Proč AI potřebuje „oči" na web

Velké jazykové modely (LLM) mají zásadní slabinu: jejich znalosti končí dnem, kdy proběhl trénink. GPT-5.4, Claude 5, Gemini 2.5 Pro — všechny trpí stejným problémem. Pokud se jich zeptáte na aktuální cenu akcií, dnešní zprávy nebo změnu v open-source knihovně před týdnem, bez přístupu k webu selžou. A právě tady nastupuje nová kategorie infrastrukturních nástrojů, které slouží jako most mezi LLM a živým internetem.

V roce 2026 už nejde jen o to, aby AI „našla odpověď". Jde o to, aby ji našla spolehlivě, rychle a v podobě, kterou dokáže efektivně zpracovat. To znamená vyčistit HTML od balastu, převést obsah do Markdownu, obejít anti-bot ochrany a hlavně — vydolovat z webové stránky to podstatné.

Problém: Web byl postaven pro lidi, ne pro stroje

Webové stránky v roce 2026 jsou technologicky komplikované. JavaScriptové frameworky generují obsah dynamicky, Cloudflare chrání weby před roboty, obsah je rozházený v desítkách <div> tagů. Prosté stažení HTML přes curl nebo requests.get() často vrátí jen prázdnou kostru. A i když obsah získáte, tokenová okna LLM jsou omezená a každý kilobajt HTML balastu něco stojí.

OpenAI při uvedení ChatGPT search v říjnu 2024 otevřeně přiznala, že získávání užitečných odpovědí z webu „často vyžaduje několikanásobné vyhledávání a procházení odkazů". A to mluvíme o firmě s prakticky neomezenými zdroji. Pro menší vývojáře a startupy je problém ještě palčivější.

Naštěstí se v komunitě objevila řada nástrojů, které tento problém řeší. Od jednoduchých API po plnohodnotné scrapingové frameworky. Pojďme se podívat na ty nejzajímavější.

Scrapling: Python framework, který přežije redesign webu

Jedním z nejzajímavějších open-source nástrojů v této oblasti je Scrapling — framework od egyptského vývojáře Karima Shoaira, který si na GitHubu získal už tisíce vývojářů. Jeho hlavní devíza? Adaptivní parsování.

Běžný web scraper se rozbije ve chvíli, kdy web změní CSS třídy nebo strukturu HTML. Scrapling funguje jinak: když nastavíte adaptive=True, framework používá inteligentní podobnostní algoritmy, které prvek na stránce najdou znovu, i když se jeho selektor změnil. V benchmarcích je jeho podobnostní vyhledávání 5× rychlejší než AutoScraper, což je v této kategorii obvyklá alternativa.

Scrapling ale není jen parser. Nabízí čtyři typy „fetcherů":

• Fetcher — rychlé HTTP požadavky s možností impersonace TLS fingerprintu prohlížeče (Chrome, Firefox) a podporou HTTP/3
• StealthyFetcher — headless prohlížeč, který obchází Cloudflare Turnstile a další anti-bot ochrany
• DynamicFetcher — plná automatizace prohlížeče přes Playwright nebo Chrome, vhodné pro JS-heavy weby
• Async varianty — pro všechny výše uvedené, s podporou poolování a paralelních požadavků

Pro náročnější úlohy nabízí Scrapling spider framework (podobný Scrapy) s podporou konkurentních crawlů, pause/resume přes checkpointy, streaming výstupu a automatickou rotaci proxy serverů. Zajímavostí je i vestavěný MCP server, který umožňuje AI asistentům jako Claude nebo Cursor přímo ovládat scraping přes standardizované rozhraní.

Scrapling je k dispozici jako pip install scrapling (Python 3.10+), má 92% test coverage a plné typové anotace. Je zdarma, open-source pod BSD-3 licencí. Funguje i v Dockeru.

Jina Reader: Jednořádkový přístup k webu

Pokud nechcete spravovat vlastní scrapingovou infrastrukturu, existuje elegantnější cesta. Jina AI Reader — služba od německo-amerického startupu Jina AI (sídlícího v Berlíně a Sunnyvale) — funguje na principu, který je až směšně jednoduchý:

Stačí před libovolnou URL vložit https://r.jina.ai/ a dostanete čistý, LLM-připravený obsah. Například:

curl https://r.jina.ai/https://github.com/D4Vinci/Scrapling

Vrátí obsah stránky v čistém Markdownu — žádné menu, patičky, reklamy ani script tagy. Reader automaticky renderuje JavaScript, extrahuje hlavní obsah a volitelně dokonce popisuje obrázky na stránce pomocí vision modelu, takže downstream LLM „vidí", co je na ilustracích.

Reader je zdarma pro základní použití (20 RPM bez API klíče, 500 RPM s bezplatným klíčem). Placené tarify začínají na jednotkách dolarů za milion tokenů. Pro představu: průměrná webová stránka spotřebuje kolem 5 000–15 000 tokenů. Kromě Readeru nabízí Jina i Search API (s.jina.ai), které prohledá web a vrátí top 5 výsledků i s obsahem.

V kontextu EU je důležité, že Jina AI nabízí EU Compliance mód, kdy veškerá infrastruktura a zpracování dat zůstává v jurisdikci EU. To je klíčové pro firmy, které musí dodržovat GDPR a další evropské regulace.

