Jedan kandidat ima petnaest godina radnog iskustva, suvereno vlada arhitekturom, odlično zna kako složeni sistemi pucaju u produkciji, ali odbija da koristi veštačku inteligenciju. Drugi kandidat ima svega dve godine iskustva, ali paralelno pokreće nekoliko AI agenata za programiranje (Coding Agents), za nekoliko sati samostalno sklopi prototip za koji bi timu nekada bili potrebni dani i tvrdi da više gotovo ništa ne kuca ručno.
Koga biste zaposlili?
Odgovor na ovo pitanje je mnogo neprijatniji od pukog izbora između „seniora“ ili „juniora“. Veštačka inteligencija iz korena menja samu definiciju programerskog iskustva, ali još uvek nije ukinula visoku cenu loših tehničkih odluka.
Ključne teze – šta je najbitnije u tekstu
Ovo odavno nije rasprava o tome da li je AI uopšte dobar ili loš za programiranje. U 2026. godini to pitanje je praktično zastarelo. Prema istraživanju Stack Overflow Developer Survey 2026, 65,9% ispitanika već redovno koristi AI asistente ili agente za kodiranje, dok 26,2% primenjuje autonomne AI agente i automatizovane radne tokove. AI više ne predstavlja egzotični dodatak razvojnom okruženju (IDE), već postaje njegov standardni, podrazumevani sloj.
Međutim, „koristiti AI“ i „znati kako razvijati stabilan softver uz AI“ dve su potpuno različite stvari.
Najvažniji zaključci analize svode se na sledeće tačke:
- Senior koji odbija AI poseduje duboko inženjersko znanje, ali rizikuje da postane operativno prespor za industrijski tempo rada koji se munjevito ubrzava.
- Junior koji pokreće deset agenata može da isporuči ogromnu količinu programskog koda, ali obim isporučenog materijala (output) nikada nije bio niti će biti isto što i kvalitetan softver.
- Podaci iz Stack Overflow ankete za 2026. godinu pokazuju da svega 6,6% inženjera veruje AI alatima kod donošenja važnih poslovnih odluka, dok 48% navodi da im veruje isključivo onda kada rezultat mogu lako i nezavisno da provere.
- Istraživanje jasno locira uzroke nepoverenja: čak 69,3% programera navodi uverljiv, ali u suštini pogrešan kod (plausible but wrong code) kao grešku koja im je oduzela najviše vremena, dok 54,2% ističe problem teško preglednog i nečitljivog generisanog koda.
- Istraživačka organizacija METR je početkom 2025. godine kod veoma iskusnih open-source inženjera izmerila da su ih tadašnji AI alati zapravo usporili za 19%, dok su ažurirani podaci iz 2026. godine pokazali blagi do umereni pomak ka ubrzanju, uz ozbiljne metodološke ograde.
- Nalazi globalnog DORA istraživanja dodatno upozoravaju na sistemski paradoks: intenzivna primena AI alata može podići individualnu produktivnost developera, ali istovremeno može pogoršati stabilnost celokupnog sistema isporuke ukoliko tim ne drži pod kontrolom veličinu izmena, reviziju koda, testiranje i klasične inženjerske discipline.
- Junior dobija ogromnu radnu polugu, ali veštačka inteligencija vrlo uspešno može zamaskirati opasne praznine u njegovom fundamentalnom znanju.
- Senior ima izgrađene mentalne modele, realno iskustvo i zrelu inženjersku procenu, ali njegovo kategoričko odbijanje AI alata polako postaje podjednako problematično kao nekadašnje odbijanje Git-a, CI/CD procesa ili savremenih razvojnih okruženja.
- Najveća vrednost softverskog inženjera u budućnosti neće biti brzina kucanja sintakse, već sposobnost da precizno definiše problem, projektuje arhitekturu, orkestrira rad agenata, rigorozno proveri rezultat i preuzme punu odgovornost za stabilnost rešenja.
- Idealan kandidat za moderan tim najverovatnije nije nijedan od dvojice kandidata iz naslova.
Ipak, ovu dilemu ne smemo olako preskočiti. Upravo na liniji sudara ova dva ekstrema nastaje nova hijerarhija vrednosti u softverskom inženjerstvu.
Senior ima nešto što AI agent nema: istoriju posledica
Junior u svakom trenutku može postaviti pitanje agentu: „Koju arhitekturu ovde treba da primenim?“. Senior najčešće uopšte nema potrebu da to pita. Ne zato što zna svaku moguću arhitekturu napamet, već zato što je tokom karijere već video:
- mikroservise uvedene prerano u projekat kome je bio dovoljan jednostavan monolit,
- arhitekturu vođenu događajima (event-driven architecture) primenjenu tamo gde je samo stvorila nepotreban haos,
- NoSQL baze ubačene na mesta gde je standardna relaciono ustrojena baza bila daleko bolje rešenje,
- naoko „elegantan“ refaktoring koji je tri nedelje kasnije srušio integraciju sa spoljnim sistemom staru osam godina.
To iskustvo nije samo puko teorijsko znanje. To je kompresovana istorija stvarnih inženjerskih neuspeha. Senior odlično razume da rešenje koje na dijagramu deluje savršeno može biti potpuno katastrofalno kada kroz njega prođu nasleđeni zahtevi (legacy code), organizaciona ograničenja, dežurni timovi za incidente, nerealni rokovi i stvarni, nepredvidivi korisnici.
AI agent ume da prepozna i ponudi opšti obrazac. Senior, međutim, vrlo dobro zna koliko boli kada taj obrazac zakaže pod pritiskom. To je fundamentalna razlika.
Senior koji odbija AI ima drugi problem: njegova prednost možda postaje preskupa
Zamislimo dva inženjera koji podjednako duboko razumeju srž problema.
Prvi inženjer sve radi peške: ručno istražuje dokumentaciju eksternog API-ja, sam kuca prateći šablonski kod (boilerplate), ručno postavlja testove, traži sintaksu po internetu i samostalno piše migracione skripte za bazu.
Drugi inženjer to isto znanje koristi kako bi AI agentu kristalno jasno i precizno definisao zadatak: pušta ga da generiše radnu implementaciju, paralelno aktivira drugog agenta da postavi testove graničnih slučajeva, a trećem nalaže da proveri kompatibilnost sa ranijim verzijama (backward compatibility).
Ukoliko oba inženjera isporuče softver identičnog kvaliteta, prvi kandidat je jednostavno sporiji. U toj tački rečenica seniora koji ponosno ističe: „Ja ne koristim AI“ prestaje da zvuči kao znak inženjerskog integriteta i iskustva. Počinje da zvuči kao svesno odbijanje savremene tehnološke poluge.
