Dvě zkušenosti z praxe ukazují, proč nestačí sledovat, jak rychle lidé a AI agenti dokončují úkoly. Důležitější je, jaká rozhodnutí realizují, kdo za ně odpovídá a co po nich zůstane pro další rozvoj firmy.
Čím více pracuji s AI při skutečném vývoji softwaru, tím méně mě zajímá, kolik kódu dokáže napsat.
Zajímá mě, jestli to, co dnes vytvoříme, pomůže firmě i za půl roku. Nebo jestli si jen připravujeme další práci, kterou budeme muset znovu zaplatit.
AI dokáže výrazně urychlit implementaci. To je výhoda. Jenže stejnou rychlostí dokážeme realizovat i rozhodnutí, jejichž důsledky jsme nedomysleli.
Pro vedení firmy se tím mění jedna podstatná věc: rychlost dodávky sama o sobě ještě není důkazem, že investice vytváří hodnotu.
Na dvou projektech jsem viděl, jak rozdílně to může dopadnout.
Když se z levného vývoje začne stávat drahý
V jednom projektu vznikala nová aplikace s pomocí AI agentů přístupem, kterému se dnes říká vibe coding. První týdny vypadaly velmi dobře. Funkcionality přibývaly rychle a denní náklady na AI se pohybovaly kolem 500 Kč.
Postupně rostly přibližně k 1 000 Kč, pak k 1 500 Kč. Zhruba po šesti týdnech už šlo o 8 000 až 10 000 Kč denně.
Při dvaadvaceti pracovních dnech by takové tempo znamenalo přibližně 176 až 220 tisíc korun měsíčně pouze za AI. To je přepočet denního tempa, nikoli doložená měsíční faktura. Nejsou v něm lidé ani infrastruktura.
Samotný růst spotřeby ale ještě nic nedokazuje. Více agentů může odvést více práce. Může se změnit rozsah úkolů i cena použitých modelů.
Zajímalo mě proto, čím agenti trávili čas.
Stále častěji se museli vracet k již vytvořeným částem systému. Rozplétali závislosti, opravovali dopady předchozích změn a hledali cestu, jak přidat další funkcionalitu. Někdy jejich řešení znamenalo další vazbu nebo vrstvu, která úkol lokálně vyřešila, ale celek ještě zkomplikovala.
Z toho nedokážu přesně vyčíslit, kolik rostoucích nákladů způsobila architektura. Vidím však riziko, které je podle mě důležitější než samotná spotřeba tokenů: agent může splnit zadaný úkol, a přesto zhoršit podmínky pro všechny úkoly následující.
A stejně to funguje u lidí. Když vývojář nezná širší cíl, může odvést dobrou práci na nesprávném místě.
Co z toho má řešit CEO? Ne to, jaký prompt agent dostal. Především zda firma ví, jestli stále levněji vytváří užitečné schopnosti, nebo jen rychleji rozšiřuje systém, který bude čím dál dražší měnit.
Když nevíme všechno, nemusíme zastavit práci
Na jednom projektu pro státní správu jsme měli jiný problém. Potřebovali jsme pokračovat ve vývoji, přestože nebylo definitivně rozhodnuto o cílové infrastruktuře.
Mohli jsme čekat. Tím bychom posunuli dodávku. Nebo jsme mohli vsadit na konkrétní technologii a přijmout riziko, že ji později budeme muset draze nahradit.
Rozhodli jsme se jinak: oddělili jsme schopnosti systému od technologií, které je zajišťují. Stanovili jsme hranice komponent, rozhraní a testy. Díky tomu jsme mohli pokračovat v práci a některá rozhodnutí udělat později, až budeme mít více informací.
Tohle je pro mě podstata rozhodování v nejistotě. Nemusíme dnes znát všechny odpovědi. Potřebujeme vědět, která rozhodnutí jsou nevratná, která mohou počkat a kolik nás stojí zachovat si možnost volby.
Konkrétní dopad se ukázal při integraci systémů pro předávání zpráv.
První implementace pro Azure Service Bus, včetně zobecnění společné komponenty a testování, zabrala přibližně 24 hodin. Další implementace pro Apache Kafku trvala 6 až 8 hodin. U RabbitMQ, kde už AI agent mohl využít společný základ i dvě předchozí implementace, jsme se dostali na 2 až 3 hodiny.
Není to kontrolovaný experiment. První práce zahrnovala vytvoření základu a jednotlivé technologie nejsou stejně náročné. Nemůžu z těchto čísel poctivě spočítat návratnost architektury.
Ukazují ale princip: první rozhodnutí může vytvořit něco, z čeho budou další rozhodnutí těžit. Nejen hotový kus softwaru, ale schopnost měnit technologie bez přepisování všeho ostatního.
Pro CEO to není příběh o message brokerech. Je to příběh o tom, že se projekt nemusel zastavit kvůli nevyřešené otázce a že pozdější změna nemusela znehodnotit předchozí investici.
