Meta před několika dny představila Muse Code, vlastního AI programovacího agenta, který má přímo konkurovat Claude Code od Anthropicu a Codexu od OpenAI. Na papíře další účastník už tak přeplněného závodu. Jenže krátce po spuštění se kolem Muse Code objevila podstatně zajímavější otázka než to, jestli napíše Python o tři procenta lépe než konkurence.
Co všechno si vlastně AI agent z počítače přečte, než začne pracovat?
Podle zjištění, která se začala mezi vývojáři šířit, Muse Code dokáže využívat také konfigurační a instrukční soubory vytvořené původně pro jiné AI programátory. Tedy přesně ty soubory, do kterých si uživatelé ukládají vlastní pravidla pro Claude Code, Codex a další nástroje.
A pokud se jejich obsah stane součástí promptu odesílaného vzdálenému modelu, máme najednou poněkud zajímavější problém než další benchmarkovou tabulku.
CLAUDE.md už dávno není jen nějaký textový soubor
AI programovací agent dnes obvykle nedostane pouze příkaz „oprav chybu".
Vývojáři si vytvářejí soubory s trvalými instrukcemi, které agentovi vysvětlují například architekturu projektu, způsob nasazování, používané příkazy, zakázané operace, strukturu databáze nebo pravidla práce s konkrétními částmi systému.
Claude Code používá především CLAUDE.md. Anthropic přímo dokumentuje, že Claude tyto soubory automaticky hledá v adresářové struktuře a jejich obsah vkládá do kontextu modelu. Vedle projektových pravidel může existovat také globální CLAUDE.md, tedy osobní sada instrukcí používaná napříč projekty.
Codex používá obdobný princip prostřednictvím AGENTS.md. Tento formát se mezitím stal poměrně rozšířeným způsobem, jak jednomu nebo více AI agentům popsat pravidla konkrétního projektu.
A právě tady se dostáváme k věci, kterou ještě před pár lety skoro nikdo řešit nemusel.
Tyto soubory mohou obsahovat mnohem víc než pouhé „používej TypeScript".
Mohou popisovat interní infrastrukturu, názvy služeb, strukturu serverů, deployment, neveřejné pracovní postupy nebo jednoduše know-how, které firma vůbec neměla v úmyslu předávat další společnosti.
Jeden projekt, pět agentů a nikdo už přesně neví, kdo co čte
Používat několik AI programovacích nástrojů současně dnes není nic neobvyklého.
Jeden vývojář používá Claude Code. Jiný Codex. Další Cursor. Některé projekty proto dokonce synchronizují CLAUDE.md, AGENTS.md a další konfigurační soubory nebo je mezi sebou propojují, aby všichni agenti dostávali stejné instrukce. Na GitHubu už existují celé postupy, jak jednu sadu pravidel sdílet mezi Claude Code, Codexem, Gemini CLI a dalšími nástroji.
Z hlediska pohodlí perfektní.
Z hlediska kontroly nad daty už podstatně méně.
Uživatel může vytvořit soubor původně v domnění, že jej používá pouze jeden konkrétní nástroj. Později nainstaluje jiného agenta, který začne podporovat stejné nebo kompatibilní instrukce. A informace, které byly původně určeny například Anthropicu, mohou skončit také v požadavku posílaném úplně jiné společnosti.
Nejde přitom nutně o nějaké tajné špehování souborového systému. AI agent musí projekt číst, jinak by byl asi stejně užitečný jako programátor se zavázanýma očima.
Problém je očekávání uživatele.
Když pojmenuješ soubor CLAUDE.md, celkem logicky předpokládáš, že jej používá Claude.
Lidstvo ovšem znovu zjistilo, že název souboru není bezpečnostní mechanismus.
Meta navíc nabízí velmi levnou variantu výměnou za data
Celé téma dostává další rozměr kvůli cenové politice Muse Code.
Meta nabízí standardní placenou variantu, ale zároveň výrazně levnější režim určený uživatelům ochotným přispívat svými daty ke zlepšování produktu. Business Insider i Wall Street Journal popisují variantu, kde je výrazná sleva spojena se souhlasem s využíváním aktivity nebo zpětné vazby pro další vývoj systému.
A tady už začíná být podstatné, co přesně znamená „aktivita".
AI programovací agent nepracuje pouze s tím, co člověk napíše do terminálu. Aby dokázal upravovat skutečný projekt, potřebuje číst zdrojové soubory, konfiguraci a kontext projektu. Muse Code je přímo navržený jako agent schopný samostatně psát kód, ověřovat výsledky a řešit dlouhé úkoly prostřednictvím několika subagentů.
