AI programovanie zrýchľuje prácu, no vytvára nový typ vyčerpania

GitHub Copilot, Claude Code, Cursor a podobné nástroje sa stali bežnou súčasťou vývoja softvéru. Vývojári ich používajú na tvorbu základného kódu, vysvetľovanie neznámych častí systému, písanie testov, refaktoring aj hľadanie chýb.

Prieskum Coddy Developer Survey medzi 305 vývojármi však ukázal nepríjemný rozpor. Štyria z piatich respondentov uviedli, že AI používali skôr z pocitu závislosti než ako jednoznačnú výhodu.

Ďalšie čísla vysvetľujú, prečo. 43 % vývojárov pokračovalo v programovaní s AI aj po pracovnom čase, hoci pôvodne chceli skončiť. 32 % odložilo spánok, aby mohli pokračovať. Pre 39 % bolo po zavedení AI ťažšie vypnúť pracovný režim.

Mechanizmus je jednoduchý. Agent pripraví návrh, človek ho skontroluje, zadá ďalšiu úpravu a sleduje nový výsledok. Keď model trafí riešenie, prichádza pocit odmeny. Keď sa pomýli, vzniká potreba problém okamžite opraviť. Práca tak nemá prirodzený koniec.

Rýchlejší výstup navyše nemusí znamenať kratší pracovný deň. Vývojár stále musí overiť požiadavky, architektúru, bezpečnosť, okrajové prípady a dôsledky nasadenia. Vzniká verification debt, teda dlh overovania. Kód pribudne rýchlo, istota o jeho kvalite pomalšie.

Na tento problém upozorňuje aj Stack Overflow Developer Survey 2025. 45 % respondentov bolo frustrovaných odpoveďami AI, ktoré boli „takmer správne, ale nie celkom“. Dôvera v presnosť AI pritom podľa článku klesla na 29 %, hoci používanie nástrojov pokračovalo v raste.

Výsledky treba čítať opatrne. Coddy skúmal relatívne malú skupinu 305 vývojárov a ide o vlastné odpovede respondentov, nie o objektívne meranie výkonu alebo zdravotného stavu. Prieskum preto ukazuje vnímanie a pracovné návyky, nie dôkaz, že AI spôsobuje vyhorenie každému používateľovi.

Čo si z toho zobrať? Pre bežnú stredoeurópsku firmu nie je cieľom prinútiť vývojárov generovať viac kódu. Najprv nastavte hranice používania, povinnú kontrolu zmien a merajte čas do funkčného nasadenia, nie počet riadkov vytvorených modelom.

Modely sveta musia chápať aj to, čo ľudia vedia a chcú

Systém, ktorý predpovedá správanie ľudí, nestačí postaviť iba na fyzickom opise prostredia. Nový výskum predstavený v The Decoder rozširuje world models, teda modely sveta, o presvedčenia, ciele, zámery, emócie a spoločenské pravidlá.

Príklad je nenápadný. Človeku niekto premiestni šálku do skrinky bez jeho vedomia. Fyzický model vidí správnu polohu predmetu. Predpoveď ďalšieho konania však bude chybná, pretože človek stále verí, že šálka je na pôvodnom mieste.

Výskumníci vytvorili rámec Mental World Modeling a referenčnú implementáciu MENTIS. Tá rozdeľuje možné reakcie na fyzickú a mentálnu časť a následne ich hodnotí podľa fyzickej pravdepodobnosti, konzistentnosti s mentálnym stavom a spoločenskej vhodnosti.

V teste Menti-Bench s 448 scénami dosiahlo osem jazykových modelov priame odpovede s F1 skóre 63,3. Opakované odpovedanie zvýšilo výsledok na 77,9, zatiaľ čo celý rámec sa dostal na 87,9. Ľudia dosiahli 98,5.

Výskum však nesimuluje vedomie. Mentálne stavy sú hypotézy odvodené z kontextu a správania. Samotní autori upozorňujú, že systém má reprezentovať neistotu a svoje predpoklady udržať transparentné.

Čo si z toho zobrať? Ak firma používa AI na komunikáciu so zákazníkmi alebo na rozhodovanie v zložitých situáciách, nestačí jej databáza faktov. Do návrhu procesu treba pridať aj informáciu o zámere, kontexte a miere neistoty človeka na druhej strane.

Čo ešte stojí za prečítanie?

  • Uber dostal v Európe pokutu 824,9 milióna eur za automatizované deaktivovanie vodičov, ktoré regulátor spojil s porušením GDPR, informuje Engadget.
  • Netflix testuje jazykový model GenRec ako alternatívu k rokmi ručne budovanej logike odporúčaní, uvádza The Decoder.
  • Google vyvíja nástroj, ktorý má z údajov z nositeľných zariadení vyberať biomarkery vhodné na ďalší výskum, píše Google Research.
  • Waymo funguje v rámci Level 4, zatiaľ čo Level 5 by znamenal jazdu bez obmedzenia prostredím či situáciou, vysvetľuje Engadget.
  • Pekinská robotická konferencia prilákala viac než 300 vystavovateľov, no zakladateľ Unitree tvrdí, že robotika ešte nezažila svoj „moment ChatGPT“, sumarizuje Techmeme.

