Potřebujeme ještě vývojáře v době AI?

Existuje řada AI nástrojů, které umí ve velkém generovat kvalitní kód rychle a levně. Potřebujeme proto stále softwarové týmy? Potřebujeme. Ne proto, že by AI nestačila, ale protože není autopilot: kvalitu, bezpečnost a návratnost drží lidé a proces.

Současný stav vývojářských AI nástrojů

AI nástroje pro vývoj se zlepšují rychle: modely zvládají komplexnější úkoly, lépe pracují s kontextem a během sekund generují použitelný kód. Investice velkých technologických firem potvrzují, že tenhle trend zůstane.

Experimenty ukazují smíšené výsledky. Některé (často starší) studie zmiňují výrazné zvýšení produktivity (např. Copilot ~55 % u vybrané úlohy). Další studie a firemní výzkumy (např. McKinsey) mluví o výrazném zrychlení práce a snížení mentální zátěže, v součtu v řádu bilionů dolarů roční produktivity napříč odvětvími.

Některé novější výsledky ale ukazují i opak: očekávání mohou být vyšší než reálný dopad a v praxi může dojít ke zhoršení. Z naší zkušenosti hodně záleží na kontextu práce a nastaveném workflow. Podle některých zkušených vývojářů se s nástupem posledních modelů začíná lámat hranice reálného zvýšení efektivity.

Zároveň platí, že AI není „zapni a hotovo“. Vyžaduje nové dovednosti, nové workflow a schopnost kriticky posuzovat výstupy. Bez toho se slibované zrychlení snadno ztratí.

AI dokáže vytvořit aplikaci, ale jen do určitého bodu

AI umí výrazně zrychlit sestavení jednoduchého prototypu nebo interního dema. V produkčním produktu však bez jasné architektury, testů a dohledu rychle roste složitost, riziko chyb i náklady na údržbu.

Dobře to funguje, když je rozsah jasně ohraničený, počet uživatelů malý, a není potřeba dlouhodobá údržba. Jakmile produkt nabírá funkce, uživatele, integrace a byznysová pravidla, bez porozumění tomu, co se děje „pod kapotou“, začne každá změna bolet víc. Není to selháním AI, ale absencí struktury, kontextu a vědomých rozhodnutí.

Levné dnes, drahé zítra: nákladová realita vibe-codingu

Rychlé doručení bez standardů vytváří iluzi produktivity, ale přináší technologický dluh a vyšší provozní náklady. Při škálování nebo auditu vyplavou duplicity, bezpečnostní problémy a nepřipravenost na budoucí rozvoj. Každá změna může znamenat zásadní problém a často končí přepisem celého systému. Rychlé MVP bez odborného dohledu je tak levné jen na začátku. Ovšem ani u MVP nechcete, aby ohrozilo soukromí vašich uživatelů.

S rostoucí komplexitou roste potřeba porozumění

AI umí generovat řešení, ale sama nepozná, kdy už je řešení zbytečně složité. V experimentech, kde měla opakovaně vylepšovat jednoduchý program, se kód po desítkách iterací zkomplikoval a řešil problémy, které by zkušeného vývojáře vůbec nenapadly. Zkušený vývojář by v ten moment řekl: „Dost. Tohle nedává smysl.“

Rozdíl není v psaní kódu, ale v porozumění kontextu. Vývojář drží v hlavě technickou architekturu, chování UI/UX, byznys cíle i očekávaný vývoj. Tyto informace lze AI předat, pokud víte, co, kdy a jak říct. A hlavně kdy se ptát a kdy výsledek zastavit. To je klíčová dovednost: AI vést, ne ji jen používat.

Kvalita softwaru není jen „funguje to“

Dobrá aplikace není ta, která funguje v ideálních podmínkách. Je plynulá, příjemná, přístupná a udržitelná v čase.

AI si často nevšimne drobných, ale důležitých věcí: mikrolagů, jemných UX nepřesností, nekonzistencí v okrajových případech. Vývojář je chytí při používání a testování v reálných scénářích. Podobně u přístupnosti: nejde jen o checklist, ale o zkušenost napříč projekty.

Výzkumy navíc ukazují, že významná část AI‑generovaného kódu může obsahovat bezpečnostní nedostatky, pokud chybí důsledná kontrola. Nejde o selhání technologie, ale o důsledek chybějícího dohledu.

