Agentic coding: dovednost, která nahrazuje vibe coding

Za třicet dní naši vývojáři společně s AI agenty napsali zhruba 135 000 řádků kódu a spotřebovali přitom kolem šesti miliard tokenů. Ta čísla nehádáme, měříme je: dashboard v Grafaně tahá data přímo z naší MCP Gateway, z logů, z Cursoru a z Coworku. Není to benchmark ani ukázka na jeden klik. Takhle vypadá běžný měsíc ve chvíli, kdy tým přestane brát AI jako našeptávač a začne ji řídit.

Ten posun má název, který se začíná ujímat: agentic coding. Je to dovednost, která přichází po vibe codingu, a mění to, co dobrý vývojář vlastně celý den dělá.

Vibe coding byl pro většinu lidí vstupní branou. Popíšete běžnou řečí, co chcete, AI něco vygeneruje a vy ji doťukáváte tak dlouho, dokud výsledek nesedí. Je to rychlé, je to zábava a na prototypy nebo jednorázové skripty se to hodí. U každého kroku ale pořád musíte být vy: AI píše, vy čtete, opravujete a ptáte se znovu.

Agentic coding tu smyčku přesouvá dovnitř nástroje. Agent si úkol naplánuje a rozloží ho na kroky. Upraví několik souborů, spustí příkazy a přečte si výstup. Podle něj se opraví, klidně několikrát, než vám vůbec něco vrátí. Přestáváte diktovat jednotlivé úpravy a začínáte nastavovat směr, mantinely a to, co znamená hotovo.

Ten rozdíl nedělá model. Dělá ho míra samostatnosti, kterou jste ochotní předat, a to, jak dobře jste agentovi připravili prostředí. Vibe coding nechává AI hádat. Agentic coding jí dává nástroje, kontext a prostor si věci ověřit.

Od chytřejšího našeptávače ho oddělují tři věci.

Smyčka. Agent nevyprodukuje jednu odpověď. Míří k cíli, ověří si, jestli ho dosáhl, a když ne, zkusí to znovu. Je to stejný princip jako u agentních workflow, aplikovaný na psaní a úpravu kódu.

Přístup k nástrojům. Agent, který umí jen chrlit text, je omezený. Agent, který umí spustit vaše testy, přečíst soubor, dotázat se databáze nebo zavolat interní službu, si dokáže práci ověřit. Právě tento přístup dělá z návrhu změnu, které se dá věřit.

Kontext, na který si sáhne sám. Nejlepší výsledky přicházejí tam, kde si agent umí dojít pro to, co potřebuje, místo aby čekal, až mu to vložíte. Podrobně jsme se tomu věnovali v článku o context engineeringu a v každodenní agentické práci je to ta největší páka.

Nepíšeme to zvenčí. Agentic coding je způsob, jakým náš tým dodává, a celá sestava je záměrně nudná.

Samotní kódovací agenti žijí tam, kde vývojář stejně pracuje, v editoru a v terminálu. Kolem nich jsou kontextové soubory, které popisují, jak jednotlivé projekty fungují, jaké konvence dodržovat a čemu se vyhnout. Pak je tu MCP, tedy Model Context Protocol, který ty agenty propojuje s reálnými systémy: s trackery úkolů, interními API, dokumentací. A protože napojení AI agentů na produkční systémy je otázka bezpečnosti stejně jako produktivity, všechno vede přes naši AI Platformu, kterou jsme postavili právě proto, aby ten přístup zůstal auditovatelný a pod kontrolou.

Jeden vzorec vidíme pořád dokola: kvalita výstupu jde ruku v ruce s tím, jak dobře je strukturovaný vstup, ne s tím, jak chytře je napsaný prompt. Matyáš Křeček, náš specialista na AI adopci, na to narazil při převodu návrhů do produkčního kódu. Když modelu ukážete screenshot a chcete komponentu, dostanete průměr. Když mu předáte strukturovaný export reálného stacku, komponenty, typy a konfiguraci, vznikne něco blízkého produkční kvalitě, protože agent konečně dostane skutečný kontext, ne obrázek k rozluštění.

