Zavádění AI v prostředí regulovaném PCI DSS a zároveň náročném na vysoký výkon není o následování trendů. V GR8 Tech byla otázka velmi konkrétní: může AI skutečně zlepšit způsob, jak navrhujeme, ověřujeme a dodáváme komplexní systémy – bez kompromisů v oblasti bezpečnosti, architektury a odpovědnosti?
Tahle cesta začala skepsí. Pak přešla do strukturovaných experimentů. A nakonec se stala opakovatelnou inženýrskou praxí – z velké části díky Mykole Remeslennikovovi, lídrovi Payments Core Teamu, který k AI nepřistupoval jako nadšenec, ale jako zodpovědný architekt.
Od nedůvěry k vědomé praxi
Stejně jako mnoho zkušených inženýrů ani Mykola zpočátku neviděl velkou hodnotu v AI nástrojích pro asistenci při psaní kódu.
„Upřímně řečeno, považoval jsem AI nástroje spíš za hype. Pokud rozumíš architektuře a doméně, nepotřebuješ pomoc s psaním kódu. Vnímal jsem je jako pokročilé autocomplete – efektní na demo, ale dost vzdálené reálné složitosti systémů. A neměl jsem zájem přidávat další nástroj, pokud nepřináší skutečnou, měřitelnou hodnotu.“
V GR8 Tech je experimentování vítané – ale vždy v přísných mezích bezpečnosti a compliance. Práce v rámci PCI DSS znamenala, že každé AI řešení musí splňovat enterprise standardy ochrany dat. Náhodné veřejné nástroje nepřicházely v úvahu. Tým proto vybral kontrolovaná, business-ready řešení a začal s testováním v omezeném, dobře definovaném rozsahu.
První use case byl velmi praktický: rostl počet code review, tempo vývoje bylo vysoké a čas inženýrů pod tlakem. První výsledky byly spíše průměrné. Bez doménového kontextu byl feedback od AI povrchní. Jedna věc ale vynikla – schopnost samostatně analyzovat změny v repozitáři a vyvozovat z nich strukturované závěry. To naznačilo, že potenciál sahá dál než jen k autocomplete.
Namísto ukončení experimentu ho tým vylepšil. Prompty byly přesnější. Kontext se záměrně omezoval. AI přestala být vnímána jako nástroj, který má „rozumět všemu“, a začala fungovat v jasně definovaných mantinelech. Tenhle posun – od obecných očekávání ke disciplinované spolupráci – byl klíčový.
Od generování kódu k debatě o architektuře
Skutečný průlom přišel ve chvíli, kdy AI přestala sloužit jen jako generátor kódu a začala se zapojovat do strukturovaných diskusí nad specifikací. Místo generování jednotlivých metod začala pomáhat s analýzou problémů.
„Zlom nastal ve chvíli, kdy jsem AI přestal vnímat jako generátor kódu a začal ji brát jako partnera pro přemýšlení. Popisoval jsem omezení – výkonnostní, integrační, compliance – a ona odpovídala návrhem architektury nebo strukturovaným designem. Mohl jsem zpochybňovat její předpoklady, zpřesňovat kompromisy, doplňovat doménová pravidla – a okamžitě dostat upravenou verzi. Je to trochu jako pracovat s velmi rychlým juniorem, který dokáže všechno načrtnout, ale stále potřebuje architektonické vedení.“
To změnilo způsob práce. Proces často začínal definicí problému a iterací nad návrhem. AI připravila první návrh, Mykola ho upravil podle interních standardů, doménové logiky a dlouhodobé udržitelnosti. Teprve potom přišla implementace.
Výsledek? Nejen rychlejší psaní kódu, ale hlavně rychlejší nalezení správné architektury. Díky iteracím v rané fázi tým eliminoval nejasnosti ještě před samotným vývojem. AI urychlovala exploraci, ale rozhodnutí zůstávala na lidech.
To dobře zapadá do inženýrské kultury GR8 Tech: odpovědnost je lidská, zrychlení přinášejí nástroje.
