Vplyv AI na rolu developera a prieskum ohľadom AI v IBL Software Engineering

AI nám umožňuje pracovať efektívnejšie

AI nástroje sa v priebehu posledných rokov stali neoddeliteľnou súčasťou práce skoro každého programátora. V obehu je veľké množstvo AI nástrojov a asistentov, ktoré nám pomáhajú uľahčiť si rôzne aspekty našej práce. Viaceré štúdie preukázali zvýšenú produktivitu či celkovú spokojnosť developerov vďaka AI nástrojom. Podľa prieskumu Stack Overflow z 2025, až 85 % developerov dnes využíva alebo plánuje využívať nejaký AI nástroj a 51 % používa AI nástroje denne. Jedným z najpoužívanejších AI nástrojov súčasnosti je nepochybne GitHub Copilot. Podľa ich vlastného prieskumu až 88 % developerov tvrdí, že sú vďaka Copilotu produktívnejší. 60 – 75 % developerov zároveň tvrdí, že sa vďaka Copilotu cítia v práci viac naplnení, menej frustrovaní, a zostáva im vďaka nemu viac času aj mentálnej energie na zaujímavejšie tasky. GitHub Copilot tiež uskutočnil štúdiu, kde testovali rýchlosť 95 developerov pri vytváraní HTTP servera v JavaScripte s využitím alebo bez využitia Copilotu. Skupina, ktorá využívala Copilot, dokončila zadanie v priemere o 55 % rýchlejšie ako kontrolná skupina bez AI (71 minút vs. 161 minút). V čase konania tejto štúdie už Copilot zvládal samostatne generovať funkcie či iné bloky kódu. Podľa štúdie, ktorej sa zúčastnilo 109 nemeckých developerov, až 76 % zúčastnených reportuje nárast ich pracovného tempa a 73 % reportuje rýchlejšie osvojenie si nových konceptov pri použití AI.

 

…alebo nie?

Na rozdiel od vyššie spomínaných prieskumov, často citovaná štúdia METR ukázala, že programátorom pri reálnych taskoch na ich bežných projektoch používanie AI predĺžilo čas na dokončenie tasku o 19 %. V tomto prípade šlo o 16 developerov s viac ako 5- ročnými skúsenosťami a štúdia pozorovala ich prácu počas 246 taskov, kde používanie AI bolo pre každý task povolené alebo zakázané náhodným výberom. V tomto prípade developeri primárne využívali Cursor Pro a Claude 3.5/3.7 Sonnet. Zaujímavé je, že napriek tomu že reálny čas na dokončenie sa vplyvom AI navýšil, samotní developeri podľa vlastných pocitov odhadli, že AI ich prácu urýchlila o 20 %. V tomto článku autori vysvetľujú, že štúdie, ktoré preukázali zvýšenie efektivity vplyvom AI sú typicky strojené úlohy, ktoré nereflektujú reálne podmienky a využitie pri práci. Ani na firemnej úrovni zvýšené používanie AI zatiaľ nevedie k väčšej produktivite. Podľa prieskumu od Faros, ktorý je založený na telemetrických dátach 1 255 tímov a viac ako 10 000 developerov, AI nástroje zvyšujú produktivitu na individuálnej úrovni, no zatiaľ nepozorujeme žiaden ich merateľný vplyv pre celkovú výkonnosť spoločností. Za najväčší dôvod uvádzajú nárast času pre code review až o 91 %, a taktiež že AI momentálne neprináša porovnateľný nárast rýchlosti pri testovaní, následnej implementácii či iných procesoch. Ďalšia štúdia upozorňuje na fakt, že používanie AI z dlhodobého hľadiska môže viesť k narastajúcemu technickému dlhu vplyvom nižšej kvality kódu, ktorý bude ťažšie udržiavateľný, a tiež k úbytku expertov vo svete developmentu vplyvom AI.

