Myslitelé

Vibe coding, AI a nová realita softwarového inženýrství

Michael Abramov
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyAI vyniká v lokálních úlohách kódování, ale postrádá architektonický úsudek pro…
Zobrazit více
  • AI vyniká v lokálních úlohách kódování, ale postrádá architektonický úsudek pro dlouhodobou stabilitu systému.
  • Zkušení inženýři, kteří rozumí nízkoúrovňovým systémům, získávají novou hodnotu jako školitelé a validátoři AI.
  • Vibe kódování se může stát ekonomicky neudržitelným, až společnosti zváží náklady na AI infrastrukturu oproti lidským týmům.

Před deseti lety zněla myšlenka, že AI může psát kód místo programátorů, jako vzrušující fantazie. Dnes je to součástí naší každodenní reality. Produkty MVP vznikají během několika dnů, rozhraní jsou generována z textových příkazů a AI asistenti se stávají plnohodnotnými členy inženýrských týmů.

Na tomto pozadí si stále více lidí klade stejné otázky: skutečně AI nahrazuje programátory? Může se umělá inteligence skutečně vyrovnat zkušenému inženýrovi a nahradit ho? A co se stane s touto profesí v blízké budoucnosti?

Sám jsem vývojář a mám na toto téma názor. Pojďme to rozebrat.

Co je jádrem problému?

Existuje dominantní narativ o programování s pomocí AI, který zní nějak takto:

AI se stává mimořádně efektivní při psaní kódu a již se vyhýbá mnoha běžným chybám, které dělají lidé. Navíc AI může být lepší v řešení takzvaných edge cases: vzácných a neobvyklých scénářů, které jsou v softwarovém inženýrství všudypřítomné a které vývojáři často jen obtížně předvídají.

Když programátor říká: „Chci tlačítko zde“, dostane odpověď: „Zde je tlačítko, zde je 18 okrajových případů, které byste měli zvážit, zde jsou testy, které musíte spustit, a mimochodem, možná budete chtít přidat toto a toto.“ Můžete se na to podívat a pomyslet si: „Ano… to vlastně dává smysl.“ Sami byste si těchto problémů možná všimli až o několik týdnů později – poté, co něco již šlo špatně v produkci. AI často navrhuje řešení okamžitě. Pro inženýry, kteří již mají práci, to výrazně zvyšuje produktivitu a efektivitu.

A tento narativ přímo vede k ekonomické otázce: pokud společnost dříve potřebovala 100 vývojářů, aby zvládla určitou zátěž, teoreticky může nyní potřebovat pouze 20 – protože těchto 20 vývojářů dokáže zvládnout stejné množství práce s pomocí AI.

Co se skrývá za touto akcelerací?

Stále častěji vidím velmi schopné softwarové inženýry, kteří se bojí o své pozice, místo na trhu a příjem. Zdá se, že brzy nebude žádná práce pro kódéry.

A moje odpověď je obvykle: přátelé, pravděpodobně to není tak dramatické, jak to vypadá. Ve skutečnosti zkušení inženýři získávají novou hodnotu právě teď. Protože jsme možná jednou z posledních generací vývojářů, kteří skutečně psali kód ručně a do hloubky rozumějí tomu, jak systémy fungují pod kapotou. Příští generace již pracuje stále více s pomocí nástrojů AI – a spolu s tím se mění sama inženýrská praxe.

Tady je, co předchozí narativ nezohledňuje:

Kód generovaný AI často vypadá naprosto v pořádku. Úkoly se řeší, rozhraní fungují a vše běží. Ale časem, v dlouhodobém horizontu, se začínají objevovat jemnější problémy: architektonické kompromisy, slabá technická rozhodnutí, problémy s datovými strukturami nebo problémy se škálovatelností. A to se děje proto, že AI je již velmi dobrá v řešení lokálních úkolů, zatímco dlouhodobá logika velkých systémů stále vyžaduje lidskou zkušenost a inženýrské úsudky.

Proto, když tyto projekty dosáhnou náročných produkčních prostředí – bank, e-commerce platforem, velkých služeb – týmy nakonec stále potřebují lidi, kteří mohou hluboce analyzovat architekturu, identifikovat kořenové příčiny a obnovit celkovou logiku systému.

Často dostávám hovory od přátel, kteří říkají věci jako: „Michael, můžeš se zapojit a pomoci nám pochopit, proč se systém začíná rozpadat?“ I když dnes pracuji na Physical AI v Introspector, občas stále pomáhám s tímto druhem obtížné manuální inženýrské práce: rekonstrukcí systémové logiky, analýzou architektury a zjišťováním, kde se problémy začaly hromadit.

