Proč vás nový nástroj nezrychlí pětkrát: Amdahlův zákon lidské produktivity

Představte si strojního konstruktéra, který právě dostal nejnovější parametrický 3D CAD. Software mu umožňuje modelovat třikrát rychleji než ve starém 2D systému. Manažer očekává trojnásobný výkon. Za kvartál se nic nezmění — konstruktér stále dodává zhruba stejný počet projektů jako předtím.

Není líný. Problém je jinde: kreslení nikdy nebylo víc než třetina jeho práce.

Zbytek dne konzultuje s technology, počítá pevnostní analýzy, komunikuje se zákazníkem, účastní se revizí návrhů a hledá v archivu, jestli podobný díl už někdo neřešil. Na tom všem se nic nezměnilo — a právě tyto činnosti určují, jak rychle projekt skutečně postupuje.

Totéž se dnes opakuje s umělou inteligencí a programátory. A totéž se dělo s počítači v osmdesátých letech, s elektřinou na přelomu století a s parním strojem o sto let dříve. Vzorec je vždy stejný a má přesný matematický popis.

Gene Amdahl formuloval v roce 1967 princip, který původně popisoval limity paralelního výpočtu, ale platí univerzálně pro jakékoli zrychlení dílčí části systému. Vzorec je prostý:

S = 1 / (1 − p + p/s)

Kde p je podíl práce, kterou nástroj akceleruje, s je kolikrát ji zrychlí, a S je výsledné celkové zrychlení. Důsledek je nemilosrdný: pokud nástroj zrychluje jen 30 % vaší práce, pak ani nekonečně rychlý nástroj nezrychlí celek víc než 1,43×. A rozdíl mezi dvojnásobným a pětinásobným zrychlením dílčí úlohy je na celku překvapivě malý.

Tohle není teorie. Je to aritmetika — a platí bez ohledu na to, jestli mluvíme o CADu, AI nebo jakémkoli jiném nástroji.

Aby Amdahlův zákon k něčemu byl, potřebujeme znát p — jaký podíl pracovní doby nástroj skutečně pokrývá. Data existují a jsou konzistentní napříč obory.

Podle průzkumu Tidelift a The New Stack z roku 2019, kterého se zúčastnilo téměř 400 profesionálních vývojářů, softwaroví inženýři tráví psaním nového kódu a vylepšováním existujícího přibližně 32 % pracovní doby. Dalších 35 % zabírá správa kódu — údržba, testování, řešení bezpečnostních záležitostí. A 23 % odchází na porady, řízení a provozní úlohy. Zbývajících 10 % pohltí ostatní činnosti.

Podobná čísla potvrzuje studie Microsoft Research nazvaná Time Warp, založená na průzkumu 484 vývojářů Microsoftu z léta 2024. Vývojáři v ní reportují, že nejvíc času věnují komunikaci a poradám (kolem 12 %), kódování (přibližně 11 %), ladění chyb (přibližně 9 %) a architektuře (zhruba 6 %). Zbytek se rozpadá mezi revize kódu, dokumentaci, zaučování a učení se novým technologiím.

Clockwise analyzoval 1,5 milionu schůzek u 80 000 softwarových inženýrů z 5 000 firem a zjistil, že průměrný řadový inženýr stráví na poradách 10,9 hodiny týdně. K tomu má 19,6 hodiny souvislého bloku dvou a více hodin — čas, kdy se dá skutečně soustředit. Zbývajících zhruba šest hodin je „fragmentovaný čas“, tedy mezery mezi schůzkami příliš krátké na hlubokou práci. Podle výzkumu Glorie Markové z UC Irvine zabere znovunabytí koncentrace po přerušení kolem 23 minut.

Situace v inženýrských oborech je analogická. Vlastní 3D modelování v CADu typicky zabírá 25–35 % pracovní doby konstruktéra, zbytek tvoří výpočty, simulace, konzultace, dokumentace a administrativa.

