Problém s odhady v éře AI kódování

Pamatujete, jak jste klidně řekli manažerovi: „Ta funkce bude za dva týdny“? Dnes to zní jako věda z minulého století. AI agenti, co nejen doplňují kód, ale navrhují a píšou celá řešení, úplně rozbili staré způsoby plánování.

Starý recept na odhady (co aspoň trochu fungoval)

V dobách, kdy všechno dělali lidé, to mělo jednoduchou logiku:

• Znalost kódu + Složitost návrhu + Rychlost psaní + Čas na testy a opravy = Přibližný termín

Znali jste svůj kód nazpaměť. Věděli jste, že autentizace jede hladce, ale databáze je chaos. Odhadli jste hodiny na refaktoring, edge cases a denní produktivitu.

Nebyla to přesnost na minutu – často to posunulo o 20-40 % – ale aspoň to směřovalo správným kierunkem. Měli jste v hlavě modely, co fungovaly.

Přichází AI agent: Reset odhadů

Teď to zkuste s AI asistentem. Všechny proměnné se mění:

Pochopí architekturu hned na první?“ Záleží na kvalitě dokumentace, velikosti kontextu a jak dobře model zná váš tech stack.

Navrhne ideální řešení okamžitě? Pokud ano, stačí hodiny. Pokud potřebuje korekce a promptování, mluvíme o dnech.

Kolik budete muset přepsat? AI kód často chce úpravy, bezpečnostní posílení a integraci, co agent nečekal.

Pravda je krutá: Příliš mnoho faktorů, co nemůžete ovlivnit ani odhadnout jako developer.

„Tušení kódování“ – co nikdo nechce říct nahlas

Mnoho devů to tají: děláme víc „tušení“ než přesných výpočtů. Co to znamená?

• Odhady podle rychlosti AI inference, ne složitosti funkce.
• Naděje, že model „to chápe hned“, bez plánu na iterace.
• Podcenění integrace AI kódu do stávajících systémů.
• Přeceňování rychlosti odhalování halucinací nebo bezpečnostních děr.

Není to lenost. Jen staré nástroje na odhady nefungují v nové realitě.

Co skutečně zabírá (praktické tipy)

Máte problémy s termíny v AI vývoji? Tady jsou postupy, co devům pomáhají:

1. Změřte výkon AI hned na začátku

Než slíbíte termíny, projděte pár malých funkcí. Sledujte čas inference, počet iterací a revizí. Dostanete data místo dohadů.

2. Rozdělte čas člověka a stroje

Neshlukujte dohromady. Rozdělte:

• Generování AI: Promptování, inference, první výstup.
• Kontrola člověkem: Audit kódu, bezpečnost, úpravy pro konzistenci.
• Integrace: Spojení s vašimi systémy, testy, debug.

Takhle odhady sedí lépe, protože kontrolujete, co můžete.

3. Vytvořte kontextové balíčky

AI selhává bez kontextu. Investujte 2-3 hodiny do docs o architektuře, konvencích a příkladech. Výstup se zlepší, iterace ubudou, celkový čas klesne.

4. Přijměte nejistotu s rezervami

Neslibujte „5 dní“. Řekněte „3-8 dní podle modelu“. Je to upřímnější a lepší pro plánování.

5. Sledujte a vylepšujte proces

Každý tým má svůj ideální workflow s AI. Někdo miluje hluboké prompty, jiní iterace. Měřte, co funguje u vás, a odhady upravte podle reálných dat.

Širší pohled

Pokud vám odhady vycházejí špatně, neděláte chybu. Mění se celý základ softwarového plánování. Už nejde o „Jak dlouho to napíše člověk?“, ale „Jak dlouho AI pochopí problém, navrhne řešení a člověk to ověří a zapojí?“.

To je těžší odhadovat, protože záleží na:

• Kvalitě modelu a rychlosti inference.
• Specifičnosti problému a tréninkových datech.
• Dokumentaci a struktuře vašeho kódu.
• Schopnosti týmu řídit AI.

Pozitivní strana

Když AI trefí řešení hned – a stává se to častěji, než čekáte – dodáte funkci za dny místo týdnů. Rozptyl je větší, ale průměrná rychlost roste.

Klíč? Přiznejte rozptyl, měřte ho přesně a upravte své myšlenkové modely.

Kam dál

Devové, co uspějí, se ne drží starých metod. Dělají:

1. Přijímají, že odhady jsou chaotičtější.
2. Sledují svůj AI workflow do detailu.
3. Budují lepší kontext a prompty.
4. Dávají širší rozmezí, ale poctivé termíny.
5. Soustředí se na rychlé shipování a učení z iterací.

To „tušení“ není chyba. Je to nová norma inteligentního vývoje, kde odhady děláme společně s AI, ne navzdory němu.