A přesně proto jsem přesvědčen, že schopní inženýři zůstanou velmi cenní po dlouhou dobu. Současně jsou to často zkušení inženýři, kteří pomáhají zlepšovat a trénovat AI modely dnes. V Keymakr jsme to viděli na vlastní oči, když jsme hledali zkušené vývojáře, aby ověřili kód a pomohli trénovat modely – lidi, kteří mohou spoléhat na skutečné inženýrské myšlení, praktické zkušenosti a hluboké porozumění, jak systémy fungují ve skutečném světě.

Hlavní hypotézy

A to nás přivádí k největší otázce o budoucnosti: kam to vše nakonec směřuje? Jak budeme vzdělávat příští generaci inženýrů, pokud do oboru vstupují od samého začátku úplně jinou cestou?

Pokud se na situaci podíváme objektivně, bez přehnaného nadšení či strachu, vidím několik možných scénářů.

  • Nejasná budoucnost

První a pravděpodobně nejupřímnější odpověď je, že velmi málo lidí dnes skutečně přemýšlí tak daleko dopředu. Protože nikdo dosud plně nerozumí, jak tato budoucnost bude vypadat v praxi.

Možná, že za několik let budou AI agenti skutečně schopni psát téměř dokonalý kód – s robustní architekturou, škálovatelností a kontextovým porozuměním. V tuto chvíli je tato otázka stále zcela otevřená.

Současně velké technologické společnosti jako Apple (AAPL ), Microsoft (MSFT ) a Google pokračují v aktivním najímání vynikajících výzkumníků, odborníků s doktorátem a lidí z akademických prostředí. To pravděpodobně naznačuje, že podle nich hluboké inženýrské porozumění zůstane důležité i ve světě, kde je většina kódu generována automaticky.

Menší společnosti však často operují se značně odlišným plánovacím horizontem. Když nevíte, zda váš startup bude za šest měsíců ještě existovat, stává se obtížné vážně uvažovat o tom, co se stane za deset let. Samozřejmě nikdo úmyslně nechce postavit něco fundamentálně rozbitého. Týmy se stále snaží identifikovat potenciální rizika a slabiny.

Ale v realitě je logika často mnohem jednodušší: nejdříve postavte produkt, který funguje a generuje příjem – a pak se vyrovnáte s architekturou, optimalizací a přepsáním systému později. Problém je, že v mnoha projektech se „později“ neustále odkládá na neurčito.

  • Evoluce ve spirálách

Druhá odpověď, podle mého názoru, je ještě zajímavější. Pokud se podíváme na historii průmyslu, již prošla podobnými přechody mnohokrát dříve. První programátoři pracovali s děrnými kartami. Pak přišla generace inženýrů, kteří psali v Assembly – něco, co je již pro mnoho moderních vývojářů obtížné si představit. V té době jste museli rozumět, jak funguje hardware, myslet v termínech procesorové logiky a držet v hlavě obrovské množství nízkoúrovňové komplexity.

Pak přišla éra COBOLu. Celé bankovní mainframy byly postaveny na něm a nejvíce překvapující část je, že významná část globální bankovní infrastruktury stále běží na těchto starých systémech. Stále existují programátoři po šedesátce a sedmdesátce, kteří udržují tuto kódovou základnu, a zůstávají extrémně cennými specialisty.

Následující generace přešla na C++, Python a JavaScript. Já sám patřím k této éře. Například sotva rozumím tomu, jak COBOL funguje. Teoreticky bych se to mohl naučit – ale mně to už připadá jako něco vzdáleného a cizího.

A když se podíváme na tuto historii, objeví se zajímavý vzorec: každá nová generace inženýrů již nemusí hluboce rozumět, jak technologie předchozí generace fungovala. Časem se znalosti stávají součástí infrastruktury samotné.

Děrné karty zmizely dávno – jejich logika je již zabudována do procesorů. Assembly téměř zmizel jako mainstreamový nástroj, protože jeho komplexita se stala skrytou uvnitř operačních systémů, ovladačů a nižších abstrakcí. I vaše sluchátka dnes pravděpodobně obsahují miniaturní operační systém, který na pozadí zpracovává všechnu tuto skrytou složitost – většina lidí o tom prostě nepřemýšlí.

Samozřejmě existují stále specialisté, kteří rozumějí této nízkoúrovňové magii. Pro většinu oboru se z toho však již stala vrstva abstrakce.

