Článek
Tento článek vychází z anglického originálu Why Traditional Software Development Is Coming to an End a poukazuje na to, jak AI mění rychlos a cenu iterace při vývoji softwaru.
Po desetiletí jsme software vyvíjeli pomocí procesů, které měly umožnit plánování, rozdělování práce a koordinaci lidí. S rostoucími týmy a složitějšími systémy vznikaly další vrstvy řízení, specializace a formálních postupů.
Umělá inteligence tento model zpochybňuje. Samotná implementace se zrychluje, změny jsou levnější a stále větší část práce dokážou autonomně provádět AI agenti. Organizační struktury se však mění mnohem pomaleji.
Nejde o konec Agile. Končí období, ve kterém bylo možné považovat současný způsob organizace vývoje za samozřejmý.
1. Rychlejší programování neznamená stejně rychlý vývoj
Představme si projekt, ve kterém samotná implementace představuje 30 % celkového času. Zbývajících 70 % připadá na analýzu, rozhodování, koordinaci, testování a další činnosti.
Pokud AI zrychlí implementaci desetkrát, její časová náročnost klesne z 30 na 3 jednotky. Celkový čas se zkrátí ze 100 na 73 jednotek — přibližně o 27 %. Celý vývoj se tedy nezrychlí desetkrát, ale asi 1,37krát.
Jde o ilustrativní výpočet, nikoliv univerzální poměr. Výsledek se bude výrazně lišit podle projektu, technologií i způsobu práce. Podstatný je princip: čím levnější je samotná implementace, tím větší význam získávají náklady na všechno, co ji obklopuje.
Výzvou proto není pouze psát kód rychleji. Je potřeba přehodnotit celý proces, kterým se od problému dostáváme k fungujícímu řešení.
2. Když se Agile změní v procesní zátěž
Agilní přístup měl vývoj přiblížit zákazníkovi, zkrátit zpětnou vazbu a umožnit reagovat na změny. Původní Agile Manifesto přitom výslovně staví jednotlivce a jejich interakce nad procesy a nástroje a schopnost reagovat na změnu nad následování plánu [1].
V mnoha organizacích se však kolem agilních metod postupně vytvořil rozsáhlý procesní aparát. Plánování, odhady, schůzky, rozdělování úkolů, reportování a koordinace mezi týmy mohou zabírat významnou část času, který měl být věnován samotnému řešení problému.
To je zvlášť viditelné ve velkých organizacích, kde se původně jednoduché principy musí přizpůsobit mnoha týmům, závislostem a dalším organizačním strukturám. Výzkum zavádění Agile ve velkém měřítku popisuje právě problémy s koordinací, integrací dalších organizačních funkcí a přizpůsobováním metod konkrétním podmínkám [2].
Diagram 1 — Od iterace k procesní byrokracii
Problémem nejsou procesy jako takové. Ve větších systémech je koordinace nevyhnutelná. Otázkou je, zda její náklady stále odpovídají hodnotě, kterou přináší.
Proces, který měl usnadňovat změnu, se může stát překážkou jejího provedení.
3. Software není automobil z výrobní linky
Vývoj softwaru se často snažíme organizovat jako sériovou výrobu. Práci rozdělíme na úkoly, stanovíme jejich pořadí, odhadneme náročnost a následně kontrolujeme, zda plán odpovídá skutečnosti. Tento přístup funguje pro řadu opakovatelných činností, ale nevystihuje celou povahu tvorby softwaru.
Software není hotový výrobek, který se podle známého návrhu opakovaně vyrábí na lince. Jeho tvorba je často kreativní činnost, při níž se správné řešení teprve objevuje.
V některých případech připomíná spíše malbu obrazu než výrobu automobilu. Nejprve vzniká základní kompozice, následně se zpřesňují detaily a průběžně se upravují původní rozhodnutí. Změna jedné části může ovlivnit celek.
Při vývoji tak může být nutné současně upravovat datový model, API i uživatelské rozhraní a ověřovat, zda spolu všechny části správně fungují. Rozdělení takové práce mezi více lidí může pomoci, ale může také přinést náklady na předávání kontextu a koordinaci.
Ne každou práci lze efektivně řídit jako soubor předem definovaných úkolů. Vývoj často znamená objevovat řešení iterací, nikoliv pouze realizovat předem hotový návrh.
4. AI mění ekonomiku iterace
AI nezrychluje jen psaní kódu. Zlevňuje také experimentování, přepracování a hledání lepšího řešení. To mění ekonomiku iterace: změna, která byla dříve příliš nákladná, může být nově rozumnou cestou k lepšímu výsledku.
Představme si tým, který v průběhu sprintu zjistí, že část řešení potřebuje zásadní úpravu. V tradičně organizovaném prostředí může následovat nové plánování, přesun priorit a koordinace dotčených lidí. Pokud je potřeba přepracovat polovinu již implementovaného řešení, značná část sprintu může padnout na opakování práce i organizační změny.
S AI může být samotné přepracování mnohem levnější. Pokud ale každá změna stále vyžaduje stejný rozsah koordinace, část potenciální úspory se ztratí.
Výzkum DORA z roku 2025 popisuje AI jako zesilovač existujících schopností a slabin organizace: přínos nezávisí pouze na samotných nástrojích, ale také na kvalitě systému, ve kterém se používají [3].