Istraživanje Stack Overflow Developer Survey 2026 jasno pokazuje koliko se industrijska norma promenila: čak 83% ispitanika koristi barem neku vrstu AI alata u svakodnevnom radu. Pomoćnike i agente za programiranje koristi skoro dve trećine profesionalnih programera. Kategoričko ignorisanje veštačke inteligencije zato prestaje da bude neutralna lična odluka i postaje tehnološki stav koji kandidat mora dobro da opravda.
Junior sa deset agenata izgleda kao tim – dok nešto ne pođe po zlu
Pogledajmo sada drugu krajnost. Junior otvara čitavu paletu savremenih razvojnih okruženja i agenata: Claude Code, Copilot, Codex, Cursor i nekoliko specijalizovanih agenata. Jedan agent piše backend logiku, drugi sklapa frontend interfejs, treći generiše testove, četvrti priprema migracije za bazu, dok peti automatski generiše tehničku dokumentaciju.
Na ekranu se dešava prividno čudo: za svega dva sata gotova aplikacija je podignuta i radi. Direktor kompanije to posmatra i postavlja logično pitanje: „Zbog čega mi uopšte plaćamo deset programera kada jedan čovek uz alate sve završi za jedno pre podne?“.
A onda u sistem uđe prvi stvarni korisnik u produkciji:
- javlja se trka za resursima (race condition),
- puca autorizacioni sloj pod neočekivanim uslovima,
- transakcione granice baze podataka nisu pravilno usklađene,
- upit koji je radio savršeno na testu momentalno zagušuje bazu na realnom produkcionom skupu podataka.
Šta se zapravo dogodilo? Agent je na brzinu zakrpio vidljivi simptom. Drugi agent je formalno odobrio pregled koda (code review). Testovi su prošli bez greške jer ih je generisao isti mentalni model sa istim inherentnim pretpostavkama. Junior sada u rukama ima hiljade linija koda, ali nema mentalni model sistema koji je stvorio.
To je suštinska razlika između proizvodnje koda i stvarne kontrole nad kompleksnošću softvera. Brzina početnog kucanja koda ni u kom slučaju nije jednaka brzini stabilne, pouzdane i bezbedne isporuke.
Stack Overflow 2026: developer veruje AI-ju tamo gde može da ga proveri
Prema podacima iz Stack Overflow Developer Survey 2026, 48% programera navodi da veruje rezultatima AI alata onda kada taj izlaz mogu lako, brzo i nezavisno da provere. Sa druge strane, svega 6,6% ispitanika ima dovoljno poverenja u AI da mu prepusti donošenje važnih poslovnih i arhitektonskih odluka.
Ovaj podatak je izuzetno rečit: globalna industrija koja veštačku inteligenciju koristi svakodnevno istovremeno poručuje da joj ne prepušta konačnu reč.
To definiše najvažniju inženjersku veštinu današnjice: sposobnost kalibracije rada sa veštačkom inteligencijom (AI calibration). To je umeće da se precizno proceni kada modelu treba verovati, u kojoj meri se osloniti na njegov predlog i na koji način temeljno verifikovati dobijeni rezultat. U toj disciplini senior poseduje ogromnu prirodnu prednost, jer da biste nešto mogli kompetentno da proverite, pre svega morate odlično znati kako izgleda ispravno rešenje.
Najopasniji junior nije onaj koji ne zna – nego onaj kojem AI ne dozvoljava da shvati da ne zna
Nekada je programersko neiskustvo bilo očigledno i lako uočljivo. Kada junior ne ume da napiše složeni SQL upit, on zastane, zatraži pomoć starijeg kolege, dobije smernice i kroz taj proces nauči suštinu.
Danas junior samo unese zahtev u prozor agenta, agent u sekundi vrati gotov upit, upit proradi iz prve i junior odlazi sa sastanka u ubeđenju da vlada materijom. Međutim, problem nastaje kada upit koji besprekorno radi na bazi od 500 testnih redova padne na realnom produkcionom sistemu koji broji 50 miliona zapisa.
Ista situacija važi za bezbednost, konkurentno programiranje, distribuirane sisteme, keširanje i mehanizme autentifikacije. Veštačka inteligencija izuzetno uspešno prikriva inženjersko neznanje. Pre pojave ovih alata programer nije mogao dugo da simulira kompetenciju bez vidljivih rezultata. Danas je u stanju da bez problema masovno štancuje rezultate koje suštinski uopšte ne razume. Za kompaniju takva zabluda može biti fatalno skupa.
AI je senioru egzoskelet, a junioru lako postane proteza
Ova razlika deluje suptilno, ali u praksi stvara ogroman jaz.
Senior pristupa agentu sa jasnom inženjerskom komandom: „Realizovaćemo ovo rešenje na sledeći način, primeni ove obrasce i pazi na ove granične slučajeve.“ U tom scenariju agent samo ubrzava realizaciju i služi kao egzoskelet koji uvećava snagu postojećeg inženjerskog znanja.
Junior, s druge strane, često pita: „Kako ja ovo uopšte treba da napravim?“. U tom slučaju agent ne asistira, već umesto čoveka donosi ključne inženjerske odluke. AI tada ne uvećava kompetenciju, već je u potpunosti zamenjuje, postajući proteza bez koje kandidat ne može da hoda.
Naravno, ambiciozan junior može koristiti veštačku inteligenciju kao vrhunskog, neumornog mentora:
- „Objasni mi zašto si izabrao baš ovaj algoritam?“
- „Koje su alternative postojale i zašto su odbačene?“
- „U kojim specifičnim situacijama ovo rešenje može da otkaže?“
- „Napiši mi jedinični test koji ciljano ruši tvoj sopstveni predlog.“
Kada se koristi na ovaj način, AI eksponencijalno ubrzava učenje. Međutim, ako je primarni cilj samo da se po svaku cenu što pre dobije zelena kvačica na testu i zaključi radni zadatak, agent postaje prečica koja zaobilazi upravo onaj kognitivni napor kroz koji se stiče pravo inženjersko iskustvo.
METR istraživanje: koliko je percepcija produktivnosti varljiva
Jedno od najozbiljnijih istraživanja o uticaju veštačke inteligencije na programere, koje je sprovela istraživačka organizacija METR početkom 2025. godine, nije zabeležilo očekivano ubrzanje rada, već upravo suprotan ishod.
Eksperiment je pratio 16 vrhunskih inženjera koji su rešavali stvarne zadatke unutar velikih, kompleksnih open-source repozitorijuma koje su godinama odlično poznavali. Uz korišćenje tada dostupnih AI alata, programerima je za rešavanje zadataka bilo potrebno 19% više vremena nego kada su radili potpuno samostalno.
Još veću pažnju privukao je psihološki raskorak: programeri su bili čvrsto ubeđeni da su radili znatno brže. Pre samog početka merenja očekivali su ubrzanje od 24%, a nakon što su zadaci završeni i dalje su subjektivno procenjivali da su bili oko 20% brži. Egzaktno štopericom izmereno vreme pokazalo je neto usporavanje.
