Ko umetna inteligenca piše vse več kode, se pojavi paradoks: hitrost razvoja raste, a z njo tudi tveganje, da kakovost procesa postane slepa pega. Vprašanje ni več, ali nam umetna inteligenca pomaga -vprašanje je, ali še vedno razumemo, kaj gradimo.
Generativna umetna inteligenca dviguje učinkovitost razvojnih ekip na načine, ki so bili še pred kratkim nepredstavljivi. Na prvi pogled je to izključno dobra novica. A tu se pojavi vprašanje, ki ga v navdušenju pogosto preskočimo: kakovost kode je postala bolj merljiva kot kdajkoli prej – kakovost razvojnega procesa pa bolj nevidna.
Ko umetna inteligenca ustvari kodo, ki deluje, a je nihče ni resnično razumel; ko se testi pišejo po uvedbi, namesto pred njo; ko pregled izvorne kode postane formalnost nad generirano vsebino – se v ekipi kopiči procesni dolg. Ta je zahrbtnejši od tehničnega, ker ga ni mogoče izmeriti z orodjem za analizo kode. Pokaže se šele, ko gre kaj narobe.
V ekipi smo se tega problema lotili konkretno. Razvili smo UI agenta, ki samodejno zbira, analizira in strukturira podatke o napakah iz sistema za sledenje napakam ter jih postavlja v kontekst projektne dokumentacije. Njegov namen ni zgolj zbiranje statistike – je zaznavanje vzorcev, ki jih človeška ekipa v vsakodnevnem tempu spregleda.
Ideja izhaja iz preproste ugotovitve: napake niso samo tehnični, ampak tudi procesni signal. Če se iste napake pojavljajo znova in znova v istem modulu, to ne govori le o kodi – govori o tem, kako je bila funkcionalnost specificirana, kako je bila implementirana in kako je bila pregledana. Agent te vzorce bere samodejno, ne da bi kdo v ekipi to moral početi ročno.
Agent deluje v štirih fazah.
Najprej naloži kontekst: Prebere funkcionalne specifikacije iz projektne dokumentacije in zgradi model projekta – katere funkcionalnosti obstajajo, kako so opisane, kaj je bilo dogovorjeno. To je ključni korak, ki agenta loči od preprostega orodja za statistiko napak.
Nato pridobi napake: Iz sistema za sledenje napakam pobere vse napake za izbrano časovno obdobje, skupaj z vsemi metapodatki -z datumom nastanka, avtorjem prijave, statusom, zgodovino sprememb in posnetki zaslona.
Sledi klasifikacija: Vsako napako agent razvrsti po tipu (vizualna, vsebinska, logična, varnostna, performančna, integracijska), resnosti (kritična, visoka, srednja, nizka) in področju (frontend, backend, integracija, infrastruktura). Klasifikacija temelji na kombinaciji metapodatkov iz sistema za sledenje napakam in semantične analize naslova ter opisa napake. Hkrati agent vsako napako poveže z ustrezno uporabniško zgodbo iz specifikacije.
Na koncu sestavi poročilo: Strukturiran dokument z ugotovitvami.
Poleg osnovne statistike – koliko napak, katere vrste, kdo jih je prijavil – agent išče vzorce, ki so za ročno analizo prezahtevni.
Zazna ponavljajoče se vzorce: Besedne zveze, ki se pojavljajo v opisih napak znova in znova (npr. validacija, datum, uvoz, shranjevanje), kar pogosto kaže na sistemsko pomanjkljivost, ne na posamično napako.
Zazna skoke: Neobičajno visoko koncentracijo napak v kratkem obdobju, ki pogosto kaže na tvegan zajem ali slabo pregledano spremembo.
Oceni tudi kakovost samih prijav: Napake brez opisa ali brez korakov za reprodukcijo so signal, da ekipa nima skupnega standarda za poročanje.
Posebej zanimiv je razdelek kontekstualne analize, ki ga generira umetna inteligenca: ali porazdelitev napak kaže na slabo specifikacijo, tehnični dolg ali znake regresije; katera področja zahtevajo pozornost; kakšna je priporočena prioritizacija za naslednji sprint.
Saj že vrabci na strehi čivkajo o tem, a vseeno. Kakovost agentove analize je neposredno odvisna od kakovosti vhodnih podatkov. Če prijavljene napake nimajo opisov ali korakov za reprodukcijo, agent tega ne more nadomestiti. Agent torej ni samo orodje za analizo – je ogledalo procesne discipline ekipe.
Prav tako je klasifikacija napak po področjih omejena z natančnostjo opisa: agent sklepa na podlagi besedila, ne pozna pa notranje arhitekture sistema. Zato so rezultati najboljši tam, kjer so napake dobro opisane in kjer je projektna dokumentacija ažurna.
Avtonomna generacija kode je realnost, ki jo je nesmiselno zavračati. Naslednji korak ni upočasnitev – je odločitev, da procesu posvetimo enako pozornost kot kodi sami. Agent za poročanje napak je korak v tej smeri: ne nadomešča presoje ekipe, ampak ji daje podatke, ki jih brez avtomatizacije ne bi imela.
Kakovost programske opreme nikoli ni bila samo v tem, kakšna je koda. Vedno je bila v tem, kako nastane – in v ekipi, ki za to odgovarja.
Po velikem poku OpenClaw, je praksa naprednih razvijalskih ekip prešla v vsakdanjo uporabo. Agenti, kot najmočnejše orodje AI doslej, so dostopni vsakomur, tudi ljudem in ekipam brez razumevanja posledic nepravilne uporabe te tehnologije.
Najbolj osnovne informacije, ki jih moramo vedeti o agentih:
OpenClaw je smiselno sestavljena mreža asistentov, ki jih lahko nekdo uporabi relativno hitro (a ne nujno varno!). Sestavljen je torej iz mreže agentov, “samostojnih digitalnih sodelavcev, ki v imenu organizacije razumejo cilje in izvajajo naloge”*. Npr. pripravljajo poročila, izvajajo kompleksnejše analize, odgovarjajo na e-pošto, delajo rezervacije, nakupujejo in drugo. A odgovornost za njihovo delo nosite vi.
* po katalogu AI Storitve, ki ga je nedavno objavil AI HUB Slovenija
Vse zgoraj navedeno agenti izvajajo z vašim pooblastilom in v vašem imenu. Pri tem lahko dostopajo do občutljivih podatkov in jih uporabljajo tako, kot sami razumejo vaša navodila. Zato je zares zelo pomembno, da so v svojem delovanju omejeni, nadzorovani in premišljeno zasnovani.
Začnite tam, kjer popolnoma razumete procese, dovoljenja in podatke. Najprej nadzorovano okolje. Nato širite. In, kar je še pomembnejše, AI-first projekte zaupajte samo najbolj zanesljivim in odgovornim partnerjem.
Sistemi postajajo “agent-native”, to je neizbežno. Agenti koordinirajo naloge, izvajajo procese čez več sistemov in prevzemajo rutinsko delo. To je super! Če je le izvedeno z zadostno mero občutljivosti in odgovornosti.
