Po celý rok jsme vás pravidelně zásobovali novinkami ze světa AI, jak bychom ale celý rok 2025 shrnuli? Které trendy v tomto roce dominovaly a co z nich plyne pro vývoj, ale i pro ostatní? To všechno se dočtete v tomto článku.
1. Open-source modely dohání ty proprietární
Rok 2025 přinesl zásadní posun v tom, kdo určuje směr vývoje AI. Tam, kde dřív dominovaly uzavřené modely od velkých firem, letos začaly přebírat otěže open-source alternativy. Modely jako Kimi K2, MiniMax M2 nebo čínský Deepseek R1 už v mnoha metrikách prakticky dorovnaly své proprietární protějšky. Podle Stanford AI Indexu se rozdíl v kvalitě mezi těmito dvěma skupinami modelů smrskl z 8 % na pouhých 1,7 % během jediného roku.
Ještě silnější posun jsme viděli u čínských open-source modelů zaměřených na generování obrázků a videí, které prakticky smazaly několikaletý náskok amerických lídrů.
Co to znamená v praxi?
Pro IT týmy to otevírá nové možnosti, jak využívat slušné AI bez vysokých nákladů. Vývojáři mohou open-source modely snadněji testovat, integrovat do CI/CD pipeline a upravovat podle vlastních potřeb.
2. Škálování modelů naráží na ekonomické bariéry
Ještě nedávno to vypadalo, že větší model = lepší model, a technicky to pořád platí. Jenže náklady rostou rychleji než přínos. Vývoj GPT-4.5 se stal typickým příkladem přeškálování: drahý model, výpočetně extrémně náročný, ale s nepřesvědčivým zlepšením výkonu. Uživatelé ho tak kvůli ceně často ani nevyužívali.
Google s Gemini 3 jde opačnou cestou, podle všeho jde o jeden z největších modelů na trhu a výkonnostně tlačí hranice dál, jenže za odpovídající cenu. Škálování tedy funguje, ale stává se spíš luxusní záležitostí. Většina trhu se přesouvá k menším a efektivnějším modelům, zatímco nejvýkonnější řešení zůstávají pro ty, kteří si je mohou dovolit nebo je skutečně potřebují.
Co to znamená v praxi?
Pro většinu firem to znamená nižší náklady, rychlejší nasazení a srovnatelný výkon za zlomek ceny. Menší modely jsou dnes dost dobré pro běžné use casy, zatímco prémiové modely budou existovat, ale nebudou hlavní volba pro většinu projektů.
3. Většina modelů funguje na MoE architektuře
Rok 2025 byl rokem nástupu architektury Mixture of Experts (MoE). Modely jako DeepSeek-V3, Kimi K2 nebo MiniMax M2 využívají desítky „expertů“, ale vždy aktivují jen malou část z nich. Díky tomu kombinují výkon velkých modelů s rychlostí a náklady těch menších.
Co to znamená v praxi?
Získáváte výkonnou AI bez nutnosti obřích specializovaných serverů nebo extrémně nákladných výpočtů. Servery jsou samozřejmě pořád potřeba, jen energetická náročnost je úplně jinde. Nevýhodou je složitější nasazení, firmy často potřebují partnery, kteří zvládnou
4. Větší důraz a užitečnost AI v praxi
Pomalu se posouváme od nablýskaných dem, která měly přinést wow efekt, k AI nástrojům, které skutečně dávají smysl a přinášejí svým uživatelům co největší hodnotu. Příkladem jsou třeba - GitHub Copilot, Perplexity nebo Claude Desktop. Vývoj AI řešení směřuje k praktickým řešením, která zjednodušují práci a šetří čas.
Co to znamená v praxi?
AI nástroje už nejsou jen hračkou pro vybrané. Stávají se běžnou součástí firemního toolingu v IT, vývoji i službách. Klíčové je vybrat takové, které přinášejí konkrétní výsledky.
5. Integrace AI se stávají extrémně důležitými
Snadné napojení AI na nástroje, jako je například Jira, GitHub nebo Figma, se stalo v roce 2025 stěžejní. Ukazuje se, že nástroje mohou potom přinést mnohem více. S tím souvisí i obrovský boom MCP, které by měly elegantně řešit složité integrace. Ne všechny jsou ale dostatečně kvalitní a mnozí od nich očekávají víc, než by skutečně měli. Existuje ale spousta výjimek, které opravdu dokážou udělat rozdíl v tom jak pracujete.
Co to znamená v praxi?
Firmy dnes chtějí AI, kterou mohou snadno integrovat do dalších nástrojů. MCP má potenciál tenhle problém řešit, ale jen pokud je implementace dobře navržená.
