arrow_backVšechny články

Návratnost AI ve vývoji softwaru: co ukazují studie a jak ji změřit ve vlastní firmě

· Josef Chmel

Návratnost AI ve vývoji softwaru: co ukazují studie a jak ji změřit ve vlastní firmě

Licence na AI nástroje platíte, tým říká, že je rychlejší. Jenže studie Googlu, METR, DORA a Bain ukazují, že pocit a skutečné zrychlení jsou dvě různé věci. Jak návratnost AI změřit poctivě.

Většina softwarových firem už za AI nástroje pro vývojáře platí. Podle zprávy DORA 2025, která vychází z odpovědí téměř 5 000 lidí z oboru, používá AI v práci 90 % respondentů a víc než 80 % z nich má pocit, že je produktivnější. Pro šéfa firmy je ale podstatná jiná otázka: jaká je skutečná návratnost AI ve vývoji softwaru – dodáváme zákazníkům víc, rychleji a ve stejné kvalitě? Podívejme se, co na to říkají nezávislé studie a jak si to ověřit ve vlastní firmě.

Co ukazují studie: od +56 % po −19 %

Výsledky výzkumů se rozcházejí víc, než by člověk čekal:

  • GitHub Copilot, laboratorní úloha (2023). Sida Peng a kolegové dali v randomizovaném experimentu vývojářům za úkol napsat HTTP server v JavaScriptu. Skupina s Copilotem byla hotová o 55,8 % rychleji než kontrolní skupina.
  • Google, 96 inženýrů (2024). Randomizovaný experiment na složitější podnikové úloze: postavit novou službu v existujícím kódu včetně testů. Nejlepší odhad je zkrácení času o zhruba 21 %, ovšem s širokým intervalem spolehlivosti – autoři sami upozorňují, že přesná velikost efektu je nejistá.
  • METR, 16 zkušených open-source vývojářů (začátek 2025). Vývojáři řešili 246 skutečných úkolů ve svých vlastních velkých repozitářích; u každého úkolu se náhodně rozhodlo, zda smí AI použít. S AI jim práce trvala o 19 % déle.

Tři studie o přínosu AI pro rychlost vývoje: GitHub Copilot o 55,8 % rychleji, Google cca o 21 % rychleji, METR o 19 % déle

Rozdíl nedává smysl číst jako „AI funguje / nefunguje“. Laboratorní úloha na zelené louce je pro AI ideální, velký zralý kód s vysokými nároky na kvalitu je pro ni nejtěžší. METR navíc v únoru 2026 zveřejnil, že novější data naznačují spíš zrychlení (u původních vývojářů odhad zkrácení času o 18 %), ale s tak širokým intervalem, že je sám označil jen za velmi slabý důkaz. Důvod je zajímavý: řada vývojářů už odmítla pracovat bez AI, a tak se úlohy vhodné pro AI do experimentu vůbec nedostaly.

Pocit není měření

Nejdůležitější poznatek pro vedení firmy ale není samotné zpomalení. Vývojáři ve studii METR před začátkem čekali, že je AI zrychlí o 24 %. A i po skončení, kdy byli ve skutečnosti pomalejší, si mysleli, že jim AI pomohla o 20 %.

Studie METR: vývojáři čekali zrychlení o 24 %, po studii odhadovali zrychlení o 20 %, ve skutečnosti jim práce trvala o 19 % déle

Pro šéfa softwarové firmy z toho plyne jednoduché pravidlo: dotazník spokojenosti není měření návratnosti. To, že tým AI nástroje chválí, je dobrá zpráva pro jejich přijetí, ale neříká nic o tom, kolik práce dodáte a za kolik. Zpráva DORA 2025 navíc uvádí, že 30 % respondentů kódu z AI věří jen málo nebo vůbec – i to je čas, který jde na kontrolu, a v průzkumech pocitů zmizí.

