Jak jeden inženýr vytvořil službu pro revizi kódu s Codexem: zkušenost Dmitryho Pitika z Revolutu

Ilustrace spolupráce člověka a AI při revizi kódu: inženýr navrhuje a agenti pomáhají s implementací, znázorněno abstraktními propojenými uzly a toky dat bez textu.

Interní služba pro revizi kódu, která původně vypadala jako práce pro vývojářský tým, vznikala v Revolutu pod vedením jediného inženýra s pomocí agentů Codexu. Dmitry Pitik, seniorní platformní inženýr, rozdělil plánované funkce do samostatných úkolů, jejich implementaci zadával umělé inteligenci a výsledný kód osobně kontroloval. Více vlastní pozornosti tak mohl věnovat návrhu a technickým rozhodnutím.

Za nejdůležitější na tomto příběhu nepovažuji představu, že AI jednoduše nahradila další programátory. Podstatnější je změna rozdělení práce: člověk určoval problém, navrhoval řešení a nesl odpovědnost, zatímco agenti pomáhali s implementací. Rychlejší tvorba kódu zde neznamenala menší důraz na jeho pochopení.

Pitikova zkušenost ukazuje, jak může vypadat vývoj s AI, pokud se spojí paralelní práce agentů s důslednou lidskou kontrolou. Zároveň je potřeba rozlišovat mezi jeho osobním hodnocením produktivity a měřitelnými výsledky. Přesná úspora času ani podrobnosti o architektuře služby zveřejněny nebyly.

Obsah

🏗️ Na začátku nebyl nástroj, ale problém vývojářů

Pitik v Revolutu vytváří nástroje a automatizace, které mají ostatním inženýrům usnadňovat práci. Jeho úloha tedy nezačíná samotným programováním. Nejdříve potřebuje zjistit, co kolegy zpomaluje, jaké potíže se v jejich práci opakují a kde by interní nástroj mohl skutečně pomoci.

Právě tuto posloupnost považuji za důležitou. Dostupnost schopného AI asistenta může snadno svádět k tomu, aby se nejprve něco rychle postavilo a teprve potom hledalo využití. V popsaném případě ale vývoj vycházel z potřeby zlepšit konkrétní inženýrský proces: revizi kódu.

Cílem interní služby bylo tento proces automatizovat, zrychlit a zefektivnit. To je širší zadání než pouhé vytvoření další aplikace. Smyslem nebylo vyprodukovat určitý počet řádků kódu, ale pomoci lidem, kteří musí změny v kódu posuzovat a posouvat dál.

Z tohoto pohledu čtu případ Revolutu především jako příběh platformního inženýrství. Codex byl prostředkem k dosažení cíle, nikoli cílem samotným. Hodnota výsledku se má odvíjet od toho, zda pomáhá vývojářům, ne od toho, jak velkou část implementace napsala umělá inteligence.

🔎 Codex pomáhal už při průzkumu problému

Codex se do práce nezapojil až ve chvíli, kdy existovalo hotové zadání k naprogramování. Pitik jej označuje také za nástroj, který mu výrazně zjednodušil a urychlil průzkum problému. V jeho zkušenosti tedy AI zasahovala i do přípravné části projektu.

To je podstatný rozdíl proti úzké představě asistenta, který jen doplňuje kód. Před implementací je nutné porozumět situaci, ujasnit si zadání a rozhodnout, co má vůbec vzniknout. Pokud nástroj pomáhá i v této fázi, může ovlivnit způsob práce dříve, než vznikne první konkrétní řešení.

Současně bych tuto část nepřeceňoval. Pitik nepopisuje přesné podklady, které Codexu poskytl, ani konkrétní postup průzkumu. Nelze proto tvrdit, že nástroj například samostatně analyzoval všechny interní potřeby nebo rozhodl o podobě služby. Z dostupného popisu vyplývá především to, že mu s poznáváním problému pomohl.

Praktický význam vidím v zachování správného pořadí: nejprve pochopit obtíže uživatelů interního nástroje, potom navrhovat řešení. AI může tuto práci podpořit, ale důvod, proč projekt existuje, musí zůstat srozumitelný člověku, který jej vede.

🧭 Více času pro návrh a plánování

Při přípravě služby si Pitik sestavil soubor funkcí, které bylo potřeba implementovat. Postupně dospěl k závěru, že k jejich realizaci nemusí mít celý vývojářský tým. Jednotlivé úkoly mohl přidělit různým agentům Codexu a následně posoudit jejich výsledky.