Ovaj nalaz predstavlja veliku opomenu: osećaj brzine nije isto što i stvarna inženjerska produktivnost. AI servisi pružaju trenutnu povratnu informaciju i kod se na ekranu ispisuje u deliću sekunde, što stvara snažan privid munjevitog napretka. Ipak, ogromna količina radnog vremena naknadno se potroši na pažljivo čitanje tuđeg koda, ispravljanje suptilnih grešaka, popravljanje promptova, ponovno generisanje i mukotrpnu verifikaciju.
Kako su se METR rezultati menjali sa napretkom alata
U analizi treba ostati objektivan: alati iz prve polovine 2025. godine ne mogu se poistovetiti sa stanjem tehnologije krajem 2026. godine.
METR je u februaru 2026. godine objavio dopunjene podatke, otvoreno ističući da je postavljanje kontrolisanih eksperimenata postalo izuzetno teško jer iskusni inženjeri sve češće odbijaju da učestvuju u testiranjima ukoliko im je zabranjeno korišćenje veštačke inteligencije. Kod dela prvobitnih učesnika novija merenja zabeležila su prosečno ubrzanje od oko 18%, dok je kod novopridošlih inženjera zabeležen skroman pomak od oko 4%.
Ipak, uz visoke intervale statističke neizvesnosti, sami istraživači su naglasili da se ovi procenti ne smeju uzimati kao apsolutni dokaz fiksne produktivnosti. Tehnologija napreduje tolikom brzinom da se realan odgovor na pitanje koliko AI ubrzava timove menja iz meseca u mesec.
„Deset agenata“ nije automatski deset puta veća produktivnost
Ovo je jedan od najčešćih mitova koji se plasiraju na društvenim mrežama: junior pokrene deset paralelnih agenata i odmah biva proglašen za „desetostruko produktivnijeg programera“.
To u praksi ne funkcioniše tako. Kandidat je u tom slučaju postao samo dispečer deset paralelnih radnih tokova. To jeste određena operativna veština, ali za sobom povlači problem obrade: ko će detaljno pregledati i razumeti deset različitih programskih rešenja koja istovremeno pristižu?
Zamislite da svaki od tih agenata automatski otvori svoj zahtev za spajanje koda (Pull Request). Ko vrši reviziju? Ako inženjer nije u stanju da sa punim razumevanjem pročita i analizira kod koji su njegovi agenti generisali, on nije podigao razvojni kapacitet tima. On je samo drastično uvećao red neproverenog i rizičnog rada koji zagušuje kolege.
To je identično fabrici koja instalira deset puta bržu mašinu za sklapanje delova, ali zadrži isti broj kontrolora na traci. Usko grlo se nije eliminisalo, već se samo premestilo na kontrolu kvaliteta.
Stack Overflow precizira gde agenti prave najveće probleme
Podaci iz Stack Overflow Developer Survey 2026 jasno mapiraju tačke u kojima generativni alati zadaju najviše glavobolje razvojnim timovima.
Na pitanje koje su ih greške veštačke inteligencije koštale najviše radnog vremena, programeri su naveli:
- 69,3% – uverljiv, ali u suštini pogrešan kod (plausible but wrong code),
- 54,2% – nepregledan, zamršen i teško čitljiv generisani kod,
- 49,3% – nedostatak šireg arhitektonskog konteksta,
- 45,1% – izmišljeni paketi, nepostojeće biblioteke i neispravne konfiguracije,
- 38,7% – netačno ili zastarelo interno znanje o sistemu,
- 33,9% – korišćenje zastarelih i ugašenih programskih interfejsa (API),
- 23,5% – bezbednosni propusti i curenje privatnih podataka.
Problem više nije u tome što veštačka inteligencija ne zna da napiše kod. Problem leži u tome što ume da ga napiše dovoljno dobro da na prvi pogled deluje kao potpuno ispravno i legitimno inženjersko rešenje.
Uverljivo pogrešan kod je znatno opasniji od očigledno pogrešnog
Klasična greška pri prevođenju koda (compiler error) zapravo je jednostavan problem: program momentalno stane, tačno se zna lokacija kvara i greška se odmah ispravlja.
Nasuprot tome, generisani kod koji se uspešno kompajlira, prolazi sve osnovne jedinične testove, deluje uredno na ekranu, ali u svojoj osnovi nosi pogrešnu arhitektonsku pretpostavku, predstavlja najskuplju vrstu kvara. Takav kod bez problema prolazi u produkciju i mesecima može neprimećeno praviti štetu pre nego što eskalira u ozbiljan incident.
Zbog toga je seniorsko iskustvo presudno. Iskusni inženjer ne postavlja samo pitanje da li kod u ovom trenutku radi, već postavlja pitanja:
- „Šta će se desiti sa memorijom ako ovaj servis primi stotinu puta veći saobraćaj?“
- „Kako će ovaj kod održavati neko ko dođe u tim za dve godine?“
- „Da li ovim rešenjem dupliramo apstrakciju koja u sistemu već postoji?“
- „Na koji način ovo menja transakcioni model baze?“
- „Koji su scenariji otkaza sistema (failure modes)?“
Agent može ponuditi odgovore na ova pitanja, ali u timu mora postojati čovek koji zna da ta pitanja uopšte treba postaviti.
Kod više nije usko grlo – razumevanje sistema postaje glavno ograničenje
Ovo je centralna promena u modernom inženjeringu. U trenutku kada je generisanje programskog koda postalo izuzetno jeftino i dostupno na klik, puko posedovanje veće količine koda prestaje da bude prednost i vrlo lako postaje operativni teret.
Hiljadu linija koje agent ispiše za šezdeset sekundi predstavlja hiljadu linija koje inženjerski tim mora da razume, održava, testira i krpi narednih pet godina.
Zbog toga kompanije na tehničkim intervjuima više ne treba da postavljaju pitanje: „Koliko brzo možeš da isporučiš novu funkcionalnost?“. Pravo pitanje glasi: „Koliko brzo možeš da isporučiš funkcionalnost koju ćemo želeti i moći da održavamo godinama?“. To je neuporedivo zreliji i viši standard selekcije.
DORA upozorava: AI može ubrzati pojedinca, a usporiti čitav sistem
Ovi nalazi imaju posebnu težinu za inženjerski menadžment. Zvanično DORA istraživanje o uticaju generativnog AI-ja na razvoj softvera uočava paradoksalnu situaciju u praksi.
Intenzivno oslanjanje na AI alate jeste povezano sa skokom individualne produktivnosti pojedinaca i većim ličnim zadovoljstvom poslom. Međutim, posmatrani podaci istovremeno pokazuju da nagli rast nekontrolisane upotrebe AI-ja na nivou organizacije često korelira sa padom stabilnosti i smanjenjem ukupnog protoka isporuke softvera (delivery throughput).
