Jedna z prvních věcí, na kterou ráno po příchodu do práce hledí Jaroslav Tomeček, je strukturovaný přehled toho, co se stalo přes noc. Jaký je stav sprintů, rizikové změny v kódu, nestabilní testy, incidenty, anomálie v metrikách i potenciální cost spikes v infrastruktuře. Ač by se mohlo zdát, že přebírá práci po programátorovi, Tomeček ji v podstatě přebírá po AI agentovi. Právě ten je tvůrce zmíněného přehledu.
„AI agent to skládá z Jiry, GitHubu, monitoringu a Slacku. Místo desítek notifikací řeším prioritizovaný kontext,“ říká šéf vývoje ve startupu CloudTalk. Pak přichází na řadu kódování – tedy, s AI agentem nasdílí zadání a on projde relevantní části repozitáře, graf závislostí a historická rozhodnutí.
„Navrhne varianty řešení a u každé popíše kompromisy – jak ovlivní latenci, jak bude škálovat, co to udělá s náklady na infrastrukturu, jak moc to prováže služby a jestli zůstane zpětná kompatibilita. Negeneruje kousky kódu, ale rovnou návrh řešení v kontextu systému,“ popisuje.
Když zkontroluje výstup a je vše v pořádku, dá zelenou k realizaci. A dál spolu s agentem pracují. Agent připraví pracovní verzi, kde upraví kód, napíše testy, navrhne migraci schématu a aktualizuje dokumentaci. „Když se k tomu vrátím, většinou je hotová první verze,“ říká Tomeček. Na ní pak oba dále pracují.
„V CloudTalku dnes reálně kóduji možná 20 až 40 % dne. Zbytek je rozhodování o tom, jak držet architekturu konzistentní, jak optimalizovat náklady, jak nepřidávat zbytečný technický dluh,“ shrnuje.
Podobné příběhy se píšou i v dalších firmách. „Zrovna dnes jsem si v kuchyňce povídala s jedním z našich vedoucích vývojářů o agentech,“ popisuje Sára Maldon, která šéfuje AI a obecně automatizaci ve startupu Make. Podivila se, co tam beze spěchu dělá. Odpověď? „Mám akorát chvilku, kdy mi agent na něčem pracuje, tak jsem si chtěl zajít pro kafe. Musíme už konečně vymyslet, jak uděláme environment pro agenty tak, aby mohli na něčem pracovat, zatímco spím. Je tam spoustu nevyužitého potenciálu,“ směje se, když opakuje jeho reakci.
Do velké míry samostatné agenty využívají ve velmi úspěšných projektech. Když se na stejné téma bavíme s Vlastimilem Venclíkem, spoluzakladatelem startupů Oddin.gg a nově velkoryse zainvestovaného ValkaAI, jež sloučil pod firmu Realms Group, popisuje, že každý vývojář má svůj malý tým pěti, sedmi, možná devíti agentů, kterým říká, co mají dělat, a kontroluje jejich výstupy. Počet je různý podle toho, jak si práci vývojáři nastaví.
„Dřív byl vývojář na všechno sám, ťukal kód. Dneska je ten, kdo zadává práci a koordinuje AI agenty,“ říká Venclík. Znamená to, že se vývojáři stanou spíš „dirigenty“ AI agentů než autoři kódu? „To není otázka budoucnosti, tohle už se děje teď. Vývojář je dnes manažer nástrojů, které tu práci oddřou za nás. Je to vlna, která se valí, a buď se naučíte plavat, nebo se utopíte,“ ujasňuje.
Rozmnožování agentů
Na dotaz, jak moc se mezi vývojáři v Česku píše aktuálně kódu a jak moc s ním pomáhají agenti, popisuje většina společností podobný scénář. Řádky kódu přibývají z větší části z pomyslného pera umělé inteligence a člověk ji usměrňuje, kontroluje a případně části opravuje. „Stále více se z toho stává očekávaný skill, který nelze ignorovat,“ potvrzuje Martin Dojčák, CTO Labyrinth Labs.
„Používáme agenty na generování a refaktoring kódu. Testujeme například agenty na analýzu bugů – někde dělají root cause analýzu, jinde rovnou navrhují opravu v kódu,“ přibližuje David Bečvařík, CTO společnosti Etnetera Core. Myslí si, že ve spoustě běžných scénářů už není nutné psát kód ručně. „Nejvíce času je potřeba věnovat zadání, definování, kdy je práce hotová, a verifikaci výsledků,“ ujasňuje Jiří Fabián, CEO a zakladatel TopMonks.
Zásadně se ani neliší popisy toho, jak agenti navazují na práci jiného agenta. „V praxi často kombinujeme více nástrojů podle fáze práce: jeden pomůže s návrhem nebo strukturou řešení, jiný s generováním kódu, další s testy či refaktoringem. Výstup jednoho nástroje tak může sloužit jako vstup pro další,“ vysvětluje technologický ředitel ve firmě Ataccama Martin Záhumenský.
Vývojáři přitom zmiňují paletu různých agentů. Konkrétně Záhumenský vyjmenovává například Claude Code, Cursor, Codex, AmpCode, GitHub Copilot nebo Lovable pro rychlý prototyping. Claude Code je obecně nejčastěji zmiňovaný napříč trhem, a třeba v TopMonks ho kombinují se Speckitem (specification-driven development), který umožňuje produkťákům dostatečně nadefinovat, co má vzniknout. „Takto vytvořená specifikace se dá již předhodit agentovi, který ji i několik hodin chroupe,“ nastiňuje Fabián.
Velmi blízký přístup k agentům mají ve zmíněném startupu Make. Už proto, že je to výsostně jejich obor, byznysovým cílem startupu je totiž vytvářet pro firmy automatizace bez toho, aby v nich lidé museli psát jediný řádek kódu. Právě díky svému zaměření je firma otevřená tomu, aby ani její pracovníci kód zbytečně nepsali, pokud to není nutné. Typicky tak softwarový developer v Make používá paletu agentů, v první řadě nástroje jako Cursor a Claude Code, které umožňují zapnout několik instancí agentů najednou. Každý agent tak může třeba plánovat architekturu pro novou funkcionalitu v produktu, testovat nebo rovnou implementovat kód.
„Skutečně zajímavé je to, že tyto nástroje už samy od sebe dokáží vyvolat takzvané sub agenty, kteří současně pracují na daném úkolu. Ve vývoji se agenti většinou neřetězí, neboť pokud to kontextové okno dovolí, tak je z praktického hlediska lepší držet se v jednom kontextu, aneb držet se v jednom agentovi,“ popisuje Sára Maldon. Vzhledem k tomu, že vývojáři používají různé agenty od různých firem, aby zkontrolovali nebo doplnili input jiného agenta, tvoří tím jakousi agentni komisi s protinázory, popisuje Maldon.
AI agenti fungují jako specialisté na určitý druh práce a vývojáři si zvykli je takzvaně řetězit, tedy propojit tak, aby práce jednoho plynule navazovala na činnost druhého. „Nejlépe se to dá vysvětlit na zjednodušeném příkladu: jeden agent pomáhá interaktivně definovat zadání pro vývoj nebo architekturu, druhý připraví high-level implementační plán a rozpracuje ho na konkrétní úkoly. Třetí agent umí úkoly dále rozdělit sub-agentům, kteří implementují jednotlivé části a zároveň koordinují práci (případně jde o multi-agentní přístup, kde agenti mezi sebou komunikují, pokud pracují na propojených úlohách). Další agenti následně provádějí PR review, testování, optimalizaci, security review a tak dále,“ přibližuje Dojčák z Labyrinth Labs.
Naučit se definovat, co chci
Důležité tak začínají být nové zkušenosti. Maldon vysvětluje, že paralelizace několika agentů z různých nástrojů vyžaduje potřebu agenty takzvaně vizuálně řídit. Ještě častěji vývojáři ale zmiňují pečlivou formulaci zadání, tedy prompting.
Dojčák přibližuje, že pro efektivní práci agentů je podle něj klíčový „spec-driven“ přístup. „Co nejlépe definovat požadavek, dodat relevantní kontext a průběžně kontrolovat a korigovat výstup. Další časově náročnou oblastí je konfigurace schopností agentů – nastavování instrukcí, skillů, MCP serverů a podobně. Tato oblast se vyvíjí velmi rychle a to, co fungovalo před měsícem, dnes už nemusí být optimální,“ říká.
