Ještě nedávno programátor používající AI zadal dotaz chatbotu, zkopíroval vygenerovaný úryvek kódu a vložil jej do projektu. Dnes tento model práce stále častěji vypadá úplně jinak.
Programátor může agentovi zadat úkol, zpřístupnit mu repozitář, nechat ho analyzovat existující kód, spustit testy, upravit mnoho souborů, opravit chyby a poté připravit změnu k revizi. Člověk z procesu nezmizí. Mění se však místo, kde má jeho práce největší hodnotu.
Podle studie JetBrains Developer Ecosystem Survey 2026, zahrnující více než 15 tisíc profesionálních programátorů z celého světa, v období květen–červenec 2026 používalo 90 % respondentů AI coding agents v práci alespoň jednou týdně a 68 % je používalo denně.
To už není experiment několika nadšenců. Je to změna pracovního modelu.
AI už není jen „asistent pro kód“
Je dobré rozlišovat dvě věci.
AI assistant pomáhá programátorovi.
AI coding agent vykonává úkol.
Je to zdánlivě malý rozdíl, ale z hlediska organizace práce obrovský.
Asistent může navrhnout funkci, vysvětlit chybu, vygenerovat fragment SQL nebo napsat test. Nadále však většinu operací provádí člověk.
Agent může dostat mnohem obecnější zadání:
„Přidej možnost filtrování objednávek podle stavu. Prozkoumej existující architekturu. Implementuj backend i frontend. Přidej testy. Spusť test suite a oprav chyby.“
A začne pracovat.
Prohlíží strukturu projektu. Hledá příslušné soubory. Analyzuje závislosti. Upravuje kód. Spouští testy. Dostává chybovou hlášku. Snaží se ji opravit. Znovu spouští testy.
To už není autocomplete na steroidech.
To je vykonavatel úkolu, který funguje uvnitř vývojového prostředí.
A právě tady začíná skutečná změna role programátora
Jestliže AI dokáže vygenerovat několik set řádků kódu během několika desítek sekund, hodnota programátora už nemůže být měřena pouze počtem napsaných řádků.
Začínají se počítat jiné kompetence.
Dokáže programátor dobře definovat problém?
Rozumí architektuře systému?
Ví, jaké informace předat agentovi?
Dokáže posoudit, zda řešení skutečně odpovídá existujícímu systému?
Dokáže navrhnout testy?
Všimne si, že agent vyřešil problém lokálně, ale vytvořil problém o tři vrstvy výš?
Ví, kdy agenta zastavit?
To znamená přesun těžiště práce.
Méně: „Napišme ten kód od nuly.“
Více: „Navrhněme řešení, určeme omezení, předáme odpovídající kontext, zkontrolujeme výsledek a rozhodneme, zda jej lze nasadit.“
Programátor začíná připomínat vedoucího malého týmu
Představme si projekt, ve kterém pracuje několik agentů.
Jeden analyzuje existující kód.
Druhý připravuje backend.
Třetí pracuje na rozhraní.
Čtvrtý generuje testy.
Pátý analyzuje zabezpečení.
Člověk může koordinovat jejich práci, předávat kontext a přijímat rozhodnutí.
Zní to jako vývojový tým?
V jistém smyslu ano.
Rozdíl je v tom, že „zaměstnanci“ nejsou lidé.
A právě proto se objevuje nová kompetence: řízení agentic development.
Nejde zde o řízení lidí, harmonogramu nebo rozpočtu. Jde o řízení workflow vykonávaného systémy AI.
Programátor musí umět rozdělit velký problém na úkoly, určit závislosti, předat odpovídající kontext a vytvořit mechanismus kontroly výsledků.
To je mnohem blíže práci architekta než klasickému přepisování kódu.
Nejdůležitějším nástrojem programátora může být dnes kontext
Agent je tak dobrý, jak dobré informace dostane.
