Osa lidé měří, jak zrale se s AI pracuje. Následující výsledek je ukázka výstupu z reálného měření na skupině dvaceti vývojářů. Ukazuje, jak výstup vypadá a co se z něj dá vyčíst.

Výsledek

52 %průměrné skóre AI zralosti

32–72 %rozptyl mezi nejslabším a nejsilnějším

52 %medián, tedy polovina lidí je níž

Celkově: AI se používá hojně, ale zatím povrchně. Skupina je adopcí daleko, zralostí workflow ne. Problém je tedy ve způsobu práce. Rozptyl 40 procentních bodů navíc ukazuje, že rozdíly mezi jednotlivci jsou větší než rozdíl skupiny od cíle. To je dobrá zpráva: know-how je kde brát uvnitř.

Rozpad po oblastech

Oblast	Skóre	Čtení výsledku
Kvantitativní	63 %	AI je běžnou součástí práce. Nejsilnější složka.
Kvalitativní (největší váha)	44 %	Zralost workflow zaostává. Táhne celkový výsledek dolů.
Impact	57 %	AI pomáhá, ale samostatně úkol nedotáhne.

Rozdíl mezi adopcí (63 %) a zralostí workflow (44 %) je jádro celého zjištění. Protože kvalitativní oblast má největší váhu, výsledek se nedá vylepšit tím, že se bude AI používat častěji.

Zařazení na škále

Pásmo	Rozsah	Počet lidí
🚨 Kritický stav	0–50 %	9
❗ Nestabilní stav	51–60 %	6
⚠️ Zlepšení nutné	61–70 %	4
✅ Solidní základ	71–80 %	1
🌟 Nad očekávání	81–90 %	0
🏆 Excelentní výsledek	91–100 %	0

Průměr 52 % spadá do pásma nestabilní stav. Horní dvě pásma jsou prázdná, což odpovídá tomu, že metrika je vědomě přísná a plný strop je prakticky nedosažitelný.

U šesti lidí se navíc uplatnil strop skóre, protože jejich workflow mělo zásadní slabinu. Objem používání jim tedy výsledek nezvedl. Tak je metrika navržená.

Práce s jednotlivci

AI Readiness nedává jen průměr za skupinu. Výsledek za jednotlivce je to, s čím se dá pracovat dál; proto ho předáváme i jmenovitě, pro interní použití. V ukázce anonymizovaně:

Vývojář	Skóre	Poznámka
Vývojář A	72 %	Nejvyšší skóre. Používá vlastní workflow a sdílené skills.
Vývojář B	70 %	Druhý nejvyšší. Pracuje se sub-agenty při review.

Tihle dva jsou jediní, kdo používá pokročilejší postupy. Praktický závěr vyhodnocení proto zní: využijte je jako interní mentory. Zralost už ve skupině existuje, jen se nešíří.

💡 U vašeho týmu tahle část výstupu pojmenuje, kdo má know-how, a dá zlepšování konkrétní jméno a směr, ne obecné doporučení.

Jak se ptáme

Dotazník neměří, kolikrát denně kdo spustí AI. Každá otázka je žebřík úrovní a skóre odměňuje vyšší úroveň, ne větší objem. Namátkou pět otázek přesně tak, jak byly položeny, včetně výsledku skupiny:

🧭 Jak strukturuješ kontext a instrukce pro AI? · výsledek 47 %

Nabízené úrovně:

1. Nemám žádný AGENTS.md / CLAUDE.md, prompty píšu od nuly nebo kopíruju z minulé konverzace
2. Mám 1-2 osobní šablony promptů, ale žádný AGENTS.md v repu
3. Mám základní AGENTS.md/CLAUDE.md v hlavním projektu (tech stack, příkazy, konvence)
4. Mám AGENTS.md + tech-docs/ rozdělení nebo vnořené AGENTS.md v specifických modulech (např. payments, auth)
5. Mám vše výše + custom slash commands / skills / sub-agents v .claude/ (nebo ekvivalent), týmově sdílené v repu

Proč to měříme: tohle je ta samá věc, kterou na projektu hodnotí kontrola „agentní instrukční soubor“ v ose projekt. Obě osy se tady potkávají: projekt může mít instrukční soubor vzorně, a lidé ho přesto nepoužívají, nebo naopak.

⚙️ Používáš AI v automatizovaných / non-interactive workflows? · výsledek 12 %

Nabízené úrovně:

1. Ne, používám AI jen interaktivně v IDE / chatu
2. Občas pouštím skript nebo CLI příkaz s AI ad-hoc
3. Mám persistentní automatizaci na úrovni gitu (pre-commit hook, commit message gen, lint fix script)
4. Mám Claude Code hooks (PreToolUse, PostToolUse, UserPromptSubmit atd.) nebo ekvivalent – agent vynucuje pravidla / kontroly automaticky během session
5. Mám headless agent flow řešící úkoly bez mojí přítomnosti (Claude Code non-interactive, Agent SDK, scheduled jobs, případně i v CI)
6. Mám multiple AI automatizace navržené pro tým – kombinuje hooks + headless agenty, vlastní sub-agenty a skills, sdílené v repu

Nejslabší otázka celého měření. Skóre 12 % znamená, že AI běží skoro výhradně tam, kde u ní někdo sedí. Veškerá produktivita je proto vázaná na přítomnost člověka.