Potřeba umět přesně formulovat cíl se ozývá ze všech vývojových týmů. „Z experimentů víme, že největší rozdíl dělá schopnost popsat, čeho chceme dosáhnout – ne diktovat implementační detaily. To je mentální posun,“ vysvětluje Bečvařík z Etnetery. Podle něj je třeba ještě před implementací ujasnist si kontext, omezení, rizika i dopady. „Jakmile začnete agenty řetězit, stačí jeden slabý článek a degraduje se celý pipeline – v nabídce, v návrhu i v kódu. Proto dnes velkou část energie věnujeme tomu, jak o agentech přemýšlet systémově. Ne tak, že „agent něco udělá“, ale že má jasně definované mantinely – rozpočet, povolené nástroje, validaci vstupů a výstupů, možnost lidského zásahu,“ přibližuje.
Za deset dní jsme přepsali 10 let vyvíjenou aplikaci
Tomeček v CloudTalku se na zmíněnou spolupráci dostal během posledních 15 měsíců a vysvětluje, že nejintenzivnějších bylo posledních šest měsíců díky skokovému pokroku AI nástrojů. „AI agenti dnes generují první verzi většiny implementace, ale systémové myšlení, prioritizace a zodpovědnost za dlouhodobý směr jsou pořád lidské. A čím lepší jsou modely, tím víc je vývoj o úsudku, ne o psaní řádků kódu,“ říká.
„V roce 2026 sledujeme zlom, kdy se software poprvé učí samostatně vykonávat práci, která byla dosud výhradně lidská – od rozhodování až po realizaci,“ myslí si David Strejc, spolumajitel a hlavní architekt ve společnosti Apertia Tech. I podle něj člověk přestává být operátorem a stává se supervizorem.
V TopMonks věří, že doba, kdy byla umělá inteligence jen doplněk v některých vývojových nástrojích, je nenávratně pryč. Podle Fabiána nynější modely a terminálové aplikace Anthropicu a OpenAI umožňují generovat celé systémy nezávisle na integrovaném vývojovém prostředí. „Interně jsme takto za 10 dní úplně přepsali vlastní legacy aplikaci pro chod firmy, která nás v nákladech za mnoho let stála 10 milionů korun. Celá aplikace je otestovaná, rychlá a funkčně na 150 % té původní. Agent si sám poradil s migrací databáze a nasazením v cloudu,“ říká.
Přes nasazovanou práci AI agentů zatím firmy v Česku hlásí, že stroje lidem práci neberou. Kde však zůstává role programátora? „Samozřejmě se ale stalo, že i přes pečlivé zadání a kompletní zdrojové kódy si toho agent dost dovymýšlel nebo naopak zapomenul. Zkrátka člověk je zatím stále potřeba,“ doplňuje Fabián k přepisu zmíněné aplikace pro chod firmy. Pokud se role přesouvá do role dirigentů AI agentů spíš než autorů kódů, senioři by svou pozici prý ztratit neměli. „Dirigovat agenty a nést odpovědnost za kvalitu výstupů je (a ještě dlouho bude) náročný úkol: vyžaduje dobrý úsudek, schopnost předávat správný kontext, dělat správná rozhodnutí a umět výsledky kriticky ověřovat,“ říká Dojčák.
Změny přesto přicházejí významně rychlými kroky, uvědomují si oslovené firmy. „Možnost postupného propojování agentů bez obav z výsledku vidím jako reálnou do několika měsíců až roku,“ věří odvážněji Fabián.
Zůstává tedy prostor pro juniory? „Upřímně, tohle se mi samotnému honí hlavou a nemám na to zatím jasnou odpověď. Myslím si, že junioři se díky AI strašně zefektivní. Dost možná se stane, že to, co dnes považujeme za mediora až seniora, bude pro juniory nový entry level. Následujících pět let budeme nově definovat, co to vlastně znamená být junior. Dokud se ten přechod neustálí a modely nedosáhnou určitého plató, bude to pro začínající lidi na trhu hodně náročné,“ předpovídá Venclík.
- Chcete mít Lupu bez bannerů?
- Chcete dostávat speciální týdenní newsletter o zákulisí českého internetu?
- Chcete mít k dispozici strojové přepisy podcastů?
- Chcete získat slevu 1 000 Kč na jednu z našich konferencí?
Staňte se naším podporovatelem
ČLÁNKY DO MAILU