AI jako pair programmer: kdy to funguje, kdy ne, a jak z toho vytěžit maximum

Pair programming s kolegou: sdílíte kontext, diskutujete o designu, chytáte chyby navzájem. Pair programming s AI: máte neúnavného partnera, který nikdy neřekne 'to nevím', ale taky nikdy neřekne 'to je blbý nápad.'

Tohle je fundamentální rozdíl, kterému většina lidí nerozumí. AI pair programmer je skvělý v implementaci — ale špatný v rozhodování. Pochopení toho rozdílu změní způsob, jak AI používáte.

Kde AI pair programming exceluje

Explorativní kódování

'Zkusme tento přístup, jak by to vypadalo?' AI napíše prototyp za minutu. Nelíbí se vám? 'Zkus jiný přístup s X.' Další prototyp za minutu. Za 10 minut máte 5 různých implementací a můžete se informovaně rozhodnout. S lidským párem byste měli jednu za hodinu.

# Explorativni prompt — rychle prototypovani:

Chci implementovat cache pro API volani.
Ukaz mi 3 ruzne pristupy:
1. In-memory s TTL
2. Redis s invalidaci
3. Stale-while-revalidate pattern

U kazdeho napis 20-radkovy prototyp
a vypis pro/proti.

Rubber duck debugging

Vysvětlujete problém AI a přitom ho sami pochopíte. Rozdíl oproti gumovému kachňátku: AI se reálně zeptá zpět. 'Říká, že hodnota je undefined — kontroluješ, že existuje před přístupem?' Často odpověď na svůj problém najdete v procesu jeho formulování.

Boilerplate a rutinní implementace

AI píše nudný kód, vy řešíte zajímavé problémy. CRUD endpointy, formulářová validace, test setup, konfigurační soubory — všechno, co je mechanické a opakované. Váš čas je lépe investovat do designu a business logiky.

Learning a exploration

'Jak funguje connection pooling v Prisma? Ukaž mi příklad a vysvětli trade-offs.' AI je nekonečně trpělivý učitel, který připraví příklad přesně na váš use case. Žádná otázka není příliš 'hloupá.' Tyhle zná všichni.

Kde AI pair programming selhává

Design diskuze

AI souhlasí s čímkoliv. Řeknete 'udělej microservices' a udělá microservices. Řeknete 'udělej monolit' a udělá monolit. Nikdy neřekne 'tohle je overengineered' nebo 'ten druhý přístup by byl jednodušší.' Potřebujete člověka, který řekne ne.

Doménový kontext

AI nezná vaše business pravidla, vaše uživatele, vaše historická rozhodnutí. Neví, že 'slevu nad 50 % musí schválit manažer' nebo že 'tento endpoint používají tři partneři a nesmí se změnit.' Tohle musí dodat člověk — a AI to nepoptává.

Mentoring

Junior se od AI naučí JAK udělat věci. Ale ne PROČ. AI neřekne: 'Tohle funguje, ale za rok to bude neopravitelné, protože...' Mentoring vyžaduje zkušenost, kontext, a ochotu zpochybňovat přístup — ne jen implementovat.

Praktický model: AI pro implementaci, člověk pro rozhodování

Nejefektivnější workflow, který jsem našel:

• Vy rozhodujete CO a PROČ (architektura, API design, abstractions)
• AI implementuje JAK (napíše kód, testy, dokumentaci)
• Vy kontrolujete a korigujete výsledek
• AI iteruje na základě vaší zpětné vazby

# Priklad efektivniho pair programming s AI:

# Vy rozhodnete:
"Potrebuju cache vrstvu pro user service.
Pouzij Redis, TTL 5 minut, invalidace
pri update uzivatele. Stale-while-revalidate
pro read-heavy endpoints."

# AI implementuje:
[napise kod, testy, konfiguraci]

# Vy zkontrolujete:
"Dobry zaklad, ale:
1. Chybi fallback kdyz Redis padne
2. TTL pro admin endpointy by mel byt kratsi
3. Pridej metriky do cache hit/miss"

# AI iteruje:
[opravi na zaklade vasi zpetne vazby]

Když to funguje nejlíp

AI pair programming je nejefektivnější, když: 1) máte jasnou představu, co chcete, 2) úkol je implementační, ne designový, 3) existují testy, které ověřují správnost, 4) jste ochotni kontrolovat a korigovat výstup.

Je nejméně efektivní, když: 1) nevíte, co chcete, 2) rozhodujete o architektuře, 3) neexistují testy, 4) slepě věříte výstupu bez review.

AI je skvělý 'jak' a špatný 'jestli.' Používejte ho na implementaci, ne na rozhodování. A když si nejste jisti designem — diskutujte s kolegou, ne s AI.