Kde se zrychlení ztrácí cestou k zákazníkovi

Bain & Company ve své Technology Report 2025 upozorňuje na jednoduchou aritmetiku: psaní a testování kódu tvoří jen asi 25–35 % času od nápadu po uvedení produktu. Když AI zrychlí jen tuto část, celek se pohne málo. Týmy s AI asistenty podle Bainu typicky vidí zlepšení o 10–15 % – a často ani tento ušetřený čas nepřesměrují na práci s vyšší hodnotou. Firmy, které s AI předělaly celý proces vývoje od zadání po release, hlásí 25–30 %.

Bain Technology Report 2025: psaní a testování kódu tvoří 25–35 % času od nápadu po uvedení, AI asistenti přinášejí 10–15 %, změna celého procesu 25–30 %

Druhé místo, kde se přínos ztrácí, je stabilita. Výzkum DORA 2024 odhadl, že nárůst adopce AI o 25 % souvisí s poklesem propustnosti dodávek o 1,5 % a se zhoršením stability dodávek o 7,2 %. Ve zprávě DORA 2025 už vychází vztah AI k propustnosti pozitivně, ale negativní vazba na stabilitu trvá. DORA to shrnuje tak, že AI tým nespraví, jen zesílí to, co v něm už je: bez silných automatických testů, verzování a rychlé zpětné vazby vede víc změn k víc chybám v produkci.

Jak změřit návratnost AI ve vlastní firmě

Nemusíte čekat na další studii. Stačí pár disciplinovaných kroků:

  1. Změřte výchozí stav. Než nástroje rozšíříte, zaznamenejte si za poslední měsíce dobu od zadání úkolu po nasazení, počet dokončených úkolů za sprint a podíl chyb, které se vrátily z produkce.
  2. Měřte hotové úkoly, ne řádky kódu. Návratnost je v dodané hodnotě – v úkolech, které prošly testy, review a dostaly se k zákazníkovi. Počet vygenerovaných řádků ani počet promptů nic neříká.
  3. Započítejte všechny náklady. Licence a spotřebu modelů, ale i čas seniorů na review a opravy. Pokud AI ušetří hodinu psaní a přidá hodinu kontroly, návratnost je nulová.
  4. Předem rozhodněte, kam ušetřený čas půjde. Bain to doporučuje výslovně: víc funkcí, nižší náklady, nebo rychlejší inovace. Bez rozhodnutí se ušetřený čas rozpustí.
  5. Hlídejte stabilitu. Sledujte vrácené chyby a padající releasy stejně pečlivě jako rychlost. Zrychlení, které se vrátí jako bugy, není zrychlení.
  6. Začněte na malých, dobře zadaných úkolech. Úkol s jasnými akceptačními kritérii a testy se dá změřit i zkontrolovat. Vágní zadání neumí dobře vyřešit člověk ani AI.

Jak s tím pomůže mcptask.online

Aby šlo návratnost spočítat, potřebujete mít práci a čas na jednom místě. V mcptask.online má každý úkol scrum pointy, ze kterých se automaticky počítá odhad hodin, a čas se loguje přímo k úkolům – i z commitů. Timesheety v JSON, CSV nebo PDF pak ukážou, kolik práce skutečně stály hotové úkoly, a můžete je porovnat před nasazením AI a po něm.

Pokud chcete jít dál než k asistentovi v editoru, mcptask.online nabízí autonomního AI vývojáře (runner). Bere úkoly ze stejné fronty jako lidé, běží na vašem stroji proti vaší databázi a testům a pracuje pod vlastní identitou uživatele – jeho práce je tedy vidět odděleně od práce lidí. Píše kód i testy a v režimu automatického merge se pull request zmerguje až po zelených testech a CI; jinak čeká na review člověka. Denní rozpočet se čte živě a při jeho vyčerpání se běh ukončí, takže náklady na modely máte pod kontrolou. Runner funguje s Claude Code, Codex CLI i OpenCode a s modely podle vašeho výběru.

Chcete návratnost AI měřit na hotových úkolech, ne na pocitech? Zaregistrujte se na mcptask.online – prvních 30 dní zdarma a bez platební karty.

Zdroje