Umělá inteligence bývá ve vývoji softwaru často prezentována jako revoluce. V praxi, zvlášť v prostředí svázaném PCI DSS, bezpečnostními pravidly a vysokými nároky na výkon, je situace mnohem střízlivější. V GR8 Tech proto nešlo o to naskočit na módní vlnu. Otázka zněla jednoduše: dokáže AI skutečně pomoct inženýrským týmům, nebo jen přidá další šum, riziko a práci navíc?
Odpověď nepřišla z prezentací, ale z praxe. Z opatrných experimentů se postupně stal funkční model práce. A výsledek je překvapivě pragmatický: AI vývojáře nenahradila, ale v řadě situací jim začala velmi reálně šetřit čas.
Na začátku to vypadalo jen jako chytřejší autocomplete
Mykola Remeslennikov, který vede Payments Core Team, nepatřil mezi technologické nadšence, kteří by AI bezvýhradně věřili od prvního dne.
„Upřímně řečeno, dlouho jsem AI nástroje vnímal hlavně jako hype. Pokud rozumíte architektuře a doméně, samotné psaní kódu není ten nejtěžší problém. Připadalo mi to spíš jako pokročilé autocomplete – působivé na ukázkách, ale dost vzdálené reálné složitosti produkčních systémů.“
Právě tahle skepse se nakonec ukázala jako výhoda. V regulovaném prostředí totiž není prostor pro bezhlavé experimenty. Tým nemohl používat náhodné veřejné nástroje a každý pokus musel projít přes bezpečnostní i compliance mantinely.
Proto se začalo opatrně: s kontrolovanými, business-ready nástroji a s přesně vymezenými use cases.
První pokusy? Žádný zázrak
Jedním z prvních scénářů bylo code review. Důvod byl praktický: přibývalo změn v repozitářích, tempo vývoje rostlo a čas zkušených inženýrů byl stále cennější.
Jenže první výsledky nebyly nijak oslnivé. Bez hlubší znalosti domény dávala AI připomínky, které působily spíš povrchně. Některé komentáře byly technicky správné, ale míjely skutečný problém. Jiné zněly dobře, ale v kontextu daného systému nepřinášely téměř nic.
Přesto se objevilo něco důležitého. AI uměla rychle projít změny v repozitáři, vytáhnout z nich strukturované závěry a upozornit na místa, která stála za pozornost. A právě to naznačilo, že její role nemusí končit u generování kódu.
Zlom nastal až ve chvíli, kdy přestala psát kód
Skutečný posun přišel až tehdy, když AI přestala být vnímána jako nástroj na generování metod a snippetů. Místo toho začala fungovat jako partner pro rozbor problému.
„Zlom nastal ve chvíli, kdy jsem ji přestal brát jako generátor kódu a začal ji používat jako partnera pro přemýšlení. Popsal jsem omezení – výkon, integrace, compliance – a ona vrátila návrh architektury nebo strukturovaný design. Já mohl její předpoklady zpochybňovat, doplňovat doménová pravidla a velmi rychle dostat upravenou verzi.“
Tím se změnil i samotný pracovní postup. Místo přímého skoku do implementace se častěji začínalo definicí problému a iterací nad návrhem. AI připravila první strukturu, člověk ji upravil podle interních standardů, dlouhodobé udržitelnosti a obchodní logiky a teprve potom se šlo do vývoje.
Výsledek? Nešlo jen o rychlejší kódování. Ještě větší přínos byl ve zkrácení cesty ke správnému řešení.
AI pomohla zlevnit experiment
V prostředí platebních systémů a API je pozdní chyba drahá. Čím dřív se ověří předpoklady, tím menší je riziko, že tým investuje čas do špatného směru.
A právě zde se AI ukázala jako mimořádně užitečná. Při ověřování nové cache strategie například nevznikal plnohodnotný produkční systém, ale lehký proof of concept. Jeho cílem nebylo být dokonalý, ale rychle dodat odpověď na konkrétní technickou otázku.
Díky AI měl tým během krátké doby k dispozici první funkční variantu i data, která ukazovala, zda má smysl pokračovat dál. Kód nemusel být perfektní. Stačilo, že pomohl rychle otestovat hypotézu.
Právě v tom je jedna z nejpraktičtějších výhod AI: umožňuje levněji chybovat a rychleji se učit.