Můžeme říct: „Přidej přihlašování uživatelů.“
A můžeme říct: „Přidej přihlašování uživatelů. Systém používá současný mechanismus OAuth. Neměň strukturu tabulky uživatelů. Relace ukládáme na straně serveru. Nepřidávej novou knihovnu bez odůvodnění. Zachovej kompatibilitu s mobilní aplikací. Přidej testy pro přihlášení, odhlášení, vypršenou relaci a neplatný token.“
Druhý příkaz není jen delší.
Je lepší specifikací.
Agent dostává omezení, obchodní i technický kontext a kritéria přijetí.
Právě proto ve světě agentů nabývá na významu schopnost práce s kontextem. Programátor AI nejen říká, co má udělat. Musí také říct, v jakém prostředí to má udělat, co se nesmí měnit a podle čeho poznáme, že byl úkol proveden správně.
Největší chyba? Mýlit si rychlost generování s rychlostí tvorby software'u
To je velmi důležité.
Agent může vygenerovat funkci za 30 sekund.
To ale neznamená, že je funkce po 30 sekundách připravená do produkce.
Kód je třeba pochopit. Otestovat. Integrovat. Ověřit z hlediska bezpečnosti. Zkontrolovat výkon. Ověřit soulad s architekturou. Zanalyzovat dopad na ostatní části systému.
AI může dramaticky zkrátit fázi produkce kódu, ale neeliminuje potřebu inženýrství.
Právě naopak.
Čím snadněji lze kód vygenerovat, tím snadněji lze vygenerovat i špatný kód.
A problém začíná ve chvíli, kdy člověk už není schopen porozumět tomu, co schválil.
Proto člověk stále zůstává v loopu
Data Stack Overflow z dubna 2026 ukazují velmi zajímavý obraz. Používání agentů v práci vzrostlo na 59 %, avšak 63 % dotázaných technologů uvedlo, že agentům zřídka nebo nikdy nedovolí jednat zcela autonomně. 60 % respondentů blokuje agentům možnost provádět neschválené změny v systémech.
To ukazuje jednu důležitou věc.
Trh nesměřuje jednoduše směrem: „AI dělá všechno, člověk jen sleduje.“
Mnohem reálnější je model: „AI vykonává stále více práce, ale člověk stále kontroluje směr, omezení a výsledek.“
To je zásadní rozdíl.
Programátor nemusí ručně psát každou funkci. Musí však vědět, proč daná funkce vznikla, jak funguje a zda by měla být součástí systému.
Nový programátor bude muset být dobrý současně v několika různých světech
Klasické programátorské kompetence nadále zůstávají důležité.
Znalost programovacích jazyků, databází, architektury, protokolů, bezpečnosti, testování či infrastruktury nezmizí jen proto, že kód může vygenerovat AI.
Právě naopak.
Pokud někdo nerozumí systému, bude pro něj těžké posoudit, zda je vygenerované řešení dobré.
K tomu ale přibývají nové dovednosti.
Programátor musí rozumět omezením modelů. Musí umět připravit kontext. Musí vědět, jak rozdělovat úkoly mezi agenty. Musí umět navrhovat proces ověřování. Musí rozumět nákladům na volání, oprávněním agentů, přístupu k datům a riziku provádění automatických operací.
A především se musí naučit říkat AI nejen: „udělej to“.
Ale také: „udělej to takto, protože...”.
To může změnit také způsob budování IT týmů
Po léta znamenalo škálování programátorského týmu přidávání lidí.
Více funkcí? - Více programátorů.
Větší projekt? - Větší tým.
Více klientů? - Více lidí.
Agentic development může tuto závislost změnit.
To ale automaticky neznamená, že jeden programátor nahradí deset dalších. To by bylo příliš zjednodušené předpoklad.
Může to však znamenat, že jeden zkušený programátor bude schopen dohlížet na mnohem větší rozsah práce vykonávané automaticky.
V praxi to znamená posun úzkého hrdla.
