AI programování míří za chat: Cursor a Warp dobývají celý vývoj

Od asistenta v editoru k infrastruktuře pro celý tým

Dosavadní představa AI programování byla poměrně přímočará: vývojář otevře editor, popíše problém chatbotu či agentovi a nechá si navrhnout kus kódu. Nové kroky společností Cursor a Warp ale ukazují širší ambici. Nechtějí být jen vrstvou nad psaním programu. Míří do systémů, v nichž týmy zdrojový kód ukládají, společně upravují, schvalují změny, testují je a sledují jejich chování po nasazení.

Cursor 18. srpna představil Origin, platformu pro hostování kódu. Ve stejný den Warp oznámil Warp Factories, prostředí označované jako „softwarová továrna“ pro nasazování a řízení AI agentů. Jde o dva odlišné přístupy ke stejnému posunu: hodnotu nemá vytvářet pouze samotný model, který umí napsat funkci, ale systém, který dokáže AI práci zapojit do běžného vývojového řetězce.

To je důležité i proto, že vývoj softwaru není sled izolovaných dotazů na kód. Změna musí projít zadáním, upřesněním požadavků, implementací, kontrolou a ověřením. Teprve pak se dostává do sdíleného repozitáře a následně do provozu. Pokud AI nástroj pokryje více těchto míst, může určovat, jak tým pracuje, jaká data o práci vidí a jak snadno lze práci automatizovat.

Z podkladů přitom nevyplývá, že by lidské programátory měl takový systém nahradit. Warp naopak svůj produkt popisuje jako způsob, jak lidem usnadnit spolupráci s novou „agentní pracovní silou“. Rozdíl je v rozsahu: AI se přesouvá z pomocníka jednotlivce do vrstvy, která může organizovat práci celého inženýrského týmu.

Cursor využívá nespokojenost s GitHubem, ale nestaví uzavřenou náhradu

Origin má zvládat hlavní činnosti, pro něž vývojáři běžně používají GitHub: spolupráci nad kódovou základnou, procházení a úpravy souborů, pull requesty i ukládání kódu do repozitářů. Pro Cursor je to logické rozšíření dosavadního zaměření na automatizovaný webový vývoj prostřednictvím AI Code Editoru. Firma rovněž uvedla, že do Originu přijdou funkce označené jako „agent native“, jejich podobu ale zatím podrobněji nevysvětlila. Buduje také širší ekosystém aplikací pro práci na vývoji uvnitř Originu.

Načasování může Cursoru pomoci. TechCrunch upozornil, že v den spuštění Originu zasáhl GitHub rozsáhlý celosvětový výpadek. Po dobu delší než šest hodin byly funkce služby zhoršené a celosvětová chybovost podle článku dosahovala téměř 20 %. Nešlo přitom o ojedinělou událost: GitHub už dříve v roce avizoval opatření po sérii výpadků. Analýza LeadDev uvádí 257 výpadků za poslední rok a píše o viditelném odchodu některých významných uživatelů.

Cursor však zatím nevolí strategii okamžitého odstřižení od zavedené platformy. Origin je navržen interoperabilně s GitHubem. Repozitáře hostované na GitHubu mohou existovat vedle repozitářů hostovaných Cursorem, uživatel připojí GitHub, vybere organizaci a zvolené úložiště se synchronizuje do Cursoru. Pro firmy je to podstatné: mohou nový způsob práce zkoušet bez nutnosti jednorázově převést veškerý kód a všechny procesy.

Současně jde pro Cursor o velmi náročný souboj. GitHub, který vznikl v roce 2007 a Microsoft jej koupil v roce 2012, zůstává podle vlastních metrik největším hostitelem zdrojového kódu na světě. V říjnu měl 180 milionů vývojářů. Výpadky tedy automaticky neznamenají, že nová služba tuto pozici rychle otřese. Ukazují ale, proč je hostování kódu zranitelným a strategickým místem, kam mohou AI firmy vstoupit.

Warp staví softwarovou továrnu kolem agentů a měřitelných kroků

Warp Factories řeší jinou část problému než Origin. Nejde primárně o místo pro ukládání kódu, ale o infrastrukturní vrstvu, v níž firma nasazuje AI agenty a řídí jejich práci. Warp staví systém na tradičních fázích vývoje: třídění a posouzení požadavků, specifikaci, implementaci, revizi a ověřování. Agentní přístup znamená, že automatizovat lze kteroukoliv z těchto etap, nikoliv jen napsání prvního návrhu řešení.

