Od automatického dopĺňania k delegovaným úlohám
Prvá vlna AI pre kód dopĺňala riadky a odpovedala na otázky. V roku 2026 pracujú vyspelé agentné systémy v slučke: získajú kontext, naplánujú postup, čítajú a menia súbory, používajú nástroje, overujú výsledky a iterujú. OpenAI opisuje Codex ako agenta na písanie, kontrolu a dodávanie kódu, GitHub ako systém schopný samostatne vykonávať úlohy v životnom cykle softvéru. [2][3][7]
Vývojár už nemusí riadiť každú lokálnu zmenu, ale musí presnejšie opísať cieľ, rozsah, obmedzenia a definíciu dokončenia.
Čo dnes programovací agent skutočne zvládne
Súčasní agenti vedia prehľadávať repozitáre, čítať históriu a dokumentáciu, meniť viac súborov, spúšťať príkazy, testy a linting, analyzovať chyby a pripravovať zmeny na review. GitHub Copilot cloud agent môže pracovať na vetve bez okamžitého otvorenia pull requestu. [7][10]
Claude Code ponúka riadenie nástrojov a oprávnení, Codex funguje lokálne aj v cloude a Gemini CLI môže bežať interaktívne, v skriptoch aj v sandboxe. [2][6][13]
Štyri hlavné pracovné modely agentov v roku 2026
| Agent | Hlavné prostredie | Pracovný model | Kontrola |
|---|---|---|---|
| OpenAI Codex | ChatGPT, aplikácia, CLI, IDE, cloud | Lokálne a paralelne v cloude | Skills, prostredia, review |
| Claude Code | Terminál, SDK, MCP | Interaktívne a skriptovateľne | Režimy oprávnení, povolené/zakázané nástroje |
| GitHub Copilot cloud agent | GitHub, VS Code, Mobile, desktop app | Asynchrónne cez branch/PR | Repo pravidlá, logy, review |
| Google Antigravity / Gemini CLI | Antigravity desktop, CLI, SDK | Paralelní agenti a automatizácia | Sandbox, hooks, MCP, izolácia |
Codex pokrýva aplikáciu, CLI, IDE a cloud. Claude Code je zameraný na terminál a skriptovanie. GitHub Copilot cloud agent je zabudovaný do issues, vetiev a pull requestov. Google Antigravity 2.0 zdôrazňuje multiagentnú orchestráciu a Gemini CLI ponúka open-source terminálového agenta. [2][6][7][8][12][13]
Voľba v praxi závisí rovnako od prostredia, oprávnení, governance a review procesu ako od samotného modelu.
Úlohy sa predlžujú a častejšie bežia paralelne
OpenAI uvádza, že v máji 2026 70,2% skúmaných individuálnych používateľov Codexu zadalo aspoň jednu úlohu odhadovanú na viac ako hodinu ľudskej práce a 25,6% aspoň jednu nad osem hodín. Ide o modelové odhady z náhodnej vzorky 0,1%, preto sú orientačné. [1]
GitHub Copilot app a Google Antigravity sú tiež navrhnuté na paralelné relácie a nezávislé pracovné prúdy. [8][12]
Ľudia častejšie rozhodujú čo, agenti ako
Anthropic analyzoval približne 400 000 relácií Claude Code od októbra 2025 do apríla 2026. V typickej relácii používateľ urobil asi 70% plánovacích rozhodnutí a Claude približne 80% vykonávacích rozhodnutí. Jeden prompt spustil v priemere asi desať akcií agenta. [4]
Vývojár si tak častejšie drží cieľ, architektúru a akceptačné kritériá, zatiaľ čo agent rieši množstvo lokálnych implementačných rozhodnutí. Tie stále potrebujú kontrolu.
Odbornosť stále zvyšuje úspešnosť
V rovnakej štúdii Anthropic boli odbornejšie hodnotené relácie úspešnejšie. Podľa najprísnejšej metriky overeného úspechu dosahovali začiatočnícke relácie asi 15%, zatiaľ čo stredná a vyššia úroveň približne 28 až 33%. Metrika vychádza z transkriptov, testov, commitov a potvrdenia používateľa, nie z priamej kvality v produkcii. [4]
Doménové znalosti preto zostávajú výhodou: pochopenie pravidiel, okrajových prípadov, architektúry a overenia umožňuje agenta lepšie riadiť.
