostupný. Přizpůsobuje se každému studentovi. Nikdy nepropadá frustraci. Stejný model, který při jednom nastavení učení ničí, jej při jiném nastavení umožňuje.

Nedávný výzkum publikovaný na arXiv v listopadu 2025 (Scaffolding Metacognition in Programming Education) to potvrdil empiricky. Studie zjistila, že studenti zdůrazňovali, že by systémy AI měly „odolat poskytování úplných odpovědí příliš rychle“, a dávali přednost strukturovaným přístupům s nápovědami krok za krokem a adaptivními otázkami. Studenti nežádali méně asistence AI. Žádali lépe navrženou asistenci AI.

Sedmifázový rámec pro výuku programování s podporou AI

Zde je rámec, který jsme během posledních osmnácti měsíců vyladili ve spolupráci s vyučujícími programování od kurzů CS1 až po závěrečné projekty. Rozděluje proces učení do sedmi odlišných fází a určuje, co by AI měla a neměla v každé fázi dělat. Rámec je vyhraněný — cílem je poskytnout pedagogům výchozí bod, který mohou přizpůsobit, nikoli nekonečné menu možností.

1. fáze: Setkání s problémem

Student si přečte zadání problému. Role AI je zde žádná. Student si musí vytvořit vlastní prvotní pochopení, než je povolena jakákoli asistence AI. O tom se nediskutuje. Nechat AI shrnout nebo vysvětlit zadání v této fázi obchází proces porozumění. V praxi to lze vynutit pravidly kurzu („prvních deset minut bez AI“), pravidly odevzdání (nutnost přiložit písemné přeformulování problému před použitím AI) nebo jednoduše důsledně posilovaným očekáváním v kultuře třídy.

2. fáze: Dekompozice

Student rozdělí problém na podproblémy. Role AI je zde diagnostické dotazování. Student napíše návrh dekompozice a AI mu k němu klade sokratovské otázky: „Co se změní, když bude vstup prázdný?“ „Jak váš plán zpracovává duplicitní prvky?“ „V kterém z vašich podproblémů probíhá skutečná algoritmická práce?“ AI má zakázáno navrhovat vlastní dekompozici; může pouze zkoumat dekompozici studenta.

3. fáze: Výběr přístupu

Student se rozhodne pro algoritmickou strategii (rekurze vs. iterace, hash map vs. pole atd.). Role AI je zde srovnání a analýza kompromisů. Poté, co student navrhne přístup, AI jej může porovnat s alternativami, formulovat kompromisy a zeptat se, zda volba studenta odpovídá omezením. AI nevybírá. AI pomáhá studentovi pochopit, co jeho volba znamená.

4. fáze: Implementace

Student píše kód. Role AI je zde nejjemnější. Výchozím nastavením je pouze podpora syntaxe a idiomů: AI může odpovědět na otázku „jaká je syntaxe Pythonu pro list comprehension, který filtruje a transformuje“, ale nikoli „napiš list comprehension, který potřebuji pro tento problém“. AI může opravit syntaktickou chybu, ale ne přepracovat funkci. Pro pokročilé studenty nebo závěrečné projekty lze toto pravidlo uvolnit: AI jako párový programátor, kdy student vede vývoj. V kurzu CS1 by tomu tak být nemělo.

5. fáze: Testování a ladění

Student spouští testy a naráží na selhání. Role AI je zde vedené generování hypotéz. Když test selže, AI neřekne „chyba je na řádku 12“. Zeptá se: „Kde v kódu si myslíte, že by mohla být chyba? Co vrací vaše funkce, když je vstup prázdný? Projděte se mnou tento testovací případ krok za krokem.“ Zde dochází k největšímu učení a také k největšímu pokušení si práci zjednodušit. Dobře nakonfigurovaná AI zde trénuje intuici pro ladění, která vydrží celou kariéru. Špatně nakonfigurovaná AI ji ničí.

6. fáze: Refaktorování a reflexe

Student má funkční kód. Role AI je zde kritika a prezentace alternativ. AI nyní může ukázat, jak by stejný kód napsal seniorní inženýr, vysvětlit, proč je jeho verze lepší nebo odlišná, a požádat studenta, aby toto srovnání vyhodnotil. V této fázi může být AI nejvíce generativní — základní učení již proběhlo a přidanou hodnotou je setkání s kvalitnějšími vzorci.

