Agentic Leadership #4: Proč nejdřív zvládnout jeden nástroj perfektně — a pak teprve přecházet

Tool hopping: moderní prokrastinace v AI světě

Sleduješ AI novinky? Každý týden vychází nový nástroj. Každý měsíc tu máme nový „ChatGPT killer“. Každé čtvrtletí se mění žebříčky benchmarků. A komunita se přesouvá jako hejno ptáků – tento týden všichni mluví o Claude, příští týden o Gemini Ultra, pak o něčem dalším.

Výsledek? Spousta lidí zkusí každý nový nástroj, stráví dvě hodiny promptováním, řekne si „jo, tohle je fajn“ – a přejde na další. Za půl roku mají nainstalovaných 15 AI nástrojů, platí předplatné za 6 z nich, ale pořádně neumí ovládat ani jeden.

Tool hopping je moderní prokrastinace. Vypadá produktivně – pořád se učíš nové věci! – ale ve skutečnosti se pohybuješ pouze po povrchu, aniž bys kdy dosáhl hloubky, kde leží skutečné výsledky.

Tento díl série Agentic Leadership je o tom, proč hloubka vítězí nad šířkou – alespoň na začátku. A jak poté, co zvládneš jeden nástroj, fluidně rozšiřovat své portfolio.

Amatér vs. profík: kde je skutečný rozdíl

Je jedno, jestli mluvíme o řemeslníkovi, hudebníkovi nebo sportovci. Amatér má 10 nástrojů a ovládá každý z nich na 20 %. Profík má 2–3 nástroje, které ovládá na 90 % a více.

A paradoxně – profík s menším počtem nástrojů podá lepší výkon než amatér s větším arzenálem. Proč?

• Ví přesně, co jeho nástroj umí a – hlavně – co neumí
• Zná hranice, kde nástroj přestává fungovat spolehlivě
• Má workflow optimalizované na rychlost a konzistenci
• Při problémech ví, jak věci debugovat, ne jen znovu promptovat

V AI světě je to stejné. Hluboká znalost jednoho AI nástroje tě posune dál než povrchní znalost pěti.

Co vlastně znamená zvládnout AI nástroj perfektně

Tady je konkrétní rozbor na příkladu Claude Code – ale principy platí pro jakýkoliv AI nástroj.

Po 1 týdnu: Umíš základní příkazy. Víš, jak se ptát na úpravy v souboru. Rozumíš, jak začít nový projekt. Výsledky jsou slušné, ale občas se objevují nepochopitelné chyby.

Po 1 měsíci: Víš, jak psát efektivní instrukce. Rozumíš, proč Claude dělá určitá rozhodnutí. Umíš vytvořit soubor CLAUDE.md pro projektový kontext. Začínáš vnímat, kdy je vhodné proces přerušit a přesměrovat, ne jen čekat na výsledek.

Po 3 měsících intenzivního používání: Máš vybudovaný systém. Máš šablony CLAUDE.md pro různé typy projektů. Víš přesně, kdy Claude Code použít a kdy sáhnout po jiném nástroji. Tvoje prompty jsou stručné a přesné – přestals vše „převysvětlovat“. Začínáš využívat hooks, subagenty a MCP integrace.

Ten rozdíl mezi 1 týdnem a 3 měsíci je obrovský. A na tu úroveň 3 měsíců se nedostaneš tool hoppingem – tam se dostaneš jen díky soustavné praxi s jedním nástrojem.

Vedlejší benefit: principy přenositelné mezi nástroji

Tady je věc, která mě překvapila, když jsem šel do hloubky s Claude Code: hluboká znalost jednoho nástroje tě naučí principy, které jsou přenositelné i na jiné nástroje.

Naučíš se, jak AI modely obecně uvažují. Naučíš se, co funguje v instrukcích a co ne. Rozumíš konceptu kontextu a tomu, proč je důležité, jak rámuješ zadání. Pochopíš, kde AI spolehlivě exceluje a kde halucinuje.

A pak, když přejdeš na jiný nástroj – třeba z Claude Code na Cursor – přechod je mnohem hladší. Netvoříš znalost od nuly, přenášíš existující porozumění do nového prostředí.

Naopak: pokud „tool hopuješ“, nikdy tyhle principy hluboce neabsorbuješ. Stále se učíš jen povrchní věci – jak kliknout, jak se přihlásit, jak napsat základní prompt. Nikdy se nedostaneš k tomu, jak přemýšlet s nástrojem.

Moje zkušenost: proč jsem zůstal u Claude

Upřímně: byl jsem v pokušení přejít na jiné nástroje, když byl Claude drahý a jiné modely byly navenek srovnatelné. Vyšel GPT-4o a všichni psali, že je to konec Claude. Gemini Ultra měl skvělé benchmarky.

Přesto jsem zůstal. A tady je proč: měl jsem investováno 6+ měsíců hluboké práce s Claude. Věděl jsem přesně, jak na něj psát instrukce. Měl jsem systém CLAUDE.md vyladěný pro své projekty. Věděl jsem, kdy ho tlačit a kdy mu dát prostor.

Přechod na nový nástroj by znamenal ztrátu všeho toho kontextu a znalostí. Výsledky nového nástroje by byly horší – ne proto, že je model horší, ale proto, že bych s ním pracoval jako nováček.

Znalost nástroje je aktivum. Přecházej tehdy, když máš dobrý důvod – ne kvůli FOMO.

Jak poznat, kdy je čas přejít

Takže kdy je správný čas přejít na jiný nástroj nebo ho přidat do svého stacku? Tady jsou signály, které nejsou FOMO:

• Tvůj aktuální nástroj nedokáže spolehlivě dělat věci, které potřebuješ – ne občas, ale systematicky. Třeba chceš multi-agentní orchestraci a tvůj nástroj to prostě neumí dobře.
• Cena se stala problémem – tvůj workflow roste a náklady přestaly dávat smysl.
• Nástroj se zásadně zhoršil nebo zdražil – ne benchmarky horší o 2 %, ale skutečná degradace výkonu pro tvůj případ užití.
• Tvůj tým potřebuje něco jiného – ty zvládáš terminálový přístup, ale tvoji kolegové ne.

Naopak FOMO signály jsou: prý je lepší, má lepší marketing, benchmarky jsou vyšší, všichni v komunitě přecházejí. Tohle nejsou důvody.

Framework: 90denní výzva

Chceš si osahat, jaký je rozdíl mezi povrchní a hlubokou znalostí? Tady je konkrétní výzva:

Vyber jeden AI nástroj. Cokoliv – Claude Code, Cursor, ChatGPT, Gemini. Jeden.

Zaváž se na 90 dní. Každý pracovní den ho použij pro alespoň jeden reálný úkol. Pokus se ho nenahrazovat jiným nástrojem, i když by to bylo pohodlnější.

Dokumentuj, co funguje a co ne. Zapisuj si prompty, které daly skvělý výsledek. Zapisuj situace, kde nástroj selhal. Postupně buduješ svůj osobní playbook.

Jdi hlouběji každý týden. 1. týden: základy. 2. týden: pokročilejší prompting. 3. týden: integrace do workflow. 4. týden: okrajové případy a limity.

Po 90 dnech budeš znát nástroj na úrovni, která tě odliší od 95 % uživatelů.

Závěr: hloubka je konkurenční výhoda

V době, kdy každý zkouší každý nový nástroj a nikdo ho pořádně nezná, hluboká znalost jednoho nástroje je skutečnou konkurenční výhodou. Jsi rychlejší, spolehlivější a dostaneš lepší výsledky.

A pak, ze základny solidní znalosti, můžeš fluidně rozšiřovat. Přidat druhý nástroj. Pak třetí. Ale vždy s jasným záměrem – ne ze zvědavosti, ale proto, že to řeší reálný problém, který tvůj stávající stack neumí vyřešit.

V pátém a závěrečném dílu série se podíváme na to, jak vypadá reálná orchestrace AI agentů v praxi – konkrétní workflow, která šetří desítky hodin měsíčně.