SDLC zemřel: AI agenti a nová smyčka vývoje

SDLC zemřel: jak AI agenti stáhli vývojový cyklus do úzké smyčky Intent → Build → Observe

AI agenti neoptimalizovali SDLC — eliminují ho. Klasický životní cyklus softwaru, postavený na sekvenci fází, manuálních předávkách, tiketech a ceremoniích, již neodpovídá realitě vývoje. Místo něj vznikla nová paradigma: nepřetržitá, asynchronní, kontextově řízená smyčka, kde člověk zadá svůj záměr, agent generuje pracovní kód s testy a infrastrukturou, a systém observability automaticky validuje, koriguje a řídí rollout. To není zrychlení — je to změna základu.

Proč SDLC už jako proces neexistuje

Klasický SDLC (Waterfall, Agile, DevOps) předpokládal diskrétní fáze: sběr požadavků → design → implementace → testování → review → deployment → monitoring. Každá fáze měla své nástroje, metriky, role a rituály: Jira pro sledování, Figma pro design, GitHub PRs pro review, Datadog pro alerty. Ale klíčovým znakem zastaralosti není složitost, ale nutnost manuálního předávání. Když agent zpracovává celý stack — od intentu až po production-ready artefakt — hranice mezi jednotlivými fázemi fyzicky mizí. Není „předávání“ od designéra k vývojáři, protože agent současně interpretuje UX specifikaci, generuje komponenty a validuje je prostřednictvím E2E testů. Není „čekání na review“, protože kontrola je zabudovaná přímo do generace: adversarial agenti analyzují kód na bezpečnost, výkon a soulad s kontraktem ještě před commitem. To není „Agile 3.0“ — je to přechod od procesně orientované modelu k intent-driven architektuře.

Jak se každá fáze SDLC stáhla do kontextu

Sběr požadavků už není dokumentem, ale dynamickým kontextem. PRD už není pevně stanovený dopředu: inženýr popíše úlohu v přirozeném jazyce („Přidat podporu OAuth2 pro SSO přes Okta, s fallbackem na lokální autentizaci a striktní validací tokenů“), agent vygeneruje 3 varianty realizace s různými trade-offy (stateless vs stateful session store, JWT parsing strategy), a volba proběhne na základě benchmarků a telemetrie. Požadavky se stávají vedlejším produktem iterace, nikoli vstupním podmínkem.

System Design je nyní dialogem v reálném čase. Agenti nejen realizují hotovou architekturu: navrhují ji. Na dotaz „Potřebuji odolnou event bus pro 10K RPS“ agent může porovnat Kafka, NATS JetStream a Materialize s ohledem na latency SLA, náklady na milion událostí a provozní složitost, vygenerovat terraform modul, konfiguraci observability a dokonce skript pro load testing. Architektura přestává být statickou diagramem — stává se plně vykonatelným, adaptivním kontraktem.

Implementace je kompletně delegována. Moderní agenti (Cursor, Continue.dev, Tabby) generují nejen funkce, ale i celé mikroservisy s Swagger dokumentací, health-check endpointy, middleware řetězci a typově bezpečnými DTO. Zvládají edge case: například při generování HTTP klienta pro REST API agent automaticky přidá retry-policy s exponenciálním backoffem, circuit breakerem a context cancellation — bez explicitního zadání v promptu. Člověk se soustředí na validaci záměru, nikoli na psaní řádků.

Testování je integrováno na úrovni generace. Agent vytváří unit-, integration- a E2E testy paralelně s kódem, používá stejnou semantiku. Při generování funkce calculateTax(amount, region) hned napíše testy na hraniční hodnoty, neplatný region a konverzi měny. TDD není metodologie, ale defaultní chování. QA jako role zanikla: není „předávání do QA“, protože validace probíhá přímo uvnitř smyčky.

Code review ztratil smysl jako manuální proces. Posuzování 500 PR/den člověkem je technický absurd. Místo toho se používají:

• Adversarial code review: druhý agent analyzuje vygenerovaný kód na bezpečnostní zranitelnosti (CWE-79, CWE-89), výkonnostní anti-patterny (N+1 queries, neomezená rekurse) a soulad s interními RFC.
• Context-aware linting: pravidla jsou zabudována do LSP serveru agenta a spouštějí se v reálném čase.
• Human-in-the-loop pouze pro high-impact changes: architektonická řešení, změny v core domain logic, nebo když confidence score agenta je nižší než 0,92.

Deployment je nyní nepřetržitý a autonomní. Agenti generují nejen kód, ale i CI/CD pipeline s feature flags, canary analysis a automatizovaným rollbackem. Příklad:

deploy with traffic shift
uses: actions/deploy@v3
with:
  canary-percent: 5
  success-threshold: "latency_p95 < 200ms && error_rate < 0,1%"
  rollback-on-failure: true

Reliz je neudálost, ale stav: kód se dostane do prod hned po projití gate, a zapnutí funkcionality se řídí pravidly routingu (například přes Envoy RDS). Agenti monitorují rollout a korigují trafik v reálném čase.

Co zůstalo: kontext a uzavřená zpětná vazba

Z celého SDLC přežily pouze dva elementy:

• Kontext — jediný zdroj pravdy. Jeho kvalita (přesnost specifikace, hloubka doménového modelu, aktuality architektonických omezení) přímo určuje výsledek. Context engineering je nový systémový skill: formalizace záměrů, správa historie změn kontextu, verze business pravidel.
• Observability — ne jako nástroj pro děžurné, ale jako uzavřená zpětná vazba pro agenty. Metriky, logy a traces musí být strukturovány tak, aby je agent mohl interpretovat: například error_rate{service="payment", version="v2.4"} by měl spustit agenta, který porovná v2.4 s v2.3, najde regression v validateCardExpiry() a navrhne hotfix.

Co je důležité

• SDLC se nezrychlil — zanikl jako lineární proces; zůstala jen smyčka Intent → Build → Observe.
• Code review jako manuální kontrola PR — luddismus; místo něj — adversarial agenti a human-in-the-loop pro high-risk rozhodnutí.
• Požadavky a architektura se nyní generují a validují v reálném čase, nikoli fixují v dokumentech.
• Deployment a release jsou rozvázány: kód se deployuje nepřetržitě, a zapnutí funkcionality se řídí trafikou.
• Klíčový skill budoucnosti — context engineering, nikoli znalost Jira nebo GitFlow.

Ve světě, kde agenti šipují stovky změn denně, tradiční procesy nejsou jen pomalé — jsou zdrojem chyb. Týmy, které přešly na uzavřené systémy observability, kde telemetrie přímo řídí agenty, získávají nejen rychlost, ale i stabilitu: regrese se opraví dříve, než je lidé vůbec postřehnou. Ostatní nadále nastavují dashbord v Datadog, aniž by věděli, že data už jsou využívána agenty k automatickému obnovení — bez jejich účasti.

— Editorial Team