A to vede k velmi logické myšlence: možná AI je prostě další fáze této evoluce. Možná příští generace skutečně nebude muset rozumět klasickému programování tak hluboce, jako my.

  • Ekonomika trhu

Jiná hypotéza, kterou mám, je, že vibe kódování – nebo vývoj s podporou AI – nakonec přestane být vnímáno jako „bezplatné zrychlení“. Ve skutečnosti již není zcela zdarma; je to jen to, že zatím ne všichni pečlivě vypočítávají skutečné náklady a přínosy tohoto přístupu.

Modely, tokeny, infrastruktura, konstantní požadavky, údržba celé AI pipeline – vše toto již začíná být významným provozním nákladem. Proto se domnívám, že společnosti brzy začnou hledět mnohem blíže na skutečné náklady na vývoj s podporou AI a budou klást velmi pragmatickou otázku: co je vlastně více efektivní – rozšiřovat inženýrský tým nebo udržovat celou AI infrastrukturu kolem vývoje?

Velmi realistický scénář je, že schopné vývojové týmy se nakonec mohou ukázat jako ekonomicky udržitelnější, zejména pokud jde o údržbu, evoluci a podporu produktů na dlouhou dobu.

Ale myslím, že je to vlastně místo, kde může vzniknout nový typ inženýrského týmu: velmi malé skupiny velmi zkušených specialistů, kteří se soustředí na udržování stability a odolnosti infrastruktury samotné. Časem se toto může stát jednou z nejvíce cenných inženýrských specializací v průmyslu.

  • Lidé, kteří budou pracovat vedle AI

A konečná domněnka – i když velmi realistická – je, že příští generace inženýrů bude pravděpodobně muset budovat svou kariéru v úplně jiném prostředí. A to jde daleko za programování samotné. Podobné změny již začínají měnit právo, finance, medicínu a téměř každý obor, kde AI může převzít významnou část intelektuální rutinní práce.

Navzdory všemu tomuto stále tenduji vidět, co se děje, poměrně pozitivně. Pravděpodobně proto, že celkově mám rád pokrok. Mám rád myšlenku, že technologie může zlepšit životy lidí, osvobodit lidi od enormního množství repetitivní práce a učinit mnoho procesů bezpečnějšími a efektivnějšími.

Například autonomní systémy řízení jako Tesla nebo Waymo již demonstrují pozoruhodně vysoké úrovně bezpečnosti ve mnoha scénářích ve srovnání s lidskými řidiči. A to je skutečně působivé.

Současně svět, do kterého vstupují naše děti, bude mnohem složitější z hlediska profesní identity. Budou muset hledat své místo a účel v rychle se měnící krajině.

Pokud se dnes dítě chce stát právníkem, finančním analytikem nebo programátorem, je velká šance, že tyto profese budou vypadat úplně jinak v budoucnosti. Možná se stanou specialisty, kteří úzce spolupracují s právní AI, finanční AI nebo AI pro programování – lidé, kteří provozují AI systémy, ověřují výstupy, poskytují kontext a dělají klíčová rozhodnutí.

Myslím, že je důležité uznat, že téměř každý z těchto scénářů už dnes působí realisticky. A zda nám to vyhovuje nebo ne, všechno, co se děje nyní, je součástí mnohem větší vlny technologického pokroku. Je velmi nepravděpodobné, že tento proces může být zastaven. To znamená, že se budeme muset naučit žít v tomto novém světě – postupně se učit, jak s ním nalézt rovnováhu, komunikovat s ním a možná dokonce vyvinout novou formu soužití.

Michael Abramov je zakladatel & výkonný ředitel Scryon, přináší více než 15+ let zkušeností se softwarovým inženýrstvím a systémy AI pro počítačové vidění při tvorbě nástrojů pro anotaci na podnikové úrovni.

Michael zahájil svou kariéru jako softwarový inženýr a manažer výzkumu a vývoje, budoval škálovatelné datové systémy a řídil mezioborové inženýrské týmy. Do roku 2025 působil jako výkonný ředitel společnosti Keymakr, firmy poskytující služby označování dat, kde zavedl pracovní postupy se zapojením člověka, pokročilé systémy QA a zakázkové nástroje na podporu rozsáhlých potřeb v oblasti počítačového vidění a autonomních dat.

Má titul B.Sc. v oboru informatiky a zázemí v inženýrství a kreativním umění, což mu poskytuje multidisciplinární pohled na řešení složitých problémů. Michael žije na průsečíku technologické inovace, strategického produktového vedení a reálného dopadu, posouvá vpřed další hranici autonomních systémů a inteligentní automatizace.