Vývoj s AI potřebuje zadání, testy a odpovědnost za výsledek
Rychlé vytvoření prototypu není totéž jako bezpečné nasazení aplikace pracující s penězi nebo citlivými údaji. Aktuální příspěvek na Lupě popisuje, jak při zapojování AI agentů zachovat kontrolu nad vývojem.
Marek Přibáň v příspěvku publikovaném na Lupě 8. října popisuje zkušenosti týmu Ackee se zapojením AI agentů do vývoje. Představuje přístup Agentic Development Lifecycle (ADLC), v němž rychlé generování kódu doplňuje příprava zadání, testování a lidská revize. Jde o autorovu zkušenost s konkrétním pracovním postupem, nikoli o novou bezpečnostní normu nebo nezávislé měření účinnosti nástrojů.
Agent podle popsaného přístupu dostává kontext projektu, omezení, očekávané chování i kritéria dokončení. Význam tohoto zadání ilustruje příklad investiční aplikace: při zamítnutí zrušení pokynu má klient zjistit důvod, který se však načítá odděleně od běžného detailu. Druhý příklad řeší vyprodaný úpis dluhopisu, o němž rozhoduje údaj ze serveru. Oba ukazují, že zadání musí zachytit pravidla procesu a zdroj rozhodujících informací, nikoli jen požadovanou obrazovku.
Z těchto příkladů plyne širší poučení pro řízení vývoje: věrohodně vypadající rozhraní může zakrýt nesprávné chování aplikace. Uživatel může vidět potvrzení, přestože navazující systém požadavek odmítl, nebo aplikace může vycházet z neaktuálního stavu. Před zahájením práce je proto užitečné určit, který systém je pro dané rozhodnutí autoritativní, kdy se jeho údaj načítá a co se stane při nedostupnosti. To jsou rozhodnutí o funkci produktu, která samotná schopnost generovat kód neřeší.
Stejně důležitá je hranice změny. Úprava zobrazení chybové zprávy může zasáhnout sdílenou část aplikace, a tím ovlivnit další operace. Praktickou odpovědí je spojit zadání s kontrolou skutečně změněných míst: co agent upravil, které návaznosti tím ovlivnil a jaké chování zůstalo neověřené. U aplikací pracujících s penězi či osobními údaji potřebuje revize posoudit i oprávnění a tok dat. Nový způsob načítání informace nesmí zpřístupnit údaje jinému uživateli jen proto, že správně funguje v běžném scénáři.
Autor zdůrazňuje testy a průběžně udržovanou dokumentaci. Pro rozhodnutí o nasazení má význam rozlišovat existenci testu od jeho výsledku a od rozsahu, který skutečně ověřuje. Test vytvořený agentem může zopakovat stejný chybný předpoklad jako implementace. Hodnotu získává tehdy, když vychází z nezávisle stanoveného požadavku a může selhat při nesprávném výsledku. Kromě běžného průchodu je vhodné prověřit odmítnutí požadavku, chybějící data a selhání komunikace mezi systémy.
Pro vedení týmu to znamená určit odpovědnost za přijetí změny a zajistit dostupné důkazy. Přesvědčivé shrnutí od agenta ani množství vytvořeného kódu samo o sobě nepotvrzuje připravenost k produkčnímu provozu. Rozhodující jsou výsledky odpovídajících kontrol a srozumitelné vymezení jejich omezení. Podle dopadu změny může být potřebný také postup návratu a sledování chyb po nasazení; tato opatření mají vycházet z rizika konkrétní aplikace.
Přibáň upozorňuje rovněž na technický dluh a promítání opakovaných chyb do lepších zadání. Přenositelné poučení spočívá v tom, že dokumentace a revize musejí držet krok s rychlostí tvorby změn. Jinak se úspora při psaní kódu může přesunout do nákladnějšího vysvětlování a oprav v provozu. AI může převzít velkou část implementace, ale organizace dál rozhoduje, co má aplikace dělat a podle čeho její výsledek přijme.
Zdroj
Datum: 8.10.2026
Další články
I testování kamer na pracovišti podléhá GDPR
Vývoj s AI potřebuje zadání, testy a odpovědnost za výsledek