Glavni razlog za ovaj paradoks leži u nekontrolisanom rastu veličine programskih izmena (batch size). Budući da AI piše brzo, programeri prave ogromne zahteve za spajanje koda, prilažu preobimne izmene, zagušuju procese revizije i dramatično uvećavaju radijus potencijalne štete (blast radius) ukoliko dođe do greške.
To direktno osvetljava našu početnu dilemu: junior sa deset agenata može delovati kao najproduktivniji pojedinac u firmi, dok istovremeno čitav ostatak tima grca pokušavajući da verifikuje, istestira i stabilizuje njegov nepregledni output.
Dve vrste neefikasnosti: operativno usko grlo naspram zagušenja tima
U praksi se susrećemo sa dva potpuno različita oblika inženjerske neefikasnosti:
Senior koji odbija AI kaže: „Ja sve radim ručno, po starim standardima, jer samo tako mogu da garantujem apsolutni kvalitet.“ Posledica je da poslovni zahtevi stoje u redu, a tim gubi konkurentsku brzinu.
Junior sa deset agenata ponosno tvrdi: „Moji agenti su zatvorili 14 radnih tiketa pre pauze za ručak.“ Posledica je da red za reviziju koda eksplodira, a rizik od nepredviđenih produkcionih incidenata drastično raste.
Nijedna od ove dve krajnosti nije održiva. Zato se zapošljavanje ne sme svesti na prostu dilemu između formalnog iskustva i upotrebe AI alata. Prava formula uspeha jeste spoj inženjerske procene i tehnološke poluge (judgment × leverage). AI pruža polugu, dok iskustvo donosi zrelu inženjersku procenu. Kandidat koji poseduje samo jednu od ove dve komponente osuđen je na probleme u radu.
Šta pitati na intervjuu seniora koji ne koristi AI?
Iskusnog inženjera koji ne koristi AI alate nikako ne treba automatski diskvalifikovati. Prvo pitanje mora biti: zašto?
Ukoliko kandidat odgovori arogantno i paušalno: „AI je obična glupost za loše programere“, kompanija ima posla sa tvrdoglavošću i tehnološkom zatvorenošću.
Međutim, ukoliko senior odgovori argumentovano: „Testirao sam vodeće modele na našim specifičnim zadacima, uočio sam da mi u analizi konkurentnih procesa i finom debagovanju memorije više odmažu nego što pomažu, ali zato redovno koristim napredne skripte, determinističke parsere i statičku analizu gde god donose uštedu vremena“, to je znak izuzetno racionalnog inženjera.
U nastavku razgovora treba proveriti njegovu otvorenost:
- „Kako biste upotrebili agente za ubrzanje pisanja testova integracije?“
- „Na koji način biste iskoristili model za generisanje dokumentacije ili analizu nepoznatog repozitorijuma?“
- „Koje biste delove posla bez oklevanja delegirali agentima, a šta im nikada ne biste prepustili?“
Ukoliko senior nije spreman čak ni da eksperimentiše i proveri domete novih alata, problem više nije tehnološke prirode. Reč je o nesposobnosti prilagođavanja, a adaptabilnost je u softverskom inženjerstvu oduvek bila osnovna profesionalna vrlina.
Šta testirati kod juniora sa deset agenata?
Kod kandidata koji se oslanja na agente, najveća greška je ocenjivati ga na osnovu gotovog, lepo upakovanog demonstracionog projekta. Demonstracija danas retko dokazuje stvarnu kompetenciju kandidata.
Pravi tehnički intervju počinje tako što kandidatu date kod koji je njegov agent upravo generisao i postavite mu konkretna pitanja:
- „Objasni mi do detalja zašto je funkcija implementirana baš na ovaj način?“
- „Gde se u ovom rešenju kriju potencijalne tačke otkaza?“
- „Šta bi morao da promeniš u arhitekturi baze ukoliko sistem naraste na deset miliona korisnika?“
- „Koji deo generisanog koda ti je najmanje jasan i zašto?“
- „Sada isključi AI asistenta i reši ovaj bag uživo na tabli.“
Na ovom testu se u roku od petnaest minuta jasno vidi da li agenti zaista uvećavaju kandidatovu inženjersku snagu ili samo služe kao paravan koji skriva fundamentalno neznanje.
Posebno važno pitanje glasi: „Kako proveravaš da agent nije napravio grešku?“. Ako odgovor glasi: „Jednostavno prosledim kod drugom agentu da ga pregleda“, kandidat ne razume suštinu inženjerskog rada. Dva AI modela ne predstavljaju dva nezavisna izvora istine; oni vrlo često dele identične sistemske predrasude i propuštaju iste greške.
Orkestracija agenata kao nova inženjerska veština
Da ne bismo otišli u drugu krajnost i nepravedno potcenili nove alate, važno je naglasiti: uspešno upravljanje mrežom od nekoliko agenata predstavlja ozbiljnu i legitimnu inženjersku disciplinu.
Za to je potrebno vladati složenim konceptima:
- kako pravilno razložiti kompleksan problem na nezavisne potprograme (task decomposition),
- kakav kontekst, dokumentaciju i ograničenja proslediti kom modelu,
- koje zadatke je bezbedno pustiti u paralelnim procesima, a gde postoje zavisnosti koje zahtevaju striktan redosled,
- u kom trenutku treba prekinuti beskonačne petlje generisanja,
- kako agentima strogo ograničiti pristupne privilegije unutar sistema,
- na koji način automatizovano objediniti i verifikovati dobijene rezultate.
To predstavlja svojevrsni inženjerski menadžment za digitalne saradnike. Programer koji suvereno vlada ovim veštinama ostvaruje ogromnu prednost na tržištu. Ipak, uslov ostaje isti: inženjer mora dubinski da razume materiju kojom njegovi agenti operišu. Orkestracija bez razumevanja suštine neminovno se pretvara u brzu proizvodnju haosa.
Najbolji AI-native developer ne radi sve sam, ali uvek preuzima kontrolu
Ovde je analogija sa savremenim vazduhoplovstvom izuzetno precizna. Autopilot upravlja avionom tokom najvećeg dela leta, održava kurs, štedi gorivo i koriguje visinu. To, međutim, ne znači da za kormilom želimo pilota koji ne ume samostalno da upravlja letelicom.
Naprotiv: visoka automatizacija dramatično povećava značaj ljudske stručnosti upravo u onim kritičnim trenucima kada tehnologija zakaže.
Programer nove generacije ne mora ručno da kuca svaku pomoćnu funkciju. Međutim, on mora biti u stanju da odmah prepozna kada predloženi kod nema smisla. On mora neprikosnoveno vladati softverskom arhitekturom, strukturama podataka, bezbednosnim granicama, optimizacijom performansi i tehnikama testiranja. U suprotnom, on ne koristi tehnološku polugu, već upada u opasnu zavisnost od alata (AI dependency).