Dôkazy o produktivite sú zmiešané a závisia od merania
| Zdroj | Vzorka | Hlavné zistenie |
|---|---|---|
| Anthropic 2026 | ~400 000 relácií Claude Code | Používateľ ~70% plánovacích rozhodnutí, Claude ~80% vykonávacích |
| METR 2025 RCT | 16 vývojárov, 246 úloh | 19% dlhší čas s AI nástrojmi zo začiatku 2025 |
| METR 2026 survey | 349 technických pracovníkov | Medián sebahodnotenia 1,4 až 2x hodnoty práce, s dôležitými výhradami |
| OpenAI 2026 Codex | Náhodná 0,1% vzorka individuálnych používateľov | 70,2% malo aspoň jednu úlohu odhadovanú nad jednu hodinu ľudskej práce |
Randomizovaná štúdia METR z roku 2025 sledovala 16 skúsených open-source vývojárov pri 246 reálnych úlohách v dobre známych repozitároch. S nástrojmi AI zo začiatku 2025 trvali úlohy v priemere o 19% dlhšie, hoci účastníci verili, že sú rýchlejší. [14]
V roku 2026 METR označil väčší nadväzujúci experiment za ťažko interpretovateľný pre selekčné skreslenie, pretože niektorí vývojári nechceli pracovať bez AI. Samostatný prieskum 349 technických pracovníkov vykázal medián sebahodnotenej zmeny hodnoty práce 1,4 až 2x, ale s výraznými výhradami. [15][16]
Code review sa stáva hlavným kontrolným bodom
Keď agent dokáže zmeniť veľa súborov a pripraviť celý pull request, review sa stáva kľúčovým kontrolným mechanizmom. GitHub stavia agentné workflow na diffoch, pull requestoch, logoch relácií, pravidlách repozitára a ľudskej kontrole. [7][8][11]
Review sa tak posúva od syntaxe k predpokladom, rozsahu, API kontraktom, architektúre, bezpečnosti, okrajovým prípadom a tomu, či zmena rieši správny problém.
Testy a CI sa stávajú kontraktom pre agenta
Agent dokáže rýchlo vytvoriť veľa vierohodne vyzerajúceho kódu, ale správnosť určia len explicitné kritériá. Unit, integračné a end-to-end testy, typová kontrola, linting a reprodukovateľné buildy preto získavajú na význame. Claude Code a GitHub workflow podporujú spúšťanie príkazov a testov počas práce. [6][7][10]
Dobrá úloha opisuje výsledok aj spôsob overenia. Čím deterministickejšia verifikácia, tým menej ručného odhadovania na konci.
Bezpečnosť: viac autonómie znamená väčšiu rizikovú plochu
Programovací agent môže spúšťať shell, čítať súbory, používať sieť a meniť zdrojový kód. Režimy oprávnení, sandbox, obmedzenia nástrojov, ochrana tajomstiev a auditné logy sa preto stávajú základnými kontrolami. Claude Code má permission modes a allow/deny zoznamy, Gemini CLI kontajnerovú izoláciu a GitHub logy relácií v rámci governance repozitára. [6][11][13]
Tímy by mali uplatňovať najmenšie oprávnenia. Agent pre UI nepotrebuje automaticky produkčné tajomstvá, práva na nasadenie ani deštruktívny prístup k infraštruktúre.
Kontext repozitára sa stáva infraštruktúrou
Kvalita agenta závisí od explicitných konvencií projektu. Inštrukcie repozitára, štandardy kódu, architektonické pravidlá, kontextové súbory, Skills a MCP spojenia sa menia na strojovo čitateľné postupy. [2][6][9][13]
Dokumentácia tak nie je len pre ľudí. Zastarané README, nejasné hranice modulov alebo chýbajúce príkazy testov priamo znižujú spoľahlivosť agenta.
Multiagentná práca mení deň vývojára
Codex, GitHub Copilot app a Google Antigravity podporujú paralelné úlohy. Vývojár môže oddelene delegovať testy, refaktor, dokumentáciu a opravu chyby a výsledky neskôr skontrolovať. [1][8][12]
Úzke hrdlo sa presúva z písania kódu na prioritizáciu, kontext, review a integráciu. Príliš veľa agentov bez jasných kritérií môže vytvoriť viac práce s kontrolou než skutočnej hodnoty.
Ktoré úlohy sa v roku 2026 delegujú najľahšie
Najlepšie sú obmedzené a overiteľné úlohy: doplnenie testov, lokálne refaktory, API migrácie, reprodukovateľné opravy chýb, aktualizácie závislostí, dokumentácia, analýza repozitára a prvá verzia pull requestu. [2][6][7][12][13]
Ťažšie sú úlohy so skrytými požiadavkami, významnými produktovými kompromismi alebo vysokou cenou chyby. Agent môže zrýchliť analýzu, ale zodpovednosť za rozhodnutie má zostať človeku.
Ako zaviesť agentov bez chaosu
Začnite obmedzeným rozsahom: povolené typy úloh, jasné inštrukcie repozitára, povinné testy, maximálne oprávnenia a pevné body ľudského schválenia. DORA opisuje AI ako zosilňovač existujúcich silných a slabých stránok, takže zlý engineering proces sa pridaním agenta automaticky nezlepší. [17]
Merajte celý tok: čas k prijatému pull requestu, dobu review, počet iterácií, chyby CI, regresie, cenu agenta a podiel zmien vyžadujúcich veľké prepísanie.
- Definujte povolené kategórie úloh.
- Udržiavajte aktuálne inštrukcie repozitára a overovacie príkazy.
- Vyžadujte testy, linting a čistý build.
- Používajte najmenšie oprávnenia.
- Vyžadujte ľudské review pri zmenách s vysokým dopadom.
- Uchovávajte logy agentov a auditnú stopu.
- Merajte čas a cenu úspešne overenej úlohy.
