V roce 1987 Robert Solow prohlásil, že éru počítačů vidíme všude, jen ne v produktivních statistikách. Dnes, v červnu 2026, se tento paradox vrací v nové podobě. Přestože máme k dispozici nástroje, které dokážou napsat funkční algoritmus během sekund, globální ekonomika stále čeká na masivní skok v celkové produktivitě softwarového průmyslu.
Nedávná výzkumná práce „Writing code versus shipping code“ analyzovala data od více než 100 000 vývojářů na platformě GitHub a ukázala, že AI nástroje fungují v několika generacích, z nichž každá posouvá hranice něčeho jiného.
Tři generace AI v programování: Od doplňování po autonomní agenty
Abychom pochopili, kde přesně nastává problém, musíme rozlišit mezi třemi úrovněmi, kterými se technologie v posledních letech posunuly. Výzkum rozděluje AI nástroje do jasných kategorií:
1. Autocomplete (Doplňování kódu)
Toto je první vlna, kterou známe například z GitHub Copilot. Tyto nástroje fungují na principu predikce – zatímco píšete, AI vám navrhne další řádek nebo celou funkci. Podle studií zvyšuje tato technologie aktivitu vývojářů (měřenou počtem tzv. „commits“) přibližně o 40 %. Je to skvělá pomocník pro rychlé psaní rutinních úseků kódu.
2. Sync Agents (Synchronní agenti)
Druhá generace, kterou reprezentuje například Claude Code od Anthropic, pracuje v reálném čase přímo s vývojářem. Nejenže doplňují text, ale aktivně spolupracují na editaci souborů a řešení problémů během procesu tvorby. Kumulativní efekt těchto nástrojů zvyšuje produktivitu o 140 %.
3. Async Agents (Asynchronní agenti)
Nejnovější a nejvýkonnější úroveň představují autonomní agenti, jako jsou GitHub Coding Agent nebo systémy postavené na modelech od OpenAI. Tito agenti dostanou úkol (např. „oprav chybu v autentizaci“) a pracují na něm samostatně, aniž by vývojář musel neustále držet ruku na klávesnici. Jejich dopad na objem psaného kódu je ohromující – zvyšují aktivitu až o 180 %.
Paradox „úzkého hrdla“: Proč se kód neproměňuje v produkty?
Zde přichází klíčové zjištění, které by mělo zajímat každého manažera v technologické firmě, včetně těch v České republice. I když AI dokáže generovat obrovské množství kódu (commits), tento růst se drasticky propadá, jakmile se pokusíme o finální produkt.
Výzkum ukazuje, že zatímco objem psaného kódu vzrostl díky AI masivně, počet nových projektů roste jen o 50 % a skutečný počet vydaných verzí (releases) aplikací pouze o 30 %. Proč tomu tak je? Odpověď leží v tzv. hypotéze úzkého hrdla (weak links hypothesis).
Software není jen text; je to řetězec kroků: Psaní $\rightarrow$ Code Review $\rightarrow$ Testování $\rightarrow$ Integrace $\rightarrow$ Nasazení. AI dokáže extrémně zrychlit první krok (psaní), ale procesy jako review (kontrola kódu jiným člověkem) a testování jsou stále v rukou lidí. Pokud se lidská kapacita pro kontrolu nezvýší, další množství kódu jen vytvoří „hromadu digitálního odpadu“, který nikdo nestihne zkontrolovat a schválit.
Co to znamená pro český trh a vývojáře?
Pro české softwarové firmy a jednotlivce tento výsledek přináší několik zásadních důsledků:
- Změna role vývojáře: Role „pisatele kódu“ (coder) se mění v roli „revizora a architekta“ (reviewer). Vaše hodnota nebude v tom, jak rychle napíšete funkci, ale v tom, jak efektivně dokážete ověřit kód, který vygeneroval agent.
- Kvalita vs. kvantita: Na trhu se začíná objevovat zahlcení aplikacemi s nízkou kvalitou. Jak ukazuje analýza App Store a Google Play, počet nových aplikací roste, ale jejich celková angažovanost (usage) stagnuje. Pro české startupy to znamená, že cesta k úspěchu není v „vypuštění více funkcí“, ale v precizním testování a řešení skutečných problémů.
- Cenová dostupnost nástrojů: Většina těchto nástrojů je dostupná globálně i pro české uživatele.
- GitHub Copilot: cca 10 USD/měsíc (pro jednotlivce).
- Claude Pro (pro Claude Code): cca 20 USD/měsíc.
- OpenAI API (pro vlastní agenty): platba podle využití (pay-as-you-go).
V kontextu EU AI Act je navíc nutné dbát na to, že i když agent napíše kód, právní odpovědnost za jeho bezpečnost a soulad s regulacemi zůstává na lidském subjektu. Automatizace kódu nesmí znamenat automatizaci odpovědnosti.
Závěr
AI nástroje jsou neuvěřitelně efektivní v produkování „materiálu“, ale stále nemají schopnost dokončit celý produktivní cyklus bez lidského dohledu. Skutečná produktivita v roce 2026 nebude spočítávána počtem napsaných řádků, ale rychlostí, s jakou dokážeme tyto řádky bezpečně a kvalitně integrovat do reálného světa.
Nahradí AI vývojáře, protože píše kód tak rychle?
Ne. Výzkum ukazuje, že AI vytváří „úzké hrdlo“ v lidské kontrole. Vývojáři budou méně času trávit psaním syntaxe a více času review, designem architektury a zajišťováním kvality. Role se transformuje, nikoliv likviduje.
Proč tedy v App Store vidíme tolik nových aplikací, které nikdo nepoužívá?
AI snižuje bariéru vstupu. Je extrémně snadné vytvořit základní verzi aplikace (MVP), ale AI zatím nedokáže vyřešit distribuci, marketing ani hlubokou uživatelskou hodnotu, která drží lidi u aplikace. Máme více „produkce“, ale ne nutně více „poptávky“.
Je bezpečné používat autonomní agenty pro kritickou infrastrukturu?
V současnosti nikoliv bez přísného lidského dohledu. Jelikož AI může generovat chyby nebo bezpečnostní zranitelnosti (halucinace v kódu), proces „human-in-the-loop“ je nezbytný pro splnění standardů bezpečnosti a regulací jako EU AI Act.