🎼 Jak orchestruješ víc AI agentů v rámci jednoho úkolu nebo session? · výsledek 33 %

Nabízené úrovně:

1. Pracuju s jedním AI agentem v jednu chvíli, sekvenčně řeším úkoly
2. Občas spustím víc agentů na různé úkoly paralelně (např. dva Claude Code v různých terminálech)
3. Aktivně používám built-in sub-agenty (Explore, Plan, general-purpose) v rámci jednoho úkolu
4. Mám vlastní custom sub-agenty s definovanými rolemi (např. researcher, implementer, reviewer), spouštím je v rámci jednoho úkolu
5. Mám programatickou orchestraci agentů (Claude Agent SDK / OpenAI Agents SDK), kde agent volá další agenty podle pravidel

Právě tahle otázka rozhoduje o tom, jestli je vývojář orchestrátorem agentů, nebo uživatelem chatu. Skóre 33 % odpovídá tomu, že většina lidí pracuje s jedním agentem sekvenčně.

🚀 Jak autonomně AI řeší tvoje úkoly end-to-end? · výsledek 20 %

Nabízené úrovně:

1. AI mi pomáhá s dílčími kroky kódu, ale flow řídím já manuálně
2. AI sám udělá draft implementace tasku, ale PR/komunikaci/review/merge řeším já
3. AI sám vezme task, udělá implementaci a vytvoří PR; já dělám review a merge
4. AI vezme task, implementuje, vytvoří PR a sub-agent (lokálně nebo v CI) dělá first-pass review; já dělám final approve
5. Plně orchestrovaný flow: ticket → AI implementace → sub-agent review → notifikace mně (Slack/email/jiné) → human approve → merge, s minimálním mým zásahem v jednotlivých krocích

Skóre 20 % při současné adopci 63 % je nejsilnější důkaz, že objem používání a skutečná autonomie jsou dvě různé věci.

🛡️ Jak validuješ AI-generovaný kód před tím, než ho mergeneš? · výsledek 78 %

Nabízené úrovně:

1. Většinou nekontroluju / mergnu po automatických checkech
2. Občas se podívám, upravím to nejnutnější
3. Většinou přečtu a upravím co je třeba
4. Vždy projdu kód jako standardní code review (logika, edge cases, styl, security)
5. Vždy projdu + spouštím testy/ověřím manuálně + dokážu vysvětlit co kód dělá
6. Mám automatizovaný review flow – sub-agent / AI reviewer dělá první pass (lokálně nebo v CI), já dělám final review

Jedna z nejsilnějších otázek. Kontrola výstupu je zvládnutá, což je z pohledu rizika nejdůležitější; u nízkého skóre by se navíc uplatnil strop.

Sebehodnocení versus realita

Dotazník sbíral i sebehodnocení zralosti na škále 1 až 10. Proti vypočítanému skóre vychází průměrný rozdíl +7 procentních bodů a 13 z 20 lidí se přeceňuje.

DŮLEŽITÉ

Tohle je hlavní důvod, proč AI Readiness měří chování, ne pocit. Kdyby se stejná otázka položila jen jako „jak jste na tom s AI“, výsledek by byl o sedm procentních bodů lepší a nikam by nevedl. Největší rozdíly mezi sebehodnocením a skóre jsou zároveň nejlepším vstupem pro individuální zpětnou vazbu.

Zjištění

Kde AI pomáhá

Z otevřených odpovědí se opakují tři oblasti, ve všech jde o podpůrné a přípravné činnosti, ne o generování hotových feature:

• Legacy a cizí kód. Orientace ve starším systému, analýza rozsahu, debugging. Zdaleka nejčastěji zmiňovaný přínos.
• Refactoring a psaní testů. Opakovaně označeno jako největší úspora času.
• Onboarding do nové technologie. Když člověk pracuje s frameworkem, který ještě neumí.

🟥 Kde AI selhává

• Frontend, UI a stylování. Nejčastější stížnost. Agent nemá kontext o tom, jak má výsledek vypadat, pracuje jen s kódem.
• Ztráta kontextu a rozsahu. Práce mimo zadání, zapomínání konvencí z konverzace.
• Úpravy dokumentace a tiketů. Výstup je často potřeba ručně opravovat.

🟥 Bezpečnostní zjištění: agent obchází explicitní zákaz

Zaznamenali jsme případ, kdy se AI opakovaně pokusila vložit citlivé údaje přímo do kódu i přes explicitní zákaz v zadání. Zákaz v promptu tedy není spolehlivý guardrail.

Praktický důsledek míří na projekt: pravidlo je potřeba zapsat do repozitáře a vynutit automatickou kontrolou. Chybějící seznam zakázaných vzorů na ose projekt a toto zjištění na ose lidé jsou tentýž problém viděný ze dvou stran.

Doporučení

Priorita	Doporučení
Vysoká	Zaměřit rozvoj na kvalitativní oblast, konkrétně na automatizaci a orchestraci. Tam je propad největší.
Vysoká	Využít dva nejsilnější vývojáře jako interní mentory a jejich workflow sdílet v repozitáři, ne ústně.
Střední	Zlepšit workflow pro frontend tak, aby agent dostal kontext o vzhledu, ne jen o kódu.
Střední	Použít rozdíl mezi sebehodnocením a skóre jako podklad pro individuální zpětnou vazbu.
Nízká	Zopakovat měření po dvou kvartálech a porovnat posun; metrika je na sledování trendu navržená.