Kód se stále píše, jen jinak
Když se řekne „AI píše kód“, spousta lidí si představí, že vývojář zadá požadavek a dostane hotovou aplikaci. Realita je jiná. AI mění způsob, jakým kód vzniká, ale nenahrazuje lidi, kteří za ním stojí. Ve Softero používáme AI v každé fázi vývoje a v tomto článku popisujeme, jak to vypadá v praxi.
Návrh a architektura s Claude
Každý projekt začíná analýzou požadavků a návrhem architektury. Používáme Claude jako prvního oponenta: popíšeme požadavky a necháme AI navrhnout architektonické varianty. Claude dokáže rychle zmapovat trade-offs mezi monolitem a mikroslužbami, navrhnout databázové schéma nebo identifikovat potenciální bottlenecky.
Důležité je ale to, co přichází po AI návrhu: tým každou variantu kriticky zhodnotí s ohledem na specifika projektu: rozpočet, očekávaný provoz, bezpečnostní požadavky a zkušenosti týmu.
Konkrétní příklad: Před AI vs. s AI
Vezměme reálný případ z projektu. Implementace REST API s autentizací, CRUD operacemi a webhooky:
- Bez AI (2023): návrh API 4 h, implementace CRUD a validace 12 h, testy 6 h, code review 4 h. Celkem: ~26 hodin.
- S AI (2025): návrh API s Claude 1,5 h, implementace s Copilot 5 h, generování testů a doplnění 3 h, code review 2 h. Celkem: ~11,5 hodin.
Úspora přes 55 % času. Ušetřený čas jsme investovali do propracovanějšího error handlingu a důkladnějšího testování edge cases.
Generování kódu s GitHub Copilot
Copilot je náš každodenní pomocník pro rutinní úlohy: formulářové validace, databázové queries, mapování DTO objektů. Klíčové je kritické čtení návrhů: slepé přijímání autocomplete je cesta k subtilním bugům.
Tip: Copilot funguje výrazně lépe, když má v kontextu dobře pojmenované typy a rozhraní. Investice do čistých TypeScript typů se vrátí i v kvalitě AI návrhů.
Prompt engineering jako klíčová dovednost
S nástupem AI se objevila nová dovednost: prompt engineering. V praxi to znamená:
- Poskytovat kontext: místo „napiš funkci pro validaci“ specifikujeme technologii, standardy a požadavky
- Specifikovat omezení: coding standards, performance požadavky
- Iterovat: první výstup je zřídka finální, klíčem jsou follow-up prompty
- Rozdělit problém: menší, specifické prompty místo jednoho mega-požadavku
Code review s asistencí AI
Před tím, než pull request uvidí lidský reviewer, projde ho AI. Ta zkontroluje coding standards, upozorní na bezpečnostní problémy a navrhne optimalizace. Lidský reviewer se pak soustředí na architekturu, čitelnost a business logiku.
Limity, které musí každý vývojář znát
- Halucinace: AI s jistotou tvrdí věci, které nejsou pravda. Vždy ověřujte proti dokumentaci.
- Zastaralé znalosti: modely neznají nejnovější verze knihoven
- Bezpečnostní slepá místa: AI generuje funkční kód, ale ne vždy bezpečný
- Kontextové okno: u větších projektů AI nevidí celý codebase
Proč AI neznamená méně vývojářů
Paradoxně platí, že čím více AI používáme, tím více kvalifikovaných vývojářů potřebujeme. AI zvyšuje objem práce, který zvládneme, ale zároveň zvyšuje nároky na kontrolu kvality a architektonická rozhodnutí. Mění se role vývojáře, z „pisatele kódu“ na „architekta a reviewera“, ale potřeba lidí neklesá.
Pokud vás zajímá, jak AI-asistovaný vývoj může zrychlit váš projekt, ozvěte se nám.
