Co všechno se může pokazit na webu, který nespadl?

18. 11. 2026
Jan Nagy

Web odpovídá, server běží a monitoring nehlásí problém. Přesto nemusí fungovat kontaktní formulář, aktualizovat se nabídka produktů nebo správně zobrazovat obsah na mobilu. Jak dnes kombinovat klasický monitoring, automatizované testování a AI, abychom podobné problémy odhalili dříve než naši zákazníci?

Dostupný web ještě neznamená funkční web

Představme si web pracovní agentury, který pravidelně načítá pracovní nabídky z externího systému. Stránky se zobrazují, návštěvníci procházejí inzeráty a monitoring hlásí stoprocentní dostupnost. Jenže synchronizace pracovních pozic před třemi dny přestala fungovat. Na webu zůstávají staré nabídky a nové nepřibývají.

Z pohledu běžného monitoringu je všechno v pořádku. Z pohledu byznysu máme problém. Podobně může po aktualizaci webu přestat fungovat formulář, rozbít se mobilní navigace nebo zobrazovat nesprávný obsah. Server přitom stále vrací HTTP 200.

Proto má smysl kontrolovat několik různých oblastí: dostupnost, funkčnost uživatelských scénářů, vizuální podobu, obsah a procesy běžící na pozadí. Každá vyžaduje trochu jiný přístup a AI dnes některé z těchto kontrol dokáže zajímavě rozšířit.

1. Klasický monitoring: první obranná linie

Začněme základem. Potřebujeme vědět, zda web odpovídá, jak rychle a jestli nedochází k výpadkům. K tomu slouží specializované nástroje jako Pulsetic, UptimeRobot nebo Better Stack. Pro provoz na vlastní infrastruktuře existuje například open-source Uptime Kuma.

 

Vedle dostupnosti webů a API mohou tyto služby podle konkrétního nástroje kontrolovat SSL certifikáty, naplánované úlohy, sledovat incidenty nebo provozovat veřejné status stránky. Zajímavé je, že i tradiční monitoring se postupně rozšiřuje o AI. Pulsetic například nabízí asistenta pro analýzu monitorovacích dat nebo AI kontroly uživatelských scénářů v prohlížeči.

Pro základní dostupnost je však klasický monitoring stále nejvhodnější. Pokud potřebujeme každou minutu ověřit, že důležitý endpoint odpovídá správně, jazykový model k tomu nepotřebujeme. Monitoring nám řekne, že web běží. Nemusí ale poznat, jestli skutečně dělá to, co má.

heartbeat monitoring

2. Automatizované scénáře: používejme web jako návštěvník

Dalším krokem je kontrolovat konkrétní uživatelské cesty. Například vyhledání produktu, registraci, odeslání formuláře nebo dokončení objednávky. K tomu slouží Playwright, open-source nástroj pro automatizaci webových prohlížečů. Mezi alternativy patří Cypress, Selenium nebo WebdriverIO.

Představme si automatický test kontaktního formuláře. Prohlížeč otevře stránku, vyplní pole, odešle formulář a ověří zobrazení potvrzovací zprávy. Ale pozor: potvrzení o odeslání ještě neznamená, že poptávka dorazila do CRM. U důležitých procesů bychom měli kontrolovat také výsledek v navazujícím systému, pokud to bezpečné testovací prostředí umožňuje.

Takové scénáře lze spouštět po každém nasazení nové verze webu nebo pravidelně jako součást provozní kontroly.

Kde pomůže AI?

AI nám může z funkční specifikace připravit návrh testovacích scénářů včetně okrajových situací a následně pomoci s implementací samotných testů. Ani bez AI ale nemusíme všechno programovat ručně. Playwright obsahuje Codegen, který dokáže zaznamenávat interakce v prohlížeči a převádět je na testovací kód.

Zásadní je vědět, jaké chování očekáváme. Pokud AI vytvoří test pouze podle současného fungování aplikace, může za správné považovat i chybně implementované chování.

Automatizovaný test má ověřovat požadované chování, nikoliv jen potvrzovat to současné.

3. Vizuální regrese: funkční tlačítko, které nikdo nevidí

Ne každá chyba znamená nefunkční aplikaci. Po aktualizaci stylů může text přetékat přes tlačítko, zmizet část navigace nebo se rozbít rozložení stránky na mobilu. Proto existuje vizuální regresní testování. Princip je jednoduchý: pořídíme referenční screenshot stránky a při dalších testech jej porovnáváme s aktuální podobou.

Takové porovnávání podporuje přímo Playwright. Specializované služby jako Percy nebo Applitools nabízejí další možnosti správy a vyhodnocování vizuálních testů. Problém je, že ne každá změna představuje chybu. Odlišné datum, dynamický obsah nebo změna zalomení textu mohou vytvářet falešné poplachy. Proto potřebujeme stabilní testovací podmínky a dobře nastavené porovnávání.

