50 dní, od nuly k v2.0: Co jsme se naučili při vývoji s AI

Za 50 dní jsme přešli z absolutní nuly na platformu s 10 pracovními prostory, 33+ AI endpointy, 16 nativními jazyky a více než 1 000 commity. Studie McKinsey (2024) uvádí, že týmy přijímající AI ve vývoji softwaru dodávají o 30–50 % rychleji než tradiční týmy. Naše zkušenost s budováním Nervus.io s Claude Code naznačuje, že toto číslo je konzervativní. Tento článek dokumentuje přesně, jak jsme to udělali, co fungovalo, co selhalo a co může zopakovat jakýkoli zakladatel.

Výzva: Vybudovat kompletní SaaS s minimálním týmem

Většina SaaS produktů na trhu s produktivitou potřebuje 12 až 18 měsíců k dosažení funkčního MVP, podle dat Founders Factory (2025). Týmy 5–10 inženýrů. Investiční kola. Product manažeři. Designéři. Tradiční model vývoje softwaru vyžaduje kapitál, čas a koordinaci mezi desítkami lidí.

Premisa Nervus.io byla jiná: vybudovat kompletní platformu pro osobní produktivitu poháněnou AI s využitím AI jako vývojového partnera, nikoli pouze jako pomocníka při psaní kódu. Nervus.io je platforma pro osobní produktivitu s rigidní hierarchií (Oblast > Cíl > Milník > Projekt > Úkol), AI koučinkem, hodnoticími přehledy a inteligentní správou úkolů. Skutečná složitost: 32+ databázových tabulek, 4 integrovaní poskytovatelé AI, kompletní finanční systém, CRM, návyky a onboarding flow, který nastaví životní strukturu uživatele za 3 minuty.

Nebyla to jednoduchá CRUD aplikace. Byl to operační systém pro život.

Rozhodnutí použít Claude Code jako vývojového partnera transformovalo rovnici. Místo najímání týmu jsme investovali do procesu. Místo tradičních sprintů jsme použili model realizace založený na fázích, který AI mohl sledovat, plánovat a vykonávat s plným kontextem.

Přístup: 516 plánů, 117 fází, 13 release

Diferenciátorem nebyla surová rychlost. Byl to model plánování. Každá funkce Nervus.io začínala jako detailní implementační plán — strukturovaný dokument s rozsahem, závislostmi, akceptačními kritérii a sekvencí realizace. Na konci projektu jsme měli 516+ vytvořených plánů a 117 realizovaných fází.

Jak funguje fázový model

Každá fáze je soběstačná jednotka práce. Obsahuje:

• Definovaný rozsah: co je uvnitř, co je vně
• Mapované závislosti: které fáze musí být dokončeny jako první
• Akceptační kritéria: jak ověřit, že je hotovo
• Sekvence realizace: krok za krokem pro AI

Tento model řeší největší problém vývoje s podporou AI: kontext. Podle výzkumu Google DeepMind (2025) jazykové modely ztrácejí až 40 % přesnosti na úkolech s kódem, když kontext překročí 50 000 tokenů bez jasné struktury. Naše implementační plány fungovaly jako systém externí paměti — každá fáze měla veškerý potřebný kontext bez závislosti na tom, aby si model „pamatoval" předchozí rozhodnutí.

Kadence release

Release	Období	Klíčové výstupy
v1.0	Dny 1–5	Základní hierarchie, autentizace, CRUD entit
v1.1–1.3	Dny 6–15	Pracovní prostor Focus, kalendář, systém tagů
v1.4–1.6	Dny 16–25	AI inline návrhy, chat s entitami, hodnocení
v1.7–1.9	Dny 26–35	Finanční modul, CRM, návyky a trackery
v2.0–2.0.5	Dny 36–50	Internacionalizace (16 jazyků), onboarding v3, admin panel, tvorba obsahu

13 velkých release za 50 dní znamená, že každý release proběhl v průměru každé 3,8 dne. Tradiční tým dělá dvoutýdenní nebo měsíční release. Rozdíl není jen rychlost — je to schopnost iterovat a korigovat kurz s mnohem vyšší frekvencí.

Tradiční vs. AI-asistovaný vývoj: Kde je skutečný rozdíl

Data Gartner (2025) ukazují, že 75 % podnikových organizací bude do roku 2028 používat nástroje pro vývoj s podporou AI. Ale „používání AI" je široké spektrum. Pro tuto případovou studii je srovnání specifické: vývoj SaaS s minimálním týmem.

