Představme si juniora, který za odpoledne dodá změnu, na níž by se dřív učil několik dní. AI připravila kód, doplnila testy a ochotně vysvětlila, proč to celé dává smysl. Zkušený kolega změnu schválí, úkol zmizí z tabule a tým si může odškrtnout další úspěch automatizace. Jen jedna věc se do té tabule nevejde: co se při tom naučil člověk, který má za pár let podobné změny schvalovat?
Microsoft a Carnegie Mellon University se tuhle otázku rozhodly řešit programem PRAISE. V oznámení zveřejněném 15. října 2026 popisují propojení začínajících inženýrů se zkušenými průvodci a univerzitní výukou. Je to rozumnější odpověď než představa, že budoucí zkušené vývojáře prostě někdo dodá, až je budeme potřebovat. Senior není hotový produkt, který se objeví na pracovním trhu. Nejdřív mu někdo musí dovolit být juniorem.
Kód je hotový. Zkušenost ještě ne
Jak jsme uvedli v rychlé zprávě o programu PRAISE, nejde o veřejný kurz ani náhradu studia informatiky. Je to interní program, který doplňuje práci v týmech Microsoftu. Jeho název znamená Preceptorship for AI-accelerated Software Engineering; princip vedené praxe si bere z ošetřovatelství, kde nováčky provází zkušenější kolegové.
Mark Russinovich a Scott Hanselman v oficiálním oznámení zdůrazňují porozumění systému, úsudek a odpovědnost za výsledek. Zkušený inženýr má s nováčkem rozebírat otázky, ukazovat vlastní způsob řešení a vysvětlovat, proč některému návrhu věří a jinému ne. Carnegie Mellon k tomu přidá výuku a diskuse v malých skupinách, které mají propojit teorii s reálným vývojem a přípravou řešení pro produkční provoz.
Podstatný je rozdíl mezi vysvětlením a předvedením. Když senior problém vyřeší sám, junior vidí správný výsledek. Když mu dovolí udělat návrh, obhájit předpoklady a zjistit, kde se spletl, dostává šanci vybudovat si vlastní úsudek. AI tenhle rozdíl neruší. Naopak ho dokáže schovat pod velmi přesvědčivě vypadající řešení.
Oznámení představuje přístup k výuce, nikoli důkaz jeho účinnosti. Neobsahuje vyhodnocení, podle kterého by absolventi PRAISE dělali méně chyb nebo rychleji získávali samostatnost. Nemá tedy smysl slavit vyřešenou budoucnost programátorské profese. Za pozornost stojí už samotná volba problému: Microsoft neřeší pouze to, jak rychleji vyrábět kód, ale také to, jak při této rychlosti nepřestat vychovávat jeho budoucí správce.
Levnější úkol nemusí být levnější výchova
Jednoduché úkoly mají ve vývoji dvojí hodnotu. Firma dostane opravenou chybu nebo malou funkci a začátečník se přitom naučí projít cizí kód, najít správné místo a poznat důsledky změny. Pokud nástroj první část udělá rychleji, je to užitečné. Druhá část ale není automaticky součástí dodávky. Hotová odpověď není totéž jako schopnost k ní dojít.
To není argument pro zákaz AI ani pro povinné ruční přepisování všeho, co umí stroj. Taková výuka by zbytečně pletla řemeslnou zručnost s mechanickou námahou. Otázka zní jinak: které části práce musí nováček opravdu pochopit a kde mu automatizace bezpečně uvolní ruce? U jedné změny to bude orientace v toku dat, u jiné volba testu a u další schopnost říct, že se požadavek vůbec nemá implementovat.
Představme si opravu přihlášení. Vygenerované řešení projde běžným testem a vypadá čistě. Mentor se ale zeptá, co se stane při souběhu požadavků, kdo pozná nežádoucí chování a jak se změna vrátí zpět. Pokud junior odpovědi pouze přepošle z další konverzace s modelem, úkol možná odevzdal, ale odpovědnost ještě nepřevzal. Užitečná výuka začne teprve ve chvíli, kdy umí odpověď ověřit a vysvětlit její hranice.
