Agentic Development: Jak přejít na AI vývoj – praktický plán adopce

Na přelomu roku 2025 a 2026 nastala v softwarovém průmyslu změna, která nemá v historii technologií obdoby. OpenAI, Anthropic a další přední AI laboratoře v průběhu několika týdnů vydaly generaci agentických nástrojů natolik schopných, že přepsaly základní pravidla fungování vývojových týmů. Data z terénu: Uber reportoval, že 84 % jejich developerů jsou aktivní uživatelé agentického toolingu a 65–72 % veškerého kódu dnes generuje AI. Spotify zašlo ještě dál: jejich nejlepší vývojáři od prosince 2025 nesáhli na kód vůbec (údajně).

V Ackee jsme se mohli dívat a čekat… Rozhodli jsme se místo toho postavit vlastní framework, jak agentic development zavést strukturovaně, bez chaosu a bez toho, aby to byl jen módní buzzword a abychom mohli psát na linkáč, jak nám už neujíždí vlak.

Obsah

• Proč SDLC přestalo fungovat a co je Agentic Development Lifecycle (ADLC)
• Agentic development vs. vibecoding: co to v praxi znamená
• Tooling od Anthropic pro agentic development: jeden setup pro celou firmu
• Jak měřit adopci agentic developmentu: frameworky PAL a AEPL
• Konkrétní cíle, ne vize.
• Proč agentic engineering ovlivní konkurenceschopnost každého vývojáře
• Chcete pomoct zavést agentic development do praxe?
• FAQ
• Zdroje a inspirace k vytvoření dílčích částí nebo celého frameworku

ℹ️ TL;DR – co si z toho odnést

• SDLC v klasické podobě přestává platit – přichází ADLC, kde developer orchestruje agenty místo psaní každého řádku kódu.
• Agentic engineering vyžaduje strukturu – není to vibecoding a merged PR bez review. Setup na brownfield projektech není jednoduchý, za vším je potřeba hodně energie, úsilí a organizování.
• Tooling sjednocený na jedné platformě (Claude) funguje lépe než roztříštěná kombinace nástrojů – sdílená knowledge base má pak větší smysl.
• Měřit adopci dává smysl na 2 osách – projekt (PAL) a jednotlivec (AEPL) – obojí musí jít ruku v ruce.
• Kdo začne dřív, bude mít náskok, který se těžko dohání – to platí pro firmy i pro jednotlivé vývojáře.

✅ TL;DR – akční kroky

1. Zaveďte ADLC postupně: začněte od úplných základů technikou HITL (human in the loop), kdy děláte AI babysitting (pozorování, jak se agenti chovají)
2. Pracujte s kontextem: vše stojí a padá na tom, jaké referencujete soubory, jaké poskytujete informace o codebase, co propojujete.
3. Vybudujte firemní společný základ pro know-how: informací je mnoho a je potřeba být na stejné vlně.
4. Centralizujte tooling: jednotný setup minimalizuje chaos a zrychluje adopci.
5. Měřte lidi i projekty: PAL + AEPL = bezpečný rollout.
6. Kontrolujte agent-generated PR: review a testy jsou nezbytné = neexistuje stav, kdy by AI měla úplně volnou ruku.

🔚 Proč SDLC přestalo fungovat a co je Agentic Development Lifecycle (ADLC)

Software Development Lifecycle (SDLC), tak jak ho známe, předpokládá, že člověk píše kód. Tenhle předpoklad je dnes zpochybnitelný. Nastupuje Agentic Development Lifecycle = ADLC – kde agenti plánují, implementují, testují a debugují.

Nejde o dystopii. Jde o to, že repetitivní části práce, které stejně nikoho nebavily – přebírá agent, zatímco člověk řeší to, co agenti neumějí: kontext, rozhodnutí, odpovědnost.

Agentic development vs. vibecoding: co to v praxi znamená 🤫

Tohle konkrétně se v podobných debatách nejčastěji ztrácí: agentic engineering není vibecoding. Není to „nechám si vygenerovat feature, mergnu to a jdu na oběd.“ Vyžaduje strukturu, pravidla a hlavně trpělivost.

