Každá organizace má v produkčním prostředí kód generovaný umělou inteligencí. To není projekce, ale zjištění zprávy o stavu bezpečnosti produktů z roku 2026, která provedla průzkum mezi 400 CISO a vedoucími pracovníky v oblasti AppSec a zjistila 100% přijetí. Co tatáž zpráva vedle toho zjistila, je mezera, která definuje současný okamžik: 81 % těchto organizací nemá úplný přehled o tom, kde a jak se umělá inteligence v jejich kódových základech používá. Kódování pomocí umělé inteligence předběhlo správu kódu umělé inteligence a vzdálenost mezi těmito dvěma křivkami představuje místo, kde se skrývá riziko.
Tato příručka se zabývá současným stavem generování kódu pro umělou inteligenci, nástroji, které definují tuto kategorii v roce 2026, specifickými riziky, která kód generovaný umělou inteligencí s sebou přináší, jak jej validovat a zabezpečit a jak vybudovat vrstvu správy a řízení, která umožňuje vývojovým týmům používat umělou inteligenci rychle, aniž by se hromadil neviditelný technický a bezpečnostní dluh. Pro podnikové týmy, jejichž kódové základny sahají od moderních cloudových služeb až po starší mainframe systémy, existuje rozměr kódování pro umělou inteligenci, který většina příruček zcela přeskakuje: co se stane, když je kódová základna, které má umělá inteligence rozumět a s níž má pomáhat, distribuována v COBOLu, JCL, Javě a Pythonu v prostředí, které žádné kontextové okno nepojme.
Kontext, který umělá inteligence neudrží, my poskytujeme
SMART TS XL zmapuje každou závislost předtím, než se změny navržené umělou inteligencí projeví v celém vašem portfoliu.
ZJISTĚTE VÍCE…Co vlastně znamená generování kódu pomocí umělé inteligence
Tato kategorie se rozdělila do tří odlišných schopností, které jsou často spojovány, ale slouží různým účelům:
Asistenti kódu s umělou inteligencí (inline doplňování) navrhují kód během psaní vývojáři. V tomto režimu fungují GitHub Copilot, Cursor a Tabnine. Model vidí soubor v kontextu a navrhuje, co bude následovat. Vývojáři návrhy přijímají, odmítají nebo upravují přímo v textu. Toto je nejrozšířenější a nejdelší forma s nejdelší historií.
Agentní kódování s využitím umělé inteligence je posun, který definuje rok 2026. Nástroje jako Claude Code, GitHub Copilot Agent a Cursor v agentském režimu mohou dostat úkol „implementovat tuto funkci“, „opravit tuto chybu“, „refaktorovat tento modul“ a autonomně číst soubory, psát kód, spouštět testy a iterovat bez podrobného lidského vedení. Umělá inteligence již vývoji nepomáhá. Řídí ho, přičemž inženýři v největších světových společnostech předávají významné části svého pracovního postupu agentům umělé inteligence, kteří čtou kódové základny, spouštějí příkazy a činí sekvenční rozhodnutí.
Revize kódu s využitím umělé inteligence analyzuje odeslaný kód a hledá chyby, bezpečnostní problémy, architektonické problémy a porušení stylů. Nástroje jako Greptile, CodeRabbit, Qodo a Cursor BugBot zanechávají kontextové komentáře k žádostem o změny (pull request). Na rozdíl od tradiční statické analýzy chápou záměr kódu a dokáží označit problémy, které by pravidla pro porovnávání vzorů přehlédla. Správný proces revize kódu v roce 2026 staví umělou inteligenci do role recenzenta prvního průchodu a lidi do role rozhodující se zaměřením na architekturu, rizika, udržovatelnost a úsudek.
Současná situace s nástroji
Asistenti kódování s umělou inteligencí
GitHub Copilot začínal jako inline dokončování a rozšířil se o inline návrhy, chat, úpravy kódu, pracovní postupy CLI a agentské prostředí napříč GitHubem a hlavními editory. Pro týmy, které již v ekosystému GitHub působí, je integrace bezproblémová. Enterprise Copilot přidává ovládací prvky zásad na úrovni organizace, protokolování auditu a krytí odpovědnosti za duševní vlastnictví.
Cursor je vývojové prostředí (IDE) s umělou inteligencí, postavené na VS Code, které nabízí inline doplňování, chat s ohledem na kódovou bázi a režim plného agenta. Jeho schopnost indexovat a uvažovat o velkých kódových bázích ho činí obzvláště vhodným pro seniorní vývojáře pracující na složitých a propojených systémech.
Claude Code je agent pro kódování z příkazového řádku od Anthropicu. Provádí vícekrokové inženýrské úlohy z terminálu, čte kódové báze, zapisuje a upravuje soubory, spouští testy a iteruje na základě výsledků. Funguje bez grafického rozhraní, což ho činí obzvláště vhodným pro automatizační pipeline a integraci CI/CD.
Tabnine se zaměřuje na dokončování kódu s důrazem na soukromí s možnostmi nasazení v místních i privátních cloudech. Pro organizace v regulovaných odvětvích, které nemohou odesílat kód do externích API, je model nasazení Tabnine často rozhodujícím faktorem.
Nástroje pro kontrolu kódu s umělou inteligencí
| Nástroj | Primární přístup | nejlepší |
|---|---|---|
| Greptile | Kontext s ohledem na kódovou bázi | Odhalování architektonických chyb a chyb napříč soubory |
| KódKrálík | Komentáře k přezkoumání na úrovni PR | Týmy, které chtějí automatizaci PR review bez nutnosti instalace |
| Qodo | Generování testů a jejich kontrola | Týmy zaměřené na pokrytí |
| Kurzor BugBot | Recenze agenta | Týmy s nativní funkcí kurzoru |
| soundQube | Statická analýza + umělá inteligence | Vzory založené na pravidlech + metriky kvality |
| Semgrep | Analýza vzorců a kontaminací | Kontrola zaměřená na bezpečnost |
| Asistent Checkmarxu | Agentová sanace | Programy Enterprise AppSec |
Takto vypadá dobrý výstup z recenze umělé inteligence v praxi:
CodeRabbit PR Review -- src/api/payments.py
WARNING HIGH: Missing input validation on amount parameter (line 23)
process_payment() accepts amount: float but does not validate
amount > 0 before calling the payment gateway.
AI-generated code from this PR omitted the boundary check present
in similar functions in src/api/orders.py (line 156).
Suggested fix: if amount <= 0: raise ValueError("Amount must be positive")
WARNING MEDIUM: Hardcoded timeout value (line 41)
requests.post(url, timeout=30) -- timeout should come from config,
not be hardcoded. See PAYMENT_GATEWAY_TIMEOUT in settings.py.
INFO: Inconsistent error handling pattern (lines 67-78)
This function raises PaymentError on failure; adjacent functions in
this module return Result[PaymentResponse, PaymentError].
Consider aligning with the module's existing pattern.Týmy, které již používají SonarQube, k němu často přidávají i Greptile: SonarQube zpracovává známé vzory statické analýzy, zatímco Greptile zachycuje kontextově závislé chyby, které statická analýza nevidí.
Bezpečnostní problém, se kterým nikdo nepočítal
Kód generovaný umělou inteligencí zavádí stejné třídy chyb jako lidští vývojáři, jako je SQL injection, chybějící validace vstupu, nebezpečná deserializace, nefunkční ověřování, ale s multiplikátorem objemu. Pokud umělá inteligence vyprodukuje desetkrát více pull requestů, absolutní počet zranitelností se může zvýšit, i když je míra na PR shodná s kódem psaným lidmi. Rozsah zavádění umělé inteligence stávající bezpečnostní dluh spíše prohlubuje, než aby jej snižoval.
Konkrétní vzorce, které je třeba sledovat v kódu generovaném umělou inteligencí:
SQL injection z dokončení šablony. Modely umělé inteligence trénované na starších kódových bázích reprodukují starší vzory. Model, který viděl tisíce příkladů SQL dotazů zřetězených řetězců, bude navrhovat SQL dotazy zřetězené řetězcem. Bez explicitní instrukce k použití parametrizovaných dotazů a brány statické analýzy, která by ji vynucovala, může SQL kód generovaný umělou inteligencí systematicky zavádět zranitelnosti typu injection napříč kódovou bází.
krajta
# What AI often generates without explicit security prompting
def get_user(username: str) -> dict:
query = f"SELECT * FROM users WHERE username = '{username}'"
return db.execute(query).fetchone()
# Vulnerable to: admin'-- or admin' OR '1'='1
# What AI generates when security requirements are stated in the prompt
def get_user(username: str) -> dict:
query = "SELECT id, email, role FROM users WHERE username = %s"
return db.execute(query, (username,)).fetchone()
# Parameterized -- injection-proof regardless of inputRozdíl mezi těmito dvěma výstupy je jedna věta v promptu: „použijte parametrizovaný dotaz, abyste zabránili SQL injection.“ Bez něj model standardně používá interpolaci řetězců, protože ve svých trénovacích datech zaznamenal více příkladů interpolace řetězců než parametrizovaných dotazů.
Chybí validace vstupu. Modely umělé inteligence jsou optimalizovány tak, aby produkovaly funkční kód, tedy kód, který funguje pro vstupy zadané v promptu. Rutinně vynechávají validaci pro okrajové případy, okrajové podmínky a chybně formátované vstupy, které nebyly v kontextu promptu zmíněny. Výsledný kód projde testovacími případy, které byly vygenerovány spolu s ním, a selže při testování vstupu z reálného světa.
Nezabezpečená výchozí nastavení. Kód umělé inteligence často konfiguruje nastavení zabezpečení na nejpřísnější hodnoty, zakazuje ověřování certifikátů, používá zástupné znaky CORS a ponechává vývojářské přihlašovací údaje, protože přípustná výchozí nastavení umožňují kódu „fungovat“ ve více kontextech, což je přesně to, pro co je model optimalizován.
Riziko licence. Generativní modely umělé inteligence trénované na veřejném kódu mohou reprodukovat úryvky kódu blízké nebo identické s trénovacími daty, což vyvolává otázky ohledně licencování, pokud byla tato data licencována za podmínek copyleftu. Mnoho podnikových nástrojů nyní nabízí licenční filtry, detekci odkazů na kód a podmínky odškodnění, ale krytí se liší. Ověřte si, co váš konkrétní nástroj obsahuje, spíše než abyste předpokládali.
Mezera v řízení: 81 % organizací s kódem generovaným umělou inteligencí v produkčním prostředí nemá úplný přehled o tom, kde a jak se používá. Vrstva řízení, která spočívá v poznání, který kód byl generován umělou inteligencí, jeho ověření statickou analýzou a vynucování bezpečnostních zásad na úrovni PR brány, je úkol, který většina organizací zavádějících AI kód dosud neprovedla.
Kódovací jazyky umělé inteligence: Čemu model skutečně rozumí
Python a TypeScript: Nejsilnější podpora
Python a TypeScript mají nejhustší reprezentaci trénovacích dat ve všech hlavních modelech kódování umělé inteligence. Modely rozumí idiomatickým vzorům, běžným konvencím knihoven a osvědčeným postupům specifickým pro daný framework. Návrhy kódu v Pythonu a TypeScriptu jsou nejspolehlivější, nejméně pravděpodobně halucinují neexistující API a s největší pravděpodobností dodržují osvědčené bezpečnostní postupy.
Dominance Pythonu ve vývoji AI/ML z něj činí přirozený první jazyk pro týmy vytvářející systémy založené na AI. Jeho ekosystém, PyTorch, TensorFlow, Hugging Face a LangChain, je hluboce srozumitelný pro všechny hlavní kódovací modely.
Java a C#: Silné, ale podrobné
Java a C# mají rozsáhlá trénovací data z open-source kódových databází a StackOverflow. Nástroje umělé inteligence produkují funkčně správný kód v obou jazycích, ale mohou navrhovat zbytečně podrobné vzory. Konfigurace ORM, nastavení vkládání závislostí a standardní frameworky, které připravují Javu a C# pro produkční prostředí, vyžadují specifický kontext, který modely někdy bez explicitního vyzvání přehlížejí.
Go, Rust a Kotlin: Rychlý růst
Jednoduchost jazyka Go a explicitní správa paměti v Rustu představují pro modely umělé inteligence zajímavé výzvy. Návrhy v Go jsou obecně spolehlivé; návrhy v Rustu se rychle zlepšují, ale stále vyžadují pečlivé lidské posouzení, zejména pokud jde o správu životnosti a nebezpečné bloky.
Starší jazyky: COBOL, RPG, PL/I
Toto je dimenze, kterou většina průvodců programováním pro umělou inteligenci přeskakuje. Podniky, které provozují COBOL na mainframech, RPG na IBM i a PL/I ve finančních systémech, čelí specifickému problému s programováním pro umělou inteligenci, se kterým si univerzální modely špatně poradí. Trénovací data pro tyto jazyky jsou v porovnání s jejich produkčním využitím omezená. Modely umělé inteligence poskytují sebevědomé návrhy ohledně syntaxe COBOLu, které jsou gramaticky věrohodné, ale sémanticky nesprávné, nebo které fungují izolovaně, ale porušují omezení propojení programů, se kterými spolupracují.
Ještě důležitější je, že omezení kontextového okna znamená, že model umělé inteligence nemůže v paměti současně uchovávat velké portfolio COBOLu. Vidí program, který upravuje, ale ne sešity, které sdílí s 300 dalšími programy, úlohu JCL, která ji volá, ani schéma DB2, na kterém závisí. Aby umělá inteligence mohla bezpečně asistovat se změnami starší kódové základny, musí strukturální kontext, který jí v kontextovém okně chybí, pocházet z vrstvy strukturální analýzy, která rozumí celému grafu závislostí.
Psaní lepších výzev pro lepší kód
Kvalita kódu generovaného umělou inteligencí je přímo úměrná specifičnosti výzvy. Nejasné výzvy produkují generický kód; specifické výzvy produkují cílený a správný kód.
Bezpečnostní požadavky uveďte explicitně. Modely umělé inteligence standardně používají funkční kód. Příkaz „Napište funkci, která se dotazuje databázi podle ID uživatele“ vygeneruje zřetězený SQL kód. Příkaz „Napište funkci, která se dotazuje databázi podle ID uživatele pomocí parametrizovaných dotazů, aby se zabránilo SQL injection“ vygeneruje parametrizovaný SQL kód. Bezpečnostní požadavky musí být uvedeny, nikoli předpokládány.
Zde je stejný úkol s bezpečnostním rámováním a bez něj:
# Vague prompt (produces insecure code):
"Write a function to get a user from the database by username"
# Specific prompt (produces secure, production-ready code):
"Write a Python function get_user(username: str) -> Optional[UserRecord]
that queries the PostgreSQL users table using a parameterized query
to prevent SQL injection. Return None if not found. Raise DatabaseError
on connection failure. Do not SELECT * -- return only id, email, and role."Určete framework a verzi. Volba „Napište obslužnou rutinu trasy Express.js“ produkuje odlišné výsledky od volby „Napište obslužnou rutinu trasy Express 4.18, která používá async/await, ověřuje vstup pomocí zod a vrací typované odpovědi“. Čím konkrétnější je kontext frameworku, tím méně musí model hádat.
Poskytněte rozhraní, nejen úkol. Místo „napište funkci pro zpracování plateb“ zadejte typ vstupu, typ výstupu, chybové podmínky a závislosti: „Napište funkci TypeScript processPayment(amount: number, currency: 'USD'|'EUR', customerId: string): Promise<PaymentResult> která volá naši interní třídu PaymentGateway a konkrétně zpracovává chyby INSUFFICIENT_FUNDS a CARD_DECLINED.“
Odkazovat na sousední kód. V nástrojích, které dokáží číst celý soubor nebo projekt, poskytuje poskytnutí souvisejících rozhraní, typů a existujících vzorů modelu kontext pro vytváření konzistentního, idiomatického kódu, spíše než generického kódu, který neodpovídá existující kódové základně.
Ověřování kódu generovaného umělou inteligencí: Stack Quality Gate
Kód generovaný umělou inteligencí musí projít stejnou a v mnoha případech přísnější validací jako kód psaný člověkem. Argument objemu se týká kvality i bezpečnosti: pokud umělá inteligence produkuje více kódu rychleji, brány, které zachycují problémy, musí být stejně rychlé a systematičtější.
Statická analýza je povinná, nikoli volitelná. Standardními opatřeními pro zmírnění rizika kvality kódu AI jsou statická analýza, SAST skenování, skenování závislostí, tajné skenování a zásady, které předem nedůvěřují commitům generovaným umělou inteligencí. To znamená, že ESLint, Pylint, SonarQube, Semgrep nebo ekvivalentní nástroje běží na každém PR bez ohledu na to, zda byl kód napsán člověkem nebo generován umělou inteligencí.
yaml
name: AI Code Quality Gate
on: [pull_request]
jobs:
validate:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Static analysis (same rules for AI and human code)
run: |
pip install ruff bandit
ruff check src/ # style + quality
bandit -r src/ -ll # security patterns
- name: SAST scan
uses: semgrep/semgrep-action@v1
with:
config: p/owasp-top-ten p/python
- name: Stricter gate for AI-generated PRs
if: contains(github.event.pull_request.labels.*.name, 'ai-generated')
run: |
echo "AI-generated PR -- enforcing senior-engineer review requirement"
# Blocks merge until human approval from codeownerKontrola PR generovaných umělou inteligencí přidává druhou vrstvu. Spuštění CodeRabbit nebo Greptile na PR generovaném umělou inteligencí zachycuje kontextově závislé problémy, které statická analýza přehlíží, logické chyby, chybějící okrajové případy a architektonické nekonzistence se zbytkem kódové základny.
Generování testů spolu s generováním kódu je nyní v agentních pracovních postupech standardem. Claude Code, GitHub Copilot Agent a podobné nástroje mohou generovat testy jako součást stejného pracovního postupu, který generuje kód. Testy by měly být posuzovány se stejnou skepsí jako kód: testy generované umělou inteligencí optimalizují metriky pokrytí a mohou testovat implementaci tak, jak je napsána, spíše než specifikaci, jak byla zamýšlena.
Lidská kontrola architektury a rizik. Umělá inteligence se stará o kontrolu mechanické správnosti v prvním průchodu. Lidští kontroloři se zabývají úsudky: je to správná abstrakce? Zavádí to novou závislost, kterou chceme? Je ošetření chyb vhodné pro tuto bezpečnostní hranici? Toto je správné rozdělení odpovědnosti, nikoli dočasné opatření, dokud umělá inteligence nezraje.
Kód umělé inteligence v podnikových prostředích: Problém kontextového okna
Kontextové okno je omezené množství textu, kterému může model najednou věnovat pozornost. Od roku 2026 některé hraniční modely nabízejí kontextová okna blížící se jednomu milionu tokenů, což je dostatečné množství pro malou službu od začátku do konce. Okno s milionem tokenů pojme zhruba čtyři megabajty textu. Skutečná podniková monorepozitáři mají velikost až gigabajtů. Pro kódové báze větší než přibližně čtyři megabajty je pro většinu dotazů nezbytné globální vyhledávání kódu a kódová inteligence.
Nejedná se o kritiku modelů umělé inteligence, ale o architektonické omezení, které určuje, jak musí být nástroje pro kódování s využitím umělé inteligence nasazeny v podnikových prostředích. Vrstva vyhledávání, která doplňuje kontextové okno, platforma pro inteligenci kódu, která rozumí celému grafu závislostí a načítá relevantní kontext pro každý dotaz umělé inteligence, je to, co dělá kódování s využitím umělé inteligence životaschopným ve velkých a složitých kódových bázích.
Pro organizace se staršími systémy sálových počítačů se tato výzva zhoršuje. Závislostní vztahy mezi programy v COBOLu, toky úloh JCL, schématy DB2 a moderními službami Java nejsou viditelné pro model, který vidí pouze to, co se vejde do jeho kontextového okna. Asistent s umělou inteligencí, který pomáhá vývojáři upravit program v COBOLu, nemá jak vědět, že pole, které navrhuje přejmenovat, se objevuje ve 47 dalších programech prostřednictvím sdíleného sešitu, pokud tato strukturální znalost není poskytnuta externě.
Kontrast mezi bezkontextovou a kontextově bohatou výzvou ke změně staršího kódu ilustruje, proč jsou strukturální znalosti důležité:
# Without structural context -- what AI sees in isolation:
"Refactor the calculateInterest paragraph in ACCTPROC.cbl
to reduce cyclomatic complexity"
# With structural context from dependency analysis:
"Refactor the calculateInterest paragraph in ACCTPROC.cbl.
Note: this paragraph is called by 14 other programs via CALL.
It shares WS-ACCT-RATE from copybook INTRATES.cpy (included by 47 programs).
The WS-COMPOUND-FLAG field used in lines 340-360 is set by ACCTINIT.cbl
before this runs -- do not move or rename it.
Do not change field names, parameter order, or RETURN-CODE values --
these are interface contracts with callers."Druhý výzva vygeneruje refaktoring, který lze bezpečně nasadit. První výzva vygeneruje refaktoring, který může být syntakticky správný a přesto přerušit 14 volajících programů, o jejichž existenci umělá inteligence nikdy nevěděla.
Jak SMART TS XL Podporuje vývoj s podporou umělé inteligence v podnikových kódových základech
SMART TS XL poskytuje strukturální kontextovou vrstvu, kterou nástroje pro kódování umělé inteligence potřebují pro bezpečný provoz ve velkých, vícejazyčných podnikových kódových bázích.
Když nástroj umělé inteligence navrhne změnu programu v COBOLu, SMART TS XLJe mapování závislostí aplikací poskytuje kontext závislostí, který kontextové okno AI nemůže obsahovat: které sešity program obsahuje, které jiné programy jej volají, které datové sady vytváří, které úlohy JCL jej volají a v jakém pořadí. Tato strukturální znalost je předpokladem pro to, aby byl návrh AI vyhodnocen jako bezpečný, a nikoli pouze lokálně správný.
SMART TS XLJe statická analýza kódu Ověřuje kód generovaný umělou inteligencí a kód psaný člověkem se stejnou důsledností, počítá metriky kvality, identifikuje bezpečnostní vzory, označuje nefunkční kód a měří složitost napříč všemi jazyky v prostředí současně. Pro organizace, které zavedly nástroje pro kódování s umělou inteligencí a nyní spravují kvalitu výstupu, který tyto nástroje produkují, je toto měření kvality napříč jazyky systematickým ověřováním, které ad hoc kontrola kódu nemůže ve velkém měřítku poskytnout.
Analýza dopadu odpovídá na otázku, na kterou nástroje umělé inteligence odpovědět nemohou: pokud bude tato změna navržená umělou inteligencí přijata, co dalšího v systému ovlivní? Rozsah dopadu, každý závislý program, každý následný uživatel, každý test, který musí být znovu validován, je odvozen ze strukturálního modelu kódové základny, nikoli z toho, jak ji model umělé inteligence chápe. U změn, které překračují jazykové hranice, je to rozdíl mezi nasazením s jistotou a odhalením důsledků v produkčním prostředí.
Díky funkci podnikového vyhledávání lze dotazovat celou kódovou bázi způsobem, který doplňuje omezení kontextu umělé inteligence: lze během několika sekund najít každý odkaz na datovou strukturu, každé použití zastaralého API, každý program, který se dotýká konkrétní datové sady, napříč miliony řádků kódu v libovolné kombinaci jazyků. Tato funkce vyhledávání umožňuje nástrojům pro kódování umělé inteligence načíst relevantní kontext, který potřebují pro složité dotazy na podnikovou kódovou bázi, a nepracovat s neúplným obrazem.
Rámec řízení
Organizace, které v roce 2026 efektivně využívají kódování s využitím umělé inteligence, vybudovaly řízení kolem něj, nikoli kolem omezení. Rámec má čtyři složky:
Viditelnost. Mějte přehled o tom, kde se ve vaší kódové základně nachází kód generovaný umělou inteligencí. Některé nástroje mohou označovat commity generované umělou inteligencí; jiné vyžadují vynucování zásad prostřednictvím commit hooků nebo PR šablon. Bez viditelnosti přetrvává 81% rozdíl, kdy organizace nevědí, kde umělá inteligence působí.
Konzistentní validace. Na kód generovaný umělou inteligencí používejte stejné standardy statické analýzy, bezpečnostního skenování a kontroly kódu, jaké uplatňujete na kód psaný lidmi. Nevylučujte PR generované umělou inteligencí z kontroly kvality, protože „pocházejí z umělé inteligence“.
Standardy strukturovaných výzev. Definujte postupy výzev, které vaše týmy používají pro generování kódu, požadovaný kontext, bezpečnostní požadavky, které je třeba zahrnout, a specifikované rámce. Toto je kontrola kvality vstupu, která zajišťuje konzistentní kvalitu výstupu.
Lidská odpovědnost za architektonická rozhodnutí. Umělá inteligence rozhoduje o tom, co je technicky správné. Lidé rozhodují o tom, co je architektonicky vhodné. Tuto hranici ve svém vývojovém procesu explicitně zachovejte, a nenechte ji rozmazat s tím, jak se zrychluje zavádění umělé inteligence.
Umělá inteligence píše kód. Důsledky stále nesete vy.
Kódování s využitím umělé inteligence se přesunulo z experimentu do pozice infrastruktury. Otázkou už není, zda používat nástroje pro generování kódu s využitím umělé inteligence, toto rozhodnutí učinil trh a 100% přijetí v organizacích to potvrzuje. Otázkou je, zda byla souběžně s tímto přijetím vybudována i infrastruktura správy a řízení, která zajišťuje bezpečné a udržitelné kódování s využitím umělé inteligence v podnikovém měřítku.
Objem kódu generovaného umělou inteligencí roste. Validační zásobník, statická analýza, bezpečnostní skenování, kontrola kódu umělou inteligencí a kontrola architektury člověkem se s tím musí škálovat. Pro podniky, jejichž kódové základny obsahují jazyky, které univerzální modely umělé inteligence špatně zvládají, je vrstva strukturální analýzy, která poskytuje kontext závislostí a rozsah dopadu, to, co činí pomoc umělé inteligence životaschopnou, nikoli nebezpečnou.
