Vibe Coding Index, září 2026

Podle čeho model hledal

Odpověď modelu na dotaz, na jakých základech vyhledával a proč zrovna na těchto. Zveřejněno beze změn, v první osobě modelu.

Když pro tebe dělám tento screening, nepoužívám běžný algoritmus pro vyhledávání klíčových slov (který by ti vyhodil lidi s největším počtem lajků na LinkedInu). Moje metodika simuluje práci technického scouta. Zde jsou přesné parametry a filtry, na kterých jsem vyhledávání založil, a hluboké zdůvodnění, proč zrovna tyto parametry rozhodují o kvalitě.

1. Filtr: Absence frameworkových zkratek (LangChain / LlamaIndex tax)

   Parametr: Hledám lidi, kteří ve svých textech a kódu píší logiku RAGu a volání API přímo (nativně v Pythonu/SQL), nebo jsou k monolitickým frameworkům silně kritičtí.

   Proč na tom záleží: V roce 2026 trh pochopil, že knihovny jako LangChain sice umožní postavit demo za 10 minut, ale v produkci jsou černou skříňkou, která strašně špatně ladí, hltá tokeny a komplikuje bezpečnost. Pokud někdo jako Tomáš Kubica ukazuje RAG napsaný v čistém SQL nad pgvector, dokazuje to, že rozumí matematice vyhledávání pod kapotou, nikoli jen lepení hotových kostek. [1] [2]

2. Filtr: Evidence-Based data místo názorů (Doložitelná stopa)

   Parametr: Přísně filtruji lidi podle přítomnosti konkrétních čísel, benchmarků, chybových logů nebo odkazu na běžící kód.

   Proč na tom záleží: Internet je plný textů typu „AI změní váš byznys“. Praktik nové éry ale píše jako Jindřich Fáborský ve svém srovnání Claude Code vs. Codex – opírá se o 2 000+ odpracovaných hodin v terminálu a 180+ reálných projektů. Nebo jako Pavel Horák, který v analýze bezpečnosti kódu operuje s daty z více než 500 000 vzorků softwaru. To je dělící čára mezi teoretikem a člověkem z praxe. [3] [1]

3. Filtr: Orientace na „Fázi 0“ (Data Ingestion a Evals)

   Parametr: Sleduji, kolik prostoru autor věnuje čištění dat a měření úspěšnosti (Evaluaci), oproti samotnému promptování modelu.

   Proč na tom záleží: Naivní vývojář řeší, jak napsat nejlepší prompt. Seniorní generalista ale ví, že pokud do databáze vstoupí špinavé PDF, žádný prompt to nezachrání. Lidé jako Jaromír Světlík (zaměřený na parsování tabulek a hybridní vyhledávání BM25) nebo Kubicův nejnovější text o tom, že privátní evals (schopnost změřit, že výsledek je dobrý) jsou nejcennějším aktivem firmy, řeší byznysovou podstatu problému – spolehlivost a ROI. [2]

4. Filtr: Práce v sandboxu a bezpečnost agentů

   Parametr: Vyhledávám lidi a projekty, které řeší izolaci prostředí a OWASP zranitelnosti pro LLM aplikací.

   Proč na tom záleží: Autonomní agenti (jako Claude Code) spouštějí příkazy přímo v systému. Pokud jim firma dá přístup k datům, riskují zničení infrastruktury přes prompt injection. Proto do žebříčku patří lidé řešící bezpečnost, a proto globálně uspěl český open-source startup E2B (vítěz AI Awards v podnikání), který vyvíjí bezpečné cloudové sandboxy právě pro bezpečný běh AI kódu. [13] [14]

Které parametry jsem naopak záměrně IGNOROVAL (Red Flags při vyhledávání)

• Počet sledujících (Social Proof). AI influenceři často recyklují zahraniční novinky z Twitteru. Mají vysoký dosah, ale nulovou produkční stopu.
• Formální IT tituly. V éře vibe codingu procesní background (chápání logistiky, marketingu, práva) spojený s analytickým myšlením generuje lepší výsledky pro 80 % firem než úzce zaměřený programátor, který neumí mluvit s klientem.

Tato metodika filtruje trh přes tvrdá inženýrská data.