Dimenze	Tradiční vývoj	AI-asistovaný (Claude Code)
Čas do MVP	12–18 měsíců (Founders Factory, 2025)	50 dní
Velikost týmu	5–10 inženýrů	1 zakladatel + AI
Náklady na vývoj	$150K–$500K (seed fáze, data a16z)	Náklady na předplatné AI nástroje
Release za měsíc	1–2	7–8
Implementační plány	Manuální PRD, ~20–30 za kvartál	516+ automatizovaných plánů
Podporované jazyky	1–3 (s lokalizačním týmem)	16 nativních (s AI)
AI endpointy	Závisí na manuální integraci	33+ se vzorem adaptéru
Review/QA pokrytí	Manuální + CI/CD	AI review + automatizované testy

Nejpodceňovanější výhodou je snížená koordinační režie. V tradičních týmech se významná část času tráví na schůzkách ke sladění, code review, dokumentaci a předávání. Studie „The Cost of Interrupted Work" (University of California, Irvine) ukazuje, že vývojáři softwaru ztrácejí 23 minut na znovuzískání soustředění po každém přerušení. S AI jako partnerem koordinační přerušení jednoduše neexistují.

Technická rozhodnutí, která vše urychlila

Rychlost vývoje není jen o AI nástroji. Stack záleží. Špatné volby v den 1 vytvářejí technický dluh, který vše zpomaluje od dne 30 dál. Níže uvedená rozhodnutí byla záměrná:

Next.js 16 + React 19 (App Router)

Volba frontendového frameworku definovala architekturu. Next.js s App Routerem umožnil serverové komponenty, streaming a API routes ve stejném projektu. Nulová potřeba samostatného backendu. Podle State of JS Survey (2025) je Next.js nejadoptovanějším frameworkem pro nové projekty (38% podíl na trhu), což znamená, že AI měl více trénovacích dat pro generování správného kódu.

Supabase jako Backend-as-a-Service

Spravovaný PostgreSQL s Row Level Security (RLS), integrovaná autentizace (Magic Link + Google OAuth) a real-time odběry. Rozhodnutí použít Supabase eliminovalo týdny vývoje autentizační a bezpečnostní infrastruktury. RLS zajistilo, že každý uživatel vidí pouze svá data bez vlastního kódu — bezpečnost na úrovni databáze.

Multi-Provider AI (4 poskytovatelé)

Místo spoléhání na jednoho poskytovatele AI jsme implementovali vzor adaptéru se 4 poskytovateli: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) a DeepSeek. Systém provádí tier routing: jednoduché úkoly (inline návrhy, kategorizace) používají rychlé, levné modely; složité úkoly (review insights, globální chat) používají prémiové modely.

Praktický přínos: odolnost a optimalizace nákladů. Když má jeden poskytovatel nestabilitu, systém automaticky přepne. Náklady na uživatele zůstávají pod kontrolou, protože 70 % AI volání využívá „rychlou" úroveň.

Internacionalizace s AI

16 nativních jazyků za 24 hodin. Ne automatický překlad ve stylu Google Translate — skutečná lokalizace s kontextem. AI dostal anglické texty s kontextem použití (popisky tlačítek, chybové zprávy, názvy pracovních prostorů) a vytvořil překlady respektující konvence každého jazyka. Portugalština (BR a PT), španělština, francouzština, němčina, italština, holandština, polština, turečtina, švédština, dánština, norština, finština, rumunština a čeština.

Kent Beck, tvůrce Extreme Programming, v roce 2024 uvedl: „AI nenahrazuje programátory. Nahrazuje ty části programování, které programátoři vždy nenáviděli. Plánování, boilerplate, opakující se vzory. Co zůstává, je myšlení." Naše zkušenost toto pozorování potvrzuje — AI urychlil realizaci, ale každé architektonické rozhodnutí, uživatelský tok a priorita funkcí vyžadovaly lidský úsudek.

Co fungovalo a co ne

Transparentnost je součástí našeho procesu budování na veřejnosti. Ne vše bylo exponenciální zrychlení. Některá poučení přišla tvrdou cestou.

Co fungovalo

1. Implementační plány jako „externí paměť" AI. Model 516+ plánů nebyl byrokracie — byl to infrastruktura, která umožnila AI udržovat kontext mezi relacemi. Každý plán měl jasný rozsah, závislosti a akceptační kritéria. AI nemusel „hádat," co má dělat.

2. Rychlá kadence release (3,8 dne). Časté release znamenají krátké zpětnovazební smyčky. Každý release byl příležitostí ověřit rozhodnutí a korigovat kurz, než se nahromadí technický dluh. Eric Ries v The Lean Startup prokázal, že startupy s cykly Build-Measure-Learn pod 2 týdny mají 3× vyšší šanci přežít první 2 roky.

3. Moderní, dobře zdokumentovaný stack. AI generuje lepší kód, když je stack populární a dobře zdokumentovaný. Next.js, React, Tailwind, Supabase — vše s velkými komunitami a rozsáhlou dokumentací. To snižuje halucinace a nesprávný kód.

