The Vibe Coding Crisis: Proč už absolventi CS nemohou kódovat bez AI

V diskusním vlákně na Redditu v březnu 2026, které rychle překročilo 8 000 kladných hodnocení (upvotes), zveřejnil seniorní inženýr ze startupu v Series-B ekranové snímky z domácího úkolu u pohovoru, který právě zamítl. Kandidát, čerstvý absolvent počítačových věd s průměrem známek 3,9 z uznávané univerzity, odevzdal kód, který fungoval naprosto bezchybně v ideálním scénáři (happy path), ale tiše korumpoval data při jakémkoli okrajovém případě (edge case). Když byl kandidát během následného hovoru požádán, aby vysvětlil logiku svého kódu, nedokázal vysvětlit, proč jedna z jeho vlastních funkcí používá rekurzi. Vlákno pak zcela rozdmýchala jeho upřímná odpověď: „Jen jsem řekl Claudeovi, co potřebujeme, a on to napsal. Kód obvykle čtu jen tehdy, když nefunguje.“

Tohle je kríze zvaná „vibe coding“ a do roku 2026 se přesunula z vývojářského Twitteru přímo do náborových procesů, hodnocení kandidátů a stále častěji i do kanceláří vedoucích kateder CS, kteří se snaží pochopit, co se to s jejich absolventy stalo. Termín vytvořil Andrej Karpathy v únoru 2025 pro označení nového, pozitivního způsobu práce s LLM: popíšete svůj záměr, přijmete to, co model vygeneruje, a nasadíte. Během roku se však stejný termín stal v oboru synonymem pro generaci programátorů, kteří dokážou plynule zadávat prompty, ale nedokážou uvažovat o tom, co jejich kód skutečně dělá.

Pro pedagogy programování to není hypotetická otázka o budoucnosti práce. Je to akutní pedagogická krize týkající se studentů, které necháváte absolvovat právě teď. Tento článek se zabývá tím, co výzkumy a zprávy z praxe skutečně ukazují o atrofii dovedností způsobené AI, proč jsou kurzy od CS1 až po závěrečné projekty jedinečně zranitelné a jak malá, ale rostoucí skupina pedagogů strukturuje své kurzy tak, aby zajistila, že absolventi budou umět skutečně programovat — nikoli pouze zadávat prompty.

Co skutečně znamená „vibe coding“ (a proč Karpathy říkal, že by to měla být zábava)

Karpathyho původní formulace byla specifická. Vibe coding znamenal přijmout fakt, že programování osobních projektů může nyní působit jako kreativní hra: řeknete modelu, co chcete, on vytvoří kód, vy upravíte prompt namísto kódu a odevzdáte něco funkčního. Výslovně poznamenal, že u svých vlastních vedlejších projektů již nečte kód řádek po řádku. Tato formulace byla o radosti, produktivitě a legitimním pozorování, že u méně důležitých jednorázových projektů je pečlivá ruční analýza zbytečná.

Termín se však následně rozšířil do širšího oboru, kde se usadil ve dvou velmi odlišných kontextech:

• Seniorní inženýři, kteří jej využívají vědomě: Skutečně nahlížejí na kód z AI jako na pracovní verzi, před odevzdáním jej přečtou a refaktorují, používají AI k přeskočení rutinního psaní šablonovitého kódu, ale aplikují desítky let zkušeností k vyhodnocení výstupu. To je to, co popisoval Karpathy, a to funguje.
• Juniorní vývojáři a studenti, kteří jej přijali jako výchozí režim: Považují kód z AI za hotové řešení, přijímají jej bez čtení, chyby ladí pouze tehdy, když selžou testy, a na seniora nebo vyučujícího se obrací pouze tehdy, když AI nedokáže svůj vlastní kód opravit. To je to, co Karpathy nepopisoval, a to nefunguje.

Pedagogickým problémem je druhá skupina, a ta tvoří většinu studentů, kteří vstupují do kurzů CS v roce 2026. Sám Karpathy svůj pohled koncem roku 2025 korigoval s tím, že vibe coding má smysl pro experty na osobních projektech, ale pro všechny ostatní je destruktivní.