Flexibilita není zadarmo. A ne vždy se vyplatí
Neříkám tím, že každý projekt potřebuje propracovanou architekturu. Někdy je nejlepším rozhodnutím jednoduché řešení, které splní dnešní potřebu.
Představme si modelový příklad: obecnější komponenta stojí proti jednorázovému řešení o 20 hodin více a během posuzovaného období vyžaduje dalších 5 hodin údržby. Pokud nám při každém dalším použití ušetří 5 hodin, investice se vrátí při pěti dalších použitích.
Při dvou použitích se nevyplatí. Při deseti už pravděpodobně ano, pokud se naplní naše předpoklady.
Tohle není výpočet z uvedeného projektu. Je to způsob uvažování, který bych chtěl vidět při rozhodování o technologických investicích: co nás stojí rozhodnutí dnes, jaké změny očekáváme a kolik nás bude stát, když se naše předpoklady ukážou jako chybné.
Rozhodovat dobře neznamená vždy investovat více. Znamená vědět, za co platíme a jakou možnost nám to přináší.
Kvalita rozhodnutí se může ztratit cestou k realizaci
Na obou příbězích mě zajímá ještě jedna věc. Rozhodnutí samo o sobě nic nezmění. Někdo je musí pochopit a převést do práce.
Vedení určí, co chce firma získat. Technické vedení zvolí přístup. Týmy nebo AI agenti realizují jednotlivé kroky. A mezi každými dvěma kroky se může ztratit důvod, proč jsme se původně rozhodli právě takto.
Když každý optimalizuje pouze svůj úkol, může být každý jednotlivý výsledek správně, a přesto nemusí fungovat celek.
Právě tady pro mě začíná význam komunikace.
IDEALINE jsem od začátku chtěl stavět jako nedirektivní firmu, kde je důležitá nenásilná komunikace. Neznamená to, že se vyhýbáme konfliktům nebo že nikdo za nic neodpovídá. Jde o to, aby lidé dokázali říct, čemu nerozumějí, s čím nesouhlasí a co potřebují, aniž by se z rozhovoru stával souboj o to, kdo má pravdu.
Z mé zkušenosti nám právě tento způsob spolupráce pomohl překonávat i velmi náročné technické situace. Ne proto, že by komunikace nahradila odbornost. Ale proto, že umožnila tu odbornost skutečně spojit.
Když člověk upozorní na chybný předpoklad včas, můžeme rozhodnutí změnit, dokud je to levné. Pokud se bojí ozvat, můžeme stejné rozhodnutí dlouho a velmi efektivně realizovat špatným směrem.
Kvalitní komunikace tedy není jen způsob, jak předat hotové rozhodnutí. Je to také způsob, jak získat informace potřebné pro jeho změnu.
U AI agentů platí podobný princip práce s kontextem, hranicemi a zpětnou vazbou. Rozdíl je v tom, že agent nenese lidskou odpovědnost za důsledky. Tu musí mít jasně určenou člověk nebo tým, který mu práci svěřuje.
Autonomie bez společného cíle a pravidel není totéž co samostatnost. U lidí ani u agentů.
Tři otázky, které bych jako CEO chtěl mít zodpovězené
Před větší investicí bych nezačínal otázkou, kterou technologii zvolíme. Zajímal bych se nejdřív o tři věci.
Co přesně chceme změnit a podle čeho poznáme přínos? Nestačí dokončit projekt. Potřebujeme vědět, co se má zlepšit pro zákazníka nebo firmu.
Co dnes nevíme a kolik nás může stát omyl? Některá rozhodnutí udělat musíme. Jiná můžeme odložit nebo nejprve levně ověřit.
Jak zajistíme, že se původní záměr neztratí při realizaci? Kdo má právo rozhodnutí změnit? Kdo může upozornit na problém? Jak dostaneme informace od lidí a agentů zpátky k těm, kdo rozhodují?
Na úrovni projektu bych pak sledoval nejen náklady na AI nebo počet dokončených úkolů, ale zejména cenu dokončené srovnatelné funkcionality včetně lidí, testování, oprav a předání. A vedle toho skutečný obchodní přínos, dobu dodání a množství práce, kterou musíme dělat znovu.
Když tyto ukazatele začnou jít špatným směrem, není to automatický důvod měnit technologii nebo tým. Je to důvod zjistit, který předpoklad přestal platit a zda musíme změnit rozhodnutí.
Co po dnešním rozhodnutí zůstane?
AI nám zlevňuje a zrychluje některé části realizace. Tím ale nezbavuje vedení odpovědnosti za směr. Spíše odhaluje, jak drahé může být, když směr nemáme, nedokážeme ho vysvětlit nebo nezachytíme včas, že se podmínky změnily.
Pro mě proto strategie není dokument, který jednou vytvoříme. Je to způsob, jak rozhodujeme v nejistotě, jak o rozhodnutích komunikujeme a jak poznáváme, že je potřeba je upravit.
Ať už pracujeme s lidmi, nebo s AI agenty, zajímá mě stejná otázka:
Když dnes dokončíme další úkol, co nám po něm zůstane? Pouze výsledek, nebo také schopnost udělat ten příští lépe?