Konec promptování? Vývojáři místo promptů navrhují smyčky

Každý, kdo pracuje s umělou inteligencí, zná ten rituál. AI něco vygeneruje, vy výstup zkontrolujete, najdete chybu, zadáte opravu a celé kolečko běží znovu. Právě tenhle únavný pingpong možná končí. V komunitě kolem AI v posledních měsících rezonuje koncept zvaný loop engineering, tedy navrhování smyček, které opravný kolotoč zvládnou bez vás.

Rada, která dva roky platila, přestává fungovat

Poslední dva roky zněla nejčastější rada ohledně umělé inteligence jasně: naučte se psát lepší prompty. Schopnost přesně popsat stroji, co od něj chcete, oddělovala lidi se skvělými výsledky od průměru. Šlo přitom míň o formu a víc o obsah, tedy o umění domyslet zadání do důsledku.

Jenže samotní tvůrci AI systémů, inženýři ve špičkových laboratořích, mezitím promptovat téměř přestali. Když dnes popisují svou práci, mluví o navrhování smyček, nikoli o psaní promptů. Modelu už nediktují jednotlivé kroky, místo toho stavějí procesy, ve kterých si AI kroky určuje sama.

Na první pohled to zní jako slovíčkaření, vždyť napsat smyčku pořád znamená psát instrukce. Mezi instrukcí a cílem ale leží propastný rozdíl. Instrukce říká: udělej teď tuhle konkrétní věc. Cíl říká: tady je výsledek, který chci, cestu si najdi sám a nezastavuj se, dokud tam nedorazíš.

Proč jste brzdou právě vy

Podívejme se, kde starý model drhne. U složitého úkolu napíšete obří detailní prompt, AI vygeneruje odpověď, vy v ní najdete chybu nebo halucinaci, napíšete druhý prompt, AI se omluví a zkusí to znovu, a vy objevíte další problém. Připomíná to mikromanagement stážisty, kterému stojíte za zády a chcete vidět každou větu, kterou napíše.

V tomhle scénáři tvoříte smyčku vy sami. Jste úzké hrdlo, pomalý biologický most mezi jednotlivými výpočetními kroky, protože AI zpracovává data a píše kód řádově rychleji, než vy stíháte číst a psát další instrukce. Ruční kontrolou každého kroku škrtíte výkon stroje na rychlost vlastního psaní, podobně jako kdybyste formuli nasadili omezovač jen proto, že vedle ní někdo musí běžet.

U banálních úkolů, jako je shrnutí článku nebo rychlý nástřel mailu, tenhle přístup samozřejmě stačí a žádné smyčky nepotřebujete. Vývoj softwaru nebo rozsáhlý průzkum trhu ale vyžadují postupné pilování v desítkách mikrokroků a tam jednorázové prompty narážejí na strop.

Ralphova smyčka: primitivní důkaz, že to jde

První surový důkaz přinesl začátek roku 2026. Vývojáři začali používat postup, kterému s nadsázkou říkali Ralphova smyčka podle Ralpha Wigguma ze Simpsonových. Šlo o AI agenty puštěné v obyčejné programové smyčce v terminálu, tedy v nejjednodušším skriptu, který opakuje jeden příkaz tak dlouho, dokud mu člověk neřekne dost. Žádné složité nástroje nad tím nestály: stačil agent, jeho vlastní výstup a dokument se zadáním, který dostával stále znovu. Vyber úkol, zkus ho nasadit, zkontroluj zadání, spusť čistou instanci a opakuj.

Ukázalo se něco zásadního. Když z monotónního opakování vyřadíte lidský faktor, AI dokáže problém systematicky osekávat sama. Koncept nabral tempo, texty a návody o stavbě smyček sbírají ve vývojářské komunitě miliony zhlédnutí a velcí hráči včetně Anthropicu zabudovali podporu smyček přímo do svých nástrojů.

Validátor místo pocitu

Když si odmyslíte marketingový humbuk, zbydou čtyři kroky, které se točí dokola. Agent nejprve zmapuje aktuální stav projektu, pak určí další krok, provede ho a nakonec ověří, jestli akce fungovala. Cyklus běží znovu a znovu, dokud agent nedosáhne finálního cíle.

Logická námitka zní: pokud si AI sama plánuje, pracuje a pak se sama kontroluje, známkuje si vlastní písemku. Všichni víme, jak sebevědomě se jazykové modely chovají, i když se fatálně pletou. Zeptejte se kteréhokoli z nich, jestli jeho práce vypadá dobře, a bez váhání odpoví, že naprosto fantasticky.

Právě tady leží rozdíl mezi laciným tlačítkem „zkus to znova“ a skutečnou autonomní smyčkou. Skutečná smyčka stojí na objektivním, neúprosném validátoru. Místo dotazu na subjektivní pocit AI nastoupí externí nástroj k měření: prošlo všech 50 testů, načetla stránka pod 50 milisekund, obsahuje soubor přesně tyhle datové klíče? Nástroj vrátí jednoduché ano, nebo ne, bez pocitů a bez názorů.

Pokud odpověď zní ne, systém vyplivne chybový protokol a předhodí ho AI jako nový prompt. Vás celý proces obchází. Co dřív znamenalo dvacet ručních pokusů, pročítání záznamů a neustálé opravování, teď proběhne dvacetkrát tiše na pozadí a AI se přihlásí o slovo, až když je opravdu hotovo.

Paralelní smyčky: kampaň vznikne, zatímco jedete na kole

Jeden agent s jedním úkolem představuje jen začátek. Skutečnou sílu poznáte, když zapojíte paralelní smyčky. Systém dostane jednoduché zadání, třeba zvětšit e-mailovou databázi a rozhýbat komunitu, a naráz spustí tři autonomní agenty, každého s vlastní smyčkou, ale se společným cílem.

Aby si nelezli do zelí, sdílejí stav projektu přes společnou paměť, jakousi digitální tabuli, ze které všichni čtou a na kterou zapisují. První agent staví osobnostní kvíz pro sběr e-mailů a průběžně hlásí postup na tabuli. Druhý prochází Reddit a sociální sítě a hledá trendy. Třetí si tabuli přečte, propojí hotový kvíz s trendy a spustí vlastní smyčku pro tvorbu ucelené marketingové kampaně. Kampaň, kterou by lidský tým ladil několik dní, tak vzniká během vaší odpolední projížďky na kole.

Jak daleko celý princip může zajít, ukazuje sám Anthropic. Claude Code, který funguje výhradně ve smyčkách, tam údajně generuje kolem 80 procent schváleného produkčního kódu. A všechny kontroly nového kódu před nasazením do provozu, které dřív musel ručně dělat seniorní inženýr, dnes procházejí přes AI a smyčky: vteřinu po odeslání proběhnou testy, odhalí slabiny a systém kód sám opraví, vrátí, nebo schválí, na pozadí a bez ptaní.

Jak smyčku postavit, aby neselhala

Dobrá zpráva zní, že začít můžete dnes, pokud pohlídáte čtyři věci.

První je měřitelný cíl a právě tady většina lidí pohoří. Zadání „předělej web, ať působí moderně“ nefunguje, protože moderní design je pocit a pocit žádný nástroj nezměří, takže se v něm AI ztratí. Potřebujete cíl vyjádřený exaktně: převeď web do přesně tohoto designového stylu a zajisti, aby konzole při načtení nehlásila jedinou chybu. Pojem hotovo musí mít naprosto přesnou definici, jinak smyčka vždycky selže.

Druhou věcí jsou nástroje, protože smyčka bez nich jen generuje text. AI potřebuje přístup k souborům, aby mohla číst a zapisovat kód, vyhledávač pro sběr aktuálních dat a automatické testy pro kontrolu, tedy ruce k práci a přístroje k měření. V praxi to znamená maximum propojení a serverů MCP, které jí umožní práci reálně vykonávat.