Čím schopnější takový agent je, tím větší část projektu musí obvykle vidět.
A čím větší část projektu vidí, tím důležitější začíná být otázka, kam tento kontext skutečně odchází a za jakých podmínek může být dále použit.
Největší problém možná není Muse Code
Bylo by snadné celý příběh uzavřít tradiční internetovou formulí „Meta je zlá".
Jenže to by bylo až příliš pohodlné.
Stejný problém se postupně týká prakticky celého světa AI programování.
Claude Code automaticky načítá své kontextové soubory. Codex pracuje s AGENTS.md. Další agenti podporují stejné standardy nebo přidávají kompatibilitu s konfiguracemi konkurence. Vývojáři je mezi sebou propojují, protože nikdo nechce udržovat pět verzí stejného dokumentu.
Výsledek je logický.
Vzniká sdílená vrstva kontextu, kterou může postupně používat stále více různých AI agentů.
To je z hlediska produktivity výborná zpráva.
Z hlediska soukromí je to úplně nový problém.
Dříve bylo relativně jednoduché určit, kterému programu člověk poskytl data. Dnes může jediný projekt během jednoho dne zpracovávat Claude Code, Codex, Cursor, několik MCP serverů a další agenti.
A každý z nich může pracovat s trochu jinou částí stejného kontextu.
Instrukční soubory přitom nejsou žádná okrajová hračka
Význam těchto souborů rychle roste.
Dokonce už existují akademické práce zabývající se tím, jak AGENTS.md a podobné kontextové soubory ovlivňují práci AI programátorů. Jedna studie z roku 2026 například zjistila nižší spotřebu tokenů a kratší dobu řešení některých úloh při použití správně připraveného AGENTS.md. Jiný výzkum analyzuje běžné chyby v těchto souborech a upozorňuje mimo jiné na „skill leakage" nebo nadměrné množství kontextu.
Jinými slovy: z původně nenápadného textového souboru se stává důležitá součást infrastruktury AI vývoje.
A s tím přichází stejný problém jako vždycky.
Nejdřív něco masově nasadíme.
Bezpečnostní model vymyslíme potom.
Co do CLAUDE.md a AGENTS.md raději vůbec nedávat
Praktický závěr je poměrně jednoduchý.
Instrukční soubory pro AI agenty by se měly považovat za data, která mohou opustit lokální počítač.
Neznamená to, že automaticky někam uniknou. Znamená to, že je špatný nápad zacházet s nimi jako s bezpečným úložištěm.
API klíče, hesla nebo tokeny tam samozřejmě nemají co dělat vůbec.
Opatrnost ale dává smysl i u neveřejných adres serverů, interních názvů systémů, detailního popisu infrastruktury nebo obchodního know-how.
Anthropic například výslovně uvádí, že Claude Code běží lokálně, ale potřebné části zdrojových souborů posílá API modelu ke zpracování.
Je tedy lepší přemýšlet o CLAUDE.md nebo AGENTS.md spíš jako o části promptu než jako o obyčejném lokálním dokumentu.
AI agenti přestávají být samostatné aplikace
A to je nakonec nejzajímavější část celého příběhu.
Muse Code není problém jen proto, že jde o produkt Mety.
Ukazuje něco většího.
AI programovací nástroje se postupně mění z izolovaných aplikací na ekosystém, který sdílí stejné projekty, stejné instrukční soubory, stejné MCP servery a často také stejné přístupové údaje.
Je to logický vývoj. Nikdo nechce vysvětlovat architekturu projektu pěti různým agentům pětkrát.
Jenže pohodlí má vedlejší efekt.
Přestává být jasné, kde končí kontext jednoho AI nástroje a kde začíná druhý.
A Muse Code je možná pouze první případ, kdy si toho lidé začali výrazněji všímat.
Meta přišla do závodu AI programátorů později než Anthropic nebo OpenAI. Cenou se proto snaží být agresivní a Muse Code nabízí jako levnou alternativu k zavedeným konkurentům.
Jenže nejzajímavější otázkou nakonec nemusí být, jestli Muse napíše lepší kód než Claude nebo Codex.
Mnohem důležitější může být:
Když pustíme pět AI agentů do jednoho počítače, víme ještě vůbec přesně, co který z nich čte a komu to posílá?
