Technický dluh dnes podle mě znamená trochu něco jiného než před pár lety.
Dřív jsem ho vnímal hlavně jako důsledek kompromisů: odložený refaktor, zastaralý framework, chybějící dokumentaci nebo část systému, na kterou se nikomu nechce sahat.
To všechno pořád platí. Jenže samotné vytvoření nebo přepsání kódu už dnes není tak drahé jako dřív. AI agent zvládne během chvíle projít velkou část projektu, doplnit implementaci nebo navrhnout refaktor.
Mnohem dražší začíná být udržet systém konzistentní a zachovat znalost toho, jak a proč funguje.
Čím dál častěji proto technický dluh nepoznávám podle ošklivého kódu. Poznávám ho podle projektu, kde existuje několik způsobů řešení stejné věci, důležitý kontext je rozesetý po codebase a před každou větší změnou je potřeba znovu skládat dohromady, co všechno spolu vlastně souvisí.
Kód se dnes dá vytvořit velmi levně. Udržet systém srozumitelný, konzistentní a předvídatelný je naopak čím dál cennější.
Thoughtworks pro podobný problém používá pojem codebase cognitive debt: rostoucí rozdíl mezi tím, jak systém skutečně funguje, a tím, jak dobře mu tým ještě rozumí. S rostoucí rychlostí změn díky AI se podle nich může tahle mezera zvětšovat výrazně rychleji. Thoughtworks
Technický dluh už není jen špatný kód
Technický dluh pro mě pořád znamená hlavně cenu, kterou zaplatíme při dalších změnách za rozhodnutí z minulosti.
Jen už ho moc neposuzuju podle toho, jak „čistě“ codebase vypadá.
Projekt může používat moderní framework, mít pěknou strukturu a na první pohled působit velmi dobře. Přesto může být každá změna drahá, protože není jasné, kde všude vzniká chování systému a co na co navazuje.
Na starších projektech často narazím na business pravidla schovaná v eventech, cronech, databázi nebo integrační vrstvě. Jednotlivě na tom nemusí být nic špatného. Problém nastává ve chvíli, kdy už nikdo nedokáže bez delšího průzkumu říct, co všechno se stane po změně jedné důležité hodnoty.
Jednu špatně napsanou metodu většinou opravíte snadno. Mnohem dražší je systém, kterému se postupně přestává rozumět.
Největší problém je podle mě nekonzistence
Tohle je věc, které si při práci s AI všímám nejvíc.
Agent dostane úkol a vytvoří rozumné řešení. O pár dní později řeší podobný problém v jiném kontextu a vytvoří jiné, také rozumné řešení.
Jednou vznikne service, podruhé action, potřetí skončí podobná logika přímo v modelu. Každou variantu lze samostatně obhájit.
Problém je jejich součet.
Po nějaké době už není jasné, jak se věci v tomhle konkrétním projektu vlastně dělají. Další vývojář nebo agent najde několik existujících vzorů, jeden z nich si vybere a tím vznikne další varianta.
Nekonzistence se tak začne sama reprodukovat.
Raději pracuju v projektu, který některé věci řeší trochu obyčejněji, ale pořád stejně, než v codebase plné perfektních řešení, z nichž každé používá jiný přístup.
Podobnou zkušenost popisuje i OpenAI při vývoji projektu postaveného primárně pomocí coding agentů. S rostoucím objemem agentně generovaného kódu začali řešit architektonický drift pomocí jasných pravidel, mechanických kontrol a pravidelného úklidu vznikajících odchylek. OpenAI
Pro mě je to dobrý příklad toho, jak se mění role zkušeného vývojáře. Méně rozhodovat každý jednotlivý řádek a víc hlídat mantinely, ve kterých má celý systém zůstat konzistentní.
Kontext je dnes dražší než implementace
AI je velmi dobrá v práci s tím, co má k dispozici.
Horší jsou věci, které v projektu nikde zachycené nejsou.
Proč tahle hodnota nesmí být změněná přímo? Proč existují dvě podobná flow? Proč se zdánlivě nepoužívané tabulky nesmí dotknout? Proč jsme před dvěma lety zavrhli řešení, které teď agent znovu navrhuje?