Konec hodin strávených boilerplate kódem
Další přínos se ukázal při startu nových služeb. Než se vývojář dostane k samotné business logice, musí obvykle připravit spoustu opakujících se věcí: logging, health checky, autorizaci, kontejnery, CI konfiguraci a další technický základ.
To všechno je nutné, ale málokdo v tom vidí práci s vysokou přidanou hodnotou.
„Dřív znamenal start nového servisu hodiny konfigurace, než jsem se dostal k řešení skutečného problému. Logging, health checky, auth, kontejnery – všechno důležité, ale stále stejné. Díky AI dnes tahle režie výrazně klesá.“
AI tu nevytváří hotový finální systém, ale výrazně urychluje vznik základní kostry podle definovaných standardů. Seniorní inženýři se tak mohou víc soustředit na doménovou logiku, architekturu a rozhodnutí, která mají skutečný dopad.
Bez disciplíny to nefunguje
Možná nejdůležitější poznatek z celé zkušenosti je velmi střízlivý: AI nefunguje dobře sama o sobě. Funguje dobře tehdy, když tým už má disciplínu.
Velké modely si poradí s jasně vymezeným kontextem, ale ztrácejí přesnost, jakmile se ponoří do příliš rozsáhlého nebo nepřehledného codebase. Proto se ukázalo jako klíčové pracovat s čistým stavem repozitáře, řešit jednu feature najednou a velmi přesně vymezovat, s čím má AI pracovat.
Stejně důležité zůstává i review. Kód generovaný AI může ušetřit čas, ale rozhodnutí o bezpečnosti, výkonu, správnosti obchodní logiky i architektonických kompromisech zůstává vždy na člověku.
V tomto směru AI v GR8 Tech nesnížila nároky na kvalitu. Naopak je ještě víc zvýraznila.
Nejlepší junior v týmu? Ano, ale s permanentní amnézií
Jak tedy AI ve vývoji chápat? V GR8 Tech se nejlépe osvědčil pohled, že nejde o náhradu člověka, ale o formu rozšířeného pair programmingu.
„Pokud budete AI brát jako nejlepšího juniora, se kterým jste kdy pracovali – extrémně rychlého, skvěle znalého syntaxe, ale s permanentní amnézií – pak jste na správné cestě. Potřebuje kontext, omezení a review. Když jí tu strukturu dáte, začne být opravdu užitečná.“
Právě tento přístup pomohl i kulturně. AI nebyla představena jako hrozba, ale jako nástroj, který rozšiřuje možnosti týmu. Odpovědnost zůstává na lidech, jen se mění poměr mezi rutinní prací a skutečným technickým rozhodováním.
Vývoj zůstal stejný. Jen je rychlejší
Po měsících testování je obraz poměrně jasný. AI v GR8 Tech nepřepsala pravidla vývoje a nenahradila zkušené inženýry. V konkrétních scénářích se ale stala velmi účinným násobitelem síly.
Pomáhá rychleji stavět proof of concepty, zkracuje čas strávený nad boilerplate kódem, podporuje konzistentnější dokumentaci a urychluje první návrhy řešení. To nejdůležitější ale leží jinde: uvolňuje seniorním lidem ruce pro architekturu, systémové myšlení a řešení složitých problémů.
A právě tam se dnes rozhoduje o největší hodnotě. Právě tento typ inženýrského prostředí – kde se experimentuje disciplinovaně, s důrazem na kvalitu, bezpečnost a reálný dopad – GR8 Tech dlouhodobě rozvíjí napříč týmy. Více o přístupu firmy a aktuálních otevřených rolích najdete na career page GR8 Tech.
Co z toho plyne?
Zkušenost GR8 Tech ukazuje, že i v regulovaném a výkonově náročném prostředí může AI fungovat velmi dobře. Ne jako náhrada inženýrského úsudku a ne jako nekontrolovaný experiment, ale jako nástroj, který při správném nastavení šetří čas a zlepšuje rozhodování.
Musí však mít jasná pravidla, bezpečný rámec a člověka, který ví, co dělá.
Pak se z přeceňovaného trendu může stát něco mnohem praktičtějšího: technologie, která vývojářům nepřebírá práci, ale pomáhá jim dělat ji rychleji a chytřeji.
video