Tehnički dug kao skrivena cena brzog generisanja koda
Kada se kod stvara munjevitom brzinom, izuzetno je lako upasti u zamku površnosti: „Kod prolazi, spajaj ga u glavnu granu.“
Međutim, agenti vrlo često generišu nepotrebne duplikate koda, uvode prekomplikovane i besmislene apstrakcije, povlače suvišne spoljne biblioteke i primenjuju nekonzistentne programske obrasce kroz projekat. Aplikacija u tom trenutku radi, testovi su zeleni, a tehnički dug ne vrišti kao crvena greška na ekranu. On tiho tinja i eksplodira šest meseci kasnije kada sistem postane nemoguć za nadogradnju.
Zbog toga moderni inženjerski timovi moraju napustiti praćenje broja napisanih linija koda i fokusirati se na prave pokazatelje kvaliteta:
- procenat naknadnih prepravki koda (rework rate),
- indeks održivosti sistema (maintainability index),
- prosečno vreme potrebno za detaljnu reviziju izmena,
- stopu grešaka koje uspeju da prođu u produkciju (defect escape rate),
- učestalost produkcionih incidenata,
- nalaze bezbednosnih skenera.
Veštačka inteligencija je zauvek sahranila zastarelu zabludu da je količina isporučenog koda merilo programerske produktivnosti.
Zašto junior danas nije isto što i junior pre pet godina
U ovoj analizi moramo biti pošteni prema mladim inženjerima: junior u 2026. godini ima na raspolaganju alate o kakvima generacije pre njega nisu mogle ni da sanjaju.
Uz pametno vođene agente, motivisan početnik može samostalno da se uhvati u koštac sa frontendom, backend logikom, bazama podataka, osnovnom infrastrukturom, testovima i tehničkom dokumentacijom. Njegov operativni domet je fascinantan. Dobar junior danas za samo godinu dana može proći kroz onaj obim praktičnih inženjerskih izazova za koji su nekada bile potrebne godine rada u velikim timovima.
Ukoliko junior koristi veštačku inteligenciju da bi brže učio, istraživao uzroke i razumeo mehanizme, njegov profesionalni razvoj odvija se znatno brže. AI ne mora nužno da uništi razvoj mladih kadrova; on ga može dramatično ubrzati, pod jednim uslovom: da kompanija nagrađuje stvarno razumevanje problema, a ne puko lepljenje generisanih rešenja.
Senioritet u novoj eri razvoja softvera
S druge strane, i definicija senioriteta pretrpela je korenite promene. Nekada se titula seniora često gradila na pukom enciklopedijskom znanju: „Ja znam sve funkcije i parametre ovog radnog okvira napamet.“
Generativni alati su potpuno obezvredili puko memorisanje sintakse. Na ceni su drastično dobile veštine koje mašina ne može da replicira:
- strateško prosuđivanje arhitekture i njenih kompromisa,
- sistemsko razmišljanje i sagledavanje šire slike,
- duboko razumevanje poslovnog domena kompanije,
- jasna tehnička komunikacija i usklađivanje timova,
- procena bezbednosnih, pravnih i operativnih rizika,
- napredno debagovanje pod pritiskom,
- mentorski rad sa ljudima.
Senior koji svoj autoritet gradi isključivo na poznavanju sintakse ubrzano gubi prednost na tržištu. Senior koji razume zašto se distribuirani sistem ponaša na određeni način pod opterećenjem i gde su granice stabilnosti, postaje neprocenjivo vredan član svakog ozbiljnog tima.
Najskuplja greška pri zapošljavanju: kupovina output-a umesto inženjerske sposobnosti
Klasični procesi selekcije nalaze se pred velikim izazovom. Kandidat A na intervju donese vizuelno besprekornu aplikaciju sa modernim interfejsom. Kandidat B pokaže znatno skromniji prototip.
Ukoliko ispitivači ne postave dubinska pitanja o tome kako je aplikacija nastala, šta kandidat od tog koda zaista razume i koji su kompromisi svesno napravljeni u arhitekturi, kompanija rizikuje da skupo plati privid produktivnosti. AI je cenu izrade impresivnog prototipa sveo praktično na nulu, čime je prototip prestao da bude pouzdan dokaz inženjerske zrelosti kandidata.
Zašto klasični „take-home assignment“ gubi smisao u selekciji
Slanje zadataka koje kandidat radi samostalno kod kuće u eri agenata gubi praktičan smisao. Ukoliko kandidat zadatak reši tako što uposli pet agenata, kompanija na testu nije ocenila njegovo znanje, već performanse njegovog AI paketa. To samo po sebi nije loše ukoliko je posao striktno ograničen na dispečerski rad, ali je beskorisno ukoliko tražite inženjera koji treba da donosi stabilne arhitektonske odluke.
Tehnički intervjui se zbog toga ubrzano transformišu u interaktivne formate:
- zajedničko projektovanje arhitekture uživo na tabli (system design),
- rešavanje stvarnih incidenata i debagovanje komplikovanih grešaka u realnom vremenu,
- kritička revizija koda (code review),
- analiza namerno podmetnutog AI-generisanog koda koji u sebi sadrži suptilne logičke i bezbednosne propuste.
Zadatak u kome kandidatu date generisani kod i zatražite da pronađe skrivene zamke i objasni zašto to rešenje nije bezbedno za produkciju predstavlja najrealniji inženjerski test današnjice.
Koga zaposliti za startup?
Izbor kandidata direktno zavisi od faze u kojoj se kompanija nalazi.
Ukoliko je reč o ranom startup projektu kome je neophodno da za tri nedelje izbaci radni prototip na tržište kako bi proverio poslovnu ideju ili privukao prve investitore, junior ili inženjer srednjeg nivoa sa izuzetno razvijenim agentskim radnim tokom može napraviti ogromnu razliku. U toj fazi brzina je često važnija od dugoročne arhitektonske elegancije.
Međutim, onog trenutka kada taj isti startup počne da procesuira osetljive finansijske transakcije, skladišti zdravstvene podatke građana ili upravlja kritičnom infrastrukturom, prepuštanje ključnih arhitektonskih odluka nekome ko ne ume da objasni šta su agenti tačno iskodirali predstavlja ogroman poslovni rizik. U tim okolnostima seniorsko iskustvo nema alternativu.
Koga zaposliti za legacy enterprise sistem?
U velikim, nasleđenim korporativnim sistemima odnosi snaga su potpuno jasni. Takvi sistemi počivaju na nepisanim pravilima, specifičnostima koje niko nije stigao da dokumentuje, neobičnim integracijama i decenijama kompromisa.
U takvom okruženju senior koji tačno razume kako sistem funkcioniše u realnosti vredi neuporedivo više od armije agenata. Model može da pročita milion linija koda iz repozitorijuma za nekoliko minuta, ali puko indeksiranje teksta nije isto što i duboko razumevanje zašto je neka naoko čudna inženjerska odluka morala da bude doneta pre pet godina.
