Koje AI veštine treba da ima svaki junior u 2026.

Svaki junior danas treba da ima AI pismenost, što znači da ume da formuliše dobar zadatak za AI, proveri rezultat, zaštiti podatke i zna kada AI ne treba koristiti. Za tehničke juniore to uključuje rad sa AI asistentima za kod, testove, dokumentaciju i Code Review (pregled koda). Za netehničke juniore podrazumeva analizu informacija, rad sa sadržajem, automatizaciju rutine i jasnu komunikaciju. Najvažnija veština ipak nije prompt, već sposobnost da se razmišlja kritički kada AI zvuči kao da je potpuno siguran u nešto što nije tačno.

Ako ste junior i plašite se da će vas AI zameniti, imate razlog da budete oprezni – ali nemate razlog da paničite. AI zaista preuzima deo rutinskih zadataka koji su ranije bili tipična početnička škola: pisanje jednostavnog koda, sastavljanje osnovnih tekstova, prepisivanje podataka, pravljenje sažetaka, nalaženje površnih informacija, izrada prvih verzija prezentacija i odgovaranje na ponavljajuća pitanja.

To menja ulazak u profesiju. Ali ne znači da početnici postaju višak.

Ono što se menja jeste standard. Poslodavac više neće biti impresioniran time što junior ume da napravi prvi nacrt teksta, jednostavnu funkciju ili listu ideja za sat vremena. AI to može da uradi za nekoliko sekundi. Poslodavca će zanimati da li junior razume zadatak, ume da postavi prava pitanja, proveri AI rezultat, pronađe grešku, objasni odluku i isporuči rad koji može da preživi kontakt sa stvarnim korisnikom, klijentom ili produkcionim sistemom.

LinkedIn procenjuje da će se do 2030. promeniti oko 70 odsto veština korišćenih u većini poslova, pri čemu AI ima veliku ulogu u promeni načina rada. To nije predviđanje da će svaki posao nestati. To je signal da osnovni profesionalni paket više nije isti kao pre samo nekoliko godina.

U 2026. junior koji AI izbegava iz principa može biti sporiji od konkurencije. Junior koji AI koristi bez razumevanja može postati opasan za tim. Prednost ima onaj ko AI koristi