Za zásadní změnu ve své práci označuje větší soustředění na návrh a plánování. Implementaci ve značné míře delegoval, ale rozhodování o tom, co se má stavět, zůstávalo na něm. Tím se posunulo těžiště jeho práce, nikoli její odpovědnost.

Podle mého čtení právě zde leží hlavní přínos celého postupu. Když inženýr nemusí každou část řešení osobně zapisovat, může větší díl pozornosti věnovat rozhodnutím, která dávají jednotlivým částem společný smysl. To ovšem předpokládá, že návrh dokáže dostatečně promyslet a zadat.

Delegovat implementaci není totéž jako delegovat záměr. Agent potřebuje konkrétní úkol. Člověk musí rozumět tomu, proč je úkol důležitý, jak zapadá do celku a podle čeho pozná, že byl vyřešen správně.

Pitikův případ tak nenaznačuje konec plánování. Naopak ukazuje jeho větší význam. Čím více práce lze předat nástrojům, tím důležitější je rozhodnout, jakou práci jim vlastně předat.

🤖 Jeden projekt, více agentů a konkrétní úkoly

Výrazným prvkem zvoleného postupu bylo zapojení více agentů. Pitik jim přiděloval konkrétní části práce, místo aby celý projekt formuloval jako jediné rozsáhlé zadání. Implementace tak mohla postupovat souběžně.

V tom vidím rozdíl mezi běžnou pomocí při psaní kódu a řízením práce agentů. U jednotlivého dotazu člověk obvykle čeká na odpověď a pokračuje dalším krokem. Při rozdělení projektu může současně vznikat několik dílčích výsledků, které je následně potřeba zkontrolovat a zasadit do společného řešení.

Zveřejněný popis ale neuvádí, kolik agentů Pitik použil, jak dlouho jednotlivé úkoly trvaly ani jak přesně byly technicky oddělené. Nepřisuzoval bych proto Revolutu konkrétní organizační nebo technický postup, který nebyl popsán.

Základní princip je přesto jasný: velký záměr se změnil v soubor přidělitelných úkolů. To je předpoklad, díky němuž může jeden člověk řídit více implementačních činností najednou.

Důležitá je i druhá polovina tohoto uspořádání. Agenti sice pracovali na přidělených částech, ale výsledky měly jednoho lidského posuzovatele. Rozdělená tvorba kódu tedy neznamenala rozptýlenou odpovědnost za to, co nakonec vznikne.

⚡ Paralelní práce mění rytmus vývoje

Pitik spojuje zvýšení své produktivity nejen s rychlejším psaním kódu, ale také s možností pracovat na úkolech paralelně. Tento rozdíl stojí za pozornost. Zrychlit jednu činnost a umožnit souběh několika činností nejsou totožné věci.

Při čistě postupném vývoji musí člověk jednu část dokončit, než začne vytvářet další. S agenty může zadat více oddělených úkolů a následně se věnovat jejich výsledkům. Jeho vlastní čas se pak přesouvá od nepřetržité implementace k zadávání, rozhodování a kontrole.

Neznamená to ale, že se doba práce automaticky dělí počtem agentů. Pitik žádný takový poměr neuvádí. Zbývá čas na přípravu zadání, vyhodnocení řešení, vysvětlení nejasností i případné úpravy. Paralelní práce rozšiřuje možnosti, nikoli jistotu konkrétní úspory.

Za užitečné proto považuji sledovat celý pracovní tok. Rychlost, s jakou agent odevzdá první návrh, je jen jedna část příběhu. Stejně důležité je, jak snadno lze návrh pochopit a zda po kontrole skutečně přispívá k cíli projektu.

V Pitikově podání fungovalo právě spojení obou stran: souběžná implementace pomocí AI a důsledné osobní posouzení výsledného kódu.

🛠️ Role inženýra nezmizela, změnilo se její těžiště

Vyjádření, že na projekt nebyl potřeba celý tým vývojářů, může působit jako zpráva o nahrazování lidí. Já v něm vidím přesnější a užitečnější sdělení: zkušený inženýr dokázal rozšířit množství práce, kterou mohl koordinovat a dovést k implementaci.

Pitik nadále určoval směr projektu, připravoval jeho návrh a kontroloval dodaný kód. Agenti převzali konkrétní implementační úkoly, nikoli jeho odpovědnost za službu. Bez této druhé části by popis jeho práce nebyl úplný.