Šta ako senior i dalje odbija AI?
Ukoliko senior i nakon dužeg vremena kategorički odbija da u rad uključi bilo kakve AI alate, to je razlog za veliku brigu. Jedno je testirati alate, prepoznati njihova trenutna ograničenja i svesno ih odbaciti za određenu klasu zadataka, a sasvim drugo a priori ignorisati tehnološku kategoriju koja ubrzano postaje standard u industriji.
Senioritet nikada nije podrazumevao imunitet na tehnološke promene. Pravi senioritet ogleda se upravo u sposobnosti da se prepozna trenutak kada dosadašnji način rada prestaje da bude optimalan.
Šta ako junior bez agenata ne može samostalno da programira?
Ovo je podjednako opasna crvena zastava. Ukoliko junioru privremeno isključite pristup internetu i AI alatima, date mu jednostavan izveštaj o grešci (stack trace) i uočite da on nije u stanju samostalno da postavi hipotezu o uzroku problema, onda pred sobom nemate modernog inženjera, već tehnološki zavisnog operatera.
Inženjer ne mora znati svaki parametar napamet, ali mora suvereno vladati uzročno-posledičnim vezama u kodu.
Nova matrica zapošljavanja: inženjerska procena i AI poluga
Dvodimenzionalna matrica koja ukršta nivo inženjerske procene (Engineering Judgment) i nivo primene AI poluge (AI Leverage) daje jasnu sliku profila na savremenom tržištu rada:
| Profil kandidata | Inženjerska procena (Judgment) | AI poluga (Leverage) | Procena vrednosti za tim |
| Tradicionalni senior | Visoka | Niska | Izuzetno kvalitetan i pouzdan, ali vremenom postaje operativno prespor |
| AI-zavisni junior | Niska | Visoka | Isporučuje veliku količinu koda, ali nosi ogroman rizik od incidenata |
| Slab developer bez AI-ja | Niska | Niska | Nema konkurentsku vrednost na modernom tržištu |
| AI-native senior / jaki mid | Visoka | Visoka | Najtraženiji i najvredniji inženjerski profil današnjice |
U ovoj matrici krije se jasan odgovor na dilemu iz naslova: kompanije ne treba slepo da biraju ni tvrdoglavog tradicionalistu, niti početnika koji nekritički delegira razmišljanje mašini. Cilj je pronaći inženjersku zrelost pojačanu savremenom tehnološkom polugom.
AI-native senior kao najvredniji profil na tržištu
Zamislimo inženjera koji suvereno vlada arhitekturom, odlično poznaje poslovni domen kompanije, zna sve zamke produkcije, a istovremeno paralelno upošljava specijalizovane agente za istraživanje, testiranje i proveru koda.
To je potpuno nova kategorija stručnjaka. Takav inženjer je u stanju da samostalno vodi i drži pod kontrolom radne tokove za koje je nekada bio potreban ceo manji tim. Za razliku od neiskusnog kolege, on tačno zna gde se kriju potencijalne opasnosti i gde treba usmeriti pažnju. To je profil koji će industrija u godinama pred nama najviše ceniti i najbogatije nagrađivati.
Šta danas gledati pri zapošljavanju developera?
Prilikom tehničke selekcije, godine upisane na profilu i broj korišćenih alata postaju sekundarni podaci.
Fokus treba usmeriti na sledeće sposobnosti kandidata:
- da li dubinski razume problem pre nego što uopšte započne implementaciju,
- da li ume jasno da artikuliše arhitektonske kompromise i obrazloži svoj izbor,
- da li je sposoban da kritički i metodično proceni kod koji mu je ponudio AI model,
- da li ume samostalno da debaguje sistem bez nasumičnog generisanja desetina novih varijanti,
- da li svesno drži programske izmene malim, preglednim i jednostavnim za reviziju,
- da li razume bezbednosne implikacije rešenja koje predlaže,
- da li zna da postavi rigorozne testove koji proveravaju granične slučajeve,
- da li tačno prepoznaje trenutak kada agentu treba oduzeti zadatak i rešiti ga ručno,
- da li je u stanju da svoje inženjerske odluke jasno i mirno objasni drugim ljudima u timu.
To predstavlja moderan inženjerski paket kompetencija.
AI pismenost je obavezna, ali ne zamenjuje inženjerske osnove
Činjenica da kandidat tečno barata komandama u naprednim razvojnim alatima uskoro će biti podjednako uobičajena kao i podatak da ume da koristi internet pretraživač. Važno je kako te alate koristi u praksi:
- da li vrši dekompoziciju zadatka na logičke celine,
- da li precizno postavlja kriterijume prihvatljivosti (acceptance criteria),
- da li izoluje radno okruženje agenta od ostatka sistema,
- da li zahteva automatsko generisanje verifikacionih testova,
- da li detaljno pregleda svaku programsku razliku (git diff),
- da li agentima uskraćuje nepotrebne sistemske privilegije,
- da li u svakom trenutku u potpunosti razume šta tačno šalje u produkciju.
Puko vladanje alatima bez inženjerske discipline samo omogućava znatno brže pravljenje katastrofalnih grešaka.
Šta kompanije danas treba da podučavaju juniore?
Pored klasične sintakse, radnih okvira, Git-a i osnova testiranja, mentorski programi za mlade inženjere moraju biti prošireni novim temama:
- debagovanje uz asistenciju veštačke inteligencije,
- dizajn konteksta i precizno formulisanje promptova,
- orkestracija i nadzor autonomnih agenata,
- kritička revizija koda koji generiše mašina,
- napredne tehnike verifikacije,
- bezbednosni aspekti rada sa AI agentima.
Ipak, fundamentalne inženjerske discipline nikada ne smeju biti potisnute: algoritmi, baze podataka, računarske mreže, operativni sistemi, konkurentno programiranje i principi softverske arhitekture ostaju temelj svega. Sve te discipline danas postaju ključni filter uz pomoć koga inženjer verifikuje i kontroliše rad veštačke inteligencije. Bez tog znanja, programer gubi autonomiju i pretvara se u pasivnog posmatrača.
Ne prodajemo „više koda“, već kraći put do pouzdanog rezultata
Za menadžment i klijente ova promena nosi najvažniju poruku: poslovanju nikada nije bilo potrebno deset hiljada novih linija koda. Poslovanju je potreban stabilan sistem koji rešava problem i radi bez greške.
Ozbiljan inženjerski proces ne meri koliko je linija agent izbacio u sekundi, već optimizuje put od definisanja poslovnog zahteva do stabilne, testirane i proverene funkcionalnosti u produkciji. AI agenti mogu dramatično ubrzati faze istraživanja, izrade prototipova, generisanja testova, pisanja dokumentacije i preliminarne revizije. Međutim, čovek mora čvrsto držati u svojim rukama arhitekturu, kapije kontrole kvaliteta, bezbednost i konačno prihvatanje koda. Veštačka inteligencija je tehnološka poluga inženjeringa, a nikako njegova zamena.