7. fáze: Generalizace

Student musí přenést dovednost na mírně odlišný problém. Role AI se zde vrací na žádná. Je předložena malá varianta původního problému a student ji řeší bez pomoci AI. To je moment hodnocení. Pokud si student osvojil základní dovednost, je varianta přímočará. Pokud ne, varianta odhalí mezeru.

Převod rámce do vzorců chování ve třídě

Rámec je princip. Vzorce chování ve třídě níže jsou praxí. Každý vzorec převádí jednu nebo více fází rámce do konkrétního úkolu nebo aktivity. Pedagogové shodně uvádějí, že právě tyto vzorce fungují.

• Dvoukolejný úkol. Každý významný úkol má část solo (7. fáze generalizace, bez AI) a část s nástroji (fáze 1-6, podpora AI). Solo část je kratší, ale má stejnou váhu při hodnocení. To zachycuje, co student skutečně dokáže sám, zatímco na větším úkolu se učí s pomocí AI.
• Odevzdání dekompozice jako první krok. Předtím, než je napsán jakýkoli kód, odevzdá student písemný rozklad problému. AI je v této fázi pravidly kurzu zakázána. Hodnotí se jasnost uvažování, nikoli konečná správnost. Často tvoří 20-30 % hodnocení úkolu.
• Chatbot s umělou inteligencí se ptá. Poskytněte studentům učitele umělé inteligence specifického pro daný kurz (systémová výzva, která vynucuje chování ve fázi 2-5 rámce), kterého musí použít pro pomoc a který odmítá poskytnout přímý kód. Několik univerzit je postavilo in-house; běžné možnosti, jako je AI Tutor od Code.org, přímo začleňují Sokratovy principy.
• Hodnocení pouze pro ladění. Poskytněte studentům pracující kód vygenerovaný umělou inteligencí s jemnými chybami a ohodnoťte jejich schopnost je najít a opravit. Tím se přímo trénuje 5. fáze a odměňuje se schopnost samotné umělé inteligence, která je nejhorší.
• Cvičení výzvy a vyhodnocení. Studenti vyzývají umělou inteligenci, aby vyřešila problém, vyhodnotila správnost a efektivitu odpovědi, identifikovala případné chyby nebo stylistické problémy a odeslala výzvu i opravenou verzi. Plynulost umělé inteligence považuje spíše za odstupňovanou dovednost než za řešení.
• Ústní obhajoba. Pět minut na studenta na důležité úkoly. Dvě diagnostické otázky: Proveďte mě touto funkcí a upravte ji tak, aby zvládla malou variantu. Zachytí vše, k čemu byl framework navržen, a téměř nic jiného.
• Skenování ověření kohorty. Každý příspěvek prochází ověřovací vrstvou, která zobrazuje příspěvky, které stojí za hlubší kontrolu. Jde o to, nechytit každého podvodníka. Je to zachovat společenskou normu provádění práce nedotčenou, aby rámec nadále fungoval.

Vrstva nástrojů: Co to dělá praktickým v měřítku

CS1 pro 200 studentů nemůže ručně ověřovat každý úkol, ručně upravovat interakce s umělou inteligencí každého studenta nebo ručně provádět ústní obhajobu každého odevzdání. Rámec je realistický pouze v případě, že nástrojová vrstva odebere objem práce z instruktorova talíře a ponechává člověka ve smyčce pro případy, kdy je lidský úsudek jedinečně cenný. Toto je praktická role Plagly.ai v kurzu postaveném na frameworku.

