AI kao katalizator: Kako modernizujemo decenijsko iskustvo i gradimo nove projekte

Autor: Đorđe Milić, CTO Egzakta IT Solutions

Većina priča o AI-u danas počinje sa revolucijom i transformacijom. Realnost je drugačija kada radite na sistemima koje niko ne pominje u tech-blog postovima – enterprise software koji radi već godinama, kritične aplikacije koje ne smeju da stanu, integracije koje niko ne sme da dira. Realnost je sledeća: imate kod koji radi, ali dokumentacija je nepotpuna. Imate procese koji funkcionišu, ali zavise od ljudi koji znaju “kako se to radi”. Imate podatke, ali razbacane u PDF-ovima, Word dokumentima i starim bazama.

Problem nije što ti sistemi ne rade, najčešće rade odlično. Problem je što su skupi za održavanje i komplikovani za menjanje. Dodavanje nove funkcionalnosti znači navigaciju kroz kod napisan pre deset godina, testiranje koje mora da pokrije scenarije koje više niko ne pamti, i integraciju sa servisima koji nisu postojali kad je sistem pravljen. A istovremeno, baš u tom kodu i u tim bazama je sve ono što kompanija zna o svom poslovanju – procesi koje su klijenti tražili godinama, specijalni slučajevi koji su se pojavili u praksi, domensko znanje koje ne postoji nigde drugde.

AI nije magija koja to sve reši. Ali ako ga pametno upotrebite, može da bude most između onoga što već imate i onoga što bi želeli da imate.

Prva iskustva: iznenađenja i otkrića

Kada je tim prvi put dobio AI direktno u projektima, reakcija nije bila spektakularna. Ljudi su već koristili ChatGPT „sa strane” – copy/paste koda u browser, dobiješ nešto polukorisno, pa se vratiš nazad u editor i nastaviš kao da ništa nije bilo.

Ali ovo je bilo drugačije. Odjednom alat nije gledao samo komad koda koji si mu prosledio, već ceo projekat: strukturu, zavisnosti, sve one fajlove koje svi preskaču jer „ne diraš to ako želiš miran vikend”. AI je znao kako se servisi zapravo međusobno oslanjaju, gde se kriju stari „hack-ovi“ i šta bi moglo da pukne ako se nešto pomeri na pogrešnom mestu.

I onda neko proba – ne neku veliku stvar, nego sitnicu. Pita alat o delu koda koji nikad nije video i dobije objašnjenje koje zapravo ima smisla, sa referencama na druge fajlove koje bi ručno tražio pola sata. Zatraži listu klasa koje zavise od jednog servisa – i dobije gotov odgovor brže nego što bi stigao da otvori globalnu pretragu u editoru.

Skepticizam nestaje brže nego što je očekivao. Developer koji je pre sat vremena rekao “šta će meni AI” sada pita sistem o metodi koju ne razume već tri godine. Dobija odgovor za minut. Pita još nešto. I još nešto.

Problem nikad nije bio u tome da ljudi ne znaju kako da rade svoj posao. Problem je bio u tome što su gubili vreme na stvari koje nemaju veze sa poslom – čitanje tuđeg koda, traženje nekoga ko možda zna zašto je ova validacija tu, strah od menjanja bilo čega jer dokumentacija nije ažurirana pet godina.

AI im nije dao novo znanje. Vratio im je vreme – umesto da tri dana čitaju kod, sada ga razumeju za sat.

Kada AI prestane da bude „eksperiment“

Postepeno, niko više ne postavlja pitanje „da li je u redu da koristim AI za ovo?“. Postalo je normalno. Programer otvara task, otvara kod, otvara AI. Kao što bi otvorio Stack Overflow ili dokumentaciju – samo brže i relevatnije za konkretan problem.

Promena nije bila dramatična. Jednostavno prestaje da bude tema. Alat je alat. Koristiš ga kada ti treba, ne koristiš ga kada ti ne treba.

Interesantnije je bilo šta se desilo sa vremenom. Taskovi koji su ranije zahtevali tri dana istraživanja kroz legacy kod sada su se završavali za dan. Dokumentacija koja je godinama bila „TO-DO“ počela je da se piše – jer više nije podrazumevala sate manuelnog rada.

Primetno je i kako se menja ton razgovora u timu. Manje pitanja tipa „Ko je pisao ovu integraciju?“ i „Da li neko zna zašto ovo ovako radi?“, a više „Proverio sam sa AI-jem, izgleda da možemo ovako“. Manje oslanjanja na institucionalno znanje koje postoji samo u glavama par ljudi, više mogućnosti da se istraži i eksperimentiše bez straha.

Šta se dešava kada AI postane deo svakodnevnog rada

Najinteresantniji deo nije bio u tome da se sve prepiše od nule. Bio je u tome šta se dešava kada AI alati postanu dostupni ljudima koji već znaju kako sistemi rade.

Legacy projekti nose nešto što ne može da se kupi – razumevanje poslovnih procesa koji su građeni kroz godine rada sa stvarnim korisnicima. Znanje o tome zašto neke stvari moraju da rade “ovako, a ne onako”. Stabilnost koja dolazi iz hiljada sati testiranja u produkciji. To se ne može replicirati u greenfield projektu koliko god on bio tehnološki moderan.

AI alati nose brzinu. Fleksibilnost. Mogućnost da se doda funkcionalnost bez da se dira jezgro sistema. Kada se to spoji – stabilnost koja postoji i inteligencija koja se dodaje – dobijate sistem koji radi pouzdano, ali može brzo da se prilagođava.

U praksi, to nije značilo formiranje „AI tima“ koji radi odvojeno od ostalih. Značilo je da AI postaje alat koji svi koriste. Developer koji radi na legacy projektu koristi AI za analizu koda i generisanje testova. Developer koji radi na novom projektu koristi AI za automatizaciju repetitivnih zadataka. QA koristi AI za generisanje test scenarija.

Počeli su da se javljaju interni alati koji nisu bili planirani. Neko napravi script koji automatski generiše dokumentaciju iz koda – kolege to vide, prilagode za svoj projekat. Neko napravi ChatBot koji odgovara na pitanja o internom API-u – drugi timovi dodaju svoje module. Standardizacija se dešava organski, ne kroz policy dokumente, već kroz deljenje alata koji rade.

Edukacija se takođe nije dešavala kroz formalne treninge. Već kroz „vidi šta sam ja uradio, možeš isto da probaš“. Kroz kratke sesije gde neko pokaže trik koji je otkrio. Ljudi koji su radili na legacy sistemima godinama sada eksperimentišu sa AI alatima. Ljudi koji su dolazili sa iskustvom u modernim tehnologijama sada razumeju zašto legacy sistemi rade onako kako rade.

Organizaciono, promena nije bila u strukturi već u kulturi. AI nije postao departman. Postao je deo onoga kako se radi posao – kao što su Git ili Jira postali deo radnog procesa, samo sa većim uticajem na produktivnost.

Šta se ispostavilo kao bitno (a šta ne)

AI nije magija, već multiplicator

Najveća greška bi bila očekivati da AI radi umesto ljudi. Ne radi. Ali u rukama developera koji razume sistem, AI može da ubrza analizu koda 3+ puta. U rukama QA inženjera koji zna gde sistem puca, AI može da generiše test scenarije koji bi inače zahtevali dane rada.

Alat je dobar koliko i onaj ko ga koristi – ali kada ga koristi neko ko zna šta radi, rezultati su drastično brži nego bez njega.

Mali projekti, brzi rezultati

Niko nije počeo sa „velikom AI transformacijom“. Počelo se sa konkretnim problemom: dokumentacija koja nije ažurirana tri godine. AI generiše draft iz koda, ljudi pregledaju i dopune – posao završen za dva dana umesto dve nedelje. Sledeći problem: analiza zavisnosti u legacy projektu. AI mapira ko od koga zavisi – posao završen za sat umesto 10. Mali projekti, vidljivi rezultati, minimalan rizik.

Tek kad ljudi vide da nešto radi, počnu da traže gde još mogu da primene.

Podaci su ograničenje ili prednost

AI je dobar koliko su dobri podaci koje ima. Ako je kod neorganizovan, dokumentacija ne postoji, a komentari u kodu su na tri jezika – AI će raditi, ali neće biti sjajan. Ako je projekat organizovan, logovi strukturirani, dokumentacija makar delimično prisutna – AI postaje mnogo korisniji.

Zato se ispostavilo da standardizacija podataka i koda nije „nice to have“ već preduslov da AI bude stvarno koristan.

Ljudi donose odluke, AI ubrzava put do njih

AI ne zamenjuje developera. Ne donosi poslovne odluke. Ne razume zašto klijent hoće funkcionalnost na određeni način. Ali ubrzava put do tačke gde developer može da donese odluku – umesto da tri dana čita kod da bi razumeo šta radi, razume ga za sat i tri dana troši na rešavanje problema.

Repetitivni zadaci – pisanje testova, generisanje dokumentacije, analiza logova – to AI može. Kreativnost, razumevanje konteksta, donošenje odluka – to i dalje zavisi od ljudi.

Učenje ne staje

AI se menja svakih par meseci. Novi alati. Nove mogućnosti. Ono što nije bilo moguće pre šest meseci sada je standardna funkcionalnost. Zato edukacija nije bila jednokratni event, bila je kontinuirani proces. Neko otkrije novi trik, podeli ga sa timom. Neko vidi mogućnost za automatizaciju koja ranije nije postojala, eksperimentiše, ako radi – deli.

Nije formalni trening. Već konstantno učenje kroz rad. I ta razlika se vidi, ne u tome šta ljudi znaju, već u tome koliko brzo mogu to znanje da primene.