Je to proces se striktními pravidly, ne bezhlavé mergování. Developer musí rozumět tomu, co agent dělá, umět zkontrolovat výstup a vědět, kdy agenta zastavit. To se nenaučíte za odpoledne.

Lze použít stejnou analogii z nedávné minulosti: iOS tým v Ackee se taky musel smířit s nástupem Kotlin Multiplatform. Nelíbilo se jim to, bolelo to – ale vzali to jako příležitost, ne jako hrozbu. Stejný mindset teď potřebuje celý dev tým vůči AI.

⚒️ Tooling od Anthropic pro agentic development: jeden setup pro celou firmu

Chaos v toolingu zabíjí adopci. Pokud má polovina týmu Cursor, čtvrtina GitHub Copilot a zbytek zkouší různé Codexy, nikdo nesdílí knowledge a každý vynalézá kolo zvlášť. Proto jsme se sjednotili na platformě Anthropic.

Konkrétní setup vypadá takto:

• Claude Code pro vývojáře (CLI nástroj, který pracuje přímo v terminálu a IDE).
• Claude Cowork pro back office a projektové manažery.
• Claude Chat jako standardní konverzační rozhraní.

Proč Anthropic a ne OpenAI? Potřebovali jsme jednotnou platformu pro všechny týmy a role od devs, přes QA, design až po back office. Navíc data z Ramp AI Indexu ze začátku roku 2026 ukazují, že 73,3 % firem, které poprvé utrácejí za AI, volí Claude – OpenAI má 26,7 %. Anthropic začíná dominovat právě v enterprise segmentu, kde záleží na konzistenci a bezpečnosti dat – a přesně to je pro nás důležité.

Na základě dat tedy víme, že OpenAI a Anthropic jsou hlavní hráči, kteří se budou předbíhat. Řešit, čí modely a harness je aktuálně lepší (s tím, že to za měsíc může být naopak) přináší jen chaos a bere energii, kterou je potřeba věnovat setupu. V důsledku není nejdůležitější daný model (nebrat úplně doslovně), ale celková struktura a nastavené postupy práce.

Jako bonus má Claude roztomilého maskota – krabíka Clawda. A i ty největší pochybovače přesvědčil fakt, že i Katy Perry podle všeho přešla na Claude. A to je pro nás samozřejmě nejsměrodatnější, bez ohledu na data.

📊 Jak měřit adopci agentic developmentu: frameworky PAL a AEPL

Aby adopce nebyla punk a black box, zavedli jsme 2 frameworky, které v době zahájení adopce ještě nikde jinde neexistovaly – museli jsme je postavit od základů. Zdroje a inspirace, ze kterých jsme vycházeli, najdete na konci článku.

1. Project Adoption Levels (PAL)

PAL je návod, jak nasazovat agentic engineering na projekty a současně měřící metrika. Když si např. řekneme, že jdeme na daný projekt nasazovat PAL1, tak si vývojáři otevřou framework, kde jsou sepsané body, které mají být nasazeny a podle toho postupují v adopci.

• PAL1: Baseline kontext a nastavení projektu pro agenta.
• PAL2: Vlastní skills, agenti, MCP integrace, hooks.
• PAL3: Komponentní orchestrace a agentic loop.
• PAL4: E2E agentic workflows = agenti běží v autonomní smyčce (plánování → volání nástrojů → testování → review).
• PAL5: Sky is the limit! Maximální level a jeho definice v čase se bude posouvat.

2. Agentic Engineering Proficiency Levels (AEPL)

AEPL je vzdělávací cesta vývojáře – od prvních kroků po plnou autonomii. Každý level odemyká další. Jde o společný základ znalostí, který tým drží pohromadě. Informací je hrozně moc, všichni jsme zahlcení a AEPL framework se snaží informace třídit a poskládat tak, aby vývojáři věděli, jak v AI adopci postupovat a nikdo nezačal s nějakou super advance feature, zbytečně se do ní zamotal a přitom mu úplně unikly základy, security pravidla atd.

Podrobný rozpis všeho, co by měl vývojář na daném levelu zvládnout, máme sepsáno v interním Notionu, do kterého mají všichni developeři přístup. V průběhu času budou samozřejmě další AEPL levely přibývat, jak se bude agentic engineering vyvíjet.

Klíčové pravidlo: Aby projekt mohl být na PAL1, musí vývojáři, kteří na něm pracují, dosáhnout aspoň AEPL levelu 3–4.

🎯 Konkrétní cíle, ne vize.

Frameworky bez deadlinů jsou jen hezká prezentace. Proto máme pro úvodní etapu 3 konkrétní milníky od začátku adopce, která u nás započala na jaře 2026:

1. Do konce 1. měsíce: Všichni vývojáři mají rozběhnutý Claude Code, projekty jsou na PAL1 a developeři minimálně na Proficiency Levelu 3–4.
2. Do konce 2. měsíce: Posun na PAL2, kdy AI autonomně odbavuje repetitivní úkoly a je zaveden automatizovaný feedback loop.
3. Od 3. měsíce a dál: Míříme k PAL3 a PAL4, tedy k plnému agentic loopu na největších projektech.

Adopce se měří i tvrdě: v Claude Code analytikách je vidět, kdo nástroj skutečně používá. Limity licence se dají navýšit – ale jen těm, kteří je poctivě vyčerpají prací.

💡 Proč agentic engineering ovlivní konkurenceschopnost každého vývojáře

Tohle není jen firemní iniciativa. Je to skutečnost, která se dotkne konkurenceschopnosti každého jednotlivce na trhu práce. Pokud se na tuhle změnu vykašlete, budete ztrácet pozici. Firmy, které AI neadoptují, budou dávat vyšší odhady a prohrávat projekty s těmi, které ji adoptují.

Na druhé straně: cílem Ackee není nahradit lidi. Cílem je dávat lepší nabídky, brát víc projektů a mít méně regresních bugů. To jsou věci, ze kterých má prospěch vývojář stejně jako firma.

Pokud byste chtěli přístup do naší bohaté Notion knowledge base, kde mají vývojáři veškeré podklady – stačí se nám ozvat.

⚖️ Zhodnocení úspěšnosti agentic engineering adopce po cca 3 měsících od začátku

🌝 Světlé stránky

• Máme PAL2 na důležitých projektech.
• Některé týmy jsou na AEPL6, některé na AEPL4, což vede ke zdravému pushování týmů navzájem.
• Na týmových i individuálních meetinzích se postupně otevírají jednotlivé levely a probíhají diskuze.
• Zavedli jsme pravidelné AI pivo – neformální akci, kde si vývojáři vyměňují zkušenosti a sdílí radosti i strasti na konkrétních use casech.
• Sjednotili jsme tooling, díky čemuž máme sdílené marketplaces, do kterých vývojáři jednoduše přispívají.

🌚 Stinné stránky

• Na velkých projektech je problém s kontextem. Práce je tam více, než jsme si mysleli a je tak potřeba budovat efektivnější wiki/dokumentaci a jednotné slovníky.
• Každý týden je ve světě AI nový update, což vede k přehlcení informacemi a je potřeba je filtrovat a vyzobávat ty důležité.
• Sdílení kolektivního know-how mezi jednotlivými týmy je trochu větší výzva – udržet všechny na stejné vlně v reálném čase se ukázalo jako obtížnější, než jsme čekali.
• Změna mindsetu není jednoduchá na úrovni jednotlivce, týmů i společnosti.

🔍 Zajímavosti z interního průzkumu

• Výrazný posun v adopci agentic engineeringu v Ackee vidí více než 80 % developerů s tím, že část cítí posun jako celek, ale potenciál je výrazně větší a je potřeba srovnat adopci napříč týmy i projekty.
• Aktuální pocity našich developerů z agentic engineeringu jsou směsicí nadšení, opatrného optimismu, motivace se zlepšovat spolu se zahlcením a částečně nejistotou a obavami.
• Je nutná lepší koordinace a sdílení postupů napříč týmy. Bez toho se práce zbytečně duplikuje – někdo vytvoří plugin, o kterém ostatní ani nevědí. AEPL a PAL jsou v tomhle vnímány jako správný krok, ale implementace musí být důslednější.
• 100 % vývojářů se shoduje, že sjednocení na jednom nástroji dává smysl. Místo fragmentace napříč týmy jeden společný základ – Claude.
• Největší úsporu času hlásí vývojáři u implementace větších features a debuggingu (59 %), refactoringu a generování testů (45 %).
• Největší brzda větší adopce? Podle developerů je to nedostatek času na experimentování (55 %) a raná fáze AI kódění, kde zkušenosti teprve vznikají (41 %).

Tudíž máme podklady pro oblasti a kompetence, na které se v rámci řízení týmů chceme zaměřit v další etapě adopce agentic engineeringu.

Chcete pomoct zavést agentic development do praxe?

Bavíme se o tom, jak podobný přístup zavést u klientů. Pokud jako firma řešíte digitální produkt a zajímá vás, co to znamená konkrétně pro váš tým nebo projekt, 👉 ozvěte se – rádi o tom s vámi pokecáme.

Tenhle článek vznikl z interního lightning talku Rosti. 👉 Přihlaste se k newsletteru – dostanete příští takový obsah přímo do schránky.

❓ FAQ

Co je Agentic Development Lifecycle (ADLC)?

ADLC nahrazuje klasický SDLC v situaci, kdy AI agenti přebírají repetitivní části vývojového procesu – plánování, implementaci, testování i debugging. Developer se posouvá do role architekta: definuje požadavky, ověřuje výstupy a nese odpovědnost za výsledek.

Čím se liší agentic engineering od vibecoding?

Vibecoding je přístup „nechám AI vygenerovat feature a mergnu bez review“. Agentic engineering vyžaduje strukturu, pravidla a kontrolu – developer musí rozumět tomu, co agent dělá, a vědět, kdy ho zastavit. Jedno je zkratka, druhé je disciplína.

Proč Ackee vsadilo na Anthropic (Claude) místo OpenAI?

Klíčovým důvodem byla potřeba jednotné platformy pro všechny role – vývojáře, QA, projektové manažery i back office. Pro Ackee byla zásadní konzistence a bezpečnost dat v enterprise segmentu.

Co jsou frameworky PAL a AEPL?

PAL (Project Adoption Levels) měří, na jaké úrovni agentic engineeringu je daný projekt – od základního kontextu (PAL1) po plně autonomní E2E workflow (PAL4+). AEPL (Agentic Engineering Proficiency Levels) je interní kurz a měří totéž pro jednotlivého vývojáře – od začátečníka (L0) po Builder & Harness Engineer (L11). Oba musí jít ruku v ruce.

Jak začít s agentic developmentem ve svém týmu?

Ackee doporučuje začít technikou HITL (human in the loop) – vývojář agenta sleduje a koriguje, nesvěřuje mu práci autonomně. Pak postupně zvyšovat PAL level projektu a AEPL level lidí. Klíčové je mít sdílený tooling a knowledge base od začátku, ne jako afterthought.

🔗 Zdroje a inspirace

1. https://newsletter.pragmaticengineer.com/i/187563524/3-eight-levels-of-ai-adoption + https://steve-yegge.medium.com/welcome-to-gas-town-4f25ee16dd04 sekce: "WARNING DANGER CAUTION, GET THE F*** OUT, YOU WILL DIE"
2. https://www.bassimeledath.com/blog/levels-of-agentic-engineering
3. https://www.vellum.ai/blog/levels-of-agentic-behavior
4. https://www.youtube.com/watch?v=TUKYbUIXLOE
5. https://www.aihero.dev/cohorts/ai-coding-for-real-engineers-m0k0w
6. https://code.claude.com/docs/en/overview
7. https://www.youtube.com/@anthropic-ai
8. https://claude.com/blog
9. https://www.anthropic.com
10. https://cloud.google.com/discover/what-is-prompt-engineering
11. https://www.ibm.com/think/ai-agents#605511093
12. https://themodernsoftware.dev - Stanford
13. papers z https://arxiv.org
14. https://www.aihero.dev
15. https://www.humanlayer.dev
16. https://www.latent.space/p/2025-papers
17. https://newsletter.pragmaticengineer.com
18. https://x.com/trq212
19. https://x.com/bcherny