Kriterijum budućnosti: kandidat čija produktivnost raste sa napretkom AI-ja
Kandidat koji kategorički odbija veštačku inteligenciju imaće krivu produktivnosti koja ostaje ravna bez obzira na tehnološki skok oko njega.
Kandidat koji u potpunosti zavisi od AI-ja napredovaće samo do one tačke do koje ga model vodi, ali će doživeti kolaps onog momenta kada problem izađe iz zone komfora algoritma.
Nasuprot njima, inženjer sa čvrstim fundamentalnim inženjerskim znanjem koji paralelno vlada orkestracijom agenata ostvaruje eksponencijalan rast. Kako agenti na tržištu postaju sposobniji i precizniji, njegova lična produktivnost se višestruko uvećava. Ne zato što on zna manje, već zato što svoje duboko inženjersko znanje i procenu plasira preko sve moćnije poluge. To je profil kandidata na koji se dugoročno najviše isplati uložiti novac i poverenje.
Zaključak: ako birate između dva ekstrema, hiring problem je već pogrešno postavljen
Senior koji odbija AI poseduje vrednosti koje junior ne može brzo da kupi: živo iskustvo, stabilne mentalne modele, osećaj za rizik i duboko razumevanje posledica tehničkih odluka.
Junior koji suvereno vlada agentima poseduje prednosti koje senior više ne može ignorisati: neverovatnu brzinu, sposobnost paralelizacije posla i trenutni pristup ogromnoj bazi automatizacije.
Međutim, nijedna od ovih krajnosti u svom izolovanom obliku nije dovoljna za uspeh. Senior bez savremenih alata polako postaje preskup način da dobijemo kvalitetan softver, dok je junior bez fundamentalnog znanja najjeftiniji način da neverovatnom brzinom proizvedemo ogroman problem u produkciji.
Zbog toga na tehničkom intervjuu kandidatima ne treba brojati godine radnog staža na profilima, niti se diviti pukom broju alata koje paralelno otvaraju na ekranu. Postavite im jednostavno i precizno pitanje:
„Pokažite mi kako odlučujete šta agent treba da uradi, kako pouzdano znate da je ponuđeni rezultat dobar i šta tačno preduzimate kada rezultat nije dobar.“
Tu se prepoznaje pravi inženjer. Ne po broju unetih promptova, ne po broju izbačenih komita i ne po godinama staža, već po inženjerskoj zrelosti.
Budućnost softverskog inženjerstva neće pripasti ljudima koji kod pišu bez pomoći veštačke inteligencije, niti onima koji dopuštaju da veštačka inteligencija piše softver umesto njih. Pripadaće inženjerima koji su sposobni da urade nešto mnogo teže i vrednije: da ogromnu snagu i brzinu AI agenata u svakom trenutku drže pod kontrolom jednog zrelog i disciplinovanog inženjerskog uma.
Na pitanje sa početka teksta odgovor glasi: ne tražite tvrdoglavog tradicionalistu koji ignoriše revoluciju, niti operatera koji bez modela ne ume da objasni sopstveni kod. Potražite inženjera koji ima dovoljno znanja da veštačkoj inteligenciji ne mora slepo da veruje, i dovoljno mudrosti da njenu ogromnu snagu nikada ne odbaci. Ti stručnjaci su novi seniori modernog doba.
Često postavljana pitanja (FAQ)
Da li je senior developer koji ne koristi AI i dalje konkurentan na tržištu?
Jeste, posebno u visokospecijalizovanim domenima, radu sa nasleđenim sistemima i kompleksnim arhitekturama gde je specifično inženjersko iskustvo nezamenljivo. Ipak, dugoročno odbijanje alata koji dokazano ubrzavaju rutinske poslove vremenom prerasta u ozbiljan hendikep u operativnoj brzini.
Može li junior sa AI agentima biti produktivniji od seniora?
U usko definisanim, izolovanim i jednostavnim programerskim zadacima, junior uz pomoć agenata može izbaciti veću količinu koda za kraće vreme. Međutim, to ni u kom slučaju ne znači da je isporučeni softver stabilniji, bezbedniji niti dugoročno održiviji.
Koliko programera u svetu zapravo koristi AI alate u 2026. godini?
Prema globalnom istraživanju Stack Overflow Developer Survey 2026, 83% profesionalnih developera koristi barem jedan AI alat u poslu, dok 65,9% redovno primenjuje asistente ili agente specijalizovane za programiranje.
Koliko programera koristi napredne agentske radne tokove?
U istom Stack Overflow istraživanju za 2026. godinu, 26,2% ispitanika navodi da u svakodnevnom radu koristi autonomne AI agente i automatizovane razvojne tokove.
Da li programeri zaista veruju kodu koji generiše veštačka inteligencija?
Poverenje je u praksi strogo uslovljeno: 48% inženjera veruje AI rešenjima isključivo onda kada njihov izlaz mogu brzo i nezavisno da provere, dok svega 6,6% programera ima dovoljno poverenja da AI alatima prepusti donošenje važnih poslovnih i arhitektonskih odluka.
Koja je najčešća i najopasnija greška AI-generisanog koda?
Čak 69,3% inženjera u zvaničnim anketama označava uverljiv, ali u suštini pogrešan kod (plausible but wrong code) kao najopasniju grešku koja timovima oduzima najviše vremena za otklanjanje.
Da li veštačka inteligencija dokazano ubrzava proces programiranja?
Efekat direktno zavisi od kompleksnosti problema, iskustva inženjera i zrelosti alata. Istraživačka kuća METR je sa alatima s početka 2025. godine kod iskusnih inženjera izmerila neto usporavanje od 19%, dok su merenja tokom 2026. godine zabeležila blagi do umereni rast brzine, uz naglašene metodološke ograde.
Zbog čega su nalazi METR istraživanja toliko značajni za industriju?
Zato što su empirijski dokazali ogroman raskorak između subjektivnog osećaja brzine i realne inženjerske produktivnosti: programeri su bili uvereni da rade znatno brže, dok je štoperica pokazala da su potrošili više vremena na ispravke i verifikaciju generisanog koda.
Znače li nalazi METR-a da AI alati nisu korisni za programere?
Ne. Autori istraživanja jasno naglašavaju da je eksperiment sproveden na specifičnoj grupi vrhunskih stručnjaka, unutar postojećih i dobro poznatih repozitorijuma, uz korišćenje ranijih verzija alata.
Šta označava termin inženjerska procena (Engineering Judgment)?
To je sposobnost inženjera da na osnovu iskustva, razumevanja arhitekture, prepoznavanja kompromisa i procene rizika donese optimalne tehničke odluke koje obezbeđuju dugoročnu stabilnost i održivost softvera.