4. Vzor adaptéru pro poskytovatele AI. Rozhodnutí abstrahovat poskytovatele AI od prvního dne umožnilo měnit a přidávat poskytovatele bez přepisování kódu. Když se objeví lepší model, integrační náklady jsou minimální.

Co nefungovalo (nebo vyžadovalo korekci)

1. Podcenění složitosti finančních funkcí. Finanční modul (výkaz zisků a ztrát, automatická kategorizace, čisté jmění, opakované účty) spotřeboval 3× více plánů než se odhadovalo. Finanční data vyžadují absolutní přesnost — zaokrouhlování, multi-currency, detekce interních převodů. AI generoval funkční kód, ale finanční hraniční případy potřebovaly pečlivou lidskou revizi.

2. Onboarding vyžadoval 3 verze. První onboarding byl příliš obecný. Druhý příliš složitý. Teprve ve verzi 3, kdy AI generoval hierarchickou strukturu z přirozeného rozhovoru, jsme trefili rovnováhu. 3–5 minut, 5 kroků a uživatel odchází s nakonfigurovanými oblastmi, cíli, milníky a projekty.

3. Kontextové okno jako úzké hrdlo. Ve fázích s mnoha průřezovými závislostmi (např. integrace finanční + AI + hodnocení) potřebný kontext překročil to, co AI mohl přesně zpracovat. Řešením byla další dekompozice — menší fáze, atomičtější plány. Více režie na plánování, ale lepší kvalita výstupu.

Skutečná čísla: Vývojové metriky

Interní data projektu, ne odhady:

• 50 dní od nuly k v2.0.5 v produkci
• 117 fází realizovaných postupně
• 516+ implementačních plánů vytvořených
• 1 000+ commitů v repositáři
• 13 velkých release (v1.0 až v2.0.5)
• 32+ tabulek v databázi PostgreSQL
• 33+ AI endpointů s tier routingem
• 4 poskytovatelé AI integrováni (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query hooks s optimistickými aktualizacemi
• 16 nativních jazyků podporováno
• 10 aktivních pracovních prostorů ve finálním produktu
• 8 typů hodnoticích rituálů (týdenní až roční)

Tato čísla reprezentují hustotu funkcí — množství funkčnosti dodané za jednotku času. V tradičním vývoji by produkt s touto hloubkou trval minimálně 12–18 měsíců s týmem 5–10 lidí, s odhadovanými náklady $300K–$500K (na základě dat o nákladech na inženýry z Levels.fyi pro americký trh, 2025).

5 poučení pro každého, kdo buduje SaaS s AI

Zkušenost s budováním Nervus.io destilovala poučení aplikovatelná na jakéhokoli zakladatele využívajícího AI pro vývoj. Toto nejsou teorie — jsou to vzorce, které jsme pozorovali během 50 dní intenzivní realizace.

1. AI nenahrazuje myšlení — urychluje realizaci. Každá ze 117 fází začínala lidskými rozhodnutími: co budovat, proč, v jakém pořadí. AI realizoval „jak" 10× rychleji. Ale bez jasného „co" a „proč" na rychlosti nezáleží — prostě budujete špatnou věc rychleji.

2. Strukturované plánování je kritická infrastruktura. 516+ plánů nebyla režie — jsou to základy, které udělaly AI produktivním. Bez struktury AI produkuje obecný kód. S detailními plány (rozsah, závislosti, akceptační kritéria) produkuje kód, který do systému zapadá.

3. Vydávejte rychle, iterujte ještě rychleji. 13 release za 50 dní znamená 3,8denní cykly. Každý release je ověřovací bod. Náklady na opravu špatného rozhodnutí v den 5 jsou minimální; v den 50 jsou exponenciální. Frekvence release je zajištění proti špatným rozhodnutím.

4. Vyberte stack, který AI zná. Populární, dobře zdokumentované frameworky (Next.js, React, Supabase) produkují lepší AI výstup. Obskurní nebo velmi nové stacky generují více halucinací a nesprávného kódu. Popularita stacku přímo koreluje s kvalitou vývoje s podporou AI.

5. Abstrahujte externí závislosti od prvního dne. Vzor adaptéru pro poskytovatele AI stál 2 dny navíc na začátku. Ušetřil týdny po celou dobu životnosti projektu. Když jsme se rozhodli přidat DeepSeek jako čtvrtého poskytovatele, integrace trvala hodiny, ne dny.

Klíčové Poznatky

• AI jako vývojový partner urychluje dodání SaaS 5–10×, ale vyžaduje strukturované plánování a jasná lidská rozhodnutí o architektuře a prioritách.
• Fázový model s atomickými plány (516+ plánů, 117 fází) řeší největší úzké hrdlo vývoje s podporou AI: udržování kontextu mezi pracovními relacemi.
• Rychlá kadence release (průměrně 3,8 dne) funguje jako řízení rizik: každý release je kontrolní bod, který snižuje náklady na budoucí opravy.
• Populární, dobře zdokumentovaný stack je předpokladem, ne preferencí. AI generuje lepší kód, když je trénovací báze rozsáhlá.
• Lidská složitost (produktová rozhodnutí, UX, finanční hraniční případy) zůstává skutečným úzkým hrdlem — AI urychluje realizaci, ne úsudek.

