Jak vypadá práce vývojáře, který nepíše kód

Místo toho, aby vývojáři trávili hodiny psaním každého řádku kódu, tak asi nejen u nás v CloudTalku se dnes jako první obrací na AI. Definují, co má systém dělat, jaký má kontext a jak se má chovat, jak má zapadat do existující architektury. Neznamená to ale, že vývojář zmáčkne tlačítko a jde v uvozovkách na kafe. Teprve po vygenerování kódu totiž začíná skutečná práce. Vývojář totiž musí kriticky posoudit, zda to, co AI vytvořila dává smysl, musí kód upravovat a testovat.

 

Vývojáři dnes používají AI nástroje jako Claude Code a Cursor prakticky na denní bázi, od přípravy rychlých prototypů přes implementaci větších funkčních celků až po refaktoring starého kódu. Pomocí MCP (Model Context Protocol) nechávají AI nahlédnout do externích systémů jako je Notion, Jira nebo Figma a ona tak získává větší kontext. Nejenže tak vývojář umělé inteligenci zadává, jaký kód napsat, ale dává ji možnost vidět pod pokličku celému projektu.

A právě v tom je klíč. Kvalita výstupu závisí na tom, jak dobře vývojář AI na úkol připraví. Čím přesnější záměr, jasnější kontext a konkrétnější očekávání, tím použitelnější výsledek. Zkušení vývojáři dnes tráví víc času přemýšlením nad tím, co přesně chtějí, než samotným psaním. AI pak implementuje, člověk posuzuje a koriguje. 

AI generuje kód rychle, ale neví nic o tom, co přijde po nasazení. Nezná koncového uživatele, nezná systém, do kterého kód zapadá, a neručí za výsledek. To je práce vývojového týmu – vývojářů, designérů a testerů.

Tým přitom musí vnímat, že AI je akcelerátor, ne zkratka bez kontroly. Čím větší změny AI generuje, tím víc roste pokušení kód jen zběžně prohlédnout a nasadit. Každý AI-generovaný kód ale musí projít standardním review procesem, testováním a architektonickým posouzením. Jako první se ptáme, co to může rozbít, ne jestli to funguje. AI sama o sobě může odhalit zjevné chyby, nekonzistence nebo riziková místa, zbytek je ale na vývojáři. 

Zatímco AI vidí kód, člověk musí vidět dopad. Změna v jednom místě může tiše rozbít něco úplně jiného. A u částí, kde chyba není okamžitě vidět, jako přihlašování, oprávnění uživatelů nebo zpracování plateb, ji často najdete až ve chvíli, kdy je pozdě.

Proto je lepší pracovat v malých krocích. AI navrhne řešení, vývojář zkontroluje, jestli dává smysl v kontextu celého systému, přidá testy a teprve pak pokračuje dál. Když systém musí zvládnout tisíce požadavků za minutu, chyby se neschovají.

 

Před třemi lety platilo jednoduché pravidlo: pokud chce firma růst rychleji, musí najmout více vývojářů. Dnes je situace jiná. Firmy sází na to, že stávající týmy budou díky AI produktivnější, a nemusí navyšovat počet lidí úměrně růstu. Neočekávají skokové změny přes noc, spíš o dlouhodobé, měřitelné zvyšování efektivity a zkracování času od nápadu k produkci. Například u nás očekáváme, že vývojáři zdvojnásobí, možná ztrojnásobí množství nového kódu, který dodají. 

AI nezrychluje jen psaní kódu, ale celý cyklus od záměru k otestovanému výsledku. Největší úspora je přitom na rutinních věcech, jako základní kostra projektu, opakující se operace nebo dokumentace, na které dřív nikdy nebyl čas.

V kontextu současného technologického trhu dává tento přístup smysl. Pokud evropská firma chce růst globálně a konkurovat Silicon Valley, nemůže si dovolit v produktivitě zaostávat. Některé firmy na tuhle změnu reagují opatrně, jiné to považují za existenční otázku.

AI výrazně urychluje rešerše, přípravu podkladů i první návrhy řešení. Díky tomu i junioři dnes zvládnou dodat výsledky, které by před pár roky očekávali od mediorní úrovně. To má ale háček. Pokud umělá inteligence dokáže většinu toho, co junior uměl, musí junior umět něco víc. Musí rozumět tomu, jak AI efektivně používat, jak ověřovat její výstupy a jak nad ní kriticky přemýšlet.

Seniorní role se mění ještě výrazněji. Dnes je důležité nejen to, aby senior rozuměl svému řemeslu, ale dokázal AI smysluplně zařadit do své práce a maximalizovat svou roli tam, kde umělá inteligence stále nestačí. Nástroje se budou měnit dál, ale způsob práce zůstane. Jak vývojář přemýšlí, kontroluje a rozhoduje, je důležitější než to, jestli zrovna používá Cursor nebo něco jiného.

V každém případě se role softwarového vývojáře rychle proměňuje. Méně času padne na rutinní převod zadání do kódu a víc na tvořivou část práce. Týmy mají více prostoru zpřesnit zadání, iterovat samotné řešení a rozhodnout, jaké kompromisy zvolit. 

Touto změnou neprochází jen naše firma. Řada dalších experimentuje s podobnými nástroji. Nestačí ale jen koupit licence a dát vývojářům volnou ruku.  Pro nás jako tým, který staví real-time voice produkt, to znamená jiný přístup k práci. Když systém musí zpracovat tisíce hovorů denně s minimální latencí, AI pomáhá zrychlit rutinu, ale kvalita rozhodnutí zůstává na lidech. Firmy, které AI berou vážně, mění celý způsob práce. Ty ostatní skončí u toho, že mají sice nové nástroje, ale pracují stejně jako dřív.