Kvalita tedy nevzniká automaticky. Je to kombinace nástrojů, procesů a lidí, kteří výsledek posoudí v širším kontextu. Proto zůstává lidský dohled klíčový.

Role softwarové agentury v době AI

Agentury neztrácejí smysl, mění se jejich role. Nejde o to psát každý řádek ručně. Důležité je rozumět, kde AI dává smysl, kde může škodit a jak ji bezpečně zapojit do procesu.

V praxi to znamená dělat vědomá rozhodnutí:

• kde AI výrazně zrychlí vývoj,
• kde by vedla ke zbytečné složitosti nebo dluhu,
• jak ji integrovat tak, aby neohrozila kvalitu, bezpečnost ani udržitelnost produktu.

Tomu se u nás věnujeme systematicky. Učíme se s AI pracovat cíleně a s rozmyslem, hledáme situace s reálným přínosem a nastavujeme procesy, které drží kvalitu i v dlouhodobém horizontu.

AI mění vývoj, ale není autonomní

AI nástroje ignorovat nedává smysl. Zároveň ale neexistuje agent, který by autonomně vyvíjel komplexní produkční software bez lidského dohledu. I nejlepší modely občas halucinují, volí zbytečně komplikovaná řešení a dělají hloupá rozhodnutí ve specifickém kontextu. To se dá řídit. Ovšem pokud rozumíte tomu, co děláte.

Závěr

AI je extrémně schopný asistent. Dokáže zásadně pomoct, zrychlit práci a otevřít nové možnosti. Potřebuje ale člověka, který ji umí vést, kontrolovat a vyhodnocovat. Proto zůstává role vývojářů a softwarových týmů nezastupitelná. Ne proto, že by AI nebyla dost dobrá, ale proto, že kvalitní software nevzniká jen psaním kódu, ale porozuměním kontextu, rozhodováním v nejistotě a odpovědností za výsledek.

TL;DR

• AI dokáže zkrátit dodání o desítky procent. Bez lidského dohledu ale rychle roste riziko chyb a technologického dluhu.
• Největší hodnota není v samotné AI, ale v její orchestraci: ve schopnosti vědět, kde pomáhá, a jak její přínos kontrolovat.
• AI‑generovaný kód má vyšší pravděpodobnost bezpečnostních nedostatků. Bez systematického review a testování se zrychlení snadno změní v riziko.
• Role agentur: standardizovaná AI workflow, bezpečnostní code review, průběžné vyhodnocování dopadu na rychlost/stabilitu/údržbu.
• Shrnutí: AI je extrémně schopný asistent, ne autonomní vývojář. Nejlepší produkty vznikají z kombinace AI + zkušený tým, který rozumí kontextu a nese odpovědnost.

Zdroje a další čtení

GitHub Research: firemní výzkum GitHubu k dopadu Copilotu: rychlejší dokončení úloh, nižší mentální zátěž a vyšší spokojenost vývojářů

McKinsey: odhad makro-dopadu GenAI: potenciál zvýšit produktivitu práce a přesměrování času lidí na jiné činnosti; používá se jako big picture argument o hodnotě GenAI napříč odvětvími

METR: randomizovaný kontrolovaný experiment na zkušených OSS vývojářích v jejich vlastních repozitářích

rough__sea: výrazný, často citovaný názor z praxe: psaní syntaxe přímo lidmi ustupuje, důležitější je práce nad kódem (specifikace, rozhodování, kontrola)

karpathy: poznámky z praxe: posun od převážně ručního psaní kódu k převážně agentům + lidským úpravám/finálnímu dohledu; dobrý zdroj pro popis změny role vývojáře

minimaxir: experimentální článek o tom, že kvalita výstupů se často zlepšuje iterací a správným vedením (prompting), ale lepší může znamenat trade-offy

Článek připravil Martin Sumera.

Futured & AI. AI se do technologických řešení propisuje stále více, proto máme ve Futured dedikovaný AI tým, který se specializuje na integraci AI do nejrůznějších firemních procesů. Zpravidla se jedná o činnosti, které zabírají hodně času nebo vyžadují zapojení hodně lidí.

Baví vás, jak o technologiích přemýšlíme? Zajímá vás, jak můžete AI využít pro svůj byznys? Napište Lukášovi Strnadlovi, který Futured založil: lukas.strnadel@futured.app & +420 605 312 459.