Nástroje založené na umělé inteligenci, takzvaní „coding agents“, dnes zásadně proměňují způsob, jakým vzniká software. Ne všechny oblasti vývoje ale zrychlují stejně. Pochopení těchto rozdílů je klíčové pro správné nastavení týmů i realistická očekávání.

Největší přínos AI se ukazuje ve frontendovém vývoji. Tedy například při tvorbě webových stránek pro e-shopy. Moderní modely výborně ovládají jazyky jako TypeScript nebo JavaScript a frameworky typu React či Angular. Díky tomu dokážou velmi rychle generovat funkční rozhraní a navíc samostatně iterovat na základě výsledků v prohlížeči. Slabinou zatím zůstává vizuální design, ale pokud je návrh předem daný, implementace je výrazně rychlejší než dříve.

Backendový vývoj, například tvorba API pro práci s daty, už je složitější. Vyžaduje pečlivější vedení ze strany zkušených vývojářů, zejména kvůli okrajovým případům, které mohou vést k chybám nebo bezpečnostním problémům. Chyby v backendu navíc často způsobují nepřehledné problémy, jako je poškození databáze nebo nesprávné výsledky dotazů. I když AI pomáhá práci urychlit, stále platí, že kvalitní backend vyžaduje zkušenosti a důkladný návrh.

Ještě menší přínos má AI v oblasti infrastruktury. Úkoly jako škálování systému pro tisíce uživatelů při zachování vysoké spolehlivosti vyžadují hluboké znalosti a cit pro kompromisy. Současné modely mají v této oblasti omezené znalosti, a proto nejsou příliš spolehlivé při zásadních rozhodnutích. Navíc odhalování chyb v infrastruktuře, například špatné konfigurace sítě, patří mezi nejnáročnější úkoly vůbec.

Nejméně zatím AI pomáhá ve výzkumu. Ten zahrnuje formulování hypotéz, experimentování, interpretaci výsledků a jejich opakované ověřování. Coding agents sice dokážou urychlit psaní kódu pro experimenty nebo pomoci s jejich organizací, ale většina výzkumné práce spočívá v myšlení a rozhodování, kde má AI zatím jen omezenou roli.

Rozdělení softwarové práce na frontend, backend, infrastrukturu a výzkum je zjednodušené, ale užitečné. Pomáhá firmám lépe organizovat týmy a nastavovat očekávání. Zatímco frontendové týmy mohou dnes pracovat výrazně rychleji než před rokem, u výzkumných týmů se tempo změnilo jen minimálně.

Vývoj softwaru tak vstupuje do nové fáze, kde rychlost stále více závisí na správném využití umělé inteligence - ale také na tom, kde její limity zatím nepřekročíme.

deeplearning.ai/gnews.cz - GH