Z těchto dat plyne jednoduchý závěr: asistent pro psaní kódu akceleruje primárně jednu třetinu pracovní doby programátora. 3D CAD akceleruje přibližně stejný podíl doby konstruktéra.

Když dosadíme reálná čísla do Amdahlova vzorce, výsledky jsou střízlivé:

Pokud AI zrychlí kódování dvojnásobně a kódování tvoří 35 % pracovní doby, celkové zrychlení je 1,21×. Při pětinásobném zrychlení: 1,39×. A při nekonečně rychlém kódování — tedy kdyby kód vznikal okamžitě — celkové zrychlení nepřesáhne 1,54×.

Pro 3D CAD: trojnásobné zrychlení kreslení (30 % pracovní doby) dává celkové zrychlení 1,25×. Ani okamžité kreslení nedosáhne víc než zmíněných 1,43×.

Klíčové pozorování: důležitější než jak moc nástroj zrychluje (s) je kolik práce zrychluje (p). Nástroj, který mírně zrychlí 70 % práce, porazí nástroj, který dramaticky zrychlí 30 %.

Nejenže nástroje zrychlují jen část práce — lidé navíc systematicky přeceňují, jak moc jim pomáhají.

Studie organizace METR z roku 2025 je zatím nejpřísnějším testem AI asistentů v reálných podmínkách. Šestnáct zkušených open-source vývojářů řešilo 246 skutečných úloh ve vlastních repozitářích, přičemž u každé úlohy bylo náhodně určeno, zda smějí používat AI (převážně Cursor Pro s Claude 3.5/3.7 Sonnet). Před začátkem vývojáři předpokládali, že jim AI ušetří 24 % času. Objektivní měření ukázalo, že s AI byli o 19 % pomalejší. I po skončení studie odhadovali zrychlení na 20 %. Propast mezi subjektivním vnímáním a měřenou realitou tak činila 39 až 43 procentních bodů, podle toho, zda se bere předběžný odhad (24 %) nebo zpětné hodnocení (20 %). Příčiny zpomalení: čas na formulaci promptů, kontrola AI výstupů, ladění subtilních chyb a integrace generovaného kódu do existující báze kódu.

Rozsáhlejší pohled nabízí výzkumná zpráva Faros AI z roku 2025, založená na telemetrii od více než 10 000 vývojářů v 1 255 týmech. Týmy s vysokou mírou využití AI dokončovaly o 21 % víc úkolů a začleňovaly o 98 % víc požadavků na sloučení kódu. Jenže čas na revizi každého takového požadavku narostl o 91 %. Na úrovni celé firmy výzkumníci nenašli žádnou statisticky významnou korelaci mezi mírou využití AI a zlepšením klíčových ukazatelů dodávky softwaru (metriky DORA). Úzké hrdlo se přesunulo z psaní kódu na jeho schvalování — přesně jak předpovídá Amdahlův zákon.

Článek na blogu Atlassian z dubna 2026, který přímo aplikuje tento princip na AI, to ilustruje konkrétním příkladem: pokud individuální práce tvoří jen 20 % životního cyklu projektu a AI zrychluje primárně tuto část, pak i okamžité provedení všech individuálních úloh zrychlí celý systém maximálně o faktor 1,25×. Zbývajících 80 % — revize, rozhodnutí, schválení, koordinace mezi týmy — se pohybuje stále stejnou rychlostí.

Studie Kristiny McElheran (University of Toronto, digitální výzkumnice při MIT Initiative on the Digital Economy) a spoluautorů včetně Erika Brynjolfssona přináší další vrstvu. Práce publikovaná v dubnu 2025 — se širším ohlasem v lednu 2026 — analyzovala data amerického Census Bureau o desítkách tisíc výrobních firem z let 2017 a 2021. Zjistila, že produktivita po nasazení průmyslové AI klesla — v průměru o 1,3 procentního bodu. Po korekci na výběrový efekt (firmy s vyššími očekáváními nasazují dříve) byl krátkodobý negativní dopad ještě výraznější.

Po čtyřech letech se ale trajektorie obrátila. Firmy, které AI nasadily, překonaly ostatní jak v produktivitě, tak v tržním podílu. Výzkumníci tento vzorec nazývají „J-křivka“ — počáteční propad následovaný růstem.

Propad nebyl způsoben špatnou technologií. Příčinou byl nesoulad mezi novými nástroji a stávajícími procesy. Systémy pro prediktivní údržbu, řízení kvality nebo plánování poptávky vyžadovaly investice do datové infrastruktury, školení zaměstnanců a přestavbu pracovních postupů. Bez těchto doplňkových investic i pokročilé technologie nedodávaly očekávané výsledky.

McElheran upozorňuje na výrazný vzorec: starší firmy s ustálenými rutinami a hierarchiemi měly výrazně větší potíže. Některé po nasazení AI dokonce snížily využívání strukturovaných manažerských praktik — a samotný tento pokles vysvětloval téměř třetinu jejich produktivních ztrát. Mladší firmy integrovaly AI rychleji a s menšími ztrátami.

Historicky je to známý fenomén. Brynjolfsson identifikoval „paradox produktivity“ už v roce 1993 — pozorování, že navzdory masivním investicím do informačních technologií v sedmdesátých a osmdesátých letech produktivita stagnovala. Paradox se vyřešil v devadesátých letech, ale jen u firem, které investice do IT doplnily organizačními změnami. Podobné zpoždění doprovázelo i dřívější technologické revoluce — dividendy přišly až po dekádách, kdy se kolem nové technologie přeorganizovaly celé průmyslové procesy.

Dosud jsme mluvili jen o rychlosti. Ale nástroje jako 3D CAD nebo AI kódovací asistenti mají druhou, často důležitější dimenzi — snižování chybovosti.

Parametrický 3D model eliminuje celé třídy chyb: kolize dílů, nekonzistence kót, interference sestav. Digitální prototyp odhalí problémy před první vyrobenou součástkou. AI asistenti pro psaní kódu zachycují známé anti-patterny a bezpečnostní zranitelnosti. Integrované simulace (FEA, CFD) nahrazují fyzické prototypy.

Ekonomika chyb přitom říká, že náklady na opravu rostou řádově s fází, ve které je chyba odhalena. Chyba zachycená ve fázi návrhu stojí řádově jednotky. Tatáž chyba odhalená v prototypu stojí desetinásobek, ve výrobě stonásobek a u zákazníka tisícinásobek. Nástroj, který zachytí 20 % chyb dříve, může mít vyšší návratnost investice než nástroj, který zrychlí práci o 50 %.

Problém je v měření. Rychlost se měří snadno — čas, propustnost, dokončené úkoly. Kvalita se měří jako absence něčeho. Kolik chyb bychom měli bez nástroje? To je kontrafaktuál, který je téměř nemožné přesně určit. Výsledkem je systematické zkreslení: firmy investují do rychlosti (protože ji vidí v číslech) a podceňují kvalitu (protože ji v číslech nevidí).

Amdahlův zákon předpokládá fixní rozklad práce. Ale co když nástroj rozklad změní?

Tady je legitimní námitka. AI, které nejen generuje kód, ale automatizuje i revize, testy a dokumentaci, zvyšuje p — podíl práce, kterou akceleruje. CAD s integrovanou simulací eliminuje separátní krok analýzy. Nástroj, který pokrývá třetinu práce, je jiná kategorie než nástroj, který pokrývá dvě třetiny.

Druhou námitku formuloval John Gustafson už v roce 1988: místo otázky „jak rychle udělám totéž?“ položit otázku „kolik víc udělám za stejný čas?“ Více iterací, více návrhových variant, lepší explorace řešení. CAD, který umožní prozkoumat deset variant místo dvou, nemění rychlost — mění kvalitu rozhodování.