Dnes může být omezením počet lidí, kteří umějí psát kód.
Zítra může být omezením počet lidí, kteří umějí dobře navrhovat, delegovat a ověřovat práci vykonávanou AI.
A co junior?
Tady se situace stává obzvlášť zajímavou.
AI může velmi rychle vygenerovat řešení, které by junior dříve psal několik hodin.
Ale junior nemusí vědět, zda je řešení správné.
To vytváří paradox.
AI může urychlit učení programování, protože umožňuje rychleji experimentovat, klást otázky a analyzovat řešení.
Zároveň však může ztížit rozvoj základního porozumění systému, pokud mladý programátor bude přijímat hotový kód bez snahy pochopit jeho fungování.
Proto budoucnost juniorů nemusí znamenat: „AI jim vezme práci”.
Může to znamenat něco praktičtějšího: Junior, který umí jen psát kód, to bude mít mnohem těžší. Junior, který umí rozumět kódu, testovat řešení, analyzovat problémy a pracovat s agenty, bude budovat zcela jiný profil kompetencí.
To je rozdíl mezi obsluhou nástroje a inženýrem.
Nejdražší chybu stále dělá člověk
Agent může vygenerovat chybný kód.
Ale rozhodnutí o nasazení může stále učinit člověk.
A právě proto se odpovědnost za software magicky nepřenáší na AI.
Jestliže agent vytvoří funkci, která funguje správně v testovacím scénáři, ale porušuje obchodní pravidla, problémem není to, že AI „nepochopila firmu”.
Problémem je proces, který umožnil takové změně projít dál.
To vede k velmi důležité změně v přemýšlení o kvalitě.
Už nestačí ptát se: „Napsal programátor dobrý kód?”
Čím dál častěji je třeba se ptát: „Vytvořil tým dobrý proces tvorby kódu za účasti AI?”
To je mnohem širší otázka.
Agent nenahrazuje architekta. Zvyšuje význam architektury
Čím více kódu může vznikat automaticky, tím větší význam má struktura systému.
Dobře navržená architektura umožňuje agentovi pracovat v určitých hranicích.
Špatně navržená aplikace může naopak způsobit, že agent začne problémy obcházet místo toho, aby je řešil.
Proto se architektura, dokumentace, testy, standardy kódování, CI/CD, monitoring a řízení přístupu stávají neméně důležitými, ale potenciálně ještě důležitějšími.
AI může urychlit práci v dobře připraveném prostředí.
Neopraví automaticky celý organizační a architektonický chaos.
Může ho ale velmi rychle zvětšit.
Budoucnost nepatří programátorovi, který napíše nejvíce kódu
To je asi nejdůležitější závěr celé změny.
Po dlouhou dobu bylo programování spojováno s psaním kódu.
Teď se kód stává stále levnějším a rychlejším na výrobu.
To posouvá hodnotu výše.
Směrem k pochopení problému.
K návrhu řešení.
K přijímání rozhodnutí.
Ke kontrole kvality.
K architektuře.
K bezpečnosti.
K integraci.
K porozumění byznysu.
A ke správnému využití agentů.
Programátor budoucnosti může trávit méně času u klávesnice, ale vůbec nemusí mít méně práce.
Jeho práce může prostě vypadat jinak.
Místo ručního psaní každé funkce bude navrhovat způsob, jakým funkce vznikají.
Místo samostatné opravy každé chyby bude budovat proces, který agentům umožní chyby nacházet a opravovat.
Místo toho, aby byl jediným vykonavatelem, se stane člověkem, který určuje směr práce několika digitálních vykonavatelů.
A možná právě proto nebude nejdůležitější otázkou budoucnosti: „Dokáže AI programovat?”
Ale: „Dokážeme budovat software tak, aby AI mohla pracovat rychle a člověk stále věděl, co se děje?”
Protože ve světě agentů nebude největší výhodou samotné vlastnictví AI.
Bude jí schopnost ji kontrolovat.