Takové uspořádání zvýrazňuje dovednosti, které se nedají měřit jen rychlostí psaní. Patří mezi ně schopnost vymezit problém, rozdělit práci, formulovat požadovaný výsledek a poznat, zda navržené řešení dává smysl. Právě na tyto činnosti si podle svého popisu uvolnil více prostoru.

Současně bych z jednoho případu nevyvozoval, že každý projekt zvládne jeden člověk s AI. Rozsah služby, její technická náročnost ani podmínky vývoje nejsou podrobně zveřejněny. Zkušenost konkrétního seniorního inženýra nelze bez dalšího přenést na libovolný tým či úkol.

Silnější závěr je střídmější: dobře vedení agenti mohou jednomu člověku umožnit realizovat více implementačních činností, než kolik by zvládal osobně provádět ve stejnou chvíli.

🛡️ Odpovědnost za kód zůstává člověku

Pitik výslovně zdůrazňuje, že v Revolutu každý vývojář odpovídá za kód, který vytváří, a že firma umělé inteligenci slepě nedůvěřuje. V jeho osobním pracovním postupu to znamená kontrolu každého řádku vytvořeného Codexem.

Tuto zásadu považuji za nejdůležitější protiváhu celého příběhu o rychlosti. Použití AI nemění skutečnost, že výsledek musí někdo přijmout jako součást vlastního řešení. Odpovědnost se nepřenáší na nástroj jen proto, že právě on napsal původní podobu kódu.

Je přitom vhodné oddělit obecné firemní pravidlo od Pitikovy konkrétní praxe. Odpovědnost jednotlivých vývojářů popisuje jako princip fungování v Revolutu. Kontrolu každého řádku vysvětluje jako svůj osobní způsob, jak tento princip naplňuje při práci s Codexem.

AI v tomto modelu vytváří návrh implementace, člověk rozhoduje o jeho přijetí. To je přesnější popis než představa systému, který samostatně vytvoří hotovou službu a obejde lidský úsudek.

V širším kontextu mi tato hranice připadá podstatná i pro debatu o produktivitě. Rychleji získaný kód není automaticky dokončená práce. Dokončenou se stává až ve chvíli, kdy za něj někdo dokáže odpovědně stát.

🔬 Kontrola každého řádku není pouhé schválení

Pitik svůj přístup ke kontrole nepopisuje jako rychlé pročtení a formální souhlas. Pokud něčemu nerozumí, něco mu připadá podezřelé nebo řešení nevypadá správně, zpochybňuje je tak dlouho, dokud nezíská dostatečnou jistotu.

Za rozhodující považuji právě vazbu mezi kontrolou a porozuměním. Nestačí rozpoznat známou strukturu nebo mít pocit, že kód působí přesvědčivě. Smyslem kontroly je pochopit, co implementace dělá a proč je v daném řešení vhodná.

V obecné rovině může takové posuzování vést k otázkám, které pomáhají oddělit hotový výsledek od pouhého návrhu:

  • Odpovídá implementace původnímu zadání?
  • Rozumím rozhodnutím, která jsou v kódu obsažena?
  • Není některá část zbytečně složitá nebo nejasná?
  • Dokážu vysvětlit, proč chci toto řešení přijmout?

Tyto otázky neuvádím jako zveřejněný kontrolní seznam Revolutu, ale jako praktické rozvedení Pitikova důrazu na vlastní porozumění.

Pro obecný kontext lze využít také doporučení Googlu pro posuzování kódu, která rozebírají, na co se při revizi soustředit. Nejde o doklad postupů použitých v tomto projektu, ale o užitečný doplněk pro pochopení samotné disciplíny code review.

💬 Nejasnost je důvod pokračovat v práci

Na Pitikově přístupu mě zaujalo, že neporozumění nepovažuje za drobnou nepříjemnost, kterou lze přeskočit. Pokud mu část výstupu nedává smysl, vrací se k ní. První odpověď agenta tak není konečný verdikt, ale materiál k dalšímu technickému posouzení.

To mění charakter spolupráce s AI. Místo jednoduchého sledu zadání a převzetí výsledku vzniká opakovaný proces: zadat úkol, přečíst řešení, rozpoznat nejasnosti a pokračovat, dokud nejsou vyřešeny. V takovém procesu má lidská kritičnost přímou hodnotu.

Pitik neupřesňuje, zda v každém sporném případě požaduje vysvětlení, přepracování nebo jinou úpravu. Podstatná je jeho hranice pro přijetí výsledku: potřebuje mu důvěřovat na základě vlastního posouzení, nikoli pouze na základě toho, že jej vytvořil schopný nástroj.

