Agentic Engineering: AI agenti ve vývoji softwaru a SDLC

Agentní inženýrství: Jak AI agenti mění životní cyklus vývoje softwaru

Zavádění AI agentů zásadně mění přístupy k vývoji softwaru a slibuje výrazné zkrácení doby od nápadu k vydání. Tento proces však není univerzální a závisí na typu projektu. Zatímco Greenfield projekty mohou zažít radikální zrychlení, Brownfield projekty a přísně regulovaná prostředí vyžadují nuancovanější přístup, kde role člověka při zajišťování kvality, bezpečnosti a souladu zůstává kriticky důležitá. Pochopení těchto rozdílů a adaptace strategií životního cyklu vývoje (SDLC) na možnosti AI agentů se stává klíčovým faktorem úspěchu pro moderní IT týmy.

Diferencovaný vliv AI na SDLC

Koncept Agentic Engineering (agentního inženýrství), který předpokládá aktivní využití AI agentů v různých fázích vývoje, prokazuje svou efektivitu při zkracování Lead Time – klíčové metriky produktivity. Stupeň a charakter tohoto vlivu se však výrazně liší v závislosti na kontextu projektu. Neexistuje jediný univerzální SDLC plně řízený agenty; místo toho se formuje spektrum scénářů, z nichž každý vyžaduje zvláštní pozornost k metrikám a procesům. Základní pravidlo: lidská účast zůstává nezbytná pro kriticky důležité aspekty, zatímco rutinní a opakující se úkoly mohou být úspěšně automatizovány.

Greenfield projekty: Maximální zrychlení a nová rizika

Projekty vyvíjené od nuly (Greenfield) představují ideální prostředí pro plnohodnotné zavedení Agentic Engineering. Absence zastaralé kódové báze a uživatelů minimalizuje cenu chyby, což umožňuje soustředit se na rychlost a inovace. V takových podmínkách mohou AI agenti výrazně zkrátit dobu od formulace požadavků až po nasazení do produkce. Klíčové změny zahrnují:

• Automatizace Code Review: Pro nekritický kód může být většina kontrol automatizována AI agenty, s výběrovými manuálními kontrolami. Kriticky důležité moduly, jako je autorizace nebo zpracování plateb, stále vyžadují 100% manuální Code Review od seniorních specialistů.
• Observability jako ochrana: Hlavním mechanismem zajištění stability produkce se stávají kanárkové release a automatické rollbacky. To vyžaduje hlubokou integraci monitorovacích a logovacích systémů, stejně jako přísné dodržování inženýrských praktik: víceúrovňové testování, architekturu s nízkou provázaností a čistý kód.
• Radikální zkrácení iterací: AI agenti umožňují výrazně urychlit cyklus zpětné vazby a poskytovat hotové výsledky za mnohem kratší dobu.

Pro posouzení efektivity a prevenci zhoršení situace v Greenfield projektech se doporučuje sledovat následující metriky:

• Lead Time: Měl by být méně než 1 den.
• Deployment Frequency: Více než 1 krát denně.
• Change Failure Rate: Shoda se standardy DORA (0-15%).

Brownfield projekty: Rovnováha mezi rychlostí a stabilitou

U stávajících produktů (Brownfield) s již existující uživatelskou základnou a technickým dluhem je cena chyby výrazně vyšší. Zde vyžaduje zavedení AI agentů opatrnější a strukturovanější přístup. Hlavním úkolem je zkrátit dobu vývoje bez újmy na stabilitě a bezpečnosti. Přístup k Code Review by měl být tříúrovňový:

• Bezpečnost a kritický kód: 100% manuální review seniorními specialisty (například pro autentizační systémy, platební brány, práci s osobními údaji).
• Obchodní logika: 30-40% manuální review kolegy.
• Utility a aplikační nástroje: Automatizované review AI agenty s výběrovými manuálními kontrolami (pro testy, dokumentaci, konfigurace).

Statistiky ukazují, že PR (Pull Requesty) generované AI vyžadují úpravy ve 32,7 % případů ve srovnání s 84,5 % u lidského kódu (LinearB 2026 Benchmarks), což podtrhuje nutnost lidské validace, zejména u kódu s vysokým rizikem. Je nezbytné postupné zavádění prostřednictvím předprodukčních prostředí a spolehlivá observability s proaktivním monitorováním a automatickým rollbackem.

Klíčové metriky pro Brownfield projekty:

• Čas na Code Review: Neměl by růst, navzdory zvýšení počtu PR.
• Počet defektů: Měl by zůstat stabilní nebo se snižovat.
• SLA/SLO: Nesmí se snižovat.
• Spokojenost vývojářů: Nesmí klesat.

Regulované odvětví: Dodržování compliance a auditu

V odvětvích jako fintech, medtech nebo pojišťovnictví se k Brownfield projektům přidává silná vrstva regulačních požadavků. Zde mohou AI agenti urychlit jednotlivé fáze, zkrátit prostoje, ale lidská odpovědnost a jasná historie změn zůstávají povinné. Fáze se mohou slučovat (například compliance a požadavky), ale zcela je vyloučit nelze. Je nutná pečlivá dokumentace: kdo generoval, kdo schválil, jaké změny byly provedeny – to vše pro účely auditu.

Radikálního snížení doby realizace v takových projektech je obtížnější dosáhnout, ale AI přesto přispívá k optimalizaci. Například AI agenti mohou efektivně porovnávat kód s normativními požadavky a skenovat systémy na zranitelnosti, což výrazně urychluje proces kontroly shody s regulačními normami.

Důležité metriky pro regulovaná odvětví:

• Change Failure Rate: Nesmí růst.
• Čas na kontrolu shody s regulací: Postupně se zkracuje.
• Rychlost vývoje: Roste při zachování plné shody produktů a služeb s regulačními požadavky.

Co je důležité

• AI agenti výrazně zkracují Lead Time, ale jejich vliv silně závisí na typu projektu: Greenfield projekty získávají maximální zrychlení, zatímco Brownfield a regulovaná prostředí vyžadují opatrnější a kontrolovanější implementaci.
• Lidská validace a Code Review zůstávají nezbytné pro kriticky důležitý kód a v podmínkách vysokých rizik, zejména v Brownfield a regulovaných projektech, kde chyby mají vysokou cenu.
• Observability a spolehlivé inženýrské praktiky (testování, architektura, čistý kód) jsou kriticky důležité pro zajištění stability a bezpečnosti při zavádění Agentic Engineering, fungují jako hlavní ochranný mechanismus.
• Metriky DevOps (Lead Time, Deployment Frequency, Change Failure Rate), stejně jako specifické ukazatele (čas Code Review, počet defektů, SLA/SLO, spokojenost vývojářů, čas na compliance kontroly) musí být pečlivě sledovány pro posouzení efektivity a prevenci negativních důsledků zavádění AI agentů.
• V regulovaných odvětvích AI urychluje jednotlivé fáze, ale neruší lidskou odpovědnost a nutnost dokumentace všech změn pro audit a zajištění souladu s normami.

— Editorial Team