Tome, co všechno spadá do tvé běžné agendy?
➡️ Jako Head of Frontend, mám svůj úvazek rozdělený na klientské projekty a na interní práci. V rámci interního času s kolegy v týmu řešíme rozvoj, nastavování standardů pro kvalitu kódu na klientských projektech a jejich dodržování. Do mé agendy spadají i code reviews na klientských projektech, takže se věnuji jak samotnému managementu, tak i přímému vývoji.
„Všichni v týmu se snaží využívat vždy ty nejnovější modely, protože jsou nejlépe natrénované a optimalizované. Naopak vůbec nevyužíváme modely jako Gemini nebo různé asijské alternativy.“
V jaké fázi se k tobě projekt nejčastěji dostává a jaké bývají největší překážky při přebírání podkladů od designérů?
➡️ K projektu se dostávám buď už v rámci přípravy nabídky pro klienta, ale mnohem častěji je to u wireframů nebo předfinální grafiky, kdy řešíme náročnost implementace.
➡️ Největším problémem při přebírání nebývá samotný vizuální design, ale kvalita zadání. K nakreslenému designu potřebují vývojáři ideálně i dokumentaci, protože když chybí domyšlené scénáře a okrajové detaily, natahuje to dobu vývoje a vynucuje si to dodatečné předělávání.
➡️ Do budoucna chceme mít dokumentaci prolinkovanou přímo s Figmou, aby existoval pevný zdroj pravdy nejen vizuální, ale i pro rozhodnutí v kódu.
Jaké AI nástroje používáš na denní bázi a s jakými modely pracujete v týmu?
➡️ Na denní bázi používám primárně nástroje Claude Code a Codex. V týmu se orientujeme především na modely od Anthropicu a na modely rodiny GPT.
➡️ Všichni v týmu se snaží využívat vždy ty nejnovější modely, protože jsou nejlépe natrénované a optimalizované. Naopak vůbec nevyužíváme modely jako Gemini nebo různé asijské alternativy.
Využíváte k těmto modelům i nějaké specifické pluginy nebo MCP (Model Context Protocol)?
➡️ Určitě, na denní bázi používám velmi užitečný Chrome MCP server, který mi umožňuje inspektovat kód, debugovat a měřit výkon přímo na běžícím webu. Navíc poskytuje živou zpětnou vazbu k vygenerovanému kódu, a pokud agent něco pokazí, může to tam dál automaticky ladit.
➡️ Své MCP má dnes také Figma. Nedá vám sice rovnou 100% čistý funkční kód, ale dokáže z designu vytáhnout přesné parametry o barvách, fontech a vrstvách. Při skládání komponent to vývojáři může ušetřit klidně i polovinu času.
„Odhadování potřebného času práce AI absolutně neumí, v tom je stále zásadní realistický úsudek vývojáře.“
Kdy a jak přesně do tvé práce začíná umělá inteligence vstupovat? Zvládne například odhadnout i čas potřebný na vývoj?
➡️ Umělá inteligence nám do procesu vstupuje už úplně od začátku v rámci tvorby nabídky pro klienta. Zvládne pomocí skriptů nascrapovat aktuální web klienta, zjistit rozsah sekcí podle sitemapy a zanalyzovat kompletní informační architekturu.
➡️ Odhadování potřebného času práce ale AI absolutně neumí, v tom je stále zásadní realistický úsudek vývojáře. Od předání grafiky do Figmy ale AI používáme prakticky celou dobu na všechno kolem zadání a codebase.
Mohl bys jmenovat tři oblasti, ve kterých ti umělá inteligence aktuálně ušetří nejvíce času?
1️⃣ Zaprvé jde o rutinní a repetitivní práci, jako je generování boilerplate kódu a různých struktur, kde dnešní editory pomáhají kód jednoduše automaticky doplňovat, což obrovsky zrychluje práci i refaktoring.
2️⃣ Zadruhé je to tvorba dokumentace, která dříve bývala pro vývojáře největší pain – agent vidí strukturu codebase a dokáže ušetřit odhadem až 80 % času na napsání velmi kvalitní dokumentace.
3️⃣ A zatřetí je to psaní testů – kód to projde a otestuje efektivně, ale vývojář si musí pečlivě pohlídat, aby v zadání zahrnul i edge cases. Nechci ale házet přesná paušální procenta, kolik času to obecně šetří, protože to je závislé na konkrétním projektu a jeho složitosti.
Spoléháte se na konkrétní nastavení pro formátování a pravidla kódu, nebo to necháváte na AI?
➡️ V rámci frontendového týmu máme už připravené vlastní „skilly“, což jsou nadefinované standardy a pravidla pro formátování, sémantiku a názvosloví. Agent tato pravidla dodržuje, takže generuje kód tak, abychom ho nemuseli tolik manuálně upravovat.
➡️ Jakmile se ale začne řešit specifická byznys logika klienta, se kterou skill nedokáže pomoci, spoléhá model čistě na vlastní inteligenci velkého jazykového modelu. A tady už je potřeba práce nás v roli „architektů“.
Stává se ti někdy, že je u komplexnější funkce vygenerovaný výsledek nepoužitelný a musíš se vracet k manuálnímu kódování?
➡️ Málokdy se stane, že mi AI vyhodí úplný nesmysl, ale je to dané jen a pouze kvalitou zadaných instrukcí.
➡️ Já osobně už funguji stylem specifikací – než něco vyvíjím s AI, vytvořím si podrobný plán implementace s konkrétními kroky, úplně stejně, jako se dělala detailní zadání dříve. Když existuje takový plán, dokáže udělat fantastickou práci i objektivně slabší model.
Do jaké míry musí mít dnešní vývojář hluboké technické know-how pro napsání toho správného zadání?
➡️ Aby dokázal vývojář AI správně usměrnit a vyhnul se problémům, musí nepochybně rozumět principům na pozadí, které si my seniorní vývojáři vydřeli dlouhými léty tvrdého manuálního psaní.
➡️ Junior napíše zadání v pár větách, nedokáže analyticky rozpadnout problém a nedokáže tak zúžit prostor pro případné chyby modelu.
➡️ I ze vzdělávacího pohledu si myslím, že je pro pochopení principů nejlepší, aby si junioři AI na začátek úplně vypínali a trénovali manuálně, protože jinak se nenaučí, na jaké otázky se agentů vlastně ptát.
„Pokud necháte robota stavět od začátku infrastrukturu bez vašeho byznysového uvažování o udržitelnosti, dříve nebo později z toho vzejde obrovský nepořádek a projekt se začne postupně sypat.“
Kde vidíš zásadní limity a rizika umělé inteligence, zejména s ohledem na architekturu, bezpečnost nebo uplatňování vibe codingu?
➡️ Největší limit je v tom, že co AI výslovně v zadání neporučíte, to sama od sebe dobrovolně většinou neudělá.
➡️ Navrhnete jí třeba byznys logiku, ale už ji nenapadne automaticky pokrýt detailní bezpečnostní testy, neohlídá sama od sebe záludnou přístupnost webu a nebude sama dopředu optimalizovat kritické výkonnostní detaily.
➡️ Pokud necháte robota stavět od začátku infrastrukturu bez vašeho byznysového uvažování o udržitelnosti, dříve nebo později z toho vzejde obrovský nepořádek a projekt se začne postupně sypat.
„Našim klientům nemůžeme říct ‚aha, to pokazila AI' vždy výsledek podepisujeme my sami.“
Jak se tedy díváš na zmiňovaný "vibe coding", kdy generuješ řešení jen povídáním si s AI?
➡️ Záleží na scénáři. Pro prototypování klientských nápadů a rychlá ověření („Proof of Concept“) je vibe coding fantastická a geniální věc. Pustit ale takový kód bez hlubšího pochopení rovnou do produkce je velké riziko.
➡️ Člověk za takovým kódem nevidí pozadí a neodhalí tak skryté bezpečnostní mezery. Musíme si uvědomit, že v modelech vždycky byla a bude přítomná pravděpodobnost halucinace, modely prostě chybují a za produkci vždy ručí právně vývojář a firma. V našem případě agentura. Našim klientům nemůžeme říct „aha, to pokazila AI“ vždy výsledek podepisujeme my sami.
Kolik procent tvé práce dnes tvoří manuální kódování a v čem má AI stále rezervy?
➡️ Poslední měsíce už manuálně pracuji opravdu minimálně, ale to je dáno i mým větším zaměřením na management a řešení byznys logiky. Kdybych měl ale zmínit konkrétní příklad, kde mají AI modely problém, je to převádění vizuální grafiky z Figmy do kódu a s řešením složitých CSS pravidel (například u tabulek s fixními sloupci a řádky). Tam je stále potřeba více manuálních iterací a dočišťování.
Jak se posunula očekávání klientů? Nechtějí za stejný vývoj díky AI platit výrazně méně peněz?
➡️ S AI máte na výběr dvě cesty – buď vytvoříte více práce za mnohem kratší čas, nebo získaný čas investujete do kvality celého řešení. Náš tým jde jednoznačně tou druhou cestou a orientuje se na kvalitu.
➡️ Usilujeme o to využít ušetřený čas na podchycení dalších edge casů, vytvoření robustnějších testů a doručení dlouhodobě udržitelnějšího kódu.
➡️ Neznamená to tedy plošné snížení ceny za dodané řešení (i když k tomu také dochází) , ale naopak doručení opravdu vyladěné a kvalitní aplikace, nad kterou byste před rokem museli sedět trojnásobně dlouho.
V jakých částech celého workflow používáte AI nejméně?
➡️ Výrazně omezujeme využívání AI u Code Reviews pro klientské projekty. Máme ve firmě nastavený proces, že do Code Review v drtivé většině případů mluví člověk.
I když z procesního pohledu zrevidují obří codebase spolehlivě nejnovější modely, neděláme to a nepouštíme do toho plnou automatizaci ze dvou důvodů:
1️⃣ Jednoduše agenti nemají ten široký byznysový a bezpečnostní kontext, který člověk pro celý projekt udržuje v hlavě.
2️⃣ Hloubkové hromadné AI analýzy stojí u velkých agentů spoustu (drahých) tokenů, což nedává smysl ani ekonomicky.
„S nadsázkou občas říkáme, že kvůli rostoucím cenám a omezenému výkonu cloudů v budoucnu možná vznikne role takzvaného optimalizátora tokenů.“
Jak moc si předáváte znalosti a zkušenosti s AI mezi sebou interně v týmu?
➡️ Každých 14 dní se pravidelně potkáváme s celým frontendovým týmem, kde si sdílíme nové tipy a aktivně sledujeme trendy na trhu. Dovednost efektivně pracovat s AI totiž přestává být čistě o schopnosti psát kód, ale stává se velmi cennou znalostí sama o sobě. Například dva seniorní vývojáři zvládnou díky svému kontextu v AI úkol za zlomek času (třeba i za pětinu), kdežto junior by se na stejném zadání bez znalosti promptování ztratil.
➡️ S nadsázkou občas říkáme, že kvůli rostoucím cenám a omezenému výkonu cloudů v budoucnu možná vznikne role takzvaného „optimalizátora tokenů“, který bude chodit po firmách a učit lidi pracovat s kontextem tak, aby nedocházelo ke zbytečně drahému plýtvání výpočetním výkonem.
Tento rozhovor vyšel původně v #10 CX Space News na LinkedIn
Přidejte se k dalším 400+ odběratelům a nenechte si ujít další číslo.
