Přinese nám AI kvalitnější software? Rozhodne náš vkus

AI slop není chyba AI 

Na internetu i v produktech vidíme čím dál víc tzv. AI slopu: textů, obrázků, kódu a aplikací, které vznikly z prvního promptu a bez úprav šly rovnou ven. Výsledek je generický, nepřesný a často nefunkční. Někteří už dokonce začínají mít na AI-generovaný obsah „alergii“. 

Vidím to i jako běžný uživatel. Poslední dobou narážím na chyby v aplikacích a službách, které používám, prakticky každý den a pravidelně je nahlašuji. Téměř pokaždé mě přitom podpora upozorní, že kvůli zvýšenému počtu požadavků odpoví se zpožděním. Možná je chyb opravdu víc, možná je lidé s pomocí AI jen snáz a častěji nahlašují. 

Abych nebyla nespravedlivá, musím uznat, že chyby vznikaly i před AI, chybovat je přeci jen lidské. AI to ale zesiluje: lidé s ní vytvoří mnohem víc kódu než dřív a k vývoji se dostávají i ti, kdo nemají IT vzdělání ani zkušenost systematicky postupovat a proaktivně hledat, co se může pokazit. Doplácejí na to uživatelé. Proto si musíme zachovat Quality Engineering mindset i ve chvíli, kdy kód píše AI. 

Neznamená to ale, že je AI špatná. Je to nástroj a slop je důsledek způsobu, jakým ho používáme: jeden prompt, žádná kontrola, žádná iterace. Stejný model umí dodat průměr i výborný výsledek. Rozdíl je v práci, kterou do něj člověk vloží po prvním promptu. 

Poměr práce se otočil 

Dřív zabrala největší část cesty od nápadu k výsledku samotná implementace, odhadem 60 až 80 % času. Zbytek padl na dolaďování. 

Dnes je to ale obráceně. Implementaci máme za pár hodin, často i minut, a zhruba 80 % času pak trávíme tím, aby byl výsledek opravdu dobrý. Přesný poměr zatím nikdo nezměřil, posun ale ukazují i data. Ve Stack Overflow Developer Survey 2025 označilo 66 % vývojářů za největší frustraci AI řešení, která jsou „skoro správně, ale ne úplně“. A podle Faros AI vzrostlo v týmech s vysokou adopcí AI trvání code review o 91 %. 

Rychlý první výstup tedy neznamená hotovou práci. Úsilí se jen přesunulo tam, kde se rozhoduje o kvalitě. 

Taste: s čím se spokojíme 

Angličtina pro to má slovo taste, česky bychom řekli vkus. Nejde přitom jen o estetiku, ale spíše o laťku kvality: poznat, že výsledek ještě není dost dobrý, a vědět, co mu chybí. 

Kdo má vkus, nebere první odpověď jako hotovou. Ptá se, jestli kód pokrývá hraniční případy, jestli test opravdu něco ověřuje, jestli text sedí publiku. A iteruje, dokud výsledek laťku nesplní. S dostatkem iterací pak AI může dodat i lepší výsledek, než by člověk zvládl sám. Přizpůsobí se ale naší laťce. Když se spokojíme s průměrem, dostaneme průměr. 

Kde přichází na řadu Quality Engineer 

Testeři a Quality Engineeři mají kvalitu v popisu práce. Jsou zvyklí hledat, kde věci nefungují, a definovat, co znamená „hotovo“. Právě tyhle návyky dnes rozhodují o tom, co z AI vypadne. V praxi to znamená: 

1. Jasné zadání. Popsat cíl, kontext, omezení a akceptační kritéria, ne jen úkol. Zadání přitom nemusí být kompletní hned v prvním promptu: můžeme ho s AI doladit společně, brainstormovat a nechat ji, ať se doptá na to, co je nejasné a co ke své práci potřebuje. 

2. Skilly a instrukce pro agenty. Nejdřív nad úkolem iterovat, dokud nemáme kvalitní výsledek, a postup pak zapsat jako skill. Ani ten ale není hotový napoprvé: je potřeba se k němu vracet, vylepšovat ho a ověřovat, že dává dobré výsledky i při změně kontextu nebo modelu. 

3. Deterministické nástroje, kde to jde. Co zvládne skript, třeba v Pythonu, nemusí dělat LLM. Skript dá pokaždé stejný výsledek a dá se otestovat. LLM nasadíme tam, kde dává smysl: na text, kontext a nejednoznačné zadání. 

4. Kontrolu jiným modelem. Code review by měl dělat jiný model, ideálně od jiného providera. Modely mají tendenci hodnotit vlastní výstupy lépe než cizí, takže stejný model si vlastní chyby snadno „schválí“. 

5. Self-improvement loop s kontrolami mimo model. Smyčka, ve které agent výstup kontroluje a opravuje, funguje jen tehdy, když ji jistí testy, akceptační kritéria a člověk. 

Poslední bod je klíčový. Pokud AI iteruje nad vlastním výstupem bez kontroly, chyby se nesčítají, ale násobí. Když je každý krok správně z 80 %, po pěti krocích zbývá zhruba třetina (0,8⁵ ≈ 33 %). Ani novější modely to přitom samy nevyřeší: podle Veracode 2026 GenAI Code Security Report píší syntakticky téměř bezchybný kód, ale bez bezpečnostních pokynů zanesou zranitelnost zhruba do 44 % úloh. Přestože se modely za poslední rok výrazně zlepšily, tento podíl klesá jen pomalu. 

Spoléhat se ale nemůžeme ani jen na vlastní oko. AI umí vytvořit kód, který vypadá čistě a přesvědčivě, ale nedělá, co má. Jindy řešení zbytečně překomplikuje a vygeneruje tolik změn, že se v nich člověk utopí. Proto potřebujeme systém agentů, kteří si práci navzájem kontrolují, a člověka, který nastavuje pravidla a rozhoduje tam, kde se agenti neshodnou. 

Kvalitu neurčuje AI, ale my 

Přinese nám tedy AI kvalitnější software? Může, ale ne sama od sebe. Model dodá to, co po něm chceme, a zastaví se tam, kde se zastavíme my. 

Pokud budeme brát první výstup jako hotový, přidáme do světa další slop. Pokud budeme iterovat, ověřovat a stavět systémy, které z AI vyždímají to nejlepší, dostaneme lepší software, než jaký jsme uměli dělat dřív. Quality Engineer tak už není jen ten, kdo na konci najde chyby. Je to ten, kdo nastavuje laťku a systém, který AI donutí ji splnit

Pokud se chcete dozvědět více o využití AI v testování a řízení kvality softwaru, podívejte se na stránku ZDE.