 

Hlavné je adaptovať sa

Prieskum DX, ktorý bol vykonaný na 135 000 developeroch naprieč 435 firmami používajúcimi AI nástroje konštatuje, že priemery, čo sa týka používania AI, sú často zavádzajúce, keďže existujú firmy, u ktorých zrýchlenie písania kódu ide na úkor jeho kvality, ale aj také, ktorých kvalita kódu napriek AI narastá. Prieskum takisto naznačuje, že najlepšie výsledky naprieč rôznymi metrikami dosahujú developeri, ktorých firmy zabezpečujú štruktúrovanú podporu a vzdelávanie v oblasti AI. V prieskume Faros taktiež uvádzajú vlastnosti spoločností, ktorým sa najlepšie darí napredovať vďaka AI. Sú to práve spoločnosti, ktoré vnímajú AI ako katalyzátor štrukturálnej zmeny a explicitne definujú, kde a ako by malo byť AI implementované a svojich zamestnancov vzdelávajú v použití AI. Tieto firmy sa zároveň rozhodujú na základe toho, čo naozaj funguje, a to vďaka dostatku dát, ktoré im poskytujú prehľad o celom procese spracovania tasku, od jeho zadania až po jeho splnenie.

 

Ako AI ovplyvňuje vývoj developerských zručností?

Jednou z najväčších obáv v súvislosti s používaním AI je, že sa ľudia na AI začínajú až príliš spoliehať, a tak postupne prichádzajú o schopnosť kvalitne vykonávať tie typy úloh, ktoré delegujú. Táto obava je prirodzene najväčšia pri študentoch a juniorných zamestnancoch, ktorí si vedia dopomáhať s AI už od začiatku ich kariéry, kedy by mali čo najviac kultivovať vlastné schopnosti. Vzniká teda riziko, že nikdy nezískajú také hlboké porozumenie a prax ako súčasní seniorní zamestnanci. V prípadovej štúdii „How AI Impacts Skill Formation” boli pozorované dve skupiny vývojárov, ktorí mali vykonať úlohu pomocou Python knižnice, s ktorou dovtedy nepracovali. Prvá skupina mohla využívať AI, druhá nie. Po vykonaní úlohy ich čakal test, ktorý mal ohodnotiť ich novonadobudnuté schopnosti v používaní novej knižnice. Skupina, ktorá využívala AI, stihla ukončiť zadanie v priemere o 2 minúty skôr (23 minút) ako skupina bez AI (25 minút), no dosiahla v priemere výrazne nižšie skóre v teste – iba 50 % v porovnaní so 67 % pre skupinu bez AI. Avšak skupina, ktorá používala AI aj na učenie a objasnenie problematiky, dosiahla v teste viac ako 65 %. Naopak developeri, ktorí sa skoro úplne spoliehali na riešenie AI, dosiahli v teste pod 40 %. Vyzerá teda, že viac ako na tom, či používame AI, záleží na tom, ako ho používame. Využívanie AI na prehĺbenie nášho porozumenia a pochopenie AI generovaného kódu sa zdá byť ako zlatá stredná cesta, pri ktorej naplno využívame benefity AI, no zároveň sa učíme a kognitívne neupadáme.

 

Rozdiel medzi juniormi a seniormi v prístupe k AI

Je tiež veľmi zaujímavé pozorovať kontrast v používaní AI medzi juniornými a seniornými developermi. Seniori sú voči AI všeobecne skeptickejší. Táto skepsa však typicky nie je spôsobená tvrdohlavosťou alebo neprispôsobivosťou, ale skôr ich rokmi skúseností, ktoré ich naučili byť opatrnejšími. Viaceré štúdie popisujú, že benefit rôznych AI nástrojov je najväčší práve pre juniorov, kdežto pre seniorov môže byť benefit obmedzený, alebo ich môžu AI nástroje aj priamo spomaľovať. Toto spomalenie je typicky spôsobené oveľa detailnejším code review ako pri junioroch. Seniori sa zamýšľajú nad tým, či je kód optimálny, ako spadá kontextuálne do zvyšku kódu, či pokrýva hraničné prípady a podobne. Môžu mať tiež problém so zavedením AI do svojej pracovnej rutiny.

Naproti tomu juniori typicky narýchlo skontrolujú syntax AI generovaného kódu, otestujú, či funguje, a ak áno, tak ho použijú vo svojom kóde. Zväčša sa aj ľahšie adaptujú na používanie AI nástrojov, keďže ich majú možnosť využívať od začiatku svojej kariéry. Podľa prieskumu DX juniori taktiež používajú AI nástroje najčastejšie. Nie je však úplne jasné, či je to z dôvodu väčšej chute experimentovať s novými nástrojmi, alebo z dôvodu, že AI nástroje sú zatiaľ praktickejšie na riešenie skôr menších a menej komplexných úloh. AI je však nepochybne skvelým nástrojom na učenie, čo najviac ocenia práve juniori a noví zamestnanci. Vďaka AI viaceré firmy reportujú výrazné skrátenie času potrebného na úvodné zaúčanie developera, a to až o polovicu. Uvádzajú tiež tento proces ako ideálny čas na zoznámenie sa s AI pri každodennej práci developera a tvrdia, že AI umožňuje začiatočníkom rýchlo sa vyšvihnúť na vyššiu úroveň a tam aj zotrvať.

 

Vývoj programátorskej role

Je zaujímavé pozrieť sa aj na to, ako samotní programátori vnímajú túto zmenu k stále väčšiemu používaniu AI. Podrobnejšie sa touto problematikou zaoberá Eirini Kalliamvakou, ktorá skúma návyky, pocity a motivácie developerov v rámci výskumnej iniciatívy pre GitHub. Vo svojom blogposte popisuje, že v roku 2023 sa developeri poväčšine stránili prenechať vykonávanie taskov na AI, keďže to tvorilo jadro ich profesionálnej identity. U jedného z respondentov výskumu sa objavila otázka: „Pokiaľ neprogramujem ja, tak čo vlastne robím?” A keďže sa očakáva, že do budúcna bude
väčšia časť kódu generovaná AI, ide o veľmi dôležitú otázku.

Na základe rozhovorov s veľmi aktívnymi používateľmi AI v roku 2025, sa ich práca posunula z role „tvorcu kódu” k pozícii „kreatívneho riaditeľa”. Zároveň títo developeri nevnímajú túto zmenu ako stratu ich pôvodnej zručnosti, ale ako jej novšiu verziu. K tejto zmene sa však každý z nich dopracoval postupne, a to ako pri každej inej zručnosti – vytrvalým používaním a aktívnym skúšaním, čo všetko s AI nástrojmi dokážu.

 

4 adaptačné štádiá developera

Na základe spomínaných rozhovorov s aktívnymi používateľmi AI boli identifikované štyri adaptačné štádiá vo vzťahu k AI:

1. AI skeptik: Pochybuje o AI a ani ju vlastne nechce používať. Využitie AI mu
   pripadá ako viac práce ako úžitku.
2. AI prieskumník: Je zvedavý a otvorený naučiť sa o AI viac. Využíva AI na drobné tasky.
3. AI kolaborátor: Aktívne a prakticky využíva AI nástroje. Vytvára tasky spoločne s AI a integruje jej schopnosti do svojho pracovného procesu.
4. AI stratég: Je presvedčený o schopnostiach AI a má k nej optimistický postoj.