Šta predstavlja AI poluga (AI Leverage)?
To je mogućnost programera da korišćenjem veštačke inteligencije, agenata i automatizacije višestruko uveća svoj operativni kapacitet i brzinu realizacije zadataka.
Koji profil programera se smatra idealnim za moderan tim?
Stručnjak koji kombinuje visoku inženjersku procenu (Engineering Judgment) sa suverenim vladanjem AI polugom (AI Leverage).
Da li je pokretanje deset AI agenata istovremeno uvek prednost?
Ne nužno. Više agenata omogućava paralelno izvršavanje zadataka, ali istovremeno eksponencijalno uvećava obim koda koji neko mora da pročita, razume, proveri i poveže u smislenu celinu, što često zagušuje tim.
Šta označava pojam orkestracija agenata (Agent Orchestration)?
To je napredna inženjerska veština organizovanja, koordinacije i nadzora većeg broja AI agenata i alata koji paralelno ili u nizu rešavaju pojedinačne delove većeg programskog zadatka.
Da li je orkestracija agenata nova samostalna programerska veština?
Svakako. Veštine poput pravilne dekompozicije zadataka, upravljanja kontekstom modela, restrikcije sistemskih dozvola i automatske verifikacije rezultata postaju standardni deo inženjerskog posla.
Može li veštačka inteligencija u potpunosti da zameni reviziju koda (Code Review)?
Može uspešno preuzeti ulogu preliminarnog skenera za pronalaženje očiglednih propusta, ali nikako ne može zameniti čoveka u proceni šireg arhitektonskog konteksta, bezbednosnih rizika i poslovne logike.
Zašto nije dovoljno da jedan AI agent proverava kod koji je napisao drugi AI agent?
Zato što modeli često dele slične statističke pretpostavke, previđaju identične arhitektonske nedostatke i lako odobravaju rešenja koja izgledaju sintaktički savršeno, ali su logički potpuno pogrešna.
Da li nekontrolisana upotreba AI-ja uvećava tehnički dug kompanije?
Da. Ukoliko se brza proizvodnja koda ne prati strogim arhitektonskim pravilima, rigoroznim testiranjem i kontrolom veličine promena, sistem se u rekordnom roku puni skrivenim tehničkim dugom.
Šta nalazi DORA istraživanja govore o upotrebi AI-ja u razvoju softvera?
DORA potvrđuje da veštačka inteligencija podiže individualni osećaj produktivnosti kod developera, ali upozorava da nekontrolisana primena bez pratećih inženjerskih disciplina često dovodi do pada stabilnosti celokupnog sistema isporuke softvera.
Zašto broj napisanih linija koda nije validno merilo produktivnosti?
Zato što AI alati omogućavaju generisanje ogromnih količina koda bez ikakvog napora. Više koda najčešće znači veći trošak održavanja, a ne veću poslovnu vrednost za korisnika.
Koje inženjerske metrike treba pratiti umesto linija koda?
Fokus treba postaviti na vreme potrebno za isporuku promene (Lead Time), učestalost plasiranja koda u produkciju (Deployment Frequency), stabilnost sistema, procenat naknadnih ispravki (rework), vreme potrebno za reviziju i broj stvarnih incidenata.
Hoće li mlađe generacije programera zbog AI-ja prestati da uče osnove struke?
Postoji realan rizik ukoliko se alati koriste kao prečica koja zamenjuje razmišljanje. Međutim, kod motivisanih inženjera koji AI koriste kao mentora za razjašnjavanje koncepata, usvajanje znanja može biti znatno brže nego ranije.
Kako junior treba pravilno da koristi veštačku inteligenciju?
Umesto jednostavnog zahteva „napiši mi ovo rešenje“, junior treba da postavlja pitanja: „zašto si izabrao ovaj pristup“, „koji su potencijalni nedostaci ovog koda“, „koje alternative postoje“ i „kako mogu samostalno da verifikujem ovo rešenje“.
Šta predstavlja zavisnost od veštačke inteligencije (AI Dependency)?
To je stanje u kome programer više nije sposoban da samostalno reši problem, postavi arhitekturu, pronađe grešku u sistemu ili napiše funkcionalan kod bez asistencije modela.
Da li se od modernog seniora očekuje da zna da radi sa AI agentima?
Da. Senior ne mora poznavati svaki novi alat na tržištu, ali mora duboko razumeti njihove domete, mesta gde stvaraju opipljivu inženjersku vrednost i tačke na kojima je neophodan strog ljudski nadzor.
Kako najpouzdanije testirati kandidata koji se oslanja na AI?
Zatražite od njega da detaljno objasni generisani kod, pronađe namerno podmetnute logičke greške, obrazloži arhitektonske kompromise i demonstrira rešavanje problema uživo bez pomoći alata.
Da li domaći zadaci koje kandidati rade kod kuće i dalje imaju smisla pri zapošljavanju?
Gube smisao jer kompanija najčešće ne može da zna da li ocenjuje znanje kandidata ili snagu alata koje je pokrenuo. Znatno su efikasniji intervjui posvećeni dizajnu sistema, zajedničkom debagovanju uživo i kritičkoj reviziji koda.
Treba li kompanija potpuno da zabrani korišćenje AI alata juniorima?
Potpune zabrane su u praksi kontraproduktivne. Daleko je bolje uspostaviti jasna pravila korišćenja, obavezati programere na rigorozno testiranje i insistirati na tome da svaki inženjer mora do tančina da razume i brani kod koji šalje na reviziju.
Da li korišćenje AI alata treba dozvoliti na tehničkom intervjuu?
Ukoliko zapošljavate inženjera za rad u modernom okruženju, posmatranje načina na koji upravlja agentima može biti izuzetno korisno, pod uslovom da se kroz razgovor odvojeno proveri njegovo fundamentalno inženjersko znanje.
Da li je pojam inženjerskog senioriteta i dalje važan?
Važniji je nego ikada pre, ali je promenio svoju formu: senioritet se danas manje meri poznavanjem same sintakse jezika, a mnogo više zrelošću u projektovanju arhitekture, upravljanju rizicima, sistemskom razmišljanju i vođenju tima.
Koji profil developera će biti najtraženiji u godinama pred nama?
Inženjer koji kombinuje čvrste tehničke osnove, duboko razumevanje poslovnog problema i sposobnost da efikasno, bezbedno i odgovorno orkestrira mrežu AI agenata.
Koga na kraju zaposliti: seniora bez AI-ja ili juniora sa agentima?
Nemojte birati kandidate prema zvučnim titulama niti prema broju alata kojima raspolažu. Zaposlite inženjera koji veštačku inteligenciju koristi kao maksimalnu radnu polugu, ali poseduje dovoljno znanja i integriteta da rezultat samostalno verifikuje i preuzme punu odgovornost za njegov rad u produkciji.