Pojem softwarová továrna zde neznamená jediný autonomní programátor. Podle popisu TechCrunch jde o smyčku agentů postavenou kolem zavedených vývojových fází. Warp chce menším společnostem nabídnout hotovou architekturu místo toho, aby ji musely vytvářet samy. Zach Lloyd, generální ředitel Warpu, upozorňuje, že provoz agentů v cloudu, jejich řízení během práce, předávání výsledků do lokálního prostředí, sdílená paměť i průběžné vyhodnocování představují rozsáhlý infrastrukturní úkol.

Systém dovoluje zvolit vlastní kódovací model i související nástroje; podle Warpu funguje s Codexem i Claude Code. Zapojit jej lze také do nástrojů, které týmy už používají pro zadávání práce a komunikaci, například Linear, Jira, Slack a Teams. Smyslem není nutit organizace nahradit vše najednou, ale připojit agenty k jejich dosavadním tokům práce.

Důležitou součástí jsou manažerské a provozní funkce. Protože agenti běží ve stejném prostředí, lze porovnávat výsledky různých konfigurací, sledovat celkovou spotřebu tokenů a pomocí smyček sebezdokonalování optimalizovat celý systém. AI se tak nestává jen autorem změny v kódu, ale i objektem měření: firma může řešit, který postup přináší výsledky a kolik za ně skutečně platí.

První výsledky ukazují velký potenciál, nikoli hotovou autonomii

Pro automatizovanější vývoj už existují konkrétní příklady. Stripe podle TechCrunch vyvinul systém nazvaný „minions“, který automatizuje práci uvnitř jeho vlastní kódové základny. Ramp zase vytvořil agenta na pozadí, jenž může sledovat vlastní kód po jeho nasazení. Oba případy ukazují, že ambice nesměřuje pouze k rychlejšímu vytvoření nové funkce, ale také k průběžné péči o software, když už běží.

Další příklad poskytuje OpenAI ve shrnutí své případové studie s Asanou. Ta s využitím Codexu nahradila zastaralý testovací systém za dva týdny. Práce byla dříve odhadována na pět let a náklady podle shrnutí činily přibližně 12 000 dolarů. Jde o mimořádně výrazné srovnání, které ale nelze bez dalších podkladů automaticky zobecnit na každý projekt: popisuje konkrétní systém a konkrétní nasazení.

Také Warp uvádí střízlivější hranici současné automatizace. Lloyd řekl, že ve Warpu automatizují zhruba 30 % úkolů, respektive 30 až 35 % práce každý týden. Očekává růst tohoto podílu s lepšími modely, širším kontextem a kvalitnějšími nástroji pro jejich řízení. Zároveň zdůraznil, že řada úloh stále vyžaduje člověka u řízení.

Tento detail je podstatný pro výklad celého trendu. Největší změna zatím nemusí být v tom, že agent samostatně převezme celý projekt. Může spočívat v rozdělení práce na úseky, které agenti vykonají, a v budování systému, jenž jejich výstupy kontroluje, porovnává a předává lidem k rozhodnutí.

Co sledovat při výběru AI nástrojů pro vývoj

Pro vývojáře a firmy z toho plyne, že při hodnocení AI nástroje nestačí sledovat kvalitu jedné odpovědi nebo rychlost vytvoření ukázkového kódu. Podstatné je, zda nástroj zapadne do repozitářů, procesu pull requestů, zadávání práce, komunikace a ověřování změn. Cursor staví na možnosti souběžné práce s GitHubem, Warp na napojení na Linear, Jira, Slack a Teams. Právě taková kompatibilita může rozhodovat o tom, zda se experiment promění v běžný proces.

Stejně důležité je měření. Warp výslovně počítá se sledováním výkonu konfigurací a výdajů za tokeny. Pokud se počet agentů ve vývoji rozšíří, nebude stačit vědět, že občas vytvoří použitelný kód. Týmy budou potřebovat zjistit, ve kterých fázích pomáhají, kde vyžadují lidský dohled a jaké náklady přinášejí. Příklady Warpu, Stripe, Rampu a Asany ukazují různé stupně automatizace, ne jeden univerzální recept.

Nejbližší soutěž tedy pravděpodobně nebude jen o nejlepší AI model pro programování. Cursor testuje, zda lze vedle GitHubu vybudovat alternativní domov pro repozitáře a spolupráci. Warp testuje, zda lze firmám dodat hotové řízení agentní vývojové továrny. Pro uživatele dává smysl sledovat oba směry a začínat u konkrétních, dobře ověřitelných úloh — zejména tam, kde lze výsledek zkontrolovat a kde zůstává jasně určený člověk odpovědný za finální rozhodnutí.

AI programování se tak rozšiřuje od jednotlivého příkazu k otázce, kdo bude vlastnit pracovní prostředí, provozní infrastrukturu a data o tom, jak software vzniká. Právě v této vrstvě se může rozhodovat, které dnešní nástroje přerostou roli chytrého asistenta.