Firecrawl: Infrastruktura pro AI agenty v produkci

Největším hráčem v prostoru „web-to-LLM" je bezesporu Firecrawl — Y Combinator startup s přes 113 000 hvězdami na GitHubu, který používají společnosti jako Apple, Canva, Shopify nebo DoorDash. Na rozdíl od Scraplingu, který je primárně Python knihovna, Firecrawl je cloudová infrastrukturní vrstva s API, oficiálními SDK pro Python, Node.js, Go, Rust, Javu a Elixir a nativní MCP integrací.

Firecrawl nabízí tři základní operace:

• Search — prohledá web a vrátí výsledky včetně plného obsahu v Markdownu. Jedno API volání = dotaz → relevantní stránky → obsah.
• Scrape — z jakéhokoli URL dostanete čistý Markdown, HTML, screenshot nebo strukturované JSON podle vašeho schématu.
• Interact — umožňuje AI agentům klikat, scrollovat, vyplňovat formuláře a navigovat vícestránkové procesy. Užitečné pro obsah za přihlášením nebo složité jednostránkové aplikace.

Firecrawl tvrdí, že pokrývá 96 % webu (včetně JS-heavy stránek) s P95 latencí 3,4 sekundy. Má zdarma 500 kreditů měsíčně (1 kredit = 1 stránka), placené tarify začínají na $19/měsíc (Hobby) po $249/měsíc (Growth). Pro představu: jeden search dotaz stojí 1 kredit za výsledek, scrape 1 kredit za stránku, interact 5 kreditů za akci.

MCP jako univerzální spojka

Klíčovou roli v celém ekosystému hraje Model Context Protocol (MCP) — otevřený standard původně od Anthropicu, který dnes podporují Claude, ChatGPT, Cursor, Windsurf, Visual Studio Code a desítky dalších nástrojů. MCP funguje jako „USB-C pro AI aplikace" — standardizované rozhraní, přes které může AI komunikovat s externími systémy.

V praxi to znamená, že když do svého Claude Code přidáte MCP server pro Scrapling nebo Firecrawl, AI asistent získá schopnost číst webové stránky, vyhledávat na webu a extrahovat z nich data — to vše bez toho, abyste museli cokoliv programovat. Firecrawl například hlásí přes 400 000 nainstalovaných MCP serverů.

Pro vývojáře to znamená zásadní změnu pracovního postupu: místo přepínání mezi prohlížečem a editorem AI agent sám vyhledá potřebné informace — aktuální dokumentaci, GitHub issues, Stack Overflow — a rovnou s nimi pracuje.

Jak web používají Claude Code, OpenCode a další AI kodéři

Konkrétní implementace se liší, ale princip je podobný. Claude Code (od Anthropicu) používá nástroj WebSearch, který nejprve provede vyhledávání a následně stáhne obsah relevantních stránek — obvykle přes API jako Jina Reader nebo přes vlastní fetching infrastrukturu. Výsledky dostává v čistém textu či Markdownu, čímž šetří tokeny a zrychluje zpracování.

OpenCode (open-source AI coding agent) používá nástroje WebFetch a WebSearch — WebFetch stáhne konkrétní URL a převede ji do čitelné podoby, WebSearch provede fulltextové vyhledávání a vrátí relevantní výsledky. V obou případech jde o automatizaci, která vývojáři ušetří minuty přepínání kontextu.

Cursor a Windsurf (další populární AI editory) integrují web scraping přes MCP — vývojář si může do projektu přidat MCP server pro Firecrawl nebo Scrapling a editor automaticky získá schopnost číst dokumentaci, vyhledávat řešení chyb nebo analyzovat cizí repozitáře.

Zajímavý je i trend „agent skills" — například Scrapling i Firecrawl nabízejí soubory SKILL.md, které AI agenti (jako Claude Code nebo OpenCode) automaticky načtou a naučí se podle nich scraping ovládat. Je to vlastně dokumentace psaná pro AI, ne pro lidi.

Ceny a dostupnost: Co si vybrat?

Pro českého vývojáře nebo malou firmu je klíčová otázka: do čeho investovat čas a případně peníze? Tady je rychlé srovnání:

Pro začátek doporučuji kombinaci Jina Reader pro rychlé čtení jednotlivých stránek a Scrapling pro cokoliv, co vyžaduje škálování nebo obcházení ochran. Firecrawl dává smysl, až když projekt přeroste do fáze, kdy potřebujete spolehlivou infrastrukturu bez starostí o proxy servery, renderování a rate limiting.

Co to znamená pro české vývojáře a firmy

Všechny popsané nástroje jsou dostupné i v Česku bez omezení. Jina Reader díky svému EU Compliance módu a berlínské centrále nabízí plně GDPR-kompatibilní zpracování dat — což je podstatné pro firmy, které zpracovávají osobní údaje nebo data zákazníků. Firecrawl má SOC 2 certifikaci, ale jeho infrastruktura běží primárně v USA, což může být pro některé české firmy překážka při auditu.

Pro české AI startupy a vývojářské týmy plyne praktické doporučení: neplýtvejte tokeny na HTML balast. Každý token, který LLM spotřebuje na parsování navigace a reklam, je token, který jste zaplatili zbytečně. Použití Reader API nebo Scraplingu může snížit náklady na LLM volání o 60–80 % — prostě proto, že model dostane jen relevantní obsah.

Zajímavý je i dopad na české firmy, které staví RAG (Retrieval-Augmented Generation) systémy — ať už jde o interní vyhledávání v dokumentaci, zákaznickou podporu nebo monitoring konkurence. Místo náročné vlastní scrapingové infrastruktury mohou využít existující nástroje a soustředit se na to, co je skutečně odlišuje od konkurence.