Zde může pomoci multimodální AI. Dokáže posoudit dvojici screenshotů v širším vizuálním kontextu a upozornit například na překrytý obsah, nečitelné texty nebo narušenou kompozici.

Nejde ale o stoprocentně spolehlivou kontrolu. AI může legitimní změnu vyhodnotit jako chybu nebo naopak skutečný problém přehlédnout. Rozumnou cestou je proto klasické porovnávání screenshotů a případná AI interpretace podezřelých rozdílů, nikoliv bezvýhradné spoléhání na jeden přístup.

monitoring funnelu

4. Obsahová kontrola: technicky správně, významově špatně

Stránka se načítá, rozložení je správné a všechna tlačítka fungují. Ale co když anglická mutace obsahuje zastaralé informace, produkt má nesprávné parametry nebo článek odkazuje na stránku, jejíž obsah už neodpovídá původnímu tvrzení?

Část problémů zvládneme odhalit klasickými pravidly: chybějící překlady, prázdná povinná pole, neplatné odkazy nebo nesoulad identifikátorů mezi systémy. AI může přidat kontrolu významu. Například porovnávat jazykové mutace, hledat rozpory mezi produktovými parametry a popisem nebo upozorňovat na podezřele nesrozumitelné pasáže.

Důležitý je ovšem referenční zdroj. Pokud se dva popisy liší, AI může odhalit nesrovnalost, ale bez dalších informací nemusí poznat, který z nich je správný. Výstupem by proto měla být především upozornění pro editora, nikoliv automatické přepisování obsahu.

5. Nezapomínejme na procesy, které návštěvník nevidí

Vraťme se k úvodnímu příkladu pracovních nabídek. Pokud máme import naplánovaný každou hodinu, potřebujeme poznat, že přestal fungovat. Jedním z řešení jsou heartbeat kontroly. Úloha po dokončení odešle signál monitorovací službě. Pokud signál nepřijde v očekávaném čase, systém upozorní správce. Podobné kontroly podporují například Better Stack nebo Pulsetic.

 

monitoring fe

Samotný heartbeat ale nemusí stačit. Import může úspěšně doběhnout a přitom zpracovat nula položek místo očekávaných tisíců. Proto má smysl sledovat také počty záznamů, stáří poslední synchronizace a neobvyklé odchylky.

AI může pomoci s interpretací provozních dat, logů nebo hledáním souvislostí mezi incidenty. Pro jasně měřitelné podmínky ale zůstávají obyčejná pravidla spolehlivější a levnější.

Co kontrolovat a jak často?

OblastPříklad nástrojeKdy kontrolovat
Dostupnost webu a APIPulsetic, UptimeRobotPrůběžně
Uživatelské scénářePlaywright, CypressPo nasazení, pravidelně
Vizuální regresePlaywright, PercyPo změnách rozhraní
Obsahová správnostVlastní pravidla, AIPo publikaci, periodicky
Importy a plánované úlohyHeartbeat, aplikační metrikyPři každém běhu

Ne každou kontrolu potřebujeme spouštět každou minutu. Frekvence závisí na důležitosti daného procesu, nákladech na testování a dopadech případného výpadku. Zároveň musíme odlišovat testovací a produkční prostředí. Automatické scénáře v produkci nesmějí vytvářet nežádoucí objednávky, falešné poptávky nebo zasahovat do zákaznických dat.

A také bychom neměli podceňovat falešné poplachy. Pokud monitoring generuje desítky nerelevantních upozornění, tým je postupně začne ignorovat.

AI není náhrada testování. Je to další vrstva kontroly.

Klasický monitoring, automatizované scénáře i AI kontroly dnes můžeme kombinovat také na webu, který vznikl před mnoha lety. Nemusíme kvůli tomu automaticky měnit CMS ani přepisovat aplikaci. Největší smysl dává začít u procesů, které mají skutečnou obchodní hodnotu. U e-shopu to může být dokončení objednávky, u náborového portálu aktuálnost pracovních nabídek, u firemního webu správné doručení poptávky.

Kde stačí jednoduché pravidlo, použijme jednoduché pravidlo. Kde potřebujeme ověřit uživatelskou cestu, využijme automatizovaný prohlížeč. A tam, kde je potřeba posuzovat význam, kontext nebo vizuální kvalitu, může přidat hodnotu AI.

Cílem není mít co nejvíce automatizovaných testů. Cílem je vědět co nejdříve, že něco důležitého přestalo fungovat — ideálně dříve, než si toho všimnou uživatelé.

Další články