• Ověření odeslání kódu. Každý nahraný soubor projde skenem generovaným AI, který vrátí skóre spolehlivosti a příznaky na řádek. Plagly.ai dosahuje 99% přesnosti napříč GPT-5.5, Claude 4.6, Gemini 3.1 a agentními kódovacími nástroji, které je kombinují. Příspěvky s nízkým skóre AI nevyžadují další kontrolu. Podání s vysokým skóre se objeví pro ústní obhajobu.
• Analýza vzorců na úrovni skupiny: Když osm studentů v jedné skupině odevzdá řešení se stejným idiomatickým pojmenováním proměnných, stejnou hustotou komentářů a stejným šablonovitým defenzivním kódem, tato skupina se automaticky zobrazí na panelu. Tím se zachytí selhání, která analýza jednotlivých odevzdání odhalit nedokáže.
• Ověřování stop procesu: U větších projektů modul Agentic Council od Plagly.ai — sedm expertních modelů analyzujících odevzdanou práci z hlediska kvality psaní, struktury, detekce AI, originality a konzistence — generuje zprávu s referencemi. Ta dokumentuje, zda odevzdaná práce vykazuje stopy iterativního autorství, které běžně vykazuje reálná práce studenta.
• Humanize v obráceném směru pro výuku: Funkce Humanize ukazuje, jak vypadá kód typický pro AI. Při použití ve třídě se stává učebním nástrojem: ukažte studentům funkci napsanou ve stylu typickém pro AI vedle stejné funkce v idiomatickém studentském stylu a nechte je sepsat viditelné rozdíly. To trénuje rozpoznávací dovednosti, na nichž závisí cvičení ve 2. fázi rámce.
• Vícejazyčné pokrytí: Signály fungují v jazycích Python, JavaScript, Java, TypeScript, C++, Rust, Go a dalších široce vyučovaných jazycích. Návrh osnov se nemusí přizpůsobovat omezením nástrojů.

Jak rámec vypadá podle úrovně kurzu

Rámec je konzistentní napříč všemi úrovněmi kurzů, ale jeho nastavení se mění. Čím pokročilejší student je, tím větší autonomii v jednotlivých fázích získává. Tři referenční body:

CS1 (Úvod do programování)

Přísné vymáhání rámce. Fáze 1, 4 a 7 mají minimální přístup k AI. Fáze 2-3 používají AI pouze v režimu kladení otázek. Ladění v 5. fázi probíhá s výraznou podporou. Cílem vyučujícího v CS1 je vybudovat kognitivní infrastrukturu: schopnost číst kód, sledovat jeho provádění a vytvářet hypotézy o chybách. Pokud necháte AI dělat jakoukoli z těchto činností v CS1, studenti si tuto schopnost nikdy nevyvinou. Spojte to s povinným řešením problémů ve třídě a ústní obhajobou u každého významného úkolu.

Datové struktury a algoritmy

Střední vymáhání rámce. Fáze 4-6 lze mírně uvolnit. AI lze nyní používat jako párového programátora pro implementaci, ale až poté, co se student sám rozhodne pro konkrétní přístup (3. fáze). Ladění zůstává pod přísnou podporou. Úkoly generalizace v 7. fázi se stávají abstraktnějšími: dokažte, že váš algoritmus běží v čase O(n log n), upravte svou implementaci tak, aby zvládala dodatečné omezení, které vyžaduje zásadní přehodnocení. Zde začínají silní studenti používat AI produktivně a u slabých studentů se naplno projeví mezery v generalizačních úkolech.

Závěrečné ročníkové projekty a softwarové inženýrství

Volné vymáhání rámce, silný důraz na transparentnost procesu. V posledním ročníku by studenti měli pracovat v režimu blížícím se reálné praxi: AI jako spolupracovník, student jako vedoucí vývoje. Vrstva ověřování se posouvá od detekce AI u jednotlivých odevzdání k viditelnosti procesu: historie verzí (commits), dokumentace rozhodnutí o návrhu, zaznamenané relace revize kódu. Ústní obhajoba se mění v revizi návrhu — dokáže student obhájit architektonická rozhodnutí, vysvětlit kompromisy a upravit návrh v reakci na nové omezení? Zde se investice do rámce v kurzu CS1 buď vrátí, nebo ne.

Co přestat dělat v roce 2026

Pět praktik, které přežily z osnov z doby před AI a nyní musí skončit. Každá z nich při zachování aktivně narušuje fungování rámce.

• Přestaňte hodnotit domácí úkoly více než 70 % výsledné známky. Cyklus hodnocení a testování je plně automatizovatelný. Známka složená z výkonu na domácích úkolech již neměří to, co deklaruje. Přesuňte váhu na řešení problémů ve třídě, ústní obhajoby a kontrolované milníky projektů.
• Přestaňte používat výstupy automatického hodnocení (auto-grader) jako jedinou známku za úkol. Automatický hodnotitel neví, zda kód napsal student. Zkombinujte skóre z automatického hodnocení s ověřovací vrstvou a u významných bodových hodnocení vyžadujte ústní obhajobu.
• Přestaňte zadávat triviální problémy s široce publikovanými řešeními. Pokud se problém objevuje na webech jako LeetCode, GeeksforGeeks nebo v jakékoli učebnici vydané před rokem 2024, AI řešení zná. Specifická zadání problémů, datové sady a omezení nutí AI k reálné práci namísto pouhého vybavování z paměti.
• Přestaňte považovat AI za něco mimo osnovy. Plynulé využívání AI je nyní součástí toho, co programátoři v oboru dělají. Úkoly, které výslovně zahrnují hodnocení výstupů AI, ladění kódu vygenerovaného pomocí AI nebo kritiku návrhů navržených AI, učí dovednosti, které praxe vyžaduje.
• Přestaňte skrývat ověřovací vrstvu. Řekněte studentům otevřeně, že příspěvky jsou skenovány pro generování AI, co očekávají fáze rámce a jaké jsou důsledky zneužití. Transparentnost zlepšuje společenskou normu. Skryté vymáhání plodí nepřátelské chování.

