AI jsou svaly, člověk musí myslet

Přiznejme si to. U integrace AI nástrojů do každodenní vývojářské práce už dávno nejde o to, „jestli“, ale „jak“.

Od doby, kdy se AI stala v IT skutečně relevantním tématem, cítím se uvězněný mezi protichůdnými a stejně nesprávnými postoji. Někteří berou LLM, GenAI a AgenticAI jako zázračné řešení, které vyřeší úplně vše a umožní jedinému nezkušenému člověku odvést práci celého IT oddělení. Někteří se AI bojí, nebo ji dokonce nenávidí, protože „vezme všem práci“ a/nebo „udělá z nás hlupáky“. A další se ji snaží ignorovat a vyhýbat se jí, přesvědčeni, že je „k ničemu“ a že bez ní pracují lépe. Je těžké se zorientovat v rozbouřeném moři podobných článků a příspěvků na sociálních sítích.

Věci nikdy nejsou tak dobré, jak si přejete, a nikdy tak zlé, jak se obáváte. Tomu tak nějak věřím jako univerzální pravdě. Platí to i tady.

Jako senior vývojář se nebojím, že mě AI nahradí. Netruchlím nad zavírajícími se dveřmi, vidím před sebou dveře nové, které se otevírají. I v tom nejhorším případě, že bych byl propuštěn ze současné firmy, se otevírá spousta nových možností!

Zároveň jsem dost realistický na to, abych věděl, že to nikdy není tak jednoduché. Už jsem si prošel „agilní revolucí“ i „cloudovou revolucí“ a zatímco některé problémy tehdejší revoluční přístupy vyřešily, jiné zůstaly a objevily se i úplně nové. Práce softwarového inženýra nikdy nekončí.

A nakonec, nejsem tak přehnaně sebevědomý, abych si o sobě myslel, že jsem na tom lépe než AI. Jsem si docela jistý, že se nikdy nedokážu prohrabávat soubory a greppovat jejich obsah tak rychle jako neúnavný stroj. A i když píšu na klávesnici docela rychle, svému Copilotu se nikdy nevyrovnám. Takže s ním ani nebudu soutěžit. Nechám AI dělat věci, ve kterých vyniká, a sám si nechám to podstatné - definování cílů a ověřování výsledků.

A je to. Role vývojáře se posouvá od psaní kódu k vlastnictví kódu a od řešení Jira ticketů k jejich psaní. Chápu, proč to některým dělá problém. Být „code monkey“ nebylo nic moc, ale byla to poctivá práce. Přidat k tomu architektonický a manažerský přesah a muset řešit úplně novou třídu problémů může být zahlcující.

Považuji se za šťastného, že AI přišla v době, kdy už mám pevné informatické základy a roky praktických zkušeností s vývojem aplikací. Díky tomu můžu GenAI používat ne jako kolo štěstí, ale s rozumnou jistotou dokážu posoudit výsledek a nasměrovat ho správným směrem. Pro juniory nebo lidi, kteří nikdy předtím nenapsali kód, může být tohle obtížné, ne-li nemožné.

Na druhou stranu, učit se novým věcem nikdy nebylo jednodušší. Váš osobní učitel je připravený 24/7 a vy sami rozhodujete, co, kdy a jak se naučíte. To ale může být zároveň dobrá i špatná věc. Znovu věřím, že to zvládnu, protože už mám za sebou zkušenost s tím, jak se posouvat sám vpřed. Jsem zvyklý hledat nové informace a ověřovat si to, co mi někdo tvrdí, proti nezaujatým primárním zdrojům. Co ale ten, kdo takhle zvyklý není? Co děti? Nemyslí už konečně někdo na ty děti?!

Netřeba se bát. Existují už skvělé mozky, chytřejší lidé než já, kteří vyvíjejí nové techniky výuky prostoupené AI. Jako příklad se můžete podívat na TUHLE PŘEDNÁŠKU od Juana Andrése Núñeze. Stejně jako u všech nových technologií se s nimi prostě musíme naučit správně pracovat.

Což mě vrací zpátky k původní myšlence tohoto článku. A tou je připomenout všem, že „správné“ používání AI znamená rozšiřovat vaše schopnosti, ne je nahrazovat. Přesně tak, jak to říká The AI Manifesto.

Můj typický pracovní postup teď je říct GitHub Copilotu, co chci udělat, počkat, až vytvoří návrh, a pak nad výsledkem přemýšlet a upravovat vzniklý kód, dokud se mi nebude líbit. Kdykoliv si uvědomím, že je rychlejší úkol popsat, než ho udělat ručně, udělám to. A ve skutečnosti je to skoro vždycky rychlejší. Mainstreamové špičkové modely a jejich nadstavby v nástrojích pro programování jsou už tak dobré, že i s nedokonalými prompty produkují dostatečně dobré výsledky. Zbytek je na mém úsudku a zkušenostech. A občas i na kole pokus-omyl. Nebo víc takových kol...

Pořád si vzpomínám na jednoho ze svých vysokoškolských učitelů, jak nám vyprávěl, že kdykoliv potřeboval ve svém programu něco změnit, musel jít o 4 patra nahoru a zase dolů a nechat si udělat novou děrnou štítek pro počítač. Takže radši třikrát přemýšleli, než něco jen tak „zkusili“. Já jsem se ale už narodil do éry pohodlných IDE, kde stačí jeden klik a hned vidíte výsledek. Prokopáváte se chybami, dokud to nefunguje. A dožil jsem se i nástupu stejně jednoduchého cloudového nasazování - momentálně stačí commitnout na GitHub, o zbytek se postará Netlify a výsledek vidím živě během minuty.

To bylo ještě před AI. Copilot celý proces jen zrychluje. Je mnohem efektivnější v přesném určení problému (i když je občas hanebně vedle, co se týče skutečných příčin), protože čte logy, prochází soubory a vizualizuje tok kódu mnohem rychleji, než bych to kdy dokázal já. Ale pořád je na mně, abych měl vše pod kontrolou, protože řešení, které vytvoří, není vždycky nejlepší. Někdy je dokonce vyloženě špatné a musím zasáhnout. Ale celkový proces je mnohem příjemnější, než sedět sám beznadějně a modlit se za odpověď na Stack Overflow, která možná nikdy nepřijde.

Stejné je to s vývojem nových funkcí. Pro mě je mnohem pohodlnější přemýšlet nad už existujícím kódem, než razit řešení od nuly. Nechám to udělat Copilota a pak to „jen“ rozeberu. Chci rozumět tomu, co dělá každý kousek kódu. Když mám podezření, ptám se. Když si myslím, že něco není v pořádku, vznáším námitky. Někdy se Copilot přizná, jindy mě přesvědčí o svém řešení (než k tomu dojde, křížově si ověřuji a kontroluji jeho tvrzení, abych se ujistil, že nenaletím na halucinaci).

Ale musím taky přiznat, že je čím dál těžší udržet si morálku poctivě všechno kontrolovat a pokaždé udělat pořádný code review. Když je úkol větší a počet změn vyšší, odhodlání projít vším postupně slábne. A přesně to je chvíle, kdy si musím připomenout - svaly pracují, mozek musí velet.

Nedávno se stala jedna nenápadná událost, která mi připomněla, jak důležité tohle je. Mým úkolem bylo vylepšit naši vlastní UI knihovnu a doplnit ji o karty „success“ a „error“ pro zobrazení výsledků našich API volání. Měly obsahovat zelený nebo červený kruh buď s fajfkou, nebo s ikonou X. Jako vždy jsem uvedl AI do pohybu. Jako vždy vytvořila slušné řešení. Jako vždy jsem se snažil výsledek co nejlépe zkontrolovat. Pak si při druhé úrovni code review kolega všiml: „OK, super, ale proč jsi na kreslení ikon použil vlastní SVG cestu? V projektu už přece máme předpřipravené ikonové komponenty.“

Což je něco, na co jsem úplně zapomněl, protože neustále přepínám kontext mezi třemi různými projekty, kterým se momentálně věnuji. A Copilot to nevyčmuchal, protože proč by taky měl?

Tahle malá epizoda nic zásadního neznamenala. Opravil jsem to (pomocí AI) během okamžiku. A přesně proto máme code review. Ale pořád ve mně rezonuje a inspirovala mě k napsání tohoto článku.

Mít napsaný zdrojový kód nebo analyzovaný log soubor je teď snadné a rychlé. Ale pořád tam musíte být vy, abyste to řídili a usměrňovali. Pořád musíte přemýšlet. Pořád musíte abstrahovat a představovat si. Musíte vědět co a proč. Musíte umět proměnit procesy v požadavky a požadavky v úkoly. Musíte rozumět svému kódu. Musíte pořádně dokumentovat svůj projekt - nejen pro ostatní, ale hlavně pro sebe.

A teď se navíc musíte naučit, jak správně mluvit se svými AI agenty a jak jim dávat instrukce, aby vám co nejefektivněji pomáhali dosáhnout vašich cílů. Programátorská práce je pořád tady. AI ji nevzala. Je jen trochu jiná. V něčem jednodušší, v něčem složitější.

Práce softwarového inženýra nikdy nekončí.