Vzorec atrofie dovedností v reálných číslech

Důkazy jsou v současné době zdrcující a ukazují jedním směrem. Analýza společnosti CodeRabbit z prosince 2025, která zkoumala pull requesty napříč stovkami open-source repozitářů, zjistila, kód napsaný ve spolupráci s generativní AI obsahoval přibližně 1,7krát více „závažných“ chyb než kód napsaný lidmi. Logické chyby (nesprávné závislosti, chybná kontrola toku) a bezpečnostní zranitelnosti byly výrazně zvýšené, přičemž bezpečnostní chyby se objevovaly 2,74krát častěji než v kódu psaném pouze lidmi.

Zpráva TechSpot koncem roku 2025 zkoumala pracující vývojáře ohledně kognitivních dopadů vynucených pracovních postupů založených na vibe codingu. Společný hlášený vzorec: delší čas strávený laděním chyb, klesající schopnost simulovat běh kódu v hlavě a oslabená intuice pro to, jak má vypadat kód připravený pro produkci. Jeden z vývojářů popsal svou zkušenost po šesti měsících práce v režimu vibe-first jako kompletní „ztrátu svalové paměti“ pro řešení problémů.

Nejjasnější ilustrace přišla od vývojáře, který na začátku roku 2026 provedl 30denní experiment: měsíc bez jakékoli pomoci AI a následná reflexe rozdílu. Článek na dev.to s názvem I Coded Without AI for 30 Days: The Results Were Embarrassing se stal jedním z nejvíce sdílených vývojářských esejů roku. Hlavní zjištění: aktivní seniorní inženýr s osmi lety praxe už nedokázal z paměti napsat jednoduché procházení binárního stromu (binary tree traversal). Dovednost byla outsourcována a následně tiše zakrněla.

Pokud u aktivního seniorního inženýra dochází k atrofii svalu pro ladění chyb během několika měsíců závislosti na AI, představte si trajektorii studenta v CS1, který tento sval nikdy na začátku neměl — jehož veškerá zkušenost s programováním byla zprostředkována přes LLM, které dodá funkční kód do deseti sekund od zobrazení zadání.

Proč je výuka programování jedinečně zranitelná

Ostatní obory se s AI ve vzdělávání vyrovnávají nedokonale, ale většina z nich má stále funkční hodnoticí karkasy. Student literatury může být stále požádán, aby diskutoval o pasáži na semináři. Student chemie může být stále požádán o provedení laboratorního postupu. Student matematiky může být stále požádán o odvození důkazu u tabule. Výuka programování nemá žádný z těchto vestavěných režimů hodnocení. Téměř každý úkol z programování je domácí práce, hodnocená podle toho, zda kód projde testy — a AI v roce 2026 těmito testy prochází naprosto triviálně.

To vytváří tři zranitelnosti specifické pro programování:

• Smyčka úkol-test je plně automatizovaná. Codex, Claude Code a Cursor přečtou zadání, napíší kód, spustí sadu testů, iterují při selháních a odevzdají funkční řešení. Celý cyklus, který má student provést — pochopit požadavky, navrhnout řešení, implementovat jej a odladit chyb — provede AI rychleji, než si student stihne přečíst zadání.
• Osobní hodnocení je logisticky velmi nákladné. Třída CS1 s 200 studenty nemůže reálně provádět pětiminutovou ústní obhajobu u každého úkolu, aniž by spálila dvacet hodin času asistentů na jeden cyklus úkolů. Ekonomický model velkých kurzů CS předpokládá asynchronní hodnocení domácích prací.
• Podvádění je pro studenta neviditelné. Student, který zkopíruje esej, ví, že podvádí. Student, který zadá prompt AI k vyřešení úkolu, to jako podvádění vnímat nemusí — společenská norma se posunula rychleji než pravidla a činnost působí k nerozeznání od vyhledávání informací. V době, kdy se dostanou do závěrečného ročníku a potřebují myslet sami za sebe, strávili čtyři roky bez rozvíjení jakýchkoli relevantních dovedností.

Výsledkem je systém produkující studenty s diplomy, které již nekorelují s dovednostmi. Manažeři náboru v roce 2026 stále častěji obcházejí životopisy a průměry známek ve prospěch živého technického hodnocení právě proto, že systém diplomů se odpojil od bální schopnosti.

