Adoption gap: proč 73 % dev týmů AI v praxi nevyužívá (a jak to změnit)

Podle průzkumu GitHubu z roku 2025 zvyšuje 73 % firem investice do AI nástrojů pro vývojáře. Zároveň podle Stack Overflow Developer Survey říká většina vývojářů, že AI nástroje používá 'občas' nebo 'zřídka.' Tohle je adoption gap — rozdíl mezi tím, co firma koupila, a tím, co tým skutečně používá.

Koupili jsme Copilot pro celý tým. Po třech měsících ho aktivně používali tři lidi z dvaceti. — CTO středně velké firmy na mém školení

Vidím to na každém školení. Firma utratí desítky tisíc za licence, pošle email 'od teď používáme AI', a za měsíc je adoption na 15 %. Vedení je frustrované, vývojáři jsou skeptičtí, a nikdo neví proč to nefunguje.

Tři důvody, proč adopce selhává

1. Chybí školení — a ne ledajaké

Firma koupí licence a čeká, že se lidi 'naučí sami.' To je jako dát pilotovi letadlo bez výcviku. AI nástroje jsou mocné, ale mají learning curve. Bez structured onboardingu většina lidí zkusí jeden prompt, dostane špatný výstup, a vzdá to. Navždy.

Problém není v tom, že by lidi nechtěli. Problém je, že neumějí napsat dobrý prompt, neví jaké úlohy AI delegovat, a nemají nikoho, kdo by jim ukázal reálné use cases na jejich vlastním kódu.

• Co efektivní školení musí pokrýt:
• Jak psát prompty specifické pro váš stack (ne generické 'explain this code')
• Které úlohy delegovat AI a které ne
• Hands-on cvičení na reálném kódu týmu
• Bezpečnostní pravidla — co smí a nesmí do AI
• Nastavení nástrojů (CLAUDE.md, .cursorrules, Copilot config)

2. Chybí pravidla — a tím chybí důvěra

Co smím poslat do AI? Můžu tam dát produkční data? Klientský kód? Interní dokumentaci? Connection stringy? Když tým nemá jasná pravidla, lidé raději AI nepoužívají vůbec — z opatrnosti. A mají pravdu — bez guardrails je používání AI skutečné riziko.

Řešení je jednoduché: jednostránkový dokument s jasnými pravidly. Co smí do AI (veřejný kód, boilerplate, generické otázky). Co nesmí (API klíče, PII, klientský kód bez souhlasu). Které nástroje jsou schválené. Jak se reviewuje AI-generovaný kód.

# AI Guidelines (priklad)

## Schvalene nastroje
- GitHub Copilot Business (autocomplete)
- Claude Team (reasoning, code review)

## Co NESMI do AI
- API klice, connection stringy, secrets
- Produkcni data, PII
- Klientsky kod bez souhlasu

## Review policy
- AI-generovany kod = stejny review jako rucni
- Auth, platby, data mutations = vzdy lidsky review

3. Chybí měření — a tím chybí obhajoba

Pokud nevíte, jestli AI pomáhá, nemůžete obhájit investici ani zlepšit adopci. Měřte review time, deployment frequency, čas na rutinní úkoly, počet regresí. Ne proto, abyste kontrolovali lidi — ale proto, abyste viděli, kde AI v praxi přináší hodnotu a kde ne.

Konkrétní příklad: jeden tým, se kterým pracuji, začal měřit čas od vytvoření PR do merge. Před zavedením AI code review: průměr 2.3 dne. Po zavedení: 0.9 dne. Tahle čísla přesvědčí vedení líp než jakákoli prezentace.

• DORA metriky, které ukážou dopad AI:
• Deployment frequency (jak často deployujete)
• Lead time for changes (od commitu po produkci)
• Mean time to recovery (jak rychle opravíte incident)
• Change failure rate (kolik deploymentů způsobí problém)

Framework pro úspěšnou adopci

Adopce není jednorázová akce. Je to proces se čtyřmi fázemi, a každá fáze má konkrétní kroky a měřitelné výsledky.

Fáze 1: Průkopníci (týden 1-2)

Identifikujte 2-3 lidi v týmu, kteří jsou přirozeně zvědaví na nové nástroje. Dejte jim čas a prostor experimentovat. Nechte je najít use cases, které fungují na vašem kódu. Jejich úloha: připravit 3-5 konkrétních příkladů, kde AI skutečně ušetří čas.

Fáze 2: Školení (týden 3-4)

Hands-on workshop pro celý tým. Ne prezentace o tom, jak je AI úžasná — praktické cvičení na reálném kódu. Průkopníci ukážou své use cases. Každý si zkusí napsat prompt, dostat výstup, a zhodnotit kvalitu. Cíl: každý odchází s minimálně jedním use case, který bude používat denně.

Fáze 3: Pravidla a měření (týden 5-8)

Zavedení guardrails, nastavení metrik, pravidelný check-in. Na každé retrospektivě otázka: 'Kde vám AI tento sprint pomohla nejvíc? Kde vám nepomohla?' Iterujte pravidla na základě reálné zkušenosti.

Fáze 4: Škálování (měsíc 3-6)

AI se stává součástí standardního workflow. Sdílené prompt knihovny, CLAUDE.md v repozitářích, AI code review v CI pipeline. Metriky ukazují konkrétní zlepšení. Tým používá AI denně a produktivně.

Co rozhoduje o úspěchu

Firmy, které investují do školení a pravidel, mají za 3 měsíce 80% adopci. Firmy, které jen koupí licence, mají za 3 měsíce 15% adopci. — moje data z 20+ týmů

Adopce není o technologii. Je o lidech, procesech a kultuře. Firmy, které tohle pochopí, mají za 3-6 měsíců tým, který AI používá denně a produktivně. Ostatní mají zaprášené licence a frustrované vedení.