Často kladené otázky

Funguje tento rámec pro kurzy s vlastním tempem a asynchronní kurzy?

Ano, se dvěma úpravami. Nejprve ústní obhajoba přechází na nahraný video návod, který student odevzdává s každým významným úkolem. Video je krátké (dvě až pět minut) a odpovídá na dvě diagnostické otázky, které jsou součástí zadání. Za druhé, nástroj lešení AI se stává důležitějším, protože instruktor není v místnosti, aby přesměroval studenty, kteří sklouzli do režimu řešitele. Tutorku AI pro konkrétní kurz se Sokratovými omezeními (nebo pečlivou systémovou výzvou k obecnému nástroji) to umožňuje.

A co studenti, kteří se lépe učí čtením pracovního kódu?

Rámec to výslovně zohledňuje ve fázi 6 (refaktoring a reflexe). Poté, co student vytvoří svůj vlastní pracovní kód, je vystavení alternativám generovaným umělou inteligencí nebo expertním refaktorům vysoce hodnotné. Omezení je sekvenování: AI jako příklad přichází po studentově vlastní práci, ne dříve. Čtení skvělého kódu učí, když se čtenář již o problém pokusil; čtení skvělého kódu jako náhrada za pokus o problém nenaučí téměř nic.

Jak postupovat u studentů, kteří již AI intenzivně využívají a tomuto rámci se brání?

Vysvětlete jim to na rovinu, ideálně hned první den. Ukažte jim data společnosti CodeRabbit z prosince 2025 o 1,7krát vyšším výskytu chyb v kódu napsaném ve spolupráci s AI. Odkěžte na esej 30 Days Without AI na webu dev.to. Mluvte o živých kódovacích pohovorech a o tom, co náboroví manažeři v roce 2026 skutečně dělají. Studenti, kteří se rámci brání, jsou obvykle ti, kteří ho potřebují nejvíce. Mnoho z nich se ještě nesetkalo s následky vibe codingu, a jakmile se tak stane (často při jejich prvním technickém pohovoru), obvykle litují, že rámec nebrali vážněji dříve.

Mohu rámec zavádět postupně, namísto okamžité celkové restrukturalizace kurzu?

Ano. Minimální životaschopné zavedení spočívá v přidání tří věcí do vašeho stávajícího kurzu: požadavku na odevzdání dekompozice jako prvního kroku u jednoho významného úkolu, krátké ústní obhajoby u stejného úkolu a vrstvy ověřování (nástroje, který skenuje odevzdané práce a odhaluje vzorce), která tiše běží na pozadí. Tyto tři doplňky vás posunou o velký kus cesty vpřed bez nutnosti kompletního přepracování osnov. Většina pedagogů, s nimiž jsme spolupracovali, začíná zde a během dvou až tří semestrů se dopracuje k plnému rámci.

Co když moje instituce dosud nepřijala jasná pravidla pro AI?

Většina jich to ještě neudělala a většina z nich čeká na podněty od vyučujících. Přijetí rámce na úrovni kurzu vám poskytne obhajitelný model, který můžete přinést do diskusí o pravidlech na úrovni katedry: zde je to, co děláme v CS1, zde je zdůvodnění a zde jsou výsledky. Vyučující, kteří v této oblasti proaktivně modelují dobrou pedagogiku, se stále častěji stávají těmi, kdo utvářejí institucionální politiku. Rámec je navržen tak, aby byl v těchto diskusích snadno obhajitelný — odkazy na pedagogické vědy, reference na recenzované výzkumy a explicitní ukotvení v produktivním zápasu a podpoře učení slouží jako skvělá rétorická opora pro politickou práci.