Využíva viaceré AI nástroje na plánovanie, vytváranie funkcií a rozsiahle refaktorovanie kódu. Každé z týchto štádií je spojené s hlbším porozumením schopností a limitácií AI a z toho vyplývajúcimi očakávaniami ohľadom rýchlosti či úspešnosti AI. Taktiež sa každým štádiom pracovný proces vzďaľuje od pôvodného, bez použitia AI. Kým v prvých štádiách zvyčajne developeri využívajú najmä AI autocomplete, AI stratég sa už oveľa menej sústreďuje na samotné písanie kódu a zameriava sa viac na výstižné definovanie problému, delegovanie práce AI agentom, dolaďovanie a overovanie riešenia. Ide naozaj o istú formu transformácie identity developera, pri ktorej sa mnohí cítia v ohrození o vlastnú rolu. No práve AI stratégovia túto zmenu vnímajú ako strategickú výhodu.

 

Ako je to u nás v IBL?

V mojej domovskej firme IBL Software Engineering sme na tému AI usporiadali prieskum, kde mali naši developeri možnosť vyjadriť sa k tomu, aké AI nástroje a ako často používajú, ale napr. aj ako vnímajú vplyv AI na svoju prácu. Prieskumu sa zúčastnila časť developerov (n = 40), ktorí programujú primárne v Pythone, TypeScripte a C++. Juniori tvorili približne 18 % účastníkov. Prieskum priniesol nasledujúce
výsledky:

• 70 % účastníkov využíva AI pri svojej práci na dennej báze, 90 % využíva AI aspoň raz týždenne. Iba 5 % účastníkov nepoužíva AI pri svojej práci vôbec.
• Najviac využívajú účastníci AI na:
  –  vysvetlenie funkcie neznámeho kódu (63 %)
  –  vytváranie funkcií a iného funkčného kódu (61 %)
  –  učenie sa nových konceptov (53 %)
  –  písanie alebo sumarizovanie dokumentácie/ komentárov (53 %)
• Za najväčšie prínosy AI považujú účastníci:
  –  navýšenie rýchlosti písania kódu/produktivity (82 %)
  –  asistenciu pri učení sa nových technológií (79 %)
  –  jednoduchý prístup k príkladom kódu a riešeniam (66 %)
• Za najväčšie nevýhody alebo nástrahy AI považujú účastníci:
  –  generovaný kód vyžaduje podrobný code review a opravy (82 %)
  –  zvýšené riziko skrytých bugov vo vygenerovanom kóde (58 %)
  –  obavy ohľadom bezpečnosti vygenerovaného kódu (53 %)
• Účastníci reportujú, že vďaka AI:
  –  sa cítia produktívnejší a tasky dokončujú rýchlejšie (71 %),
  –  viac si trúfajú na tasky mimo ich bežného zamerania (50 %)
  –  sú menej frustrovaní z repetitívnych taskov (45 %)
• 73 % účastníkov reportuje, že AI generovaný kód tvorí menej ako 30 % ich celkového kódu, resp. pre 20 % účastníkov je to menej ako 5 %. Viac ako 50 % AI generovaného kódu reportuje 8 % účastníkov.
• 26 % účastníkov skôr nedôveruje kvalite AI generovaného kódu, 58 % skôr dôveruje.
• 37 % účastníkov skôr nedôveruje bezpečnosti AI generovaného kódu, 42 % účastníkov skôr dôveruje.
• 15 % účastníkov reportuje, že im code review trvá dlhšie s použitím AI nástrojov ako bez neho. 63 % účastníkov reportuje, že písanie nového kódu im vďaka AI trvá kratšie ako bez nej.
• Za najväčšie obavy ohľadom AI účastníci reportujú:
  –  prílišné spoliehanie sa juniorov na AI bez toho, aby dostatočne ovládali logiku kódu (87 %)
  –  bezpečnostné riziká AI generovaného kódu (62 %)
  –  neúmyselný únik dôverných firemných informácií do verejných AI modelov (59 %)

 

Záver

AI nepochybne mení ako vykonávame svoju prácu. Táto zmena je často náročná najmä pre seniornejších developerov, ktorí sú voči AI prirodzene skeptickejší. „Zneužívanie” AI, napr. aj vo forme vibe codingu, vytvára z dlhodobého hľadiska (veľmi) ťažko udržiavateľný kód, ktorý obsahuje viac bugov a bezpečnostných rizík ako ľudsky napísaný kód (Coderabbit report). Tým samozrejme vzniká narastajúci technický dlh.

