Proč out-of-the-box AI frustruje týmy — a co s tím dělat

S většiny technologií platí, že čím déle je používáte, tím více si na ně zvyknete. U nástrojů AI tomu tak není: ve svém ročním průzkumu více než 49 000 vývojářů zaznamenala Stack Overflow růst využití na 84 %, zatímco důvěra v přesnost těchto nástrojů klesla z 40 % na 29 % za pouhý rok.

Tento efekt je mi známý. Naše první zkušenost s nástroji AI ve vývoji měla málo společného s efektem rychlejší práce a menšího množství práce, o kterém psala technická tisk. Naši vývojáři byli zklamáni: AI produkovala průměrný kód, který trval dlouho na recenzi a nakonec musel být přepsán. Tým očekával, že AI ušetří čas, ale místo toho dostal extra práci. Brzy po prvních pokusech o začlenění nástrojů AI do denního pracovního procesu se tým vrátil k tomu, jak pracoval dříve.

Dnes tyto same nástroje zrychluje nejen psaní kódu, ale i jeho recenzi pro naše vývojáře — ne proto, že jsme našli lepší model, ale protože jsme změnili způsob, jak s ním pracujeme. Zde je to, co nám pomohlo se dostat tam.

Proč kód napsaný AI frustruje vývojáře

AI se opírá o enormní množství veřejného kódu z celého internetu, a tento kód je zřídka příkladný: jeho kvalita je průměrná, a model reprodukuje tento průměr.

“Průměrný” není stropem toho, co je možné — je to prostě to, co model produkuje, dokud se nenaučí váš projekt: jeho konvence, strukturu kódu, architektonická rozhodnutí. V průzkumu více než 600 vývojářů společnost Qodo zjistila, že mezi těmi, kteří nejsou spokojeni s kvalitou kódu AI, 44 % připisuje právě nedostatek kontextu. To je to, co drží výstup na průměrné úrovni.

Dobrou zprávou je, že kontext, který AI dostává, je prakticky jedinou proměnnou, kterou tým zcela ovládá. Jak dobře nástroj rozumí projektu, závisí ne na modelu, ale na tom, co mu dáte.

Druhým důvodem je psychologický — sama povaha práce se mění. Když AI píše většinu kódu, hlavní činností vývojáře již není psaní, ale kontrola toho, co bylo vygenerováno: čtení cizího řešení, vážení alternativ, rozhodnutí, co je připraveno k odeslání. To je jiná dovednost než psaní kódu sami, a pro každého, kdo miloval psaní, to není snadné.

Ve své zprávě Octoverse 2025 společnost GitHub popisuje přesně tuto změnu: vývojáři, kteří nejdále pokročili s AI, již se neoznačují jako “autoři kódu” a stávají se spíše “kreativními režiséry”, kde klíčová dovednost spočívá v řízení a ověřování. Ale cesta k této roli vede přes chyby a frustraci, dokud člověk neuvidí efekt ve své vlastní práci.

Co promění AI z zdroj frustrace v funkční nástroj

Když náš tým poprvé začal používat AI, někteří vývojáři pracovali s Claude Code, jiní zkoušeli OpenAI Codex, GitHub Copilot nebo Gemini CLI, a každý nástroj dal jiný výsledek. Když jsme se tedy pokusili zavednout pořádek do způsobu, jakým tým pracoval s AI, první věc, kterou jsme udělali, byla volba jediného nástroje.

To není pouze naše praxe. Vezměme si příběh týmu Linear: do začátku roku 2026 fungovali na principu “každý pracuje, jak se mu to hodí”, a v lednu vedení zrušilo tento přístup a přešlo na jediný způsob práce — omezilo výběr na dva AI nástroje a požádalo vývojáře, aby psali kód pouze s nimi, a ne ručně. Podle společnosti se průměrná produktivita zvýšila již následující měsíc o 30 % v počtu sloučených PR a o 33 % v počtu úkolů uzavřených na vývojáře.

To řečeno, sdílený nástroj sám o sobě nezlepšuje kód — musí být nakonfigurován: nastaveny pravidla, něco jako rules.md, která stanoví, jak psát kód — které přístupy následovat, co se vyvarovat. Poté přicházejí na řadu přizpůsobené dovednosti pro úkoly typické pro váš projekt, abyste nemuseli vysvětlovat stejné věci opakovaně. A nakonec je vhodné ukázat agentovi váš stávající kód: analyzuje, jak je projekt napsán, a produkuje nový kód ve stejném stylu, a ne v generickém. Čím více kontextu dostane nástroj, tím méně budete muset přepisovat ručně později.

Ale nejtěžší část není technická. Přechod z autora kódu k jeho hodnotiteli se neuskuteční sám — tato transformace potřebuje pomoc. Nejřímější cesta je školení a certifikace. V našem případě, například, deset vývojářů prochází partnerským programem s poskytovatelem nástroje, zatímco vedle nich pracuje osoba odpovědná za přijetí, která vysvětluje, proč nástroj produkoval určitý výsledek a jak jej opravit.

Jakmile tým pracuje koordinovaně, zbývá jedna úzká místa — recenze — a stojí za to ji posílit pomocí AI. Agent prochází každou žádost o stažení nejdříve a přebírá zřejmé: rutinní chyby, styl, opakování, bezpečnostní mezery. Lidský recenzent již nehledí na vše bez rozdílu, ale pouze na architekturu a kritická rozhodnutí. Efekt je patrný i uvnitř společností, které tyto nástroje budují: v Anthropic, po zavedení takového agenta, se podíl žádostí o stažení, které obdržely podstatnou recenzi, zvýšil z 16 % na 54 %, a inženýři nesouhlasili s méně než 1 % jeho komentářů.

Pro nás zkrátila recenční cyklus, který dříve trval dva nebo tři dny přes několik kol, a odlehčila od našich seniorních inženýrů, kteří tak mohli soustředit na skutečně těžká místa. Jakmile nástroj konečně začal produkovat výsledky, které nevyžadovaly přepracování, objevil se i důvěra v něj.

Kde se vyplácí důvěra v nástroje AI

Především — při psaní kódu: když nástroj zná projekt a agent zpracuje první recenzi, tým píše více a lépe ve stejném čase. V našem případě zrychlily nástroje AI práci o zhruba 30–40 %.

Mimo to usnadnila AI proces zaškolení. Když se nový člověk připojí k projektu, obvykle musí někdo zkušený zodpovědět desítky otázek o tom, jak je kód projektu sestaven. Nyní agent přebírá tuto roli: pokud je projekt dobře zdokumentován, nováček směruje až 95 % těchto otázek na něj, a ne na kolegy.

Je to podobný příběh s dokumentací: hrubý architektonický návrh, který dříve zabíral hodiny, je nyní z větší části napsán agentem sám — podle našich odhadů asi 80 % návrhu, pokud mu dáte dostatek kontextu. Co zbývá lidskému, je to, co není v repozitáři — rozhodnutí, kompromisy, odborné znalosti.

Stejně důležité je být upřímný o hranicích toho, co může AI dělat, protože je to přehnaná očekávání, která způsobují zklamání na začátku. AI nebere na sebe compliance — lidská osoba schvaluje lékařská nebo finanční data, a společnost, ne model, nese odpovědnost za únik. AI nezrychluje integrace se partnery, kde desítky hodin jdou do telefonátů a koordinace.

Out-of-the-box AI opravdu frustruje — ale pouze když se používá jako hotové řešení. Celý rozdíl mezi frustrací a efektem spočívá v tom, co kolem něj postavíte: sdílený standard, kontext vašeho projektu a nová role vývojáře.