Rychleji chybovat, rychleji se učit
Přístup „fail fast“ je v GR8 Tech základ. Obzvlášť u platebních systémů a API je nutné ověřovat předpoklady co nejdřív, aby se předešlo drahým opravám.
AI se ukázala jako velmi užitečná při rychlém prototypování. Při testování nové cache strategie nevznikalo plnohodnotné produkční řešení, ale lehký proof of concept podpořený AI. Během krátké doby měl tým konkrétní data potvrzující zlepšení výkonu.
Kód nebyl dokonalý – a ani nemusel být. Odpověděl na konkrétní otázku. Možnost rychlé validace hypotéz snižuje riziko a zlepšuje kvalitu rozhodování. AI se tak stala nástrojem pro levné experimenty, které vedou k jistějším krokům.
Méně času na boilerplate
Další oblastí dopadu byl start nových projektů. Moderní backend vyžaduje spoustu příprav ještě před samotnou business logikou: logging, health checky, autorizace, kontejnerizace, CI konfigurace. Všechno nutné, ale časově náročné.
Dnes velkou část tohoto „základu“ generuje AI podle definovaných standardů.
„Dřív znamenal start nového servisu hodiny konfigurace, než jsem se dostal k řešení skutečného problému. Logging, health checky, auth, kontejnery – všechno důležité, ale opakující se. Díky AI tahle režie výrazně klesla. Základ vznikne rychle a podle mých standardů a já se můžu soustředit na doménovou logiku. Tam by měl senior investovat svou energii.“
Odpovědnost tím ale nemizí. Inženýři kód stále kontrolují, upravují a dbají na architektonickou konzistenci. Odstranění rutinních úkolů ale zvyšuje efektivitu – zbývá víc času na složité problémy.
Disciplína nad automatizací
Jedna z klíčových lekcí: AI zesiluje jak silné, tak slabé stránky. Funguje dobře v jasně vymezeném rozsahu, ale hůř si poradí s rozsáhlými, komplexními codebase. Klíčem se stalo řízení kontextu: práce na jednom feature najednou, jasné hranice souborů, čistý stav repozitáře na začátku.
Disciplína ve version control je zásadní. Kód generovaný AI vždy prochází kritickým review. Architektonické kompromisy, správnost business logiky, bezpečnost i výkon – to zůstává odpovědností člověka.
V GR8 Tech AI nesnížila úroveň inženýrství – naopak ji ještě víc zpřísnila.
Dopad na kulturu a týmovou práci
Zavedení AI nebylo vnímáno jako změna nástroje, ale jako změna způsobu práce. První experimenty vedli nejvíc angažovaní inženýři, kteří sdíleli poznatky napříč firmou. Vznikla jasná pravidla pro práci s daty, prompty i vhodné use cases.
AI bylo prezentováno jako rozšířený pair programming – ne náhrada.
„Pokud bereš AI jako nejlepšího juniora, se kterým jsi kdy pracoval – velmi rychlého, skvěle znalého syntaxe, ale s permanentní amnézií – pak jsi na správné cestě. Potřebuje kontext. Potřebuje omezení. Potřebuje review. Ale když jí tu strukturu dáš, začne to dávat skutečný smysl.“
Tento přístup snížil obavy a posílil pocit odpovědnosti. Inženýři stále nesou odpovědnost za výsledek, ale pracují rychleji a mohou víc experimentovat.
Inženýrství – jen rychlejší
Dnes znamená vývoj s podporou AI v GR8 Tech rychlejší prototypování, méně boilerplate, konzistentnější dokumentaci a efektivnější debugging. To nejdůležitější ale je, že umožňuje inženýrům soustředit se na architekturu a řešení komplexních problémů – tedy tam, kde člověk přináší největší hodnotu.
Tahle zkušenost ukazuje něco podstatného o firemní kultuře: experimenty jsou vítané, ale disciplinované; inovace je podporovaná, ale nikdy ne na úkor bezpečnosti nebo kvality.
AI v GR8 Tech inženýry nenahrazuje.
Posiluje je.
A pro týmy, které kombinují silné základy s promyšleným přístupem k novým nástrojům, se toto posílení stává reálnou konkurenční výhodou.