FAQ

Je možné vybudovat kompletní SaaS s AI za 50 dní?

Ano, s omezeními. Zkušenost Nervus.io ukazuje, že je to proveditelné při použití Claude Code jako vývojového partnera, za předpokladu strukturovaného plánování (516+ plánů) a zakladatele s jasnou produktovou vizí. AI urychluje realizaci 5–10×, ale nenahrazuje architektonická rozhodnutí a prioritizaci funkcí.

Který AI nástroj je nejlepší pro vývoj softwaru?

Claude Code se ukázal jako efektivní pro full-stack vývoj (Next.js + React + Supabase). Hlavní výhodou je schopnost udržovat dlouhý kontext a sledovat strukturované implementační plány. GitHub Copilot se zaměřuje na autocomplete; Claude Code funguje jako kompletní softwarový inženýr.

Kolik stojí vývoj SaaS s AI místo tradičního týmu?

Náklady dramaticky klesají. SaaS se složitostí Nervus.io (32+ tabulek, 33+ AI endpointů, 16 jazyků) by stál $300K–$500K s tradičním týmem 5–10 inženýrů po dobu 12–18 měsíců. S vývojem s podporou AI se náklady omezují na předplatné nástrojů a infrastrukturu.

Co je fázový model ve vývoji s podporou AI?

Každá fáze je soběstačná jednotka práce s definovaným rozsahem, závislostmi, akceptačními kritérii a sekvencí realizace. Funguje jako externí paměť pro AI, čímž eliminuje problém ztráty kontextu mezi relacemi. Nervus.io realizoval 117 fází s 516+ detailními plány.

Může AI nahradit celý inženýrský tým?

Nenahradit — restrukturovat. AI eliminuje koordinační práci, boilerplate a opakovanou implementaci. Co zůstává, je práce na vysoké úrovni: architektonická rozhodnutí, návrh uživatelských toků, prioritizace funkcí a revize hraničních případů. Zakladatel se posouvá z „manažera týmu" na „AI ředitele."

Jak zajistíte kvalitu kódu, když AI píše většinu?

Tři strategie: (1) implementační plány s jasnými akceptačními kritérii, (2) lidské code review zaměřené na hraniční případy a obchodní logiku a (3) dobře zdokumentovaný stack, který snižuje halucinace. V Nervus.io finanční funkce vyžadovaly 3× více lidské revize než UI funkce.

Jaké jsou limity vývoje s podporou AI?

Kontextové okno je primárním omezením. Fáze s mnoha průřezovými závislostmi ztrácejí kvalitu. Řešením je dekompozice: menší, atomičtější plány. Navíc oblasti vyžadující absolutní přesnost (finance, bezpečnost) vyžadují pečlivou lidskou revizi bez ohledu na kvalitu generovaného kódu.

Funguje 50denní model pro jakýkoli typ SaaS?

Fázový model s AI je replikovatelný pro webové SaaS s moderním stackem. Produkty vyžadující vlastní hardware, silný regulační soulad (fintech, healthtech) nebo hlubokou integraci se starými systémy budou mít delší časové rámce. 50denní rychlost předpokládá čistý stack a rychlá produktová rozhodnutí.

Budujte se záměrem, ne s chvatem

50 dní vývoje Nervus.io nebyl závod s časem. Byl to kontrolovaný experiment v tom, jak AI může transformovat proces budování softwaru. Výsledek — platforma s 10 pracovními prostory, 33+ AI endpointy, 16 jazyky a více než 1 000 commity — dokazuje, že model funguje. Ale funguje proto, že v každé fázi byl záměr: strukturované plánování, záměrná rozhodnutí o stacku a jasnost o tom, co AI dělá dobře a kde je lidský úsudek nenahraditelný.

Pokud uvažujete o budování SaaS s AI, průvodce pro sólo zakladatele podrobně popisuje kompletní rámec, který jsme použili.

Nervus.io je platforma pro osobní produktivitu poháněná umělou inteligencí. Využívá rigidní hierarchii (Oblast > Cíl > Milník > Projekt > Úkol), aby uživatelům pomohla dosahovat smysluplných cílů s AI koučinkem, hodnoticími přehledy a inteligentní správou úkolů.

---

Napsáno týmem Nervus.io, který buduje produktivitní platformu poháněnou umělou inteligencí, jež přeměňuje cíle v systémy. Píšeme o vědě o cílech, osobní produktivitě a budoucnosti spolupráce člověka s AI.