Osobní web tradičně znamená pár týdnů zadávání designérovi, čekání na vývojáře, kompromisy. Vyzkoušel jsem to udělat jinak — přes AI. Tento web vznikl za týden, bez toho abych napsal jeden řádek kódu.
Není to návod, jak vyhodit dodavatele. Je to ukázka, co dnes AI reálně umí, kde má limity, a jak se k tomu postavit, ať si projekt děláte sami, nebo s týmem.
V článku najdete case study a čtyři ponaučení, která se hodí kdykoli pouštíte AI na nějaký projekt vlastní rukou.
Proč jsem se do toho pustil
Trh se mění rychleji, než firmy stíhají adoptovat. Vývojářské agentury i AI produkty jsou všude, ale procesy uvnitř firem zůstávají v éře "dodavatel — klient": dlouhá poptávková řízení, nedostatečný kontext, čekání na iterace. Mezitím se technologie posunula tak, že stejný výsledek jde dostat řádově rychleji.
Potřeba trhu se posouvá k internímu řešení. Typický příklad: firma chce interní ERP+CRM propojený s českými nástroji (účetnictví, e-commerce, sklady). Procesní konzultace přijde na statisíce za návrh, vývojářské studio na statisíce až miliony za implementaci. Realita: stačí, aby v týmu byl někdo, kdo zná firemní data a procesy. Víkend s Claude.ai plus pár dní práce — a ten člověk má větší část řešení hotovou. Externistům zbude doladění, ne stavba od nuly. Pokud řešíte přesně tohle, je to scénář pro Solution Architecture.
Vlastní orientace v nabídce. Mám software house Utima, SaaS Kanbu.ai, dělám poradenství. Klienti chtějí slyšet objektivní doporučení, ne pitch konkrétní mé služby. Tenhle web mi pomáhá nezávislou pozici komunikovat — proto vznikl jakubkubista.com odděleně od Utimy a Kanbu, v duchu AI poradenství bez vendor locku. Pozadí najdete na /o-mne.
Jak to fungovalo
Stanovil jsem si cílovku, vzal brand manuál Utimy jako vizuální základ, a v Claude.ai vytvořil dedikovaného agenta — strukturovaný projekt s podklady (obchodní cíle, obsahová strategie, technické zadání, způsob komunikace s Claude Code). Claude Code pak postavil web na míru, bez toho abych sáhl na zdrojový kód. Můj job byl iterovat: zpřesňovat zadání, recenzovat výstupy, posunovat detaily.
Co to dnes umí v praxi:
- Stavbu produkčního webu. Komplexní struktura, animace, responsivní design. Stack Next.js, TypeScript, Tailwind, deploy na Vercel. Doplňková infrastruktura (Resend, Cloudflare, reCAPTCHA, GA, GSC) jen pár řádků konfigurace.
- Iteraci v reálném čase. Místo zadávacího řízení a čekání jsem testoval varianty okamžitě. Něco se nelíbí? Reformulujete, regenerujete, srovnáte.
- Konzistenci. Agent v Claude.ai držel kontext napříč stovkami iterací. Dokumenty (positioning, brand, content, technical spec) zůstávaly synchronní.
Časové a finanční srovnání: klasický postup pro web této komplexity zabere měsíc až dva, řády statisíců Kč. AI postup mě stál týden práce, primárně cenu Claude Pro a Vercelu. Bonus: projekt je teď připravený na automatizaci publikace obsahu — content přes specializovaného agenta, později n8n flow.
Na co jsem narazil
1. CMS jsem přehodnotil. Původně jsem plánoval Payload CMS. Pak mi došlo: proč? Učit někoho další admin rozhraní zabírá čas a změnu obsahu přirozeněji deleguju na AI agenta na content marketing. Místo CMS dashboardu mám pipeline, kde řeknu agentovi "napiš blog post na téma X", on udělá draft, já reviduju, deployuju. Ponaučení: Než zavedete tradiční nástroj, zeptejte se, jestli ho v AI éře vůbec potřebujete.
2. Vrátili jsme se k vodopádu (částečně). Zní to kontroverzně, ale je to pravda. AI tvorba není agilní v klasickém smyslu — potřebuje dobré zadání předem. Bez ujasněné architektury a obsahové strategie generujete content, který spolu nedrží. Ponaučení: Investujte čas do specifikace před tím, než pustíte AI. To, co dřív byla "pre-projektová fáze", je dnes největší pojistka úspěchu.
3. LLM si bez zadání domýšlí. Bez instrukcí sklouzne k obecnostem — "moderní přístup", "komplexní řešení", "špičkové technologie". To nikdo nečte. Konkrétní čísla, jména, kontext = readable copy. Ponaučení: Dodávejte AI specifický kontext — interní data, jména klientů, čísla z reality. Generic in, generic out.
4. Bez metodiky se točíte v kruhu. První iterace byly chaos — měnil jsem názor, AI přepisovalo, ztrácel se kontext. Pak jsem si stanovil jasná pravidla (decision log, single source of truth, version control v markdownu) a najednou jsme jeli rovně. Ponaučení: Stanovte si na začátku metodiku, jak budete s AI pracovat — a v průběhu ji upravujte podle toho, co se učíte.
Co si z toho odnést
AI dnes umožňuje stavět věci, které byly dřív outsourcované nebo trvaly měsíce. Ale AI bez zadání = generický výstup. Investice do přípravy a metodiky se vrací řádově.
Pokud zvažujete podobný projekt ve své firmě (interní nástroj, web, automatizace), klíčová otázka není "můžeme to udělat přes AI?". Otázka je "máme dostatečně připravený kontext, aby to AI dokázala udělat dobře?"
Tento web je první iterace, ne finální verze. Postupně přidávám další obsah, automatizace pro publikaci, integrace.
Pokud ve své firmě řešíte podobnou otázku — kde AI dává smysl, kde ne, a jak to udělat efektivně — rád to s vámi proberu. Domluvit konzultaci →
/ Pojmy v článku /
