Ještě nedávno byla nejdražší a nejpomalejší část vývoje samotná tvorba kódu. Dnes se karta obrací. Podle zprávy „The State of Code Abundance 2026: The Gap Between Al Output and Enterprise Control“ se firmy dostávají do stavu, který autoři nazývají „code abundance“: AI generuje (nebo významně pomáhá generovat) kód rychleji, než ho organizace stíhají ověřovat, řídit a především připisovat mu odpovědnost.

V pondělí ráno to začíná nevinně. Dashboard hlásí výpadek, incidentní kanál se plní zprávami a někdo se ptá tu nejméně oblíbenou otázku: „Kdo to vlastně napsal?“ Jenže tentokrát se odpověď nezasekne na jménu vývojáře nebo týmu. Tentokrát visí ve vzduchu něco mnohem neurčitějšího: „Pomohla s tím AI.“ A v tu chvíli se ukáže, že největší problém už není kód napsat — ale kód uřídit. A právě tenhle paradox popisuje zpráva od CloudBees.

První dějství:

Důvěra je vysoká. A přesto je víc požárů

Když se zeptáte technologických lídrů, zní to optimisticky: 92 % z nich vyjadřuje důvěru v produkční připravenost AI‑generovaného kódu.

Jenže vzápětí přijde studená sprcha: 81 % organizací zároveň hlásí nárůst produkčních problémů, které dávají do souvislosti právě s AI‑kódem.

A není to žádná okrajovka pro pár nadšenců. Zpráva uvádí, že AI už generuje nebo pomáhá psát 61 % průměrného enterprise codebase a 64 % engineering organizací ji popisuje jako „široce adoptovanou“ nebo „plně integrovanou“ do workflow.

Tohle není experiment v sandboxu. Tohle je nový standard.

Druhé dějství:

Psaní je najednou „ta snadná část“

AI udělala z psaní kódu rychlou disciplínu. A někde mezi tím se ozývá povzdech, který by ještě před pár lety zněl skoro rouhavě: „Testy mě stojí víc než psaní.“ Zpráva říká, že 70 % respondentů považuje údržbu testovací sady za větší břemeno než psaní kódu.

V éře „code abundance“ totiž nejde o to, kolik toho dokážete vyprodukovat. Jde o to, kolik toho dokážete bezpečně unést.

Třetí dějství:

Testování nestíhá a „víc testů“ není konečné řešení

V reakci na vyšší objem AI‑kódu změnilo přístup k testování 97 % organizací.

Nejčastěji přidávají automatizaci (62 %), někde přidávají manuální kroky (30 %), a menší část investuje do nových QA nástrojů (5 %).

Jenže zpráva varuje: časem už nebude stačit „spouštět víc testů“. Firmy budou potřebovat lépe vědět, které testy mají pro konkrétní změnu smysl a které ne — jinak se systém „přehřeje a zničí“ vlastní kontrolou.

Čtvrté dějství:

Když se to rozbije, nikdo to „nevlastní“

A teď zpátky k rannímu incidentu. Kdo je za to odpovědný?

Zpráva ukazuje, že jen 12 % organizací má dedikovaný tým pro AI governance. Když AI‑generovaný kód způsobí produkční selhání, odpovědnost často „teče nahoru“:

• 46 % respondentů říká, že to spadne na CTO nebo VP Engineering,
• 32 % na engineering lead/tým, který nástroj použil,
• a jen 7 % to připíše jednotlivému vývojáři, který odeslal pull request.

Přitom formální procesy existují: 93 % organizací uvádí, že má formální postup pro review a release AI‑kódu do produkce.

Jenže vynucování kulhá — jen 56 % respondentů tvrdí, že se tyto procesy vždy dodržují.

Tohle je přesně ten typ organizační díry, ve které se incidenty rodí: proces je napsaný, ale nikdo si není jistý, kde končí „doporučení“ a kde začíná „závazná povinnost“.

Páté dějství:

Více kódu, více nákladů… a nový strašák jménem „token anxiety“

Když se výroba zrychlí, infrastrukturní realita přestane být romantická.

V číslech to vypadá takto: 54 % organizací hlásí výrazný nárůst výdajů na CI/CD infrastrukturu za posledních 12 měsíců a 53 % vidí výrazné zvýšení nákladů na testování, bezpečnost a nasazování.

A současně se rodí nové napětí: jen 45 % týmů popisuje AI výdaje jako vysoce předvídatelné kvartál od kvartálu; 27 % zavedlo tvrdé limity/kvóty na tokeny a pouze 18 % má automatizované kontroly pro řízení této spotřeby.

Autoři pro tuhle nejistotu používají termín „token anxiety“ — plíživou obavu, že spotřeba promptů, agentů a interakcí s modely poroste rychleji, než ji organizace dokáže pochopit, přiřadit a uřídit.

Šesté dějství:

„AI nám přinesla hodnotu.“ Dobře. A umíte to dokázat?

Je snadné říct „zrychlili jsme“. Těžší je říct „a tady je dopad na byznys“. Zpráva uvádí, že 68 % organizací věří, že AI jasně dodala business value — ale dokážou přiřadit konkrétním výsledkům jen 31 % AI‑souvisejících výdajů.

A 36 % AI výdaje sleduje bez měření ROI (nebo ROI neměří vůbec).

Když neumíte přiřadit náklad k výsledku, zůstane z hodnoty jen dojem. A dojmy, jak ví každý, špatně přežívají rozpočtové škrty.

Epilog:

Všichni se cítí připravení. A přesto se něco zadrhává

CloudBees v textu popisuje i rámec CARE (Code Abundance Readiness Evaluation), který měří připravenost v šesti dimenzích (viditelnost nákladů, predikovatelnost rozpočtu, měření produktivity, vyspělost governance, viditelnost napříč pipeline a token governance) a uvádí průměrné skóre 83,6/100 — tedy vysoké sebe‑hodnocení.

Jenže právě vedle toho stojí realita produkčních incidentů, růstu nákladů a nejasné odpovědnosti.

A tady přichází hlavní pointa zprávy: klíčovým problémem napříč oblastmi je nedostatek viditelnosti — každý nástroj vidí jen svůj výsek, ale AI (a governance kolem ní) potřebuje „celý obraz“ napříč delivery pipeline.

Text to rámuje potřebou vrstvy „nad nástroji“ a zmiňuje i koncept „control plane“ (včetně zmínky o CloudBees Unify) a „intelligent testing“, které má AI pomoci prioritizovat testy s nejvyšší šancí zachytit relevantní selhání.

Co si z příběhu odnést

AI nám zrychlila ruce. Ale zároveň nám nastavila zrcadlo: největší slabiny nejsou v psaní, ale v řízení procesů — v testech, v odpovědnosti, v nákladech a v tom, jak pevně umíme vynucovat pravidla, která máme sepsaná a uložená „někde v dokumentu“.

⚠️ Důležité upozornění: Tento článek byl vytvořen za pomoci AI COPILOT