Čo si o tom myslím a čo z toho plynie pre firmy

Názor

Pri AI programovaní odmietam merať úspech podľa toho, koľko kódu vznikne za hodinu. To je metrika pre prezentáciu, nie pre prevádzku. Ak 45 % vývojárov rieši odpovede, ktoré sú takmer správne, firma si musí položiť otázku, kam sa presunula práca. Nezmizla. Presunula sa z písania do overovania, testovania a opráv.

AI nástroje preto nepovažujem za problém samy osebe. Problém vznikne vtedy, keď vedenie zoberie úsporu na jednej úlohe ako povolenie zvýšiť objem všetkých ostatných úloh. Vývojár napíše návrh rýchlejšie, takže dostane viac tiketov. Pull request je väčší, kontrola náročnejšia a očakávanie dostupnosti trvá večer. Zrýchlili sme výrobnú linku a zabudli sme preveriť, či máme dosť technikov na výstupnej kontrole.

Najhorší spôsob použitia agentov je nechať ich bežať bez jasného konca. Keď systém dokáže navrhnúť ďalší refaktoring, optimalizáciu a opravu, vždy existuje ešte jeden krok. Produktívny proces však musí mať definíciu hotového výsledku. Inak sa z pomocníka stane nekonečný zoznam otvorených slučiek.

Dôsledok pre slovenskú a českú firmu

Pre slovenskú a českú firmu to znamená zmeniť zadanie vývojového tímu. Nie „používajte AI všade“, ale „použite AI tam, kde vieme overiť výsledok a kde sa meria dopad“. Vhodným prvým miestom je tvorba testov, dokumentácie alebo opakujúcich sa transformačných skriptov. Menej vhodné je nechať agenta meniť kritickú platobnú logiku bez druhého páru očí.

Proces by mal mať štyri kroky. Vývojár zadá úlohu s jasným rozsahom. AI vytvorí návrh. Automatické testy a bezpečnostné kontroly overia technickú stránku. Človek schváli zmenu a zapíše, čo sa skutočne nasadilo. Pri každom kroku musí byť viditeľné, kto rozhoduje a čo sa stane, keď nástroj zlyhá.

Týka sa to CTO, vedúceho vývoja aj HR. CTO potrebuje sledovať čas od zadania po bezpečný release, nie aktivitu v editore. Vedúci tímu musí nastaviť pravidlá pracovnej dostupnosti. HR by nemalo odmeňovať človeka za to, že je online o druhej ráno, ani keď pri tom elegantne diskutuje s Claude Code.

Rozdiel medzi Slovenskom a Českom tu nie je zásadný. V oboch krajinách je relevantná ochrana firemných dát, pracovný čas a zodpovednosť za produkčný systém. Pri regulovaných odvetviach treba navyše preveriť, či sa do externého nástroja neposielajú osobné, zdravotné alebo obchodne citlivé údaje. Pokuta v prípade Uberu ukazuje, že automatizované rozhodnutie môže byť nielen technický, ale aj právny problém.

V horizonte jedného mesiaca si firma môže vybrať jeden tím a porovnať tri veci: čas vývoja, čas overovania a počet chýb po nasadení. Ak prvé číslo klesne, ale ďalšie dve rastú, nejde o produktivitu. Ide o presun nákladov. Ak sa zároveň zlepší čas do stabilného release a tím končí prácu v plánovanom čase, až vtedy má AI reálny prínos.

Na záver

Harvard ponúka za 699 dolárov osem­týždňový startupový program, v ktorom AI avatary inštruktorov poskytujú spätnú väzbu pri prezentáciách a nácviku zasadnutí predstavenstva. TechCrunch opisuje, že digitálna verzia jedného z mentorov pôsobila trochu neprirodzene, no účastníkom sa páčila.

Je to presný obraz dnešnej AI. Užitočnosť a zvláštny pocit môžu existovať naraz. Rozhodujúce nebude, či je avatar dokonale ľudský. Rozhodne, či vás pripraví na skutočné stretnutie lepšie než ďalšia hodina predstierania pripravenosti.

Výzva na AI implementáciu dňa

Do jedného vývojového tímu nasaďte jednoduchý AI review checklist v GitHub Actions. Po vytvorení pull requestu model zhrnie zmenu, označí dotknuté moduly, navrhne chýbajúce testy a upozorní na možné bezpečnostné riziká. Výsledok však nesmie schvaľovať sám.

Týmto odľahčíte seniorného vývojára od prvého triedenia zmien a skrátite úvodnú kontrolu približne o 15 až 30 minút na pull request. Základnú verziu viete spustiť za dva až päť pracovných dní pomocou existujúceho CI nástroja a API modelu.

Najčastejšie to padne na nejasných pravidlách, čo má model označovať, a na chýbajúcom testovacom procese. Začnite jedným repozitárom, merajte čas kontroly a po týždni rozhodnite podľa výsledkov, nie podľa počtu komentárov od robota.

Vyberte dnes jeden repozitár a do piatku zmerajte, či AI skracuje kontrolu bez toho, aby predĺžila cestu k bezpečnému releasu.