Agentic AI i Agile: kako autonomni AI agenti menjaju organizaciju softverskih timova

Ključne teze (Key Takeaways) – šta je najbitnije u ovom tekstu

Agentic AI predstavlja sledeći veliki korak posle klasičnih AI Coding Assistants (AI pomoćnika za programiranje). Umesto da čeka da developer postavi pitanje ili traži sledeći predlog koda, AI agent može dobiti cilj, analizirati repozitorijum, napraviti plan, menjati više fajlova, pokrenuti testove, proveriti rezultat i pripremiti Pull Request za ljudski Review. To više nije samo „Copilot“ – to je delegiranje rada.

GitHub danas omogućava da se Issue dodeli Copilot cloud agentu, nakon čega agent radi na zadatku i otvara Pull Request koji zatim čovek pregleda. GitHub podržava i third-party coding agents koji mogu asinhrono raditi na zadacima u repozitorijumu. Anthropic u svom izveštaju o Agentic Coding trendovima za 2026. opisuje sličan pomak: softverski razvoj se pomera od direktnog pisanja koda prema orkestraciji (orchestration) agenata koji pišu kod, dok među ključnim trendovima izdvaja promenu uloga developera, koordinaciju više agenata i nove modele saradnje čoveka i AI-ja.

Tu nastaje problem za Agile. Scrum, Kanban i većina savremenih organizacionih modela nastali su uz implicitnu pretpostavku da posao izvršavaju ljudi. Ljudi imaju ograničeno vreme, umaraju se, ne mogu paralelno raditi na dvadeset problema, moraju da razgovaraju i nose znanje u glavama.

Autonomni AI agent nema iste karakteristike: može istovremeno raditi na više problema, neprekidno analizirati repozitorijum, napraviti kod tokom noći i generisati deset implementacionih opcija. Ali on ne razume automatski poslovni kontekst, političku realnost organizacije, posledice kompromisa ili ono što korisnik zapravo želi. Zato Agentic AI ne ukida Agile. Radi nešto mnogo zanimljivije: prisiljava nas da ponovo razmislimo šta uopšte znači „tim“.

Juče smo AI pitali kako da napišemo funkciju. Danas mu dodeljujemo Issue

Promena je veća nego što deluje. Prva generacija AI alata za programere uglavnom je funkcionisala kao pametniji Autocomplete – developer počne liniju, AI je završi. Zatim smo dobili Chat interfejs („Objasni mi ovaj kod“, „Napiši Unit Test“, „Zašto dobijam ovu grešku?“, „Refaktoriši funkciju“). Čovek je i dalje bio centralni izvršilac, dok je AI samo odgovarao.

Agentic Coding potpuno okreće taj odnos. Sada čovek može reći: „Reši ovaj Issue.“ Agent analizira zadatak, pregleda repozitorijum, pravi plan, menja kod, pokreće testove, otkriva da test nije prošao, pokušava ponovo i na kraju samostalno otvara Pull Request. Čovek više ne mora da sedi pored njega tokom svakog koraka.

GitHub-ova aktuelna dokumentacija upravo tako opisuje Copilot cloud agent: Issue se može dodeliti agentu, koji zatim autonomno radi na zadatku i po završetku traži Review. To je kvalitativno drugačiji model. AI nije više samo alat koji developer drži u ruci; on postaje izvršilac kojem developer delegira posao.

To menja osnovnu jedinicu Agile rada

Tradicionalno, Product Backlog Item prolazi kroz ljude: Product Owner definiše problem, tim razume zahtev, developer implementira, QA testira, reviewer pregleda kod, a DevOps pušta promenu.

Agentic AI može da preseče više tih granica odjednom. Jedan agent može analizirati zahtev, drugi napraviti tehnički plan, treći implementirati backend, četvrti napisati testove, peti analizirati bezbednosni (security) problem, a šesti pregledati Pull Request.

Odjednom više nemamo jednostavan odnos gde jedan zadatak vodi ka jednom čoveku ili timu. Imamo situaciju gde jedan cilj pokreće čitavu mrežu ljudi i agenata. To nije mala promena unutar Agile workflowa – to je temeljna promena organizacione arhitekture.

Sprint kapacitet više nije samo broj ljudi puta broj radnih dana

Zamislimo tim od šest developera. Tradicionalno, Sprint Planning razmatra odsustva, iskustvo, prethodni Velocity, kompleksnost i zavisnosti. Sada taj isti tim dobija deset autonomnih Coding agenata koji mogu paralelno izvršavati određene klase zadataka. Šta je sada kapacitet tima? Šest ljudi? Šesnaest izvršilaca? Ne baš.

AI agent možda može za sat vremena generisati količinu promena koju developer ranije napravi za ceo dan. Ali neko i dalje mora da pregleda rezultat, razume promenu, proveri arhitektonske posledice, validira testove, utvrdi da nije uvedena bezbednosna ranjivost i odluči da li je promena uopšte poželjna.

Agent može povećati proizvodni kapacitet (production capacity) mnogo brže nego što organizacija povećava kapacitet provere (verification capacity). I upravo tu nastaje novo usko grlo.

Kod više nije nužno bottleneck. Review postaje bottleneck

Ovo će biti jedan od najvažnijih problema razvoja uz Agentic AI. Ako AI može generisati Pull Requestove brže nego što ljudi mogu da ih pregledaju, šta se događa?

Kolona „Ready for Review“ nekontrolisano raste, broj promena raste, Code Review kasni, QA kasni, Security Review kasni, a merge konflikti se umnožavaju. Developeri više ne čekaju da napišu kod; oni čekaju da neko proveri kod koji su napisali agenti. Dobili smo novu verziju starog problema: ubrzali smo jedan deo toka vrednosti (Value Stream), ali nismo ubrzali ceo sistem.

DORA 2025 istraživanje upravo zato AI opisuje kao pojačivač (Amplifier) postojećeg organizacionog sistema. Organizacije sa dobrim praksama mogu iz AI-ja izvući veliku vrednost, dok organizacije sa slabim sistemima mogu samo brže proizvoditi probleme. Agentic AI ovu dinamiku čini još ekstremnijom.

Ako AI može raditi 24/7, WIP limit postaje važniji, ne manje važan

Može delovati primamljivo i logično: „Imamo deset agenata, neka svaki neprekidno radi.“ To je zapravo najbrži način da se sistem potpuno zatrpa. Kanban nas je odavno naučio da maksimalna iskorišćenost svih resursa ne znači automatski i maksimalan protok (Flow).

Ako agenti proizvedu 50 Pull Requestova dnevno, a tim može kvalitetno da pregleda samo deset, rezultat nije pet puta veća produktivnost, već 40 novih problema u redu čekanja. Zato limit rada u toku (Work in Progress – WIP) mora dobiti novo značenje: ne ograničavamo samo koliko ljudi aktivno radi na zadacima, već ograničavamo koliko rada generisanog agentima (agent-generated work) sistem može realno da apsorbuje.

Možda buduća Kanban tabla neće imati samo kolone To Do, In Progress, Review i Done. Možda će morati da sadrži stanja kao što su:

• Agent Running

• Agent Awaiting Clarification

• Human Verification Required

• Security Validation

• Agent Retry

• Human Approved

To nije kozmetička promena. To jasno pokazuje da se menja priroda samog radnog toka.

Daily Scrum sa deset AI agenata zvuči smešno – i upravo zato otkriva problem

Zamislimo Daily Scrum sastanak na kome sedi šest ljudi i deset agenata. Agent 1 se javlja: „Juče sam refaktorisao Payment Service.“ Agent 2 dodaje: „Završio sam 17 testova.“ Agent 3 kaže: „Čekam Review.“

Naravno da to u praksi neće tako izgledati, jer AI nema nikakvu potrebu da sedi na sastancima. Ali ta slika otvara suštinsko pitanje: ako polovinu rada izvršavaju autonomni sistemi, da li Scrum događaji treba da budu organizovani oko ljudi ili oko stanja sistema?

Scrum.org tokom 2026. sve otvorenije razmatra takozvani AI-Augmented Scrum i naglašava da AI može poboljšati predviđanja (forecasting), slaganje prioriteta u Backlogu i svest o rizicima (Risk Awareness), ali da puka brzina koju AI donosi nije isto što i agilnost. Osnovni principi empirizma – transparentnost, inspekcija i adaptacija – ostaju ključni.

Možda Daily Scrum budućnosti više neće postavljati pitanje: „Šta sam radio juče?“, već: „Koji deo sistema trenutno ugrožava Sprint Goal?“ Agent može pripremiti i dati te odgovore pre nego što sastanak uopšte počne. Na primer:

• „Devet Pull Requestova čeka Review duže od 12 sati.“

• „Agent je tri puta pokušao migraciju baze i svaki put pao na istom integracionom testu.“

• „Četiri zadatka menjaju isti servis i postoji visok rizik od konflikta pri spajanju koda (Merge Conflict Risk).“

Sada tim više ne gubi vreme na čitanje statusa, već rešava konkretan sistemski problem. To je zapravo mnogo bliže originalnoj svrsi Daily Scruma.

Product Backlog više neće sadržati samo posao za ljude

Ovo je jedna od najvećih promena. Danas Backlog obično opisuje šta treba napraviti. Sutra će, pored toga, morati precizno da definiše i:

• ko sme to da radi,

• koliki nivo autonomije agent ima,

• kojim alatima sme da pristupa,

• koje fajlove sme da menja,

• koji sistemi su mu strogo zabranjeni,

• šta obavezno zahteva ljudsko odobrenje,

• koji dokazi nepobitno potvrđuju da je posao dobro završen.

Dakle, Product Backlog Item više nije samo funkcionalni zahtev; on postaje i politika izvršenja (execution policy). Na primer, za zadatak „Dodati novi Payment Provider“, smernice će nalagati:

Agent može menjati Application Layer, ali ne sme menjati Payment Security Policy. Mora generisati Unit i Integration testove. Ne sme pristupati produkcionim kredencijalima (Production Credentials). Svaka promena toka plaćanja zahteva ljudski pregled (Human Review), a Security Scan mora uspešno proći pre samog mergeovanja.

To predstavlja potpuno novi nivo definicije završeno (Definition of Done).

Definition of Done postaće delom Machine-Verifiable Contract

Danas Definition of Done uglavnom podrazumeva: kod je napisan, testovi su prošli, Code Review je urađen, dokumentacija ažurirana i deployment je moguć. Kod razvoja uz Agentic AI veliki deo ovih stavki postaje automatski i mašinski proverljiv.

Agent završava svoj posao tek kada:

• Build uspešno prođe,

• Unit i Integration testovi prođu,

• Static Analysis prođe bez primedbi,

• Security Scan ne detektuje ranjivosti,

• Pokrivenost koda testovima (Code Coverage) ostane iznad definisane granice,

• Rezultati performansi (Performance Benchmark) ne zabeleže pad,

• Obavezna prateća dokumentacija postoji.

Ali tu leži opasna zamka: ako sve što možemo automatski proveriti pretvorimo u krajnji cilj, agent će naučiti da optimizuje upravo te parametre. Možemo dobiti kod koji savršeno prolazi sve automatizovane testove, ali u praksi rešava potpuno pogrešan problem. Softverski inženjering je prepun nijansi koje se teško mogu do kraja formalizovati: da li je arhitektura dugoročno razumljiva, da li je napravljeni kompromis prihvatljiv, da li će korisnik razumeti novu funkcionalnost i da li zaista uopšte treba da je pravimo? Tu čovek zadržava nezamenljivu ulogu.

Product Owner neće odlučivati samo šta treba napraviti, već šta treba delegirati mašini

Product Owner budućnosti dobija potpuno novu kategoriju strateških odluka. Njegov zadatak više nije samo određivanje prioriteta, već procena: koju vrstu posla AI sme autonomno da izvršava?

Na jednom kraju spektra nalaze se rutinski poslovi: dokumentacija, jednostavni testovi, standardno refaktorisanje, ažuriranje zavisnosti (Dependency Update) i manji ispravci grešaka (Bug Fixes). Na drugom kraju nalaze se kritični zadaci: izmene osnovnih poslovnih pravila, finansijske odluke, bezbednosna arhitektura, trajno brisanje podataka, kompleksne migracije i promene sa pravnim ili regulatornim posledicama.

Ta granica neće biti identična u svakoj kompaniji, ali će morati jasno da se uspostavi. To znači da upravljanje veštačkom inteligencijom (AI Governance) postaje sastavni deo Product i Engineering menadžmenta, a ne više samo domen pravnih ili bezbednosnih timova.

Scrum Master će možda manje facilitirati sastanke, a više dizajnirati Human-Agent System

Ako veštačka inteligencija može automatski da sumira Sprint, analizira blokere, pronalazi zavisnosti među zadacima, predlaže teme za Retrospektivu i u realnom vremenu prati metrike protoka (Flow Metrics) – postavlja se pitanje šta ostaje kao vrednost Scrum Mastera?

Ako se posao Scrum Mastera svodio na puko zakazivanje sastanaka, vođenje beleški, ažuriranje Jira tiketa i pravljenje statusnih izveštaja, odgovor nije nimalo prijatan: veliki deo tog posla biće u potpunosti automatizovan. Međutim, pravi Scrum Master nikada nije ni trebalo da bude administrativni sekretar tima. Njegova znatno vrednija uloga postaje:

• sistemski dizajn načina rada,

• uklanjanje dubokih organizacionih prepreka,

• coaching i mentorski rad,

• upravljanje promenama,

• međutimsko povezivanje,

• razvoj pravila za bezbednu i etičku upotrebu agenata,

• održavanje transparentnosti,

• sprečavanje da nekontrolisana automatizacija uništi suštinski empirizam.

Scrum.org je već pokrenuo specijalizovane obuke fokusirane na AI za Scrum Mastere i Agile trenere, sa idejom da upravo te uloge pomognu organizacijama da tehnologiju koriste smisleno i odgovorno. Signal je jasan: Scrum Master neće nestati zbog veštačke inteligencije, ali Scrum Master koji se oslanja isključivo na mehaničko vođenje ceremonija nalazi se u ozbiljnom problemu.

Developer prelazi sa pisanja koda na upravljanje namerom

Anthropic svoj izveštaj 2026 Agentic Coding Trends Report otvara ključnom tezom: softverski razvoj se nepovratno pomera od manuelnog pisanja koda ka orkestriranju agenata koji taj kod generišu. To nipošto ne znači da inženjeri prestaju da razumeju kod – upravo suprotno. Ako agent u nekoliko minuta izgeneriše 2.000 linija promena, neko mora dovoljno duboko poznavati sistem kako bi procenio da li su te izmene arhitektonski ispravne i održive.

Developer sve više preuzima uloge kao što su:

• definisanje problema (Problem Framer),

• revizor arhitekture (Architecture Reviewer),

• orkestrator agenata (Agent Orchestrator),

• kreator ograničenja (Constraint Designer),

• recenzent koda (Code Reviewer),

• procenitelj rizika (Risk Assessor),

• ekspert za domen (Domain Expert).

Drugim rečima, fokus se pomera sa pitanja „Kako da napišem ovo?“ na pitanje: „Kako da precizno definišem problem tako da ga sistem reši bezbedno?“. To je znatno viši nivo apstrakcije koji prati samu istoriju programiranja. Asembler nije nestao zato što se pojavio jezik C, niti je C nestao pojavom Pythona, ali je većina developera vremenom prestala da ručno upravlja detaljima najnižeg nivoa. Agentic Coding donosi sličan evolutivni skok: od programiranja pojedinačnih instrukcija ka programiranju namere.

Junior developer je verovatno pred najvećom promenom

Ovo je jedna od ključnih tema o kojoj se još uvek govori premalo. Kako se tradicionalno stasava u senior inženjera? Godinama se prolazi kroz rešavanje sitnih bagova, pisanje jednostavnih funkcija, kreiranje testova, ažuriranje dokumentacije, refaktorisanje i obradu komentara sa pregleda koda. Ljudi uče na sopstvenim greškama kroz rutinski rad.

Međutim, upravo te početničke zadatke AI agenti danas preuzimaju sa najvećom lakoćom. Ako organizacija sve bazične zadatke prepusti mašinama, postavlja se legitimno pitanje: odakle će doći sledeća generacija senior developera? To je ozbiljan problem u lancu razvoja stručnog kadra (Skill Pipeline).

Kompanija kratkoročno može pomisliti: „Ne treba nam pet juniora, agenti rade njihov posao.“ Ali pet godina kasnije, suočiće se sa bolnim pitanjem: zašto više nemamo seniore koji suštinski razumeju arhitekturu sistema? Veštačka inteligencija može radikalno ubrzati učenje juniora, ali samo pod uslovom da oni ostanu aktivno uključeni u proces. Ako ih potpuno izbacimo, uklanjamo i jedini put kojim se znanje gradilo. Najbolji timovi zato neće pitati kako da AI zameni juniora, već kako da uz pomoć AI alata junior za dve godine usvoji znanje za koje su ranije bile potrebne četiri.

Senior developer dobija novi problem: eksploziju rada koji treba proveriti

Senior inženjer lako može postati najveće usko grlo unutar Agentic tima. AI agenti generišu kod bez prestanka, juniori takođe hiperprodukuju uz AI, produktni menadžeri traže sve više paralelnih eksperimenata, a Pull Requestovi se nekontrolisano gomilaju. Ko sve to na kraju mora da pregleda i odobri? Senior.

Ako organizacija ne modernizuje svoje procese, upašće u apsurdan paradoks: AI je naizgled ubrzao celokupnu proizvodnju, ali senior više nema vremena ni za šta drugo osim za beskonačni Code Review. Zbog toga sam proces provere koda mora postati višeslojan:

1. Prvi sloj: automatski testovi i statička analiza,

2. Drugi sloj: specijalizovani AI reviewer koji hvata očigledne propuste,

3. Treći sloj: automatska bezbednosna i integraciona kontrola,

4. Četvrti sloj: ljudski pregled (Human Review) rezervisan samo za situacije gde rizik opravdava angažovanje senior inženjera.

Ljudska pažnja je postala najskuplji resurs i više se ne sme ravnomerno rasipati na svaki pojedinačni Pull Request.

Risk-Based Review mogao bi zameniti pristup gde se „svaki PR tretira isto“

Zamislimo model u kome se svaka promena koda automatski klasifikuje prema nivou pratećeg rizika:

• Ažuriranje dokumentacije – minimalan rizik,

• Ažuriranje paketa i biblioteka (Dependency Update) – nizak rizik,

• Izmena tekstualnih elemenata korisničkog interfejsa – nizak rizik,

• Promena logike autentifikacije (Authentication Flow) – visok rizik,

• Izmena algoritma za obračun cena ili poreza – veoma visok rizik,

• Promena šeme i skladištenja osetljivih ili zdravstvenih podataka – kritičan rizik.

Proces verifikacije se u potpunosti prilagođava ovoj skali: promene niskog rizika prolaze uz visok stepen automatizacije, dok visokorizične intervencije zahtevaju detaljnu inspekciju seniora, bezbednosnih inženjera i formalna odobrenja.

Agentic Agile u zreloj praksi ne znači „AI može da radi šta god želi“, već uspostavlja jasan princip: autonomija agenta je direktno proporcionalna riziku odluke koju donosi.

GitHub Issue postaje nešto nalik radnom nalogu za digitalnog radnika

Ovo više nije apstraktna vizija. GitHub danas omogućava dodeljivanje tiketa (Issue) direktno Copilot agentu, koji samostalno radi na zadatku i vraća spreman Pull Request. Atlassian saopštava da njihovi Rovo Dev agenti pružaju podršku od rafinisanja Backloga i tehničkog planiranja, pa sve do pisanja koda, pripreme Pull Requestova, build procesa i pregleda koda. Anthropic otvoreno demonstrira Claude Code tokove u kojima agent prolazi kroz kontinuiranu petlju: read -> plan -> act -> observe, gde se jedan agent po potrebi grana na pod-agente (Subagents) i čitave flote povezane sa Jirom, GitHubom i drugim internim sistemima.

To su konkretni alati koji su u upotrebi danas, a ne daleka predviđanja. Zato se više ne postavlja pitanje da li autonomni agenti ulaze u softverski razvoj, već koliki nivo samostalnosti i ovlašćenja smo spremni da im poverimo.

Multi-agent tim može izgledati kao mala softverska kompanija

Zamislimo razvoj jedne kompleksne funkcionalnosti kroz saradnju specijalizovanih agenata:

• Planning Agent analizira zahteve i postavlja specifikaciju,

• Architecture Agent predlaže optimalno tehničko rešenje,

• Coding Agent razvija backend logiku, dok drugi agent radi na frontend komponentama,

• Testing Agent piše sveobuhvatne testove,

• Security Agent traži potencijalne ranjivosti,

• Documentation Agent osvežava tehničku dokumentaciju,

• Review Agent proverava usklađenost sa internim stilom programiranja,

• Čovek vodi i usmerava čitav orkestar.

To je realnost višestrukih agentskih sistema (Multi-Agent Software Development). Tehnološki giganti poput Googlea i Anthropica uveliko razvijaju platformsku infrastrukturu za životni ciklus agenata, korišćenje alata, upravljanje i opservabilnost. Google, na primer, svoju Gemini Enterprise Agent Platform pozicionira upravo kao okruženje za izgradnju, skaliranje i nadzor agenata u velikim sistemima.

Međutim, tu vreba ozbiljna opasnost: ako jedan agent može da napravi grešku, deset agenata u nekontrolisanoj interakciji mogu proizvesti deset puta zamršeniji problem. Orkestracija nije magijsko rešenje, već klasičan problem distribuiranih sistema dopunjen verovatnoćama jezičkih modela. Danas imamo problem sa zavisnostima između ljudskih timova; sutra ćemo imati identičan problem sa zavisnostima između agenata.

Agent Sprawl može postati novi Microservices Sprawl

Svi se dobro sećamo perioda kada su mikroservisi bili proglašeni za apsolutni imperativ, a monolitna arhitektura preko noći odbačena kao relikt prošlosti. Posledica je bila da su mnoge organizacije završile sa 400 mikroservisa, glomaznom infrastrukturom za praćenje i pet timova angažovanih samo na otkrivanju zašto jedan običan zahtev ne prolazi.

Sa veštačkom inteligencijom preti nam potpuno identičan obrazac nekontrolisanog bujanja agenata (Agent Sprawl): napravimo posebnog agenta za Backlog, agenta za testiranje, agenta za bezbednost, agenta za release, pa onda agenta koji upravlja drugim agentima i agenta koji proverava agenta koji nadgleda prethodne agente.

Na to smo već upozorili na ITNetwork-u u tekstu „Agentic AI i multi-agent sistemi – od hype-a do produkcije“, gde su nadzor, bezbednost, nekontrolisano umnožavanje agenata i produkciona pouzdanost izdvojeni kao oštra granica između atraktivnog demoa i rešenja koje zaista može doneti stabilnu poslovnu vrednost. Više agenata ne znači automatski bolji sistem, baš kao što ni gomilanje mikroservisa nikada nije garantovalo kvalitetniji softver.

Agile će morati da počne ozbiljno da meri AI Flow

Do sada su agilni timovi pratili standardne parametre: Lead Time, Cycle Time, Deployment Frequency, Change Failure Rate, WIP i Throughput. Uvođenje agenata neminovno diktira nove metrike:

• procenat autonomno završenih zadataka (Agent Completion Rate),

• učestalost ljudskih intervencija (Human Intervention Rate),

• broj ponovljenih pokušaja agenta (Agent Retry Rate),

• stopa defekata nastalih radom agenata (Agent-generated Defect Rate),

• vreme čekanja u redu za pregled (Review Queue Time),

• cena po prihvaćenoj izmeni (Cost per Accepted Change),

• procenat odbačenog rada agenata (Percentage of Agent Work Rejected),

• vreme potrebno čoveku za proveru zadatka (Human Review Time per Agent Task),

• odnos autonomnog i asistiranog izvršenja (Autonomous Completion Ratio).

Ali i ovde je neophodan oprez: ako kompanija proglasi cilj da ostvari 80% autonomnog izvršenja po svaku cenu, organizacija će veštački forsirati taj broj čak i u situacijama gde je ljudsko prisustvo neophodno. To je školski primer Gudarovog zakona – kada metrika postane samoj sebi cilj, prestaje da bude validna metrika. Krajnji cilj nikada nije maksimalna autonomija, već optimalna autonomija.

Najviše AI-ja ne znači najbolji tim

U godinama pred nama svedočićemo talasu korporativnog hvalisanja u stilu: „Kod nas 70% koda generiše AI.“ Prava pitanja na to glase: Da li taj softver pouzdano radi u produkciji? Da li korisnici zaista dobijaju vrednost? Kolika je učestalost incidenata? Koliko brzo tim može da promeni strateški smer? Koliki su ukupni troškovi održavanja? Koliko bezbednosnih propusta pronalazi put do krajnjih korisnika? I možda najvažnije: koliko developeri uopšte razumeju sistem na kome rade?

Sam procenat generisanog koda je praktično bezvredna metrika. Zato su nalazi DORA istraživanja presudni: ulaganje u AI mora se posmatrati kroz prizmu celokupnog organizacionog sistema, a ne kroz lokalnu, izolovanu brzinu pojedinačnog programera. Agentic AI omogućava timu da izbaci veću količinu koda, ali gomilanje koda nikada nije bilo poslovni cilj. Vrlo često, ono je samo dodatni izvor tehničkog duga.

Agent ne razume ono što organizacija sama ne zna da objasni

Ovo je verovatno najvažnija praktična pouka celokupnog trenda. Kompanija se često žali: „AI nam daje loše i neupotrebljive rezultate.“ Zatim otvorite njihov tiket i vidite opis: „Napraviti reporting bolje.“

Šta uopšte znači „bolje“? Koji profil korisnika koristi taj izveštaj? Koji tačno problem rešava? Koji su kriterijumi prihvatljivosti (Acceptance Criteria)? Koji su zahtevi po pitanju performansi? Koji izvori podataka se koriste i koja poslovna pravila važe? Ništa od toga nije definisano.

AI agent ne poseduje magičnu moć da razreši konfuziju – on će ljudsku nejasnoću samo munjevitom brzinom pretvoriti u loš kod. Zbog toga Agentic AI na surov način razotkriva loše prakse u produktnom menadžmentu. Nedorečen zahtev više neće samo usporiti developera, već će odmah rezultirati pogrešnom i nefunkcionalnom implementacijom.

Specifikacija postaje vrednija kada implementacija postaje jeftinija

Ovo deluje paradoksalno. Godinama je Agile pokret opravdano kritikovao preobimnu dokumentaciju koja je kočila razvoj. Danas, kada implementacija koda postaje jeftina i brza, šta postaje deficitarno i dragoceno?

• Jasno artikulisana namera,

• Precizni kriterijumi prihvatljivosti,

• Granice i ograničenja sistema,

• Duboko poznavanje domena,

• Arhitektonske odluke,

• Smisleni testni scenariji.

Kada je pisanje koda bilo skupo, sva energija se trošila na samu implementaciju. Kada pisanje koda pojeftini, relativna vrednost vrhunske specifikacije drastično raste. To ne znači povratak na glomaznu dokumentaciju od stotinu strana tipičnu za Waterfall pristup. Naprotiv, to znači kreiranje sažetog konteksta prilagođenog mašinskom čitanju (machine-actionable context). Kvalitetna dokumentacija više nije samo pomoć kolegama u budućnosti, već direktan ulazni parametar za autonomne sisteme.

Repozitorijum će morati da objasni agentu kako kompanija razmišlja

Standardi pisanja koda, principi arhitekture, bezbednosne smernice, definicija završenog, poslovna pravila, strategija testiranja, dozvoljene biblioteke i zabranjene operacije – sve ono što je godinama živelo isključivo u glavi jednog ili dva senior inženjera sada mora postati eksplicitno i zapisano.

Anthropic u svom radnom okviru za Claude Code iz tog razloga posebno naglašava datoteke sa sažetkom projekta (Project Briefing files), definisane veštine (Skills), dodatke i pod-agente koji prenose timska pravila direktno agentima. Ovo donosi izuzetnu nuspojavu: AI će konačno naterati organizacije da formalizuju znanje za koje su godinama ponavljale „to zna samo Petar“. Zahvaljujući tome, Petar će možda konačno moći da ode na odmor.

Bezbednost postaje centralni Agile problem

Agent koji služi samo kao pomoćnik i predlaže linije koda ima vrlo ograničen domen uticaja. Sasvim je druga priča kada agent dobije dozvolu da:

• menja fajlove na disku,

• izvršava komande u terminalu,

• poziva cloud servise putem API-ja,

• menja statuse na Jiri,

• čita produkcione baze podataka,

• kreira Pull Requestove,

• automatski pokreće deployment na servere.

Što je autonomija agenta veća, to je veći i opseg potencijalne štete (Blast Radius) u slučaju greške ili zloupotrebe. Zbog toga integracija agenata obavezno podrazumeva stroge mere zaštite:

• princip najmanjih privilegija (Least Privilege Access),

• izolovana okruženja (Sandboxing),

• detaljne revizorske zapise (Audit Logs),

• obavezna ljudska odobrenja (Human Approval Gates),

• sigurno upravljanje tajnama i ključevima (Secrets Management),

• precizno definisana prava za alate (Tool Permissions),

• limite potrošnje i upita (Rate Limits),

• mogućnost automatskog vraćanja unazad (Rollback),

• sveobuhvatno praćenje (Observability).

Anthropic kroz ažuriranja svojih pravila korišćenja redovno naglašava da rast autonomije otvara potpuno nove bezbednosne pretnje i mogućnosti za sajber napade velikih razmera. Stara agilna krilatica „Move fast“ u svetu autonomnih agenata obavezno mora dobiti nastavak: „…ali imajte potpunu kontrolu nad onim što agent sme da dodirne.“

Retrospektiva postaje analiza ljudi i mašina

Kada se završi Sprint, tim se tradicionalno okuplja kako bi analizirao probleme u radu. U hibridnom okruženju, fokus retrospektive se širi na nova pitanja:

• Za koje zadatke je agentima bilo potrebno najviše ponovnih pokušaja?

• U kojim situacijama je čovek morao da preuzme kontrolu?

• Koji tip zadataka proizvodi najveći broj defekata u kodu?

• Koji agent pouzdano piše testove, ali pravi loša refaktorisanja?

• Koje formulacije instrukcija daju najčistije rezultate?

• U kom delu procesa se stvara preveliki zastoj u pregledu koda?

Retrospektiva time prerasta u analizu simbioze ljudi i mašina, a ne samo izolovanog tima radnika. To donosi mnoštvo korisnih podataka, ali nosi i opasnost da se sastanak pretvori u puko gledanje u grafikone. Brojevi mogu precizno pokazati gde je nastao problem, ali ne mogu uvek objasniti zašto. Zato otvoreni razgovor među ljudima ostaje nezamenljiv.

AI ne može rešiti politički problem zato što on nije tehničke prirode

Agent može nepogrešivo uočiti tehničku zavisnost između servisa, ali ne može naterati dva zavađena direktora da usaglase interese. Može identifikovati da release kasni šest dana u redu čekanja, ali ne može samostalno promeniti rigidnu regulatornu proceduru. Može detektovati da tri tima dupliraju identičan posao, ali nema moć da preuredi njihove budžete.

Ovo je ključno razumeti jer će mnoge kompanije pokušati da veštačkom inteligencijom zakrpe duboke organizacione pukotine. Ishod će biti identičan kao kod neuspelih agilnih transformacija u prošlosti: dobićemo disfunkcionalnu organizaciju, samo naoružanu skupljim i bržim softverom.

Kao što smo detaljno analizirali u tekstu „Zašto Agile transformacije propadaju“, tehnologija ne može nadoknaditi nejasno donošenje odluka, organizacione silose, pogrešne metrike i kulturu u kojoj zaposleni nemaju stvarnu autonomiju. Agentic AI to ne menja; on samo znatno brže ogoljava sistemske slabosti.

Najveći problem možda neće biti gubitak poslova, već gubitak razumevanja sistema

Zamislimo softversku kompaniju 2030. godine u kojoj AI agenti pišu 80% programskog koda, samostalno kreiraju testove, pišu tehničku dokumentaciju i rade primarni Code Review, dok ljudi samo daju formalna odobrenja.

Nakon nekoliko godina u takvom ritmu, u produkciji se dogodi kritičan incident. Postavlja se pitanje: koliko inženjera u celoj firmi zaista suštinski razume kako taj sistem funkcioniše ispod haube?

Kada niko u timu nije lično pisao niti dubinski promišljao logiku sistema, nastaje opasan fenomen kognitivnog izmeštanja (cognitive outsourcing). Znamo da sistem radi, ali više ne znamo tačno zašto radi. Zbog toga koncept zadržavanja čoveka u procesu (Human-in-the-Loop) ne sme biti samo kontrolni mehanizam; on je primarno mehanizam očuvanja i prenosa znanja. Ponekad je neophodno da čovek uradi posao koji bi mašina rešila brže, ne zato što je to operativno efikasnije, već zato što organizacija mora po svaku cenu da sačuva kompetenciju nad sopstvenim proizvodom.

Budući Agile tim verovatno neće imati samo jednog „AI člana tima“

Realnost će biti znatno složenija. Nećemo imati strukturu od šestoro ljudi plus jedan virtuelni asistent, već kompleksan hibridni ekosistem sačinjen od ljudi, agenata za kodiranje, agenata za testiranje, agenata za bezbednost, agenata za nadzor, produktnih agenata, orkestratora i automatizovanih kapija kvaliteta. AI neće stajati kao posebna ikonica na organizacionoj šemi, već će postati integralni digitalni sloj raspoređen duž čitavog životnog ciklusa razvoja softvera (SDLC).

Atlassian već danas integriše agente koji simultano operišu kroz Jiru, razvojno okruženje (IDE), komandnu liniju, Bitbucket i GitHub. Apple je početkom 2026. godine implementirao Claude Agent SDK direktno u Xcode 26.3, donoseći podršku za pod-agente i pozadinske zadatke (Background Tasks) koji autonomno rešavaju složene zahteve unutar razvojnog okruženja. Sve to jasno ukazuje da Agentic AI prestaje da bude zaseban softverski alat i postaje bazični deo same inženjerske infrastrukture.

Scrum možda preživi upravo zato što je framework namerno nepotpun

Iako mnogi predviđaju njegov kraj, Scrum bi na udar autonomnih agenata mogao odgovoriti izuzetno otporno. Razlog leži u tome što Scrum po svojoj definiciji namerno nikada nije propisivao kako tačno treba programirati, koje razvojne alate koristiti, kako strukturirati arhitekturu sistema niti kako sprovoditi testiranje.

Scrum se bavi suštinom:

• transparentnošću (Transparency),

• inspekcijom (Inspection),

• prilagođavanjem (Adaptation),

• definisanjem cilja proizvoda (Product Goal),

• definisanjem cilja sprinta (Sprint Goal),

• isporukom inkrementa (Increment),

• doslednim empirizmom.

Ove vrednosti ne prestaju da važe onog trenutka kada mašina preuzme pisanje koda – one postaju još važnije. Ako se produkcija uveća desetostruko, transparentnost sistema mora biti besprekorna. Ako agenti donose stotine promena dnevno, proces inspekcije mora biti višestruko rigorozniji. Scrum.org sa pravom ističe da brzina vođena veštačkom inteligencijom nije isto što i agilnost: AI ubrzava puko izvršenje, ali agilni principi određuju da li iz tog procesa išta učimo.

Možda više ne treba da pitamo koliko ljudi ima tim

Kada danas pitate kompaniju koliki joj je inženjerski tim, odgovor obično glasi: „Sedam ljudi.“ Ali ako taj tim svakodnevno koristi i orkestrira 25 specijalizovanih agenata, postavlja se pitanje da li je to tim od sedam ili od trideset dva člana? Nijedno od ta dva.

Moraćemo da razvijemo potpuno nove modele za procenu kapaciteta koji obuhvataju:

• ljudski kapacitet (Human Capacity),

• kapacitet agenata (Agent Capacity),

• kapacitet revizije (Review Capacity),

• kapacitet donošenja odluka (Decision Capacity),

• kapacitet isporuke (Deployment Capacity).

Konačno ćemo na teži način usvojiti lekciju koju je Lean filozofija postavila pre nekoliko decenija: kapacitet pojedinačnih instanci ne znači ništa ukoliko kapacitet celokupnog sistema kaska za njima. Možete uvesti 100 novih agenata, ali ako vaš produkcioni deployment može da se izvede samo jednom nedeljno, vaš sistem suštinski nije postao ni sekund brži.

Budućnost nije potpuno autonomna softverska kompanija – bar ne još

Ideja deluje fascinantno na papiru: zadate veštačkoj inteligenciji zahtev da izgradi softver za računovodstvo, a agenti samostalno istraže tržište, projektuju baze, iskodiraju backend i frontend, pokrenu testove, postave sistem na cloud, privuku korisnike i rešavaju bagove u hodu.

Iako pojedinačni tehnološki segmenti ove vizije već funkcionišu u kontrolisanim uslovima, njihovo uvezivanje u stabilan sistem koji posluje u stvarnom svetu znatno je teži poduhvat. Realni softverski inženjering podrazumeva nejasne zahteve sa terena, zastarele legacy sisteme, kompanijsku politiku, promenljive zakonske regulative, konfliktne zahteve korisnika, nepotpune podatke i neizbežne kompromise.

Zato će se autonomija uvoditi etapno: prvo kroz zadatke niskog rizika, zatim kroz standardizovane tehničke module, dok će domen kompleksnih poslovnih odluka još dugo ostati pod direktnim ljudskim vođstvom. Realna slika budućnosti ne donosi kompanije bez programera, već kompaktne ljudske timove koji upravljaju gigantskim digitalnim kapacitetom.

Tim od pet ljudi mogao bi proizvoditi kao današnji tim od dvadeset

Ovaj skok u produktivnosti ne znači automatski talas masovnih otpuštanja. Iako će neke kompanije odabrati taj put, postoji znatno produktivnija alternativa: tim koji je do juče jedva uspevao da održi jedan stabilan proizvod sada dobija prostor da paralelno razvija pet novih inicijativa.

Kompanije dobijaju mogućnost da:

• drastično ubrzaju testiranje novih ideja na tržištu,

• izgrade veći broj funkcionalnih prototipova,

• konačno saniraju tehnički dug koji se godinama gurao pod tepih,

• modernizuju zastarelu infrastrukturu,

• podignu pokrivenost testovima na najviši nivo,

• razviju interne automatizacije koje ranije nisu bile ekonomski opravdane.

Istorija tehnologije nam pokazuje da rast efikasnosti ne mora nužno smanjiti broj zaposlenih, već često radikalno proširuje spektar poduhvata koje smatramo ekonomski isplativim. To je optimističan scenario koji se neće desiti sam od sebe, već zavisi od vizije rukovodstva.

Menadžment će morati da odluči da li AI koristi za smanjenje troška ili povećanje sposobnosti

Pred rukovodstvom svake moderne organizacije nalazi se strateška prekretnica koja se svodi na dva suprotstavljena pristupa:

• Pristup A: „Ako agent uspešno obavlja posao trojice inženjera, otpustićemo dvojicu i smanjiti budžet.“

• Pristup B: „Ako postojeći inženjerski tim sada ima tri puta veći kapacitet za eksperimentisanje, iskoristićemo ga za stvaranje superiornih i naprednijih proizvoda.“

Oba poslovna modela biće prisutna na tržištu. Prvi donosi instant finansijsku uštedu na papiru, dok drugi na dugi rok gradi neuporedivo veći kapacitet za inovacije. Za ovaj drugi model neophodno je rukovodstvo koje razume da softverski inženjering nije fabrika gde se uspeh meri količinom proizvedenih linija koda po glavi zaposlenog, već rešenjima koja kreiraju stvarnu vrednost.

Najuspešniji timovi neće biti oni sa najviše AI agenata

Trku na tržištu neće dobiti oni koji integrišu najveći broj alata, već oni koji najbolje vladaju inženjerskom disciplinom:

• šta bezbedno delegirati, a šta zadržati pod ljudskom kontrolom,

• kako precizno formulisati ciljeve i obezbediti kontekst sistemu,

• kako postaviti striktna ograničenja autonomije,

• kako brzo i efikasno verifikovati rezultate,

• kako dugoročno sačuvati inženjersko znanje unutar tima,

• kako meriti stvarni poslovni ishod umesto pukog volumena rada.

To je esencija novog odnosa između Agentic AI tehnologije i agilnog poslovanja. Agile ne mora da se transformiše u nekakav „ubrzani Scrum“, već mora postati napredni operativni sistem za koordinaciju ljudske procene i mašinske egzekucije.

Od Agile tima ka Human-Agent timu

Pre dve decenije, velika industrijska prekretnica ogledala se u prelasku sa glomaznih višegodišnjih projekata na kratke iteracije, sa rigidnih specifikacija na brze povratne sprege i sa krutog komandovanja na autonomne timove.

Danas prisustvujemo sledećoj velikoj evoluciji: prelazimo sa timova sastavljenih isključivo od ljudi koji koriste softver na timove sastavljene od ljudi koji upravljaju mrežom autonomnih softverskih izvršilaca.

U takvom okruženju ponovo moramo definisati osnovne postulate:

• Šta danas predstavlja tim?

• Ko snosi krajnju odgovornost za isporučeni rad?

• Ko donosi prelomne odluke i ko verifikuje rezultate?

• Koliki nivo slobode dajemo mašinskim sistemima?

• Ko odgovara za greške autonomnih agenata?

• Kako organizacija akumulira i zadržava znanje?

• Kako obezbediti da brzina izvršenja ne nadvlada sposobnost kontrole?

To nisu hipotetička pitanja rezervisana za budućnost. GitHub, Atlassian, Anthropic, Google i Scrum.org već uveliko implementiraju rešenja i smernice za rad sa autonomnim agentima. Pitanje u 2026. godini više ne glasi da li će veštačka inteligencija moći samostalno da piše softver, već koliki deo operativnog rada smo spremni da joj prepustimo – i da li je naša organizacija dovoljno zrela da kontroliše ono što dobija zauzvrat.

Agile je nastao da upravlja neizvesnošću. Agentic AI će tu neizvesnost povećati

U osnovi ove tranzicije leži paradoks: veštačka inteligencija drastično ubrzava proces razvoja, ali upravo ta brzina omogućava da znatno brže donesemo pogrešnu odluku, brže nagomilamo tehnički dug, brže zatrpamo proces revizije, brže stvorimo bezbednosne propuste i proizvedemo softver koji korisnicima zapravo ne treba.

Puka brzina sama po sebi ne predstavlja nikakvo rešenje; naprotiv, što je izvršenje brže, kvalitet donete odluke postaje presudan. U eri kada je realizacija trajala mesecima, organizacija je imala dovoljno vremena da u hodu prepozna grešku u koracima. Kada agenti funkcionalnost isporuče za par dana, propust ulazi u produkciju trenutno.

Zato Agentic AI ne obesmišljava agilne principe, već empirizam čini važnijim nego ikada pre: brzo napravi, brzo proveri i brzo uči – ali pod uslovom da tačno znaš šta i zašto meriš.

Najveća vrednost čoveka možda neće biti da radi posao, već da odluči koji posao vredi raditi

Kada mašine ovladaju veštinom efikasnog operativnog izvršenja, samo izvršenje gubi na svojoj relativnoj ceni. Ono što ostaje retko i izuzetno vredno jesu:

• postavljanje pravih pitanja,

• beskompromisno određivanje prioriteta,

• duboko razumevanje ljudskih potreba,

• promišljene arhitektonske procene,

• etičke odluke i strateški kompromisi,

• dobar ukus, lična odgovornost i razumevanje šireg konteksta.

To su vrednosti koje niko ne može jednostavno „promptovati“ ukoliko organizacija njima već ne raspolaže. Agentic AI može proizvesti zadivljujući obim koda, ali ne poseduje svest o tome koji segment tog posla zaista vredi uraditi.

Uspešnost budućeg agilnog tima neće se ceniti po količini generisanog koda, već po sposobnosti da suvereno vlada ogromnim digitalnim potencijalom koji mu stoji na raspolaganju. Developer prestaje da bude puki kucač koda, Product Owner prestaje da bude administrator Backloga, Scrum Master prerasta uloge običnog facilitatora, a sam tim postaje sinergija ljudi i tehnologije.

Kapacitet sprinta više neće biti ograničen brojem linija koje programeri mogu da ispišu, već obimom promena koje organizacija može kvalitetno da razume, verifikuje i pretoči u dugoročnu vrednost. Na tom mestu nalazi se prava granica ove revolucije – ne u serverskoj snazi, broju agenata ili obimu koda, već u neprikosnovenoj ljudskoj sposobnosti da donese ispravnu odluku.

FAQ – Agentic AI i Agile

Šta je Agentic AI?

Agentic AI označava napredne sisteme veštačke inteligencije koji su sposobni da samostalno prime zadati cilj, raščlane ga na niz koraka, koriste eksterne alate, preduzimaju konkretne akcije, evaluiraju sopstvene rezultate i iterativno nastave rad bez potrebe za konstantnim ljudskim navođenjem.

Šta je Agentic Coding?

Agentic Coding predstavlja direktnu primenu autonomnih agenata u procesu softverskog razvoja. Umesto pukog sugerisanja naredne linije koda, agent samostalno analizira projektni repozitorijum, menja više povezanih datoteka, izvršava testove, otklanja pronađene greške i kreira gotov Pull Request spreman za reviziju.

Da li AI agent već može sam da rešava GitHub Issues?

Da. GitHub Copilot cloud agent pruža mogućnost da se zadatak iz tiketa dodeli direktno agentu, koji potom autonomno radi na implementaciji i otvara Pull Request, uz podršku i za rešenja nezavisnih proizvođača (third-party agents).

Da li Agentic AI ukida Scrum?

Ne. Temeljni postulati Scruma – transparentnost, inspekcija i adaptacija – postaju još kritičniji. Tehnologija radikalno transformiše način i brzinu izvršavanja zadataka, ali potreba za definisanjem jasnih ciljeva, verifikacijom rezultata i adaptacijom na osnovu povratnih informacija ostaje nepromenjena.

Kako AI agenti menjaju Sprint Planning?

Planiranje sprinta prestaje da bude kalkulacija pukog radnog vremena inženjera. Tim mora proceniti koje poslove može bezbedno delegirati agentima, koliki obim generisanog koda inženjeri mogu kvalitetno da pregledaju, koji zadaci zahtevaju obavezan ljudski nadzor i gde leže potencijalni bezbednosni rizici.

Hoće li AI agent biti član Scrum tima?

U formalnom smislu, Scrum okvir je kreiran oko ljudskih bića i timskih odgovornosti. U praksi, agent postaje integralni deo operativnog sistema tima, ali sva moralna, zakonska i profesionalna odgovornost za isporučene rezultate ostaje isključivo na ljudima.

Šta se događa sa Product Owner ulogom?

Uloga Product Ownera se proširuje: pored rangiranja prioriteta, on aktivno postavlja granice autonomije agenata, definiše koji se poslovni moduli smeju delegirati mašinama i postavlja standarde obavezne ljudske verifikacije.

Šta se događa sa Scrum Master ulogom?

Rutinski administrativni poslovi bivaju automatizovani. Vrednost Scrum Mastera se fokusira na sistemsko razmišljanje, uklanjanje kompleksnih organizacionih barijera, vođenje timova kroz promene i dizajniranje efikasne saradnje između ljudi i agenata.

Da li će AI agenti zameniti developere?

Pojedine repetitivne aktivnosti bivaju automatizovane, ali se inženjerska uloga pomera ka konceptualnom nivou: formulisanju problema, projektovanju arhitekture, verifikaciji rešenja, orkestraciji agenata i upravljanju rizicima.

Da li su Junior developeri posebno ugroženi?

Zadaci na kojima su juniori tradicionalno sticali rutinu najlakše se automatizuju, što stvara rizik za kontinuitet razvoja talenata. Međutim, uz pravilan mentorski pristup, AI može poslužiti kao katalizator koji juniorima omogućava da znatno brže usvoje napredne inženjerske koncepte.

Koji će biti najveći bottleneck kod Agentic AI razvoja?

Pisanje koda prestaje da bude usko grlo; novi zastoji nastaju u fazama pregleda koda (Code Review), integracionog testiranja, provere bezbednosti, potvrde arhitektonske usklađenosti i kapaciteta organizacije da apsorbuje veliki broj paralelnih promena.

Zašto je WIP limit važan kada agenti mogu da rade neprekidno?

Ukoliko agenti generišu rad brže nego što inženjeri mogu da ga provere i integrišu, redovi čekanja se gomilaju i ukupan protok sistema opada. Hiperprodukcija neobrađenog koda ne predstavlja isporuku stvarne vrednosti.

Šta je Human-in-the-Loop?

To je metodološki pristup koji osigurava da ljudska ekspertiza ostane kontrolna tačka u ključnim momentima: prilikom potvrde plana, odobravanja visokorizičnih akcija, finalnog pregleda koda i donošenja poslovnih odluka.

Šta je Multi-Agent System?

Arhitektura u kojoj više specijalizovanih agenata sarađuje na rešavanju problema – gde jedan agent analizira zahteve, drugi piše kod, treći testira rešenje, a četvrti proverava bezbednosne aspekte unutar jedinstvenog toka.

Šta je Agent Sprawl?

Pojam koji označava stihijsko i nekontrolisano umnožavanje agenata, njihovih prava i međusobnih zavisnosti, što sistem čini netransparentnim, teškim za održavanje i podložnim bezbednosnim propustima.

Kako se meri produktivnost Agentic AI tima?

Fokus se pomera sa broja linija koda i obima zadataka na stvarne ishode: Lead Time, Cycle Time, stopu defekata, stabilnost produkcije, brzinu revizije i finalnu vrednost isporučenu korisnicima.

Šta je Risk-Based Review?

Pristup u kome intenzitet provere zavisi od nivoa potencijalnog rizika: bezopasne izmene prolaze uz visoku automatizaciju, dok izmene na kritičnim servisima zahtevaju detaljan i višestruki ljudski pregled.

Da li Agentic AI znači da će timovi biti manji?

Manji inženjerski timovi dobijaju mogućnost da isporuče obim posla koji je ranije zahtevao znatno više resursa. Kompanije tu prednost mogu iskoristiti ili za optimizaciju troškova ili za radikalno povećanje obima novih projekata.

Koji je najveći rizik dugoročne automatizacije razvoja?

Glavna pretnja jeste postepeni gubitak dubinskog inženjerskog razumevanja sistema usled prekomernog oslanjanja na automatizaciju, što organizaciju može ostaviti bespomoćnom u kriznim situacijama.

Kako će Agentic AI promeniti Agile u narednih nekoliko godina?

Agile će staviti fokus na koordinaciju rada između ljudi i agenata, upravljanje rizicima, precizno definisanje autonomije i održavanje brzih petlji povratnih informacija.

Da li će Agentic AI konačno omogućiti potpuno autonomne softverske kompanije?

Iako alati omogućavaju visoku tehničku automatizaciju, kompanije moraju rešavati kompleksna pitanja poslovne strategije, etike, promenljivih zakona i odnosa sa korisnicima, zbog čega model kompaktnih ljudskih timova osnaženih veštačkom inteligencijom ostaje realnost u doglednoj budućnosti.