Na DevGAMM FTW! 2026 konferenciji u Beogradu razgovarali smo sa Gennadijem Potapovim iz General Arcade o jednoj od trenutno najzanimljivijih tema u razvoju softvera: kako AI može da se koristi ne samo za generisanje koda, već kao deo kompletnog inženjerskog procesa. Razgovor se brzo pomerio sa klasičnog pitanja „koliko dobro AI danas piše kod?“ na mnogo važniju temu: kako organizovati razvoj tako da AI učestvuje u implementaciji, proveri, testiranju i iteraciji, bez toga da kvalitet zavisi od jednog modela i jednog odgovora.
AI nije samo alat za pisanje koda
Jedna od centralnih ideja razgovora bila je da se veštačka inteligencija u developmentu ne posmatra samo kao napredni autocomplete ili generator funkcija. Takav način rada jeste koristan, ali je ograničen. Ako programer modelu zada funkcionalnost, dobije kod i tu završi proces, veliki deo klasičnog inženjerskog ciklusa ostaje van AI sistema.
Gennadijev pristup je bliži modelu u kome AI postaje deo zatvorenog feedback loop-a. Funkcionalnost se definiše, implementira, proverava, testira i po potrebi koriguje. Tek kada prođe kroz taj ciklus, razvoj ide dalje.
Jedan AI piše, drugi proverava
Posebno zanimljiva tema bila je podela odgovornosti između više AI modela ili agenata. Umesto da isti model generiše kod i zatim sam ocenjuje sopstveno rešenje, moguće je koristiti drugi model kao nezavisnu instancu za proveru. Jedan agent može da implementira feature, dok drugi radi code review, proverava logiku, traži potencijalne probleme ili analizira bezbednost.
To uvodi dodatni sloj kontrole. U klasičnom development timu slična logika već postoji. Programer napiše kod, drugi član tima ga pregleda, testovi proveravaju ponašanje, a eventualni problemi vraćaju se nazad u razvoj. Sa AI agentima ista struktura može da se automatizuje.
Feature po feature, umesto haotičnog razvoja
Tokom razgovora dotakli smo se i organizacije rada na konkretnom projektu. Pitanje je bilo jednostavno: gde se čuva lista funkcionalnosti koje treba implementirati? Da li postoji Trello, interni dashboard, neka web aplikacija ili običan backlog?
To možda zvuči kao detalj, ali postaje veoma važno kada AI agenti počnu aktivnije da učestvuju u razvoju. Agentu nije dovoljno reći samo „napravi novi feature“. Potrebno je da zna šta je cilj, kako funkcionalnost treba da radi, kako se proverava i kada se smatra završenom.
Praktičan model je jednostavan: izaberi feature → implementiraj → testiraj → potvrdi rezultat → pređi na sledeći. Takav proces smanjuje broj nedovršenih promena i olakšava kontrolu kvaliteta.
WoW addon kao konkretan primer
Deo razgovora odnosio se i na razvoj World of Warcraft addona koji smo koristili kao praktičan primer modularnog projekta. Addon ima više funkcionalnosti i modula koji se razvijaju postepeno. Nova opcija, dugme, interfejs ili funkcija mogu se posmatrati kao zaseban feature.
U klasičnom workflow-u programer implementira promenu, ulazi u igru i ručno proverava da li sve radi. Sa AI-assisted engineering pristupom proces može da bude širi. Jedan agent implementira promenu, drugi proverava diff i traži probleme, dok test definiše očekivano ponašanje. Ako postoji način da se sistem poveže sa runtime okruženjem, agent može da učestvuje i u samoj verifikaciji rezultata.
Na taj način AI prelazi iz uloge „pomoćnika za kod“ u nešto mnogo bliže delu development pipeline-a.
Od koda do stvarnog testiranja
Jedna od zanimljivijih tema bila je mogućnost da AI agenti koriste spoljne alate. Preko sistema kao što je MCP, agent može da komunicira sa drugim servisima, browserom ili različitim razvojnim alatima. To otvara mogućnost da AI ne samo predloži test, već i da izvrši konkretan deo provere.
Na primer, agent može da otvori aplikaciju, klikne određeni element, napravi screenshot i analizira rezultat. U web developmentu ovo je već vrlo intuitivan scenario. Kod igara i addona situacija je složenija, jer mnogo zavisi od dostupnih integracija, API-ja i samog okruženja.
Ipak, pravac razvoja je jasan: AI agenti sve manje ostaju ograničeni na chat prozor.
Više modela, različite uloge
U razgovoru su pomenuti i različiti AI modeli, uključujući kineske modele koji u pojedinim zadacima mogu ponuditi dobar odnos cene i performansi. Poenta nije nužno pronaći jedan model koji će raditi sve. Naprotiv, različiti modeli mogu biti bolji za različite zadatke.
Jedan može biti primarni coding model, drugi može biti zadužen za security analizu, a treći može služiti kao reviewer. Za komercijalne projekte postoji i dodatno pitanje privatnosti. Ako kompanija ne želi da njen kod ili poslovni podaci napuštaju kontrolisano okruženje, modeli se mogu koristiti i kroz privatne instance ili lokalnu infrastrukturu.
Takav pristup postaje posebno relevantan kada AI dobija ozbiljniju ulogu u realnim produkcionim projektima.
Najvažniji deo nije model, već sistem oko njega
Jedan od najvažnijih zaključaka razgovora jeste da kvalitet AI-assisted developmenta ne zavisi isključivo od toga koji model koristimo. Moćan model bez kvalitetnog procesa i dalje može napraviti grešku koja ostane neprimećena. Sa druge strane, dobro organizovan sistem može tu grešku uhvatiti.
Ako prvi agent implementira feature, drugi ga proverava, test potvrđuje ponašanje, a rezultat se vraća prvom agentu na korekciju, dobija se sistem koji može sam da zatvara deo razvojnog ciklusa. To je suštinska razlika između običnog korišćenja AI chatbota i pravog AI-assisted engineering pristupa.
Beyond the Chat Window
Tema se direktno nadovezuje na Gennadijevo DevGAMM predavanje „AI-Assisted Engineering Beyond the Chat Window“. Naziv vrlo dobro opisuje ono o čemu smo razgovarali.
Sledeća faza razvoja AI alata neće se svesti na bolji chat interfejs ili nekoliko procenata bolji coding benchmark. Mnogo veći pomak dolazi kada model dobije mogućnost da razume razvojni proces, koristi alate, proverava rezultate i komunicira sa drugim agentima. Tada više ne govorimo samo o generisanju koda, već o automatizaciji dela inženjerskog procesa.
Gde ovo vodi?
Još smo daleko od potpuno autonomnog developmenta koji može bez ljudskog nadzora da razvija kompleksne proizvode, ali pojedinačni delovi tog sistema već postoje. AI može da piše kod, radi review, generiše testove, analizira rezultate, koristi spoljne alate i sarađuje sa drugim modelima.
Kada se ti elementi povežu u jedan kontrolisan workflow, dobija se nešto mnogo vrednije od običnog asistenta. Dobija se sistem koji može aktivno da učestvuje u razvoju proizvoda.
Upravo tu se trenutno nalazi jedna od najzanimljivijih promena u softverskom inženjeringu. Ne u pitanju da li će AI zameniti programera, već u pitanju koliko veliki deo development loop-a možemo da automatizujemo, a da pritom zadržimo kontrolu nad kvalitetom.