Právě tady podle mě vzniká rozumná důvěra v AI podporovaný vývoj. Není založená na předpokladu bezchybnosti. Vzniká tím, že člověk může jednotlivé výsledky přezkoumat, rozporovat a případně odmítnout.

Takový přístup není v rozporu se snahou pracovat rychleji. Je součástí rozhodnutí, které činnosti lze urychlit a u kterých se naopak nevyplatí ustoupit z požadavku na porozumění.

🔄 Nástroj pro tvorbu služby není samotná služba

V tomto případě se objevují dvě různé roviny, které je snadné zaměnit. První je způsob vývoje: Pitik používal Codex při budování interního nástroje. Druhou je účel výsledku: vznikající služba měla automatizovat a zefektivnit revizi kódu v Revolutu.

Z toho však nevyplývá, že hotová služba používá Codex stejným způsobem nebo že její architektura stojí na totožném uspořádání agentů. Takové technické podrobnosti zveřejněný popis neposkytuje. Považuji za důležité tuto hranici zachovat, protože jinak by se zkušenost s vývojem snadno změnila v nepodložené tvrzení o produktu.

Stejně tak automatizace revize kódu nemusí sama o sobě znamenat odstranění lidského posuzování. Popsaný cíl služby je zrychlení a zefektivnění procesu. Rozsah jejího rozhodování ani přesné rozdělení pravomocí mezi nástroj a vývojáře vysvětleny nejsou.

Spolehlivě tedy lze říci, že Codex pomáhal vytvořit interní službu určenou ke zlepšení code review. Způsob, jakým tato služba následně pracuje, je samostatná otázka. Toto rozlišení pomáhá udržet zprávu přesnou i bez znalosti neveřejných technických detailů.

📈 Produktivita není jen množství napsaného kódu

Pitik hodnotí vliv AI na svou práci výrazně pozitivně. Uvádí, že mu práci zrychluje a díky souběžnému řešení úkolů podstatně zvyšuje produktivitu. Jde o důležité osobní svědectví, ne však o zveřejněné srovnávací měření.

Za užitečné považuji rozlišit několik různých přínosů, které jeho popis obsahuje:

  • Pomoc při průzkumu: Codex mu usnadnil poznávání problému před samotnou implementací.
  • Delegování tvorby kódu: konkrétní úkoly mohli zpracovávat agenti.
  • Paralelní postup: více částí práce mohlo vznikat současně.
  • Prostor pro rozhodování: sám se více soustředil na návrh a plánování.

Tyto přínosy spolu souvisejí, ale nejsou zaměnitelné. Rychlejší vytvoření jedné funkce je něco jiného než možnost věnovat více pozornosti celkovému návrhu. Pitikova zkušenost zahrnuje obojí.

Zároveň z ní nevyplývá konkrétní procento úspory, cena vývoje ani srovnání kvality s alternativním postupem. Proto bych produktivitu v tomto případě nevyjadřoval násobkem. Přesnější je říci, že nástroj podle Pitikova hodnocení rozšířil jeho pracovní kapacitu a změnil rozložení času mezi jednotlivé činnosti.

To je méně efektní než slib univerzálního zrychlení, ale pro posouzení skutečné hodnoty mnohem užitečnější.

📋 Co je doloženo a co zůstává otevřené

Podrobnější představení případu nabízí příběh Revolutu na webu OpenAI. Jde o zákaznický příklad zveřejněný dodavatelem nástroje, což je vhodné při jeho čtení zohlednit. Neznamená to odmítnout popsanou zkušenost, ale nepovažovat ji automaticky za nezávislé vyhodnocení všech přínosů a nákladů.

Za pevně doložené považuji použití Codexu při vývoji interní služby, rozdělení práce mezi agenty, větší důraz na návrh a Pitikovu osobní kontrolu vytvořeného kódu. Právě tyto body tvoří jádro případu.

Otevřené zůstávají například následující otázky:

  • Jak dlouho vývoj služby trval?
  • Kolik práce vyžadovaly opravy a další iterace?
  • Jaké technologie a integrační postupy byly použity?
  • Jak se měřil dopad výsledné služby na revizi kódu?
  • Jaké byly provozní náklady a další požadavky na údržbu?