Obě námitky jsou validní. Obě ale vyžadují zásadní přestavbu procesů, ne pouhé nasazení nástroje do stávajícího způsobu práce.

Na základě dostupných dat lze formulovat realistická očekávání.

V krátkodobém horizontu jednoho až dvou let: individuální produktivita na akcelerované úloze vzroste o 10–30 %. Celková produktivita pracovníka o 5–15 % (omezení plynoucí z Amdahlova zákona). Firemní produktivita se může dočasně i zhoršit (J-křivka). Kvalita se potenciálně zlepší u triviálních chyb, ale přibudou nové typy chyb — halucinace AI, přílišná důvěra v generovaný výstup.

Ve střednědobém horizontu dvou až pěti let: firmy, které přestaví pracovní postupy kolem nástrojů, mohou dosáhnout 15–30 % celkového zlepšení. Firmy, které jen nasadí nástroj do stávajícího procesu, ustálí se na 5–10 %. Klíčovým diferenciátorem je digitální zralost před nasazením — studie McElheran a kol. ukazuje, že firmy s existující digitální infrastrukturou profitují výrazně víc.

V dlouhodobém horizontu historické precedenty ukazují celkové zlepšení produktivity o desítky procent, ale rozložené přes dekádu a podmíněné zásadní přestavbou organizace práce.

A co měřit? Rozhodně ne řádky kódu za hodinu ani počet výkresů za den — to jsou metriky, které nástroje deformují. Smysluplné ukazatele jsou koncové: počet dodaných funkcí za sprint, celkový čas od požadavku po dodání, podíl chyb, které proniknou do produkce, míra přepracování a čas od investice do nástroje po měřitelný přínos.

Prvním krokem by mělo být zmapování rozkladu pracovní doby před nasazením nástroje. Kde lidé skutečně tráví čas? Amdahlův zákon říká jednoznačně: optimalizujte to, co zabírá nejvíc času — ne to, co je nejsnazší zrychlit.

Příště, až někdo slíbí, že nový nástroj „zdesetinásobí produktivitu“, stačí se zeptat na dvě čísla: jaký podíl práce nástroj pokrývá a co se stane se zbytkem. Odpověď bude téměř vždy střízlivější, než říká marketingový materiál — ale také realističtější než zklamání, které přijde za půl roku.

Skutečné produktivní zisky nepřicházejí z rychlejších nástrojů. Přicházejí ze změny toho, jak se pracuje — a to trvá roky, ne kvartály.

Metodologická poznámka: Analýza vychází z empirických studií publikovaných v letech 2019–2026. Hlavní zdroje: METR 2025 (randomizovaná kontrolovaná studie, 16 vývojářů, 246 úloh — Becker, Rush, Barnes, Rein), Faros AI Research Report 2025 (telemetrie 10 000+ vývojářů v 1 255 týmech), McElheran, Yang, Kroff, Brynjolfsson 2025 „The Rise of Industrial AI in America“ (americké výrobní firmy, data Census Bureau, J-křivka), Brynjolfsson 1993 (paradox produktivity), Clockwise Engineering Meeting Benchmark 2022 (1,5 mil. schůzek, 80 000 inženýrů, 5 000 firem), Tidelift/New Stack Developer Survey 2019 (cca 400 respondentů), Microsoft Research „Time Warp“ 2024/2025 (484 vývojářů Microsoftu), Atlassian Blog 2026 (aplikace Amdahlova zákona na AI). Odhady pro strojírenství vycházejí z průřezu oborových dat a nejsou podloženy jedinou studií srovnatelného rozsahu — toto je limit analýzy. Číselné hodnoty z Amdahlova zákona jsou exaktní výpočty ze vzorce, nikoli odhady.

Transparentnost tvorby:

Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako nástroj pro rešerši, ověřování faktů a rozepsání autorovy předlohy.

Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.

Postup je v souladu s požadavky Čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI