Proč kód od AI potřebuje lidský dohled

AI v programování slibuje rychlejší vývoj. Stačí zadat požadavek a nechat model vygenerovat kód podle aktuálních doporučení. Google se o to pokusil v rámci své iniciativy Modern Web Guidance. Chtěl AI agentům poskytnout ověřené postupy pro tvorbu přístupných, rychlých a bezpečných webů.

Jenže realita je jiná.

Přístupnost se nedá dohnat později

Přístupnost není něco, co se řeší až ve verzi 2.0. Buď je v projektu od začátku, nebo tam není vůbec. Když Google představoval Modern Web Guidance, použil jednoduchý příklad – akordeon se statistikami a plynulou animací. Výsledek selhal hned na několika úrovních. Animace nefungovala ve Firefoxu a komponenta nesplňovala ani základní standardy WCAG AA.

Přitom právě tyto požadavky byly v dokumentaci Modern Web Guidance výslovně zmíněny.

LLM nedodržují pravidla spolehlivě

Google sám v komentáři k dokumentaci přiznal, že LLM jsou non-deterministické. I když jsou pokyny správně formulované, neexistuje záruka, že model je skutečně použije. To je zásadní rozdíl oproti lintingu nebo type checkingu. Tyto nástroje pravidla vynucují. LLM jen navrhují.

A i když jsou správné postupy součástí tréninkových dat, není jisté, že je model v danou chvíli použije.

Roztříštěné vzory komplikují situaci

Modern Web Guidance pokrývá jen část běžných komponent. Například toast notifikace nemají vlastní dedikovanou dokumentaci. Když vývojář požádá o takovou komponentu, model nemá k dispozici konkrétní doporučení pro přístupnost. Musí improvizovat z obecných zásad.

Čím více je doporučení roztříštěných, tím menší je šance, že je model správně zkombinuje.

Co to znamená v praxi

Pokud dnes používáte AI k psaní produkčního kódu, počítejte s tím, že:

• Přístupnost je třeba ověřit ručně – WCAG AA není volitelná
• Podpora prohlížečů není zaručená, i když model slibuje Baseline
• Bezpečnost může být ohrožena drobnými, těžko viditelnými chybami
• Výkon často trpí, protože generovaný kód není optimalizovaný

Jak s AI pracovat efektivně

AI je výborný pomocník pro scaffolding a rychlé prototypování. Není to ale náhrada za code review. Dobrá praxe vypadá takto:

1. Vždy kontrolujte výstup AI stejně pečlivě jako kód od kolegy
2. Chyby vracejte zpět do modelu jako zpětnou vazbu
3. Nečekejte, že frameworky s „oficiálními doporučeními“ budou spolehlivé
4. Automatizujte testování přístupnosti (axe, WAVE, Lighthouse) v CI/CD

Na NameOcean věříme, že AI výrazně urychluje vývoj. Zároveň ale víme, že zodpovědnost za finální produkt zůstává na člověku. Umět kód od AI přečíst, opravit a převzít za něj odpovědnost – to je dnes ta nejdůležitější dovednost.

Google se snaží AI posunout správným směrem. Ale dokud neexistuje mechanismus, který by vynutil dodržování pravidel, zůstává AI výstup jen první verzí. A tu je potřeba ještě hodně upravit.