Jak vypadá situace „nic se nenaučit“ v konzultačních hodinách

Pokud učíte programování, pravděpodobně jste tento vzorec chování viděli, i když jste ho ještě takto nepojmenovali. Shromáždili jsme nejčastější diagnostické signály od vyučujících v kurzech CS1, datových struktur a závěrečných projektů na konci roku 2025 a na začátku roku 2026.

• Student nedokáže najít vlastní chybu. Odevzdaná práce běžela dokonale. Nový unit test selže. Student otevře soubor, dívá se na kód, jako by ho viděl poprvé, skroluje nahoru a dolů bez jakékoli hypotézy a nakonec řekne: „Jen se zeptám Claudea, co je špatně.“ První reakcí na selhávající test je obrátit se na AI, nikoli formulovat hypotézu.
• Student nedokáže odpovědět na otázku „proč“. Na otázku „proč jste zde použili hash mapu místo pole“ zní odpověď „to navrhla AI“. Volba byla učiněna, ale logika za ní nebyla nikdy zvnitřněna. Pod kódem chybí kognitivní model.
• Student nedokáže provést drobnou modifikaci. „Upravte kód tak, aby zpracovával i záporná čísla“ by měla být úprava na třicet sekund. Pro studenta závislého na AI se to mění v pětiminutové zadávání promptů, protože musí zadat omezení zpět do modelu, místo aby se zamyslel nad tím, kde v existujícím kódu má změnu provést.
• Student ovládá nástroje, ale nerozumí problémům. Dokáže nakonfigurovat Vercel, vytvořit komponentu v Reactu, nastavit Postgres databázi, nasadit s Dockerem. Dokáže používat celý moderní řetězec nástrojů. Požádejte ho, aby implementoval quicksort. Ticho.
• Odhalení v závěrečném projektu. Závěrečný projekt, moment, kdy by se mělo nashromážděné mistrovství zúročit, je stále častěji momentem, kdy se odhalí jeho absence. Týmy, které prošly kurzy od CS1 až do třetího ročníku stylem vibe coding, přicházejí k závěrečnému projektu neschopné navrhnout systém, rozdělit funkci nebo zvládnout části programování, které AI dělá nejhůře.

Pedagogická náprava: Považujte plynulé využívání AI za skutečnou dovednost (a nechte je si ji zasloužit)

Pedagogové, kteří tento přechod zvládají dobře, nejsou ti s nejpřísnějšími zákazy AI. Jsou to ti, kteří přestavěli své kurzy kolem jasného rozlišení: AI je nástroj, který by se studenti měli naučit dobře používat, A ZÁROVEŇ studenti musí nezávisle prokázat kognitivní dovednosti, které AI provádí. Tyto dva požadavky nejsou v rozporu — doplňují se a kurzy, které to dělají správně, produkují absolventy, kteří předčí jak vibe codery, tak skupiny se zákazem AI.

Konkrétní designové vzorce, které vidíme fungovat v programovacích kurzech v roce 2026:

• 1. Dvoukolejný úkol. Každý úkol má část „solo“ (AI zakázána, často krátká část ve třídě) a část „nástroje“ (AI povolena, ale dokumentována). Solo část zjišťuje, co student skutečně dokáže sám. Část s nástroji ho učí dokázat více.
• 2. Plynulé využívání AI jako hodnocená kompetence. Studenti odevzdávají prompty, které použili, odpovědi, které dostali, a analýzu toho, v čem se AI mýlila nebo byla neefektivní. Kritické čtení výstupu AI je bráno jako cíl kurzu, nikoli jako obezlička.
• 3. Hodnocení zaměřená pouze na odlaďování chyb. Studenti dostanou funkční kód vygenerovaný pomocí AI s jemnými chybami (off-by-one, špatný bázový případ, chybějící null kontrola, bezpečnostní zranitelnost) a hodnotí se jejich schopnost je najít a opravit. To trénuje dovednost, kterou AI dělá nejhůře a kterou zaměstnavatelé cení nejvíce.
• 4. Hodnocení viditelnosti procesu. Vyžadovaná historie commitů (commits history), povinné komentáře dokumentující rozhodnutí o návrhu, nahraná videa s výkladem. Samotný kód už netvoří celou známku.
• 5. Živé technické rozhovory. Krátká, strukturovaná ústní složka u každého významného úkolu. Pět minut na studenta, zaměřených na jednu nebo dvě diagnostické otázky. Úsilí je reálné, signál vynikající.
• 6. Ověřování autentičnosti na systémové úrovni. Nástroje jako Plagly.ai skenují odevzdané práce z hlediska vzorců generování AI, stylistické jednotnosti na úrovni skupiny a absence stop iterativního autorství, které běžně vykazuje reálná práce studenta. To není známka, je to příznak, který vytáhne práce stojící za rozhovor v konzultačních hodinách.

Vrstva nástrojů, která to činí praktickým

Největší námitka proti modelu výše je logistická. Reálné třídy mají stovky studentů; reální vyučující nemají čas číst každé odevzdání řádek po řádku, provádět ústní obhajobu u každého úkolu nebo si všimnout skupinových vzorců od oka. Nástroje musí provést počáteční skenování, aby člověk mohl uplatnit svůj úsudek u případů, na kterých záleží.

Jak to vypadá v praxi pro skupinu CS1 s 200 studenty:

• Automatické skenování odevzdaných prací: Každý nahraný soubor projde detekcí AI, která vrátí skóre spolehlivosti a označení jednotlivých bloků. Plagly.ai provádí tuto analýzu s 99% přesností napříč modely jako GPT-5.5, Claude 4.6, Gemini 3.1 a dalšími hlavními modely, včetně specifických kódových variant, které tyto modely preferují.
• Panel na úrovni skupiny: Vyučující vidí shlukování stylistických vzorců v celé skupině. Když osm odevzdaných prací sdílí idiomatické formulace, identickou hustotu komentářů a stejný vzorec defenzivního kódu, skupina se zobrazí k přezkoumání.
• Stopy autorství: Modul Agentic Council od Plagly.ai — sedm expertních modelů analyzujících odevzdanou práci z hlediska kvality psaní, struktury, detekce AI, originality a konzistence — vygeneruje zprávu s referencemi. Zpráva neobviňuje z akademické nepoctivosti, pouze dokumentuje vzorce, které může vyučující vyšetřit.
• Cílené rozhovory v konzultačních hodinách: Studenti, jejichž práce se zobrazí s příznakem, absolvují pětiminutovou ústní kontrolu. Většina se rychle vyjasní, malá část těch, co ne, se stane případy, které vyučující řeší uvážlivě a formálně.

Cílem není chytit každého podvodníka. Cílem je udržet proces učení funkční pro studenty, kteří se chtějí učit. Třída bez ověřování je třída, kde pravidla určují studenti obcházející systém, zatímco poctivě pracující studenti jsou za hlupáky. Třída s ověřováním je třída, kde se drží společenská norma — úkoly stále učí, známky stále něco znamenají a absolventi stále umí programovat.

Výhled na 18 měsíců pro výuku programování

Většina aktivních pedagogů programování, s nimiž v roce 2026 mluvíme, sdílí pocit, že současný stav je neudržitelný. Domácí úkoly hodnocené podle úspěšnosti testů jsou strukturálně nekompatibilní s existencí autonomních kódovacích nástrojů. Něco musí ustoupit. Tři pravděpodobné směry, řazené zhruba podle vzrůstající pravděpodobnosti:

• Úplné zákazy umělé inteligence: Některé instituce se o to pokusí a většina selže. Zákazy jsou nevymahatelné, zásady se stávají nekonzistentní a studenti, kteří pravidla dodržují, jsou méně kvalifikovaní než studenti, kteří je nedodržují. Toto je nejhorší výsledek z obou světů a už se zdiskreditoval na několika univerzitách, které to zkusily v letech 2023–2024.
• Posun schopností směrem dolů v osnovách: CS1 začíná později, s větším důrazem na koncepční základy. CS2 pokrývá to, co CS1 pokrýval. Pokročilé kurzy se stávají více teoretickými, protože implementační část již není místem, kde probíhá učení. To se děje, pomalu.
• Posun hodnocení směrem k živé ukázce: Úkoly, které si vezmete domů, se stávají formativními. Sumativní známky jsou určeny živým kódováním pod dohledem, ústními obhajobami a prací viditelnou z procesu. Toto je směr, kterým se nejsilnější CS programy již ubírají, a je to směr, o kterém věříme, že se většina programů nakonec usadí.

Žádný z těchto výstupů neřeší otázku, co dělat tento semestr se studenty, které máte. Praktický krok je proto hybrid: ponechte si své aktuální úkoly, přidejte ověřovací vrstvu, která zachytí nejhorší případy, zařaďte jednu nebo dvě složky osobního hodnocení na kurz a začněte pomaleji s přepracováním osnov pro svět, kde je základem agentní umělá inteligence. Ověřovací nástroje vám poskytnou čas na přepracování kurikula, aniž byste mezitím ztratili tuto kohortu kvůli vibračnímu kódování.

Často kladené otázky

Je vibe coding vždy špatný, nebo je někdy lektigimní?

Je legitimní pro zkušené vývojáře pracující na osobních projektech s nízkým rizikem, kde jsou náklady na chyby malé a vývojář má základní dovednost hodnotit výstup, když na tom záleží. Je korozivní pro studenty, kteří si teprve budují základní dovednost, protože obchází kognitivní práci, kterou má výuka programování rozvíjet. Rozdíl je zhruba stejný jako rozdíl mezi tím, když si šéfkuchař objedná jídlo domů (zcela v pořádku), a studentem kulinářského oboru, který si objedná jídlo domů na svou závěrečnou zkoušku (není v pořádku). V obou případech jde o obdržení jídla, které sami neuvařili. Pouze jeden případ však ničí projekt výuky.

Mohou studenti tvrdit, že kód označený jako AI napsali sami?

Mohou, a někdy mají pravdu. Falešně pozitivní výsledky v detekci kódu jsou nejběžnější, když studenti píší kód velmi učebnicovým stylem, který se náhodně shoduje se vzorci, které AI typicky produkuje. Obhajitelný pracovní postup nebere detekční skóre jako rozsudek — bere ho jako podnět pro pětiminutový rozhovor. Student, který napsal svůj vlastní kód, jej dokáže vysvětlit, upravit na místě a sledovat jeho provádění. Student, který jej vygeneroval pomocí promptu, to téměř nikdy nedokáže. Rozhovor, nikoli skóre, je to, co otázku řeší. Zprávy Plagly.ai jsou navrženy tak, aby tento rozhovor podpořily, nikoli ho nahradily.

Jak se liší detekce AI v kódu od detekce AI v textu?

Detekce kódu používá podobné statistické základy — perplexitu, burstiness, stylometrické otisky prstů — ale aplikuje je na jiné povrchové vlastnosti. V kódu jsou nejvíce informativní signály strukturální spíše než lexikální: vzorce pojmenování proměnných, hustota a styl komentářů, idiomy použití knihoven, šablony zpracování chyb a volba idiomatických konstrukcí. Vícemodelové detektory dosahují v roce 2026 přesnosti 90–95 % u izolovaných odevzdání kódu a stoupají výrazně nad 95 %, když se analýza vzorců na úrovni skupiny spojí s hodnocením na úrovni souboru.

A co studenti, kteří AI upřímně využívají jako tutora bez kopírování výstupů?

To je skupina, pro kterou byla ověřovací vrstva výslovně navržena tak, aby ji nepenalizovala. Student, který použil AI k pochopení konceptu a poté napsal své vlastní řešení, vygeneruje kód, který neodpovídá vzorcům generování AI na úrovni řádků. Detekční signály zachycují výsledný produkt, nikoli proces rešerše. Pokud pravidla vašeho kurzu povolují AI jako tutora — a my si myslíme, že by měla — pracovní postup nadále funguje. Kontrolujete odevzdanou práci, nikoli studentskou metodu učení.

Funguje to u kurzů založených na projektu a vyvrcholení?

Ano, s adaptací. U vícetýdenní projektové práce s více soubory se nejužitečnější signály posouvají směrem k viditelnosti procesu: analýza historie odevzdání (objevil se kód v jednom velkém odevzdání, nebo se vyvíjel v průběhu času?), konzistence autorství napříč soubory (čte se kódová základna, jako by ji psal jeden člověk, nebo jako by byly sešity různé záplaty?) a dokumentace rozhodnutí o návrhu (může student vysvětlit, proč byly učiněny konkrétní architektonické volby). Projekty ve stylu Capstone nejvíce těží ze strukturované ústní obhajoby a písemného zdůvodnění návrhu, přičemž detekce umělé inteligence je spíše terciárním než primárním signálem.