Třetí je stav a paměť. AI model má omezené kontextové okno a smyčka běžící několik hodin ho snadno přeteče, takže agent zapomene, co dělal na začátku. Systém proto potřebuje paměťový soubor, obyčejný textový dokument, kam si agent zapisuje průběh jako kapitánův deník: tuhle cestu vynech, tohle jsem zkoušel a nefungovalo. Bez těchto drobečků smyčka zabloudí a buď zkouší nefunkční řešení pořád dokola, nebo spálí tokeny bez výsledku.

Čtvrtou a nejdůležitější součástí je validátor, skutečné úzké hrdlo celého systému. Jedinou zeď mezi smyčkou a chaosem netvoří AI, nýbrž test, který pro ni navrhnete. Slabý validátor znamená, že smyčka testy formálně splní, ale výstup bude odpad, protože AI si nedomyslí, jak jste zadání mysleli, a dodá přesně to, co měříte, a nic víc. Do smyčky proto patří jen opakovatelné a exaktně ověřitelné úkoly, nikdy věci, které objektivně změřit nejdou.

Odvrácená strana: peněženka a falešné jedničky

Smyčky nesou dvě velká rizika. To první jsou finance. Trochu to připomíná hrací automat: taháte za páku, doufáte v jackpot a vysáváte si peněženku. Smyčka, která bez dozoru kupí chyby, je škáluje stejně efektivně jako věci, které dělá dobře, a pokaždé, když agent přemýšlí, plánuje, jedná a ověřuje, platíte za každé slovo. Koluje případ vývojáře, který testoval smyčky ve velkém a za jediný měsíc nasbíral účet za tokeny ve výši 1,3 milionu dolarů, tedy přes 30 milionů korun za 30 dní. V klasickém předplaceném Claudu vás zastaví limit, u přístupu přes API si ale dejte opravdu pozor.

Druhé riziko je subtilnější: AI optimalizuje pro test, ne pro skutečný cíl. Téměř každá bezpečnostní studie o AI dnes opakuje totéž. Model má za úkol dodat aplikaci, která projde testem, ne aplikaci, která reálně dělá, co jste chtěli. Když chcete, aby aplikace při zapnutí nevyhodila chybu, nabízí se AI jednoduché řešení: vypnout hlášení chyb. Proto je klíčové zadávat smysluplné metriky, které odrážejí reálnou funkci výstupu.

Obranou proti obojímu je tréninkový režim. Novou smyčku nenechávejte bez dozoru hned od začátku a nastavte systém tak, aby před každým dalším kolem vyžadoval lidský souhlas: naplánuje, provede, ověří a pak počká na vaše svolení. Sledujte prvních pár cyklů, ověřte si, že validátor chytá reálné chyby a že vás smyčka netáhne do drahé slepé uličky. Teprve když architektuře plně důvěřujete, vypněte schvalování a pusťte ji z řetězu.

Co zbyde člověku

Tenhle posun je zásadnější, než se zdá. Z prompt inženýrů se stávají systémoví architekti, kteří přecházejí od diktování jednotlivých kroků k definování celých cílů. Místo ručního pokládání každé cihly rozhodujete, kde bude celá stavba stát.

I tohle přirovnání se ale pomalu hroutí. Teď, v polovině roku 2026, držíme otěže ještě my: píšeme smyčky, určujeme cíle a vypouštíme AI na svobodu. Jakmile ale AI dokáže sama vyhodnotit, že nějaký proces stojí za zefektivnění, umí ověřit kód a zmapovat díru na trhu, nic jí principiálně nebrání postavit si vlastní validátor a jet ve smyčce tak dlouho, dokud nevypustí vlastní produkt bez člověka, který by jí dal směr.

Hodnota lidské práce se posouvá do stále větší abstrakce: nejdřív jsme přestali vykonávat manuální práci, teď ji přestáváme kontrolovat. Co si počneme s časem, který nám smyčky uvolní? A dokáže člověk ve světě, kde stroj splní každý měřitelný cíl, uhájit hodnotu věcí, které žádný validátor nikdy nespočítá?