Chybějící odpovědi nejsou samy o sobě kritikou projektu. Vymezují však, jaké závěry lze z veřejného příběhu rozumně dělat. Vidím v něm přesvědčivou ukázku pracovního postupu, nikoli úplný návod k nasazení nebo důkaz stejné návratnosti v každé organizaci.

👥 Příležitost pro malé týmy, ne univerzální náhrada týmu

Pitik do budoucna očekává, že podobné nástroje umožní malým týmům vytvářet výrazné a působivé výsledky. Tato úvaha navazuje na jeho vlastní zkušenost: při plánování projektu zjistil, že implementaci nemusí rozdělit mezi celý tým lidí, protože část práce dokáže zadat agentům.

Pro malé týmy je tato možnost zajímavá hlavně tím, že odděluje počet lidí od počtu současně rozpracovaných implementačních úkolů. Jeden člověk nemusí osobně psát každou část kódu, aby mohl řídit vznik rozsáhlejšího řešení.

Současně bych zachoval střízlivé očekávání. Samotná dostupnost agentů nezaručuje, že bude práce vhodně rozdělená, zadání srozumitelné nebo výsledek správný. Pitikův postup stojí právě na aktivním technickém vedení a ochotě kontrolovat každý řádek.

Čím rychleji vznikají návrhy implementace, tím důležitější může být schopnost jejich výsledky kvalifikovaně přijímat. V jeho příběhu proto nevidím oslabení významu zkušenosti. Naopak se ukazuje, k čemu je zkušený inženýr potřebný, když samotnou tvorbu kódu může částečně delegovat.

Možnost pro malé týmy tedy spočívá v rozšíření jejich kapacity. Není to příslib, že zmizí potřeba návrhu, spolupráce, kontroly nebo odpovědnosti za dlouhodobé fungování řešení.

🧩 Jaký pracovní princip si z případu odnáším

Z Pitikovy zkušenosti si odnáším jednoduchý rámec, který odděluje lidské rozhodování od delegovatelné implementace. Nejde o oficiální metodiku Revolutu ani o přesný technický návod, ale o shrnutí principů, které jsou v popsaném postupu patrné.

  1. Začít potřebou: nejprve pojmenovat, co lidem komplikuje práci a jaké zlepšení má nový nástroj přinést.
  2. Promyslet řešení: věnovat prostor návrhu a plánování ještě před přidělováním implementačních úkolů.
  3. Rozdělit práci: vymezit konkrétní části, které lze zadat jednotlivým agentům.
  4. Využít souběh: tam, kde to povaha úkolů umožňuje, nechat vznikat více výsledků paralelně.
  5. Výsledky osobně posoudit: nepovažovat odevzdaný kód automaticky za přijaté řešení.
  6. Vyřešit nejasnosti: pokračovat v ověřování, dokud člověk implementaci nerozumí a nemá v ni dostatečnou důvěru.

Za nejdůležitější považuji propojení všech těchto kroků. Samotné spuštění více agentů nevysvětluje úspěch. Bez srozumitelného cíle by mohli rychle vytvářet práci, která nepomáhá. Bez kontroly by zase nebylo jasné, zda lze jejich výstupy odpovědně přijmout.

Tento rámec také pomáhá správně formulovat očekávání. AI nemusí odstranit všechny obtížné části vývoje. Může ale změnit, kterým z nich musí člověk věnovat nejvíce času. V Pitikově případě se pozornost přesunula k návrhu, technickým rozhodnutím a ověřování.

🎯 Hlavní zpráva: více možností, stejná odpovědnost

Příběh interní služby pro revizi kódu v Revolutu ukazuje konkrétní podobu vývoje s AI agenty. Dmitry Pitik využil Codex při průzkumu problému, rozdělil implementaci do úkolů a nechal agenty pracovat paralelně. Sám se více věnoval návrhu a osobně kontroloval vytvořený kód.

Nejsilnější sdělení pro mě nespočívá v představě, že jeden člověk může vždy nahradit celý tým. Spočívá v možnosti lépe využít čas zkušeného inženýra. Některé části práce lze delegovat, zatímco porozumění problému, posouzení výsledku a konečná odpovědnost zůstávají lidské.

Vyšší rychlost zde neznamenala slepou důvěru, ale jiné rozdělení práce. Právě spojení paralelní implementace s důslednou kontrolou dává tomuto případu hodnotu i mimo samotný Revolut. Ukazuje směr, v němž mohou malé týmy získat větší prostor pro realizaci svých nápadů, aniž by musely rezignovat na technický úsudek.

Share


AI World Vision

AI and Technology News