Diagram 2 — Od drahé změny k rychlé iteraci
Výhodu získají týmy, které dokážou rychle ověřovat nápady a upravovat řešení bez zbytečného procesního tření. Plánování zůstane důležité, ale nebude vždy nutné plánovat každý krok stejně podrobně jako dříve.
5. Mění se rozdělení práce i hranice mezi rolemi
AI postupně vstupuje do různých částí vývoje: pomáhá zkoumat existující systém, upřesňovat požadavky, navrhovat řešení, implementovat je i ověřovat jejich správnost. Činnosti, které byly dříve rozděleny mezi specializované role, se tak mohou stále častěji odehrávat v jednom propojeném pracovním toku.
To neznamená, že specializace zmizí. Znamená to, že dosavadní hranice mezi činnostmi a formální předávání práce nemusí být vždy nejefektivnějším způsobem organizace.
Změna se týká také vztahu mezi IT a zbytkem organizace. Člověk, který dobře rozumí konkrétnímu problému, si dnes může s pomocí AI vytvořit jednoduchou aplikaci, skript nebo automatizaci bez nutnosti projít celým procesem centrálního vývoje. U rozsáhlejších systémů zůstává nezbytná kvalitní architektura, bezpečnost a jasná odpovědnost, ale menší potřeby lze řešit blíže místu, kde vznikají.
Organizace budou muset přehodnotit nejen rychlost práce, ale také to, které činnosti vyžadují specializované předávání a které lze spojit do samostatnějších celků.
6. Menší týmy nestačí. Potřebujeme jinak navržený software
Jednou z odpovědí mohou být malé týmy, které spolu komunikují přímo a nemusí kolem každé změny vytvářet složitý koordinační proces. Samotné zmenšení týmů ale nestačí. Nelze spoléhat pouze na několik výjimečně schopných generalistů — a ani AI nepracuje spolehlivě bez vhodně připraveného kontextu.
Klíčem je struktura systému, která umožní lidem i AI pracovat samostatně, aniž by každá změna ohrožovala celek.
Jedním z možných přístupů je dvouvrstvý model L1 + L2. Vrstva L1 poskytuje technický základ: opakovaně použitelné komponenty, zavedené vzory a architektonickou kostru. Vrstva L2 z těchto stavebních prvků skládá konkrétní aplikaci a implementuje její specifickou obchodní logiku.
Diagram 3 — Vrstvení tvorby softwaru pomocí L1 a L2
Tím se odděluje opakující se technická složitost od části, která se mění podle potřeb konkrétního produktu. AI dostává jasné vzory a hranice, ve kterých může pracovat, místo aby při každé nové funkci znovu navrhovala strukturu celého systému.
Cílem není odstranit architektonické rozhodování, ale udělat ho jednou dobře a následně z něj těžit při každé další iteraci. Právě strukturování složitosti je jedním z předpokladů, aby se autonomie AI mohla zvyšovat bez nekontrolovaného růstu složitosti systému.
7. Od řízení procesu k řízení záměru
Klasický způsob organizace softwarového vývoje neztrácí význam proto, že by plánování, spolupráce nebo Agile byly samy o sobě špatné. Ztrácí výsadní postavení, protože se mění ekonomické předpoklady, na kterých dosavadní model stojí.
Pokud lze implementovat a přepracovávat řešení mnohem levněji, není rozumné zachovat beze změny organizační struktury, která vznikla v době, kdy byla technická práce pomalejší a dražší.
V novém modelu člověk především definuje záměr, doménová pravidla, architektonické hranice a kritéria správnosti. AI může uvnitř těchto mantinelů samostatně implementovat, testovat a vylepšovat řešení. Odpovědnost za směr a důsledky rozhodnutí však zůstává na lidech.
Budoucnost proto nemusí znamenat méně disciplíny, ale jiný druh disciplíny: méně energie věnované řízení jednotlivých kroků a více pozornosti věnované kvalitě architektury, jasnosti zadání a schopnosti rychle ověřovat výsledky.
AI nezlevňuje jen programování. Nutí nás znovu promyslet, jak má být organizován celý vývoj.
Zdroje a další čtení
Why Traditional Software Development Is Coming to an End (2026) . Unpredictable Machine, vývoj a výzkum nových přístupů k vývoji softwaru. https://www.unpredictablemachine.com/end-of-traditional-software-development
[1] Manifesto for Agile Software Development (2001). Původní hodnoty a principy Agile. https://agilemanifesto.org/
[2] Dikert, K., Paasivaara, M., Lassenius, C. Challenges and success factors for large-scale agile transformations: A systematic literature review. Journal of Systems and Software, 2016. Systematický přehled zkušeností s transformacemi Agile ve velkých organizacích. https://doi.org/10.1016/j.jss.2016.06.013
[3] DORA. The State of AI-assisted Software Development (2025). Výzkum vztahu mezi AI, schopnostmi organizace a výkonností vývoje softwaru. https://dora.dev/research/2025/dora-report/
[4] Cui, K. Z. et al. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science, 2026. Výsledky tří experimentů s AI nástroji mezi 4 867 vývojáři; výsledky se mezi experimenty lišily. https://doi.org/10.1287/mnsc.2025.00535