6. Reasoning revoluce modelů
Většina modelů je dnes “reasoning” - dokáží tak řešit složitější úlohy, přemýšlet nad vícekrokovým problémem, naplánovat řešení, zkontrolovat si ho a případně i opravit. A nejde jen o closed-source modely, reasoning jsou i ty open-source, jako je například Kimi nebo DeepSeek.
Co to znamená v praxi?
AI už dnes zvládne nejen poradit, ale i naplánovat, vyhodnotit a vylepšit postup. Najednou může tak kromě psaní kódu, pomáhat i s analýzou, debuggingem nebo plánováním kroků ve vývoji.
7. Cena za AI klesá
Zatímco firemní rozpočty na AI rostou, skutečná cena za použití modelů padá dolů. Největší úspory nepřináší nový hardware, ale optimalizace softwaru.
Co to znamená v praxi?
Za stejný výkon dnes firmy platí zlomek toho, co před dvěma lety. Jinak řečeno, cena za určitou úroveň „inteligence“ modelu, typicky úroveň dnešního GPT-4, klesá. Zároveň ale roste poptávka po čím dál chytřejších modelech s lepším reasoningem, které naopak spotřebují více tokenů. Efektivnější modely tak snižují spotřebu energie i výpočetní nároky, ale tlak na „chytrost“ modelů zůstává a rychle roste.
8. Posun generativní AI (obraz, zvuk, video)
Rok 2025 přinesl výrazný posun ve schopnosti AI pracovat s obrázky, zvukem a videem zároveň. Modely jako GPT 5, Gemini 3 nebo Claude 4 už zvládají propojit text s vizuální informací a začínají „rozumět“ tomu, co vidí nebo slyší.
Co to znamená v praxi?
AI už neslouží jen k psaní, ale dokáže analyzovat screenshoty, mluvit s uživatelem nebo doplnit obrázky do reportu. Multimodální schopnosti výrazně rozšiřují možnosti nasazení.
9. Lepší kvalita malých a open-source modelů
Malé jazykové modely do 10 miliard parametrů letos udělaly obrovský skok, v některých úlohách předběhly i dvakrát větší konkurenty.
Co to znamená v praxi?
Malé modely zvládají běžné úkoly lokálně, rychleji a levněji. To umožňuje nasazení přímo v zařízeních a rozšiřuje možnosti využití AI v reálném čase a bez vysokých nákladů.
10. Coding asistenti jsou novým standardem
Používání AI při psaní kódu se stalo běžnou praxí. 76 % vývojářů už AI asistenty používá nebo plánuje nasadit. GitHub Copilot má přes 20 milionů uživatelů.
Co to znamená v praxi?
AI dnes pomáhá nejen s psaním kódu, ale i s review, testováním a dokumentací. Výsledkem je rychlejší vývoj, méně chyb a lepší přehled v komplexních projektech. Vývojové prostředí se mění a AI se stává jeho nedílnou součástí.
Jak rok 2025 změnil práci vývojářů?
Z úkolů se stávají prompty: místo ručního psaní kódu vývojáři stále častěji rozkládají problém na menší tasky a „zadávají práci“ AI. Umění správně formulovat prompt se stalo novou klíčovou dovedností.
Větší důraz na kontext: úspěšné využití AI často závisí na tom, jak dobře připravíte kontext – výběr správných dat, ukázek nebo cílů. Vývojáři tráví spoustu času přemýšlením “co a jak AI říct”,
Rozšíření MCP serverů: integrace nástrojů přes Model Context Protocol se stává běžnou praxí.
Boom vibecodingu: místo klasického programování se rozmáhá „vibecoding“.
Dopad na juniory: začínající vývojáři se rychleji dostávají k funkčním řešením, ale zároveň se hůř učí hlubší principy. Bez vedení hrozí, že budou AI jen slepě následovat.
Závěr
Rok 2025 byl pro vývoj AI zlomový. Umělá inteligence se stala praktickým nástrojem, který zvyšuje efektivitu, kvalitu i dostupnost vývoje. Z experimentu se přerodila v klíčový nástroj, se kterým je potřeba naučit se správně pracovat, jinak vám hrozí, že zůstanete daleko za ostatními.
Co by to bylo za shrnutí, kdybychom na něj nenavázali našimi predikcemi na rok 2026? Ty vydáme na konci prosince, tak odebírejte náš newsletter, ať vám neuniknou.
A pokud by vás zajímaly konkrétní novinky roku 2025, tak je všechny najdete na našem blogu.
Mixture of Experts by mohla vyřešit jeden z největších problémů současné AI - jak škálovat modely, aniž by to stálo raketu nebo vyžadovalo datacentrum velikosti města.
11. května 2025
AI 2025: Co přinesl tento rok ve světě umělé inteligence? | DX Heroes