Váš tým generuje kód, který nikdo nečte: Problém jménem workslop

Tvůj tým používá Claude Code. Pull requesty chodí rychleji než dřív. Počet commitů roste. Na papíře to vypadá skvěle.

Jenže kdo ten kód čte? Kdo ho skutečně reviduje? Kdo kontroluje, jestli ta elegantně vypadající funkce nedělá přesně to, co nemá?

Co je workslop

Harvard Business Review přišel s pojmem, který pojmenoval něco, co spousta lidí cítila, ale neuměla artikulovat: workslop.

Workslop je AI-generovaný výstup, který vypadá profesionálně, ale postrádá substanci. Vypadá hotově. Čte se dobře. Projde letmou kontrolou. Ale ve skutečnosti je to polotovar, který někdo musel přijmout, aniž by ho důkladně prověřil — protože ho AI vygenerovalo tak snadno, že se zdálo zbytečné nad ním přemýšlet.

U textu poznáš workslop hned — je generický, plný frází, říká všechno a nic. U kódu je to horší. Kód z AI vypadá čistě. Má komentáře. Má testy. Vypadá profesionálně. A přesně proto je tak nebezpečný.

Čísla, která by tě měla znepokojit

Tohle není teorie. Jsou to data.

58 % zaměstnanců v enterprise firmách tráví přes 3 hodiny týdně opravami AI-generovaného obsahu. Tři hodiny. Každý týden. To je skoro celý pracovní den měsíčně strávený opravováním věcí, které měly ušetřit čas.

24,7 % AI-generovaného kódu obsahuje bezpečnostní zranitelnosti. Každý čtvrtý kus kódu, který ti Claude Code navrhne, může mít bezpečnostní díru. A kolik z tvých vývojářů to při review zachytí?

A pak je tu ta méně viditelná cena: eroze důvěry v code review. Když tým zjistí, že se revidované PR plné AI kódu stejně občas rozbijí, přestanou věřit celému review procesu.

Proč k workslopu dochází

1. Rubber-stamping

Vývojář pošle PR s 500 řádky AI-generovaného kódu. Reviewer to otevře, vidí čistý kód, testy procházejí, a klikne na Approve. Celý review trval dvě minuty.

Tohle se děje stále. A všichni to vědí.

2. Objem místo kvality

AI umožňuje generovat kód rychleji než kdy dřív. To je skvělé — pokud kvalita drží krok. Problém je, že většina týmů měří výkon počtem uzavřených ticketů, ne kvalitou dodaného kódu. Víc outputu = lepší výkon. Jenže víc outputu taky znamená víc potenciálního workslop.

3. „Vypadá to čistě” bias

Lidský mozek má tendenci důvěřovat věcem, které vypadají profesionálně. AI kód vypadá profesionálně — konzistentní formátování, komentáře, jasná struktura. A přesně proto ho reviewer podvědomě hodnotí pozitivněji, než si zaslouží.

4. Chybí kultura zpochybňování AI

V mnoha týmech panuje implicitní předpoklad: „AI to vygenerovalo, takže to bude OK.” Jako by AI mělo automaticky autoritu. Nikdo se neptá: proč je to implementované takhle? Jsou ty edge cases ošetřené? Odpovídá to naší architektuře?

Workslop detection checklist

Chceš poznat workslop při code review? Tady je sedm věcí, na které se ptej:

Co s tím na úrovni týmu

Poznat workslop nestačí. Musíš změnit systém.

Nastavte AI review standard

Dohodněte se v týmu: PR s AI-generovaným kódem má přísnější review. Ne proto, že AI je špatné — ale proto, že riziko rubber-stampingu je vyšší. Autor musí vysvětlit klíčová rozhodnutí. Reviewer musí potvrdit, že rozumí logice.

Měřte kvalitu, ne kvantitu

Přestaňte počítat commity a uzavřené tickety. Začněte sledovat: kolik bugů se vrací z produkce? Jaký je podíl reverted PR? Kolik času se tráví opravami? To jsou metriky, které odhalí workslop.

Učte lidi pracovat s AI, ne jen používat AI

Samotný Claude Code nestačí. Vývojáři potřebují vědět, kdy AI výstupu věřit, kdy ho zpochybnit a kdy ho zahodit. To se nenaučí z dokumentace. To se naučí praxí — na reálných problémech, s někým, kdo jim ukáže, kde jsou pasti.

Začněte u sebe

Příště, než klikneš na Approve u PR plného AI kódu, zastav se. Polož si těch sedm otázek. Jestli na většinu nedokážeš odpovědět — je to workslop. A ty jsi právě součástí problému.

Chceš, aby tvůj tým uměl s AI pracovat tak, aby generoval hodnotu místo workslop? Ozvi se. Na workshopu řešíme přesně tohle — na vašem kódu, s vašimi problémy. Žádné slidy o promptingu. Reálná práce s reálnými nástroji a reálným úsudkem.

Mohlo by tě zajímat

• Proč 90 % AI školení nic nezmění
• Váš tým AI nepoužívá — a můžete za to vy
• AI Workshop pro firmy — hands-on, ne přednáška