Celodenní workshop pro vývojáře a produkťáky
Od zadání a rozpadu práce až po testy, review, rizika a zavedení do týmu.
Od nápadu přes rozpad feature, kontext a issue až po malé změny, branch a feedback loop.
Jak převést vágní nápad na práci, kterou AI opravdu unese.
Kde být hands-on a kde naopak nechat AI pracovat samostatně.
Jak držet změny malé, čitelné a levné na opravu.
„Udělej onboarding lepší."
„Přepiš autentizaci, UI i analytics."
AI neví, co je kritické, co je zakázané a co se nesmí rozbít.
Problém objevíte až ve chvíli, kdy je diff drahý na pochopení.
Musí být jasné:
Kde problém vzniká a koho se dotýká.
Jaká změna má být po dokončení vidět.
Jak ověříme, že je výsledek správně.
Jedna změna, jeden záměr, jedna stopa v historii.
Ne po minutách. Po logických krocích.
Bez experimentů, bez rozpracovaných polotovarů.
Když je potřeba určit hranice, prioritu a trade-off.
Když AI tápe, rozšiřuje scope nebo zavádí zbytečnou složitost.
Když je potřeba potvrdit, že změna dává smysl i mimo kód.
hodnotu změny, prioritu, dopad na uživatele a hranice rozhodnutí
proveditelnost, technická rizika, pořadí kroků a signály kvality
„Ať je to chytřejší, rychlejší a víc AI."
jasný problém, jasný výsledek, jasné omezení, jasný první krok
Člověk drží cíl, hranice a prioritu.
Task musí být malý, rozhodnutý a kontrolovatelný.
Postupujeme po malých změnách s rychlou zpětnou vazbou.
Od testů a review přes volbu modelů až po data, oprávnění, incidenty a týmové workflow.
Jak získat signály, že je změna opravdu bezpečná.
Kdy sáhnout po jiném nástroji nebo modelu.
Jak nevyrobit rychlost za cenu chaosu a dluhu.
Potřebujeme více zdrojů jistoty najednou.
Vrací rychlou zpětnou vazbu, jsou levné a chytají velkou třídu chyb dřív, než začne review.
Nehlídají business logiku, UX rozhodnutí ani skutečné chování systému v toku uživatele.
Ověřují konkrétní očekávání na malé ploše.
Nutí nás myslet na rohy, které AI ráda přeskočí.
Chrání to, co už jednou fungovalo.
Změny mimo domluvený scope.
Abstrakce, které nepřinášejí hodnotu.
Signál, že změna obstojí i mimo demo.
Menší úkoly, orientace v kódu, první návrhy, lokální úpravy.
Větší úkoly s kontextem, více kroků, opakované iterace a potřeba držet workflow.
Když zkoumáme, třídíme a iterujeme.
Když je potřeba hlubší uvažování nebo citlivé rozhodnutí.
Když vidíme, že současný model naráží na strop.
Citlivý obsah teče do nástroje, který nemá správně nastavené hranice, retention ani přístupy.
AI workflow musí respektovat stejné hranice jako zbytek systému: kdo smí co vidět, měnit a exportovat.
regrese, neudržitelná abstrakce, skrytá závislost
špatná priorita, falešné „hotovo", přehlédnutý dopad na uživatele
velké diffy, nečitelná historie, žádný audit rozhodnutí
čas od zadání k review, velikost diffu, počet iterací na dodání
regrese, rework po review, incidenty, důvěra týmu ve výstup
Je změna připravená na merge, nebo potřebuje další krok?
Jaké typy úkolů jí dávají smysl už zítra.
Kde potřebuji silnější kontrolu, review a guardrails.
Jak bude odteď vypadat jeden zdravý pracovní cyklus.
Potřebuje více signálů než jen „funguje to u mě".
Volíme podle druhu práce, ne podle popularity.
Neodstraňujeme je slibem. Řídíme je workflow.
Přineste vlastní situaci: