Delegační mezera: Jak z AI asistenta udělat AI kolegu

Máš u sebe Cursor, Claude Code nebo Copilot. Píšeš kód rychleji než dřív. AI ti navrhuje, opravuje, doplňuje. Ale kdybys byl upřímný – pořád děláš většinu práce ty. AI ti maximálně pomáhá, ale samostatně pracuje jen zřídka.

Anthropic to v letošní zprávě o agentic coding trendech pojmenoval přesně: delegační mezera. Vývojáři využívají AI při přibližně 60 % své práce, ale skutečně jí mohou delegovat jen 0–20 % úkolů. Zbytek dělají sami – nebo minimálně stojí nad AI a dávají jí instrukce krok za krokem.

Tato mezera ti stojí hodiny týdně. A firmy, které ji dokáží zavřít, mají obrovský náskok – třeba TELUS ušetřil přes 500 000 hodin ročně po nasazení agentic coding přístupu.

Tak proč ta mezera existuje a co s tím dělat?

Co je delegační mezera a proč ji máš

Delegační mezera vzniká, když AI umí kód napsat, ale ty jí stejně nesvěříš celý úkol. Proč?

1. Nedůvěra ve výsledek

AI udělá chybu. Víš o tom. Takže místo aby sis řekl „nech to dodělat a zkontroluj", stojíš nad ní větu po větě. To ale neguje většinu úspory času.

2. Absence kontextu

AI neví, jak funguje tvůj projekt, jaké jsou firemní konvence, co se stalo v posledním sprintu nebo proč máš tu divnou logiku v auth modulu. Bez kontextu produkuje generický kód, který musíš přepisovat.

3. Příliš vágní nebo příliš velké zadání

„Refaktoruj celý backend" nebo „dodělej platební modul" – to jsou příkazy, na které AI potřebuje desítky rozhodnutí a dělá chyby, protože nemá dost jasné zadání. Výsledek: ztracené hodiny, opravy, frustrace.

Delegační mezera není problém AI – je to problém jak jí zadáváš práci.

Jak delegační mezeru zavřít: 3 praktické kroky

1. Dej AI správný kontext předtím, než začneš

Než zadáš jakýkoliv netriviální úkol, připrav kontextový soubor. Říkám mu „briefing". Obsahuje:

• Cíl úkolu – co má vzniknout, ne jak to udělat
• Relevantní kontext – které soubory, moduly nebo API se týkají
• Omezení – co AI nesmí měnit, jaké konvence dodržovat
• Výstupní formát – jak má výsledek vypadat

Claude Code to dělá přes soubory CLAUDE.md na úrovni projektu. Cursor to umí přes .cursorrules. Windsurf přes .windsurfrules. Strávíš 10 minut jednou za projekt – a ušetříš hodiny oprav týdně.

Příklad briefingu pro Claude Code:

# Kontextový soubor – platební modul

## Cíl
Přidat podporu pro Stripe Checkout do existujícího OrderService

## Co je relevantní
- src/services/OrderService.ts (hlavní logika)
- src/types/Payment.ts (existující typy)
- .env.example (dostupné env vars)

## Omezení
- Neměnit strukturu databáze
- Zachovat TypeScript strict mode
- Používat existující error handling pattern z src/utils/errors.ts

2. Rozbij velké úkoly na delegovatelné kousky

Výzkum ukazuje, že AI zvládá delegaci nejlépe u úkolů trvajících přibližně 15–90 minut lidského ekvivalentu. Kratší jsou trivialita, delší jsou příliš komplexní bez průběžné navigace.

Praktické pravidlo: pokud ti úkol bez AI trvá víc než 2 hodiny, rozbij ho. Každý kus by měl mít:

• Jasný vstup (soubory, data, zadání)
• Jasný výstup (co přesně vznikne)
• Způsob verifikace (jak poznáš, že to funguje)

Příklad rozbitého úkolu:

Místo: „Dodělej e-commerce checkout"

Dej AI tři oddělené zadání:

1. „Vytvoř CartService s metodami add/remove/total, testy viz vzor v UserService.test.ts"
2. „Integruj CartService s existujícím OrderService – přidej createFromCart metodu"
3. „Napiš integrační test pro celý checkout flow podle vzoru v tests/integration/"

Každý krok je delegovatelný. Výsledky kontroluješ, neopravuješ.

3. Přejdi od asistenta k multi-agent workflow

Největší posun nastane, když přestaneš AI říkat každý krok a nastavíš jí workflow, které sama spravuje.

Moderní přístup je subagentní architektura: jeden orchestrační agent koordinuje specializované subagenty pro různé části úkolu.

Příklad z praxe – automatické review PR:

• Agent 1 zkontroluje logiku a business pravidla
• Agent 2 projde bezpečnostní vzory
• Agent 3 zkontroluje testy a pokrytí kódu
• Orchestrátor shrne výsledky a navrhne finální akce

Tahle architektura není science fiction – Claude Code, Cursor Agent Mode a GitHub Copilot Workspace to podporují teď. Firmy jako Zapier nebo Rakuten takto šetří stovky inženýrských hodin měsíčně.

Reálné výsledky firem, které delegační mezeru zavřely

Anthropic zpráva není jen teorie – sbírá konkrétní data od firem, které přešly na agentic coding přístup.

TELUS (telekomunikační gigant, Kanada):

• 500 000+ hodin ušetřeno ročně
• Průměrně 40 minut ušetřeno za každou AI interakci
• Cycle time od nápadu k nasazení: z týdnů na hodiny
• Inženýrský kód doručován o 30 % rychleji

Zapier (automatizační platforma):

• Vývojáři delegují 40–60 % repetitivních úkolů
• Redukce code review cyklů o třetinu

Legora (právní tech startup):

• Tým o 5 vývojářích produkuje kód jako tým o 25
• AI spravuje celé subsystémy autonomně po správném nastavení kontextu

Toto nejsou pilotní projekty. Jsou to firmy, které systematicky uzavřely delegační mezeru a teď soutěží s týmy pětkrát většími.

Co dělat jinak od tohoto týdne

Delegační mezera se nezavírá najednou. Jde to postupně a prakticky.

Týden 1: Audit svého workflow Spočítej, kolik procent práce opravdu deleguješ vs. jen spolupracuješ. Buď upřímný – AI navrhující code completion není delegace.

Týden 2: Vytvoř kontextové soubory Pro každý aktivní projekt napiš CLAUDE.md nebo .cursorrules. Jeden soubor, 20–30 řádků. Zahrň konvence, omezení a klíčové soubory.

Týden 3: Zaveď pravidlo rozbitých úkolů Každý úkol nad hodinu musí být rozbitý na delegovatelné kousky předtím, než ho zadáš AI.

Týden 4: První experiment s autonomous mode Vyber jeden nízko-rizikový úkol (refaktoring, testy, dokumentace) a nech AI ho dokončit autonomně bez průběžné navigace. Zkontroluj výsledek, ne průběh.

Závěr

Vývojářský svět se rozděluje na dvě skupiny: ty, kteří AI sledují při práci, a ty, kteří jí skutečně delegují.

Delegační mezera mezi 60 % využitím a 20 % delegací není osud – je to problém kontextu, granularity zadání a workflow designu. A jde zavřít systematicky, krok po kroku.

Firmy, které to pochopily první, teď doručují za zlomek nákladů a násobek rychlosti. Tahle výhoda se bude prohlubovat s každou novou generací modelů.

Otázka není jestli AI změní vývoj softwaru. Otázka je, kdy přestaneš AI asistovat a začneš jí skutečně delegovat práci.