Na umělé inteligenci mě nejvíc nenadchlo, že umí napsat kus kódu. Nadchlo mě, jak rychle dokáže změnit otázku v něco, co si mohu proklikat, rozbít a znovu postavit lépe.

Dřív mohl nápad dlouho zůstat v dokumentu nebo v hlavě. Dnes si první verzi rozhraní, automatizace nebo datového toku dokážu osahat ještě ve chvíli, kdy jsou změny levné. To je pro mou práci podstatnější než samotná rychlost psaní.

Začínám problémem, ne promptem

Model neví, proč projekt vzniká, kdo ponese důsledky špatného rozhodnutí ani která provozní výjimka je kritická. Než ho zapojím, potřebuji pojmenovat uživatele, cíl, známá omezení a otázku, na kterou hledám odpověď.

Bez kontextu dostanu rychle vytvořený průměr. S dobrým kontextem získám partnera pro hledání variant, kontrolu slepých míst a práci s oblastí, kterou se právě učím.

Kde ji používám každý den

  • při rešerši přístupů, rizik a technických souvislostí,
  • při rozpadu problému na menší rozhodnutí a ověřitelné kroky,
  • při návrhu variant rozhraní, datového modelu nebo pracovního postupu,
  • při programování vlastních prototypů a vysvětlování neznámého kódu,
  • při přípravě testovacích scénářů a hledání okrajových situací,
  • při kontrole konzistence textů, dokumentace a rozhraní.

Nejlépe fungují krátké cykly

Jednorázové „vygeneruj mi aplikaci“ vypadá působivě jen do první změny. Mně se osvědčuje menší rytmus: doplnit kontext, navrhnout jednu část, zkontrolovat předpoklady, spustit test a teprve potom pokračovat.

U Morning Brief tak mohu řešit zvlášť sběr zdrojů, deduplikaci, shrnutí i odeslání. U Zentera oddělit produktová pravidla od rozhraní. Když se něco pokazí, vím, ve které vrstvě hledat příčinu, místo abych znovu generoval celý systém.

Co si hlídám dvojnásob

Sebevědomě napsaný výstup není důkaz správnosti. Kontroluji fakta, oprávnění, práci s daty, chybové stavy a návaznosti, které model nevidí. U citlivějších témat je stejně důležitá otázka, jaká data do nástroje vůbec patří.

Stejně kritický jsem k rozhraní. Funkční prototyp může svádět k pocitu, že je produkt téměř hotový. Ve skutečnosti teprve otevírá důležité otázky: co se stane při souběhu, kdo smí měnit data, jak se systém zotaví z chyby a kdo ho bude udržovat.

AI mění i způsob spolupráce

Rychlejší prototypování má smysl jen tehdy, když se k návrhu dříve dostanou lidé, kteří znají provoz nebo budou řešení používat. Místo dlouhého vysvětlování mohu ukázat variantu, nechat ji projít konkrétním scénářem a zachytit připomínky ve chvíli, kdy je ještě snadné změnit směr.

Model proto nevnímám jako náhradu rozhovoru. Pomáhá mi přijít do něj připravenější: s konkrétními otázkami, viditelnými předpoklady a návrhem, proti kterému se dá věcně vymezit. Právě nesouhlas často odhalí nejdůležitější část problému.

Proč mi tenhle způsob práce sedí

Jsem zvídavý člověk a potřebuji věcem porozumět prakticky. Umělá inteligence mi dovoluje rychle vstoupit do nové oblasti, vyrobit první model a začít klást lepší otázky. Nenahrazuje zkušenost vývojáře, designéra ani znalost provozu. Pomáhá mi ale přinést ke společnému stolu konkrétnější návrh a rychleji zjistit, co ještě nevím.