Stejný rozdíl mezi výrobou a dokončením práce už známe z dopadu coding agentů na testování a průběžnou integraci. Rychlejší vznik změn může přesunout čekání do jiné části procesu. U vzdělávání je to méně viditelné: místo fronty testů vzniká závislost na několika lidech, kteří jediní vědí, proč systém funguje právě takhle. To je naše interpretace rizika, nikoli naměřený výsledek programu PRAISE.
Mentor potřebuje čas, ne další čestnou funkci
Nejdražší část takového programu nebude název ani studijní materiály. Bude to pozornost zkušených lidí. Kvalitní rozhovor nad nepovedeným návrhem trvá déle než rychlé převzetí úkolu. Pro tým pod tlakem je lákavé práci dokončit za nováčka a výuku odsunout na klidnější týden. Jenže klidnější týden má v softwarových firmách pozoruhodný talent nikdy nepřijít.
Podle nás musí vedení týmu tenhle čas uznat jako skutečnou práci. Pokud seniora hodnotí pouze podle vlastních dodávek, ale zároveň po něm chce systematickou výchovu kolegů, zadává mu dva soupeřící úkoly. Mentoring pak snadno skončí jako dobrovolná služba po pracovní době. Oznámení PRAISE správně mluví o vytváření prostoru pro otázky; konkrétní kapacitu mentorů ani náklady programu ovšem nezveřejňuje.
Pro menší firmu z toho neplyne povinnost uzavírat partnerství s univerzitou. Užitečnější je vyhradit začátečníkovi omezenou část systému, skutečného průvodce a pravidelnou chvíli na rozbor rozhodnutí. AI může pomáhat s návrhem, hledáním variant nebo přípravou testů. Člověk by ale měl umět ukázat, co sám ověřil a kde si naopak potřebuje přizvat někoho zkušenějšího.
Tohle je i důvod, proč bych nehodnotil juniora podle počtu změn, které s pomocí modelu odešle. Taková metrika odměňuje rychlost obsluhy nástroje, ne porozumění produktu. Zajímavější je, zda dokáže najít chybný předpoklad, odmítnout zbytečné rozšíření a opravit vlastní návrh poté, co se podmínky změní. Právě tam začíná práce, za kterou si firmy platí zkušenost.
Budoucí senior se musí naučit i nesouhlasit s AI
Pro tým, který chce podobný přístup vyzkoušet, bych doporučil jednoduchou praxi: před použitím AI si junior krátce sepíše vlastní představu problému a potom s mentorem porovná, co model změnil a proč. U významnější úpravy vysvětlí jeden odmítnutý návrh, jeden důležitý test a postup návratu při selhání. Je to redakční doporučení pro výuku, ne metodika, jejíž účinnost by Microsoft v oznámení doložil.
Další rozhovor by měl přijít až po nasazení. Potvrdily se původní předpoklady? Co ukázal provoz, co test nezachytil a co by autor příště navrhl jinak? Začátečník tak neodevzdává pouze kód do kontroly, ale sleduje osud vlastního rozhodnutí. Bez tohoto pokračování se i dobře míněný mentoring může smrsknout na kontrolu domácích úkolů.
Na PRAISE je sympatické, že nevydává znalost syntaxe za celou profesi, ale ani neodepisuje znalost toho, co program skutečně dělá. V době, kdy lze snadno zaměnit plynulé vysvětlení za porozumění, je to zdravá hranice. AI může začátečníkovi pomoci udělat věci, na které by si sám ještě netroufl. Firma mu ale musí dát možnost zjistit, proč fungují — a také kdy nefungují.
Ušetřit na juniorech a později zoufale shánět seniory není strategie pro dobu AI. Je to staré podinvestování do lidí s novou omluvou. PRAISE ještě musí ukázat výsledky. Už dnes ale připomíná něco, co se do ukázek okamžitě hotových aplikací nevejde: software lze vygenerovat, zkušenost člověka je potřeba vypěstovat.
