Jak singapurský otec vytvořil aplikaci pro sledování miminka pomocí Claude Code

Singapurský otec Frank Chester Tan nezačal tím, že by se učil programovat. Když už bylo po pěti měsících příliš náročné zapisovat na papír, kolik jeho syn Raphael jedl, spal a kolikrát měl mokrou či špinavou plenku, využil Claude Code jako vývojového asistenta ovládaného běžným jazykem. Zaplatil si předplatné Claude Pro za 30 dolarů měsíčně, pracoval v Terminálu na Macu a připravil podrobnou čtyřstránkovou specifikaci produktu.

Výsledkem byla personalizovaná webová aplikace pro sledování miminka. Nešlo však o jednoduché stisknutí tlačítka a hotový program. Tan musel přesně popsat, co má aplikace umět, výsledek průběžně testovat a opravovat chyby či nedostatky.

Co aplikace umí

Tan a jeho manželka Estee Cheng chtěli jednodušší způsob, jak zaznamenávat každodenní režim svého dítěte a porovnávat ho s vývojovými doporučeními. Aplikace proto vycházela z úkonů, které rodiče už běžně prováděli:

• soukromý panel, do něhož mohou oba rodiče přistupovat a zapisovat údaje v reálném čase;
• zadávání krmení mlékem a výměny plen jedním klepnutím;
• sledování příznaků a potravinových alergií;
• automatické výpočty denních součtů;
• přehledy spánku, zdřímnutí, příjmu mléka a používání plen;
• porovnání údajů podle věku dítěte s doporučeními singapurských zdravotnických zdrojů HealthHub a KK Women’s and Children’s Hospital, která se aktualizují s jeho růstem.

Právě úzce vymezený problém byl pro projekt klíčový. Tan po Claude Code nechtěl jen obecnou „rodičovskou aplikaci“. Popsal, jaká data mají rodiče zadávat, jaké výpočty má systém provádět a jak mají oba uživatelé k informacím přistupovat.

Nejprve požadavky, teprve potom kód

Tanův postup připomínal zjednodušený vývoj softwaru, přestože sám nebyl programátor. Začal podrobnými požadavky napsanými obyčejnou angličtinou a Claude Code následně využil k jejich převedení do aplikace.

Jeho pracovní postup vypadal takto:

1. Stáhl a spustil Claude Code prostřednictvím Terminálu na Macu.
2. Vytvořil čtyřstránkový dokument s popisem funkcí a chování aplikace.
3. Požádal Claude Code, aby podle požadavků aplikaci vytvořil a každý krok vysvětlil tak, aby mu rozuměl i člověk bez zkušeností s programováním.
4. Založil účty na platformách GitHub, Supabase a Vercel.
5. Jednotlivé služby propojil: GitHub uchovával kód, Supabase zajišťoval databázi a ověřování uživatelů a Vercel aplikaci nasadil na web.

Každá z těchto služeb měla jinou úlohu. Claude Code sloužil jako rozhraní pro vývoj, GitHub jako úložiště kódu, Supabase jako backendová infrastruktura a Vercel jako nástroj pro zveřejnění aplikace. Tan tak mohl přejít od písemného nápadu k fungující webové aplikaci, aniž by se nejprve musel naučit celý tradiční programátorský ekosystém.

Proč záleželo na přesných zadáních

Tan neočekával, že první verze bude bezchybná. Aplikaci testoval, popisoval, co v ní chybí nebo nefunguje správně, a žádal Claude Code o další úpravy. Celý proces byl iterativní: zadat pokyn, prohlédnout výsledek, vyzkoušet ho a vylepšit.

Z jeho zkušenosti vyplynulo jednoduché pravidlo: neurčité pokyny obvykle vedou k neurčitým výsledkům. Čím přesněji popsal požadovaná pole, oprávnění, výpočty a způsob používání, tím užitečnější výstup získal. Claude Code podle něj zpravidla rozuměl i nedokonalé či „rozbité“ angličtině. To ale neznamená, že každý požadavek automaticky obsahuje všechny potřebné informace.

Pro uživatele nástrojů s umělou inteligencí je to důležitý rozdíl. Vývoj pomocí přirozeného jazyka může snížit vstupní bariéru, neodstraňuje však nutnost dobře definovat požadavky a výsledek ověřovat.

U výzkumu AI nestačila ani citace

Tan Claude Code využíval také společně s nástrojem Perplexity AI pro vyhledávání informací, protože Perplexity uvádí citace. Ani citovaný výsledek však automaticky nepovažoval za spolehlivý.

Když se ve výzkumu objevilo tvrzení, že mezi významné alergeny v Singapuru patří především ryby s ploutvemi, zpozorněl. Z jeho zkušenosti byly známější obavy spojené s měkkýši. Zkontroloval proto uvedený materiál a údaj v aplikaci opravil. Tento případ zároveň ukazuje širší riziko: systémy pro vyhledávání pomocí AI mohou uvádět citace vedoucí k neexistujícím studiím. Zdravotní informace proto vyžadují nezávislé ověření, i když jsou doplněny odkazy nebo citačními značkami.

U aplikace týkající se miminka byla tato opatrnost obzvlášť důležitá. Nástroj mohl uspořádat pozorování a porovnávat je s doporučeními, neměl však nahrazovat lékařské posouzení ani sloužit jako důkaz správnosti zdravotních tvrzení vytvořených AI.

Ze stejného přístupu vznikl překladač

Dovednosti, které Tan získal při tvorbě aplikace, využil i ve své další práci. Vytvořil překladový nástroj s jediným tlačítkem, který dokáže převádět anglický obsah do 48 jazyků.

Jeho instrukce nepožadovaly doslovný převod slov. Nástroj měl nejprve pochopit význam, záměr a přesvědčovací účel původního textu. Teprve potom měl vytvořit přirozený text v cílovém jazyce, nikoli zachovávat anglické obraty, rytmus nebo způsob uvažování.

Stejně jako u aplikace pro rodiče tedy rozhodovalo především to, zda uživatel vysvětlí cíl, kontext a omezení — ne pouze samotný úkol.

Lekce pro lidi bez programátorských zkušeností

Tanův příběh není důkazem, že umělá inteligence dokáže vývoj softwaru zcela zautomatizovat. Stále musel najít konkrétní problém, sepsat podrobnou specifikaci, založit účty, propojit služby, aplikaci testovat a zpochybňovat nespolehlivé výsledky výzkumu.

Ukazuje ale, že pomocí AI může člověk bez znalosti kódování začít u užitečného produktu, nikoli u několikaletého studia programování. Pro Tana se experimentování a schopnost formulovat jasná zadání stávají praktickými dovednostmi pro běžné uživatele — včetně těch, kteří nepíšou dokonale anglicky.

Nejpřenosnější ponaučení proto nezní „AI dokáže vytvořit cokoli“. Spíš jde o to, že lidé bez technického vzdělání mohou pomocí AI prototypovat úzce zaměřené nástroje, pokud si ponechají odpovědnost za požadavky, testování a posouzení faktické správnosti.