Přesně takový kontext se v dlouhodobě vyvíjených systémech postupně ztrácí. Něco zůstane ve starém ticketu, něco se rozhodlo na callu a něco existuje jen v hlavě člověka, který projekt zná několik let.
Dřív byl tenhle problém nejvíc vidět při nástupu nového vývojáře. S AI se objevuje prakticky při každé větší změně.
OpenAI ve svém agentním vývoji popisuje podobnou zkušenost: informace, které agent nemůže dohledat v dostupném kontextu, pro něj prakticky neexistují. Proto přesouvali znalost architektury, rozhodnutí a pracovních postupů přímo do repository. OpenAI
Tohle mi dává smysl i bez AI.
Dokumentace podle mě nemusí vysvětlovat věci, které lze snadno vyčíst z kódu. Mnohem hodnotnější je zachytit proč, důležité vazby a rozhodnutí, která z implementace sama o sobě poznat nejdou.
Vibe coding tenhle problém jen urychluje
U vibe-coded aplikací je celý efekt vidět ještě rychleji.
Na začátku je rychlost skvělá. Přidá se přihlášení, platby, role, administrace, další integrace. Každý požadavek je možné velmi rychle převést do fungující funkce.
Jenže jednotlivé změny vznikají postupně nad tím, co už v projektu existuje. Pokud nikdo čas od času nezkontroluje architekturu, datový model a způsob, jakým spolu jednotlivé části komunikují, aplikace začne být složená z rozhodnutí, která spolu nikdy nebyla navržená jako celek.
A přitom může dlouhou dobu normálně fungovat.
Právě v tom je podle mě největší riziko. Technický dluh už nemusí být vidět v rychlosti vývoje, protože agent dokáže rostoucí složitost nějakou dobu kompenzovat.
Další feature se pořád podaří dodat. Jen pod ní postupně přibývají výjimky, další abstrakce a další kontext, který je potřeba při příští změně pochopit.
Proto se u podobných projektů při technickém auditu webové aplikace nedívám jen na to, jestli aplikace dnes funguje. Zajímá mě hlavně, jestli je stále pochopitelné, proč funguje právě takhle a jestli se na ní dá bezpečně stavět dál.
Jak se na technický dluh dívám dnes
Čím víc s AI agenty pracuju, tím méně řeším, jestli je každá část projektu navržená dokonale.
Mnohem důležitější je pro mě to, jestli má projekt vlastní jasný jazyk.
Jestli se podobné věci řeší podobně. Jestli jsou důležitá rozhodnutí dohledatelná. Jestli je jasné, kde vzniká business logika a které části systému jsou citlivé. A jestli se dá běžná změna udělat bez několikahodinové archeologie celé aplikace.
Proto se mi osvědčilo držet conventions jednoduché, důležitá rozhodnutí zapisovat a čas od času se na codebase podívat jako na celek místo řešení dalšího ticketu.
- Nevznikly tři způsoby řešení stejného problému?
- Nepřibyly abstrakce, které už nedokážeme jednoduše vysvětlit?
- Neexistuje důležitá znalost jen v hlavě jednoho člověka?
Právě tyhle otázky mi dnes o technickém dluhu řeknou víc než počet souborů, stáří frameworku nebo nějaké obecné skóre kvality.
Podrobněji se tomu, jak kontext a pravidla projektu připravuju pro agenty, věnuju v článku Jak připravit projekt na vývoj s AI agenty.
Technický dluh nikam nezmizel, jen se změnil
AI podle mě automaticky nevytváří horší software.
Na dobře nastaveném projektu může naopak pomoct rychle odstranit věci, které by se dřív odkládaly celé měsíce.
Zároveň ale výrazně zvyšuje rychlost, se kterou v projektu vznikají nová technická rozhodnutí.
A právě proto dnes technický dluh nevnímám primárně jako starý framework nebo nepěkný kus kódu.
Horší je pro mě systém, ve kterém existuje příliš mnoho způsobů řešení stejné věci, důležitý kontext už nikde není zachycený a každá další změna vyžaduje znovu pochopit velkou část aplikace.
Největší technický dluh v době AI podle mě není kód, který by šel napsat lépe. Je to systém, kterému už nikdo pořádně nerozumí.
Samotné psaní kódu bude pravděpodobně dál zlevňovat. O to důležitější bude udržet software jednoduchý, konzistentní a srozumitelný i po stovkách dalších změn.