Ako vyzerá vývoj softvéru s AI v GoodRequeste

AI nám pomáha rýchlejšie pripraviť špecifikáciu, kód aj testy. Vývojárom zároveň pribúda práca s kontextom a overovaním výstupov. Takto s AI pracujeme v GoodRequeste.

19. 11. 2026
Zdielať článok
AI_2 - banner

Príde nové zadanie. Tím potrebuje pochopiť požiadavky, navrhnúť riešenie, napísať kód a otestovať ho. AI nám pri tom pomáha od prvých podkladov až po prevádzku. Jej zapojenie prispôsobujeme projektu a technické rozhodnutia zostávajú na ľuďoch.

Tento prístup nazývame AI-Augmented Delivery. Pozrime sa, ako vyzerá v jednotlivých fázach vývoja.

Najprv kontext, potom generovanie

Výsledok AI závisí od toho, čo o projekte vie. Preto jej pripravujeme kontext: technický dizajn, špecifikáciu verzionovanú v repozitári a pravidlá generovania kódu. Tie vychádzajú zo štandardov platformy a určujú hranice, v ktorých má nástroj pracovať. Developer posudzuje, ako návrh zapadá do existujúcej architektúry, a dopĺňa kontext, ktorý je pre projekt dôležitý.

Od nápadu ku klikateľnému prototypu

Už v úvodných fázach projektu nám AI môže pomôcť pripraviť prototyp, na ktorom si tím aj klient vyskúšajú používateľskú cestu a získajú konkrétnejšiu predstavu o riešení. Návrhy vieme rýchlo upravovať a porovnať ešte pred začiatkom vývoja. Spätnú väzbu tak dostávame vo chvíli, keď sa dá smer riešenia ľahšie zmeniť.

Dizajnér určuje, čo má prototyp overiť, navrhuje používateľské flow a posudzuje, či je rozhranie zrozumiteľné a konzistentné. Spolu s tímom dopĺňa stavy, ktoré prvý návrh nepokrýva. Pri prechode k vývoju sa s developermi pozerá aj na to, ako návrh pretaviť do fungujúceho rozhrania.

Ak sa má prototyp stať základom produktu, technický tím potrebuje preveriť jeho kód, integrácie a bezpečnosť a rozhodnúť, čo sa oplatí zachovať a čo navrhnúť nanovo.

Menej ručného písania, viac rozhodovania a review

Pri implementácii môže AI pripraviť kód podľa technického návrhu, navrhnúť unit testy alebo pomôcť s prvým priechodom code review. Rutinné časti tak vznikajú rýchlejšie a developer sa môže skôr venovať samotnému riešeniu.

Programátor musí pri review rozumieť každej zmene a posúdiť jej vplyv na systém. Overuje biznisovú logiku, okrajové stavy, závislosti aj udržateľnosť kódu. Pri testoch skúma, či pokrývajú podstatné správanie a dokážu zachytiť chybu.

Generovanie zároveň prináša viac výstupov na kontrolu. Čas ušetrený pri písaní preto čiastočne presúvame do návrhu, review a technických rozhodnutí. Najmä pri zložitejších zmenách sú skúsenosti developera kľúčové.

Ako s AI pracuje QA?

QA môže AI využiť pri návrhu testovacej stratégie, tvorbe scenárov, automatizovaných testoch či analýze príčiny chyby. Pri tom rozhoduje, čo treba otestovať, vyhodnocuje výsledky a na základe znalosti produktu a jeho používateľov dopĺňa scenáre aj riziká, ktoré sa z technického zadania nemusia dať vyčítať.

Bezpečnosť a prevádzka sú súčasťou vývoja

Pri AI riešime bezpečnosť vstupov aj výstupov. Pri výbere nástroja a účtu zohľadňujeme pravidlá projektu, typ údajov a spôsob ich spracovania. Do promptov nevkladáme heslá, API kľúče ani tokeny. Citlivé údaje podľa možnosti anonymizujeme alebo nahrádzame testovacími dátami a do verejných modelov ich neposielame.

Pozornosť venujeme aj oprávneniam agentov a konektorov. Prístup obmedzujeme na dáta a akcie potrebné pre danú úlohu, napríklad na konkrétny repozitár namiesto celého workspace. Pri akciách s vyšším rizikom, ako je zásah do produkcie či prístupov, zostáva dôležitá ľudská kontrola.

V rámci Secure SDLC používame statickú analýzu kódu, dynamickú kontrolu bežiacej aplikácie a priebežný monitoring zraniteľností. AI môže pomôcť s detekciou problémov, aktualizáciou knižníc alebo návrhom pull requestu na opravu. Expert posúdi nález aj dopad zmeny na systém.

Po nasadení môže AI pomáhať s triážou logov, dokumentáciou a údržbou. Tím vyhodnocuje problémy v prevádzke a rozhoduje, ako ich riešiť.

Čo to znamená pre výsledný produkt?

Klient má počas vývoja priestor priebežne vidieť výsledky a dávať spätnú väzbu. Za produktom zároveň stojí tím, ktorý pozná jeho fungovanie a riziká, posudzuje technické zmeny a venuje sa aj jeho ďalšiemu rozvoju.

Kvalitu sledujeme pomocou údajov, ako sú pokrytie testami, kvalita kódu a miera chybovosti. Transparentný reporting pomáha ukázať, kde je potrebná ďalšia pozornosť. Význam týchto údajov posudzujeme v kontexte toho, čo a ako testujeme.

Na CODECONe v Žiline nás nájdete v Partners Expo Zone. Zastavte sa porozprávať o tom, ako AI mení vývoj vo vašom tíme, čo vám funguje a kde vám naopak pridáva prácu.

#AI
Autor článku
GoodRequest

Nezmeškaj aktuálne info o CODECON
Odkaz bol skopírovaný do schránky