Stejné poučení se ukázalo u úplně jiného úkolu. V jednom discovery projektu proměnila pipeline s podporou AI nahrané rozhovory se stakeholdery v 57 user stories napříč 15 epiky za zhruba osm člověkodnů, tedy zhruba dvakrát rychleji, než jsme čekali. Zajímavá na tom nebyla ta rychlost. Zajímavé bylo proč: příběhy vyšly dobře strukturované, takže s nimi kódovací agenti dál mohli rovnou pracovat. Struktura na začátku procesu se vyplatila na jeho konci. Háček byl stejně poučný: AI byla upovídaná a opakovala se, a člověk to pořád musel seškrtat.

Když jste zatím jen vibe-codili, denní rytmus agentic codingu je jiný v několika konkrétních věcech.

Víc času strávíte zadáním a míň psaním. Cenná práce se posouvá dopředu, do toho, jak dobře úkol popíšete, jaký kontext dodáte a jak rozhodnete, co je správně. Mechanickou střední část obstará agent.

Jinak revidujete. Místo abyste četli každý řádek, jak vzniká, procházíte hotovou změnu podobně jako pull request kolegy. Je to jiný způsob přemýšlení a právě tady se nejvíc pozná seniorita. Zkušený inženýr si všimne chybějícího cizího klíče, neošetřeného okrajového případu nebo bezpečnostního předpokladu, který neplatí. Agent vyrobí kód, který běží; jestli má jít do produkce, zůstává otázkou úsudku.

Spolehnete se na to, že se agent zkontroluje sám. Týmy, které z toho těží nejvíc, ho nechají spustit testy a přečíst si chyby dřív, než se na to vůbec podívá člověk. Nejpokročilejší sestavy, které jsme viděli, jdou ještě dál a spojují analýzu, plánování a self-review do opakovatelného cyklu, ne do jednorázového promptu. Je to začátek, ale směr je jasný: vývojář se stává tím, kdo tu smyčku navrhuje, ne tím, kdo každou iteraci protočí ručně.

Agentic coding není kouzlo a je poctivé říct, kde dře.

Samostatnost bez kontextu vyrábí sebejisté nesmysly. Když jsou vaše kontextové soubory zastaralé nebo si agent nedosáhne na systémy, které potřebuje, stejně bude jednat, jen na základě špatných předpokladů. Bez nastavení a údržby se nikam nedostanete.

V enterprise prostředí jde do tuhého. Organizace, které by z agentic codingu vytěžily nejvíc, bývají ty, které toho smějí zpřístupnit nejmíň, protože napojení agentů na interní systémy naráží rovnou na bezpečnost, auditovatelnost a compliance. To není důvod se tomu vyhýbat; je to důvod počítat s bezpečností agentní AI a řízeným přístupem od začátku, ne je lepit dodatečně. O tom, jak zavádíme AI coding agenty ve velkých firmách, jsme psali zvlášť, a právě práce na governance obvykle rozhoduje, jestli se adopce udrží.

A ověřování nikdy nezmizí. Víc samostatnosti znamená víc kódu, který jste nenapsali řádek po řádku, což znamená, že disciplína revize, testování a porozumění tomu, co se nasadilo, je o to důležitější.

Když přecházíte z vibe codingu na agentic coding, pár věcí pomůže.

Investujte do kontextu dřív než do promptů. Dobrý kontextový soubor projektu a spolehlivý přístup k nástrojům udělají pro výsledek víc než sebevětší ladění promptů.

Dejte agentovi možnost zkontrolovat se sám. Zapojte testy, lintery a typové kontroly, ať své chyby odhalí dřív než vy.

U review nechte seniorního inženýra. Agentic coding zvedne výstup všem, ale nenahradí úsudek, který odliší dobrou architekturu od kódu, který jen náhodou běží.

Vibe coding naučil vývojáře, že si se svými nástroji můžou povídat. Agentic coding je to, co nastane, když nástroje začnou dělat práci a dovedností se stává umět je dobře řídit. Přirozeně se pojí s posunem ke context engineeringu a dohromady popisují, jak dnes software reálně vzniká: ne psaním každého řádku, ale nastavením prostředí, kde je dobrý kód cestou nejmenšího odporu.