Výskumy však taktiež ukazujú, že AI vie priniesť naozaj podstatné zefektívnenie či uľahčenie práce, pokiaľ je používaná správne a rozvážne. Osobne si myslím, že je skvelé, že na túto tému v súčasnosti pribúda toľko rôznych štúdií, a to najmä z toho dôvodu, že vďaka týmto dátam vieme robiť informované rozhodnutia. Obdobie najväčšieho očarenia vplyvom nástupu AI už máme asi za sebou a je prirodzené, že sa momentálne objavuje viac skeptickejších štúdií, ktoré poukazujú na nevýhody, ktoré so sebou AI prinieslo. Pokiaľ však o týchto rizikách vieme, vieme sa im o to lepšie vyhnúť.
Je na nás, aby sme sa naučili vyťažiť z AI čo najviac, a to za zachovania rovnakej či vyššej kvality kódu. Pri generovaní kódu s AI by sme vždy mali dbať na to, aby sme výslednému kódu rozumeli a aby spĺňal štandardy, ktoré sa v našej firme očakávajú. To vieme dosiahnuť napríklad dbaním na kvalitné testy, code reviews či bezpečnostné testy.

Ako príchod každej väčšej novej technológie, AI so sebou prináša plusy aj mínusy. No táto technológia posúva svet vpred natoľko, že každý, kto ju principiálne odmieta len preto, že to je niečo nové, čomu neverí, zaspáva dobu. Naopak tí, ktorí sa na túto zmenu adaptujú a naučia sa AI využívať vo svoj prospech, vyťažia z tejto zmeny najviac. Pre firmy je dôležité, aby svojich zamestnancov vzdelávali v oblasti využívania AI a dohodli sa na stratégii, ktorú budú dodržiavať. Môžu sa tak do budúcna vyhnúť zlej kvalite kódu či nedostatku seniorných odborníkov.

 

Zdroje:
Becker, J., Rush, N., Barnes, B., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv preprint arXiv:2507.09089., https://doi.org/10.48550/arXiv.2507.09089.

Coderabbit (2025). State of AI vs Human Code Generation Report. Link: https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report

DX (2025). AI-assisted Engineering: Q4 Impact Report. Link: https://getdx.com/blog/ai-assisted-engineering-q4-impact-report-2025/

Faros (2025). The AI Productivity Paradox: https://243608892.fs1.hubspotusercontent-na2.net/hubfs/243608892/AI_Engineering_Impact_Report_July_2025_Faros_AI.pdf

Felder, L., Eisenreich, T., Fischer, M., Wagner, S., & Chen, C. (2026). Adoption of Generative Artificial Intelligence in the German Software Engineering Industry: An Empirical Study. arXiv preprint arXiv:2601.16700., https://doi.org/10.48550/arXiv.2601.16700.

GitHub (2025). The new identity of a developer: What changes and what doesn’t in the AI era. Link: https://github.blog/news-insights/octoverse/the-new-identity-of-a-developer-what-changes-and-what-doesnt-in-the-ai-era/

Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv preprint arXiv:2302.06590, https://doi.org/10.48550/arXiv.2302.06590.

Shen, J. H., & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv. https://doi.org/10.48550/arXiv.2601.20245

Stack Overflow (2025). 2025 Developer Survey. Link: https://survey.stackoverflow.co/2025/ai/

Xu, F., Medappa, P. K., Tunc, M. M., Vroegindeweij, M., & Fransoo, J. C. (2026). AI- assisted Programming May Decrease the Productivity of Experienced Developers by Increasing Maintenance Burden. arXiv preprint arXiv:2510.10165, https://doi.org/10.48550/arXiv.2510.10165.