S nástupem AI nástrojů pro programování se mění způsob, jakým vzniká software. Modely jako Claude, Copilot nebo Cursor dnes dokážou nejen doplňovat kód, ale často také navrhují architekturu aplikace, vybírají knihovny a konfigurují infrastrukturu. Vývojář tak stále častěji zadá pouze úkol a AI rozhodne o tom, jaké technologie se použijí.

Právě na tuto otázku se zaměřila studie What Claude Code Actually Chooses od výzkumníků z Amplifying. Ti analyzovali, jak se agent Claude Code rozhoduje při výběru nástrojů pro různé části aplikací. Výsledky ukazují nejen konkrétní technologické preference, ale také naznačují, jak může AI postupně ovlivňovat celý softwarový ekosystém.

Jak výzkum probíhal

Autoři studie připravili několik typických vývojářských scénářů a nechali Claude Code rozhodovat o technologickém stacku. Prompty byly záměrně formulované obecně, například ve stylu „jaký nástroj použít pro databázi“ nebo „jak implementovat autentizaci“. V zadání se neobjevovala jména konkrétních nástrojů, aby model nebyl nijak ovlivněn.

Celkem bylo analyzováno 2430 odpovědí napříč třemi modely Claude (Sonnet 4.5, Opus 4.5 a Opus 4.6). Scénáře pokrývaly čtyři různé typy projektů a dvacet kategorií nástrojů – od databází a CI/CD přes testování až po monitoring.

Z těchto odpovědí se podařilo extrahovat 2073 jednoznačných doporučení nástrojů, což představuje zhruba 85% úspěšnost identifikace konkrétní technologie.

AI často žádný nástroj nedoporučí

Jedním z nejzajímavějších zjištění je, že Claude Code poměrně často žádný nástroj vůbec nedoporučí. Místo toho navrhne implementaci přímo v aplikaci.

Takzvané Custom nebo DIY řešení bylo ve studii vůbec nejčastější volbou. Objevilo se ve dvanácti z dvaceti sledovaných kategorií a celkově bylo doporučeno 252krát, což je více než u jakéhokoli jednotlivého nástroje.

Typicky jde o oblasti, kde lze relativně snadno napsat vlastní implementaci. Claude Code tak například navrhuje vlastní řešení pro:

• feature flags
• jednoduché caching mechanismy
• rate limiting
• některé části observability

Autoři studie upozorňují, že tento přístup může být důsledkem trénovacích dat. Modely byly trénovány na velkém množství otevřeného kódu, kde se podobné vlastní implementace objevují poměrně často. AI tak může reprodukovat styl programování, který viděla v datech.

Vzniká neoficiální „Claude Code stack“

Pokud Claude Code konkrétní nástroj skutečně doporučí, objevuje se poměrně jasný vzor. Studie identifikovala skupinu technologií, které model preferuje výrazně častěji než ostatní.

Mezi nejčastěji doporučované nástroje patří například GitHub Actions pro CI/CD, Stripe pro platby, Vercel pro deployment nebo PostgreSQL jako databáze. Ve frontendové části model často volí Tailwind CSS a knihovnu komponent shadcn/ui, pro správu stavu pak Zustand.

Poměrně silné preference jsou vidět i u dalších kategorií. Pro monitoring Claude Code často doporučuje Sentry, pro e-maily službu Resend, pro testování Vitest a jako package manager se objevuje pnpm.

U některých nástrojů byla dominance velmi výrazná. GitHub Actions například tvořily více než 90 % doporučení v kategorii CI/CD. Podobně silnou pozici měl Stripe mezi platebními řešeními.

Starší nástroje AI často přehlíží

Zajímavé je také to, které nástroje se ve výsledcích naopak téměř neobjevují. Některé dlouhodobě populární technologie byly ve studii doporučeny jen minimálně nebo vůbec.

Například Redux se neobjevil jako hlavní doporučení ani jednou. Podobně Express se v odpovědích prakticky nevyskytoval a testovací framework Jest se objevil jen v několika málo případech. Package manager Yarn byl doporučen pouze jednou.

Claude Code místo toho často volí modernější alternativy, například Zustand místo Reduxu nebo Vitest místo Jestu. V některých scénářích pak preferuje řešení přímo integrovaná do frameworku, takže samostatný backendový framework vůbec nenavrhuje.

To naznačuje, že AI může nepřímo urychlovat technologické trendy. Nástroje, které se objevují častěji v novém kódu a dokumentaci, mají větší šanci stát se i doporučením AI agentů.

Rozdíly mezi jednotlivými modely

Studie také ukázala, že různé modely Claude mají při výběru technologií odlišné chování.

Model Sonnet 4.5 byl ve výsledcích nejkonzervativnější. Častěji volil etablované nástroje, jako je například Prisma pro práci s databází nebo Redis pro caching.

Model Opus 4.5 naopak rozděloval doporučení mezi více různých nástrojů a působil vyváženěji.

Nejvíce experimentální byl Opus 4.6. Ten častěji vybíral novější technologie, například ORM Drizzle místo Prismy nebo nástroje pro background jobs jako Inngest. Zároveň také častěji navrhoval vlastní implementace místo existujících služeb.

AI jako nový distribuční kanál pro software

Podle autorů studie má tento výzkum širší dopady než jen přehled technologických preferencí. AI asistenti se totiž postupně stávají novým distribučním kanálem pro vývojářské nástroje.

Když vývojář požádá AI například o přidání autentizace nebo databáze, agent nejen doporučí konkrétní technologii, ale často také:

• nainstaluje potřebné balíčky
• vytvoří konfiguraci
• upraví projektové soubory
• připraví commit

Technologie, kterou AI vybere, se tak velmi pravděpodobně dostane přímo do projektu. Pokud se určitý nástroj v doporučeních modelů neobjevuje, může být pro nové projekty prakticky neviditelný.

Co z výsledků vyplývá

Autoři studie zároveň upozorňují, že výsledky nelze brát jako objektivní žebříček nejlepších nástrojů. Doporučení AI odrážejí především trénovací data modelu, jeho ladění a systémové instrukce.

Přesto studie ukazuje zajímavý trend. S rostoucím využíváním AI při vývoji software mohou právě AI agenti začít ovlivňovat, jaké technologie budou vývojáři používat.

Pokud se tento trend potvrdí, může se v budoucnu stát, že o popularitě frameworků a nástrojů nebudou rozhodovat pouze vývojářské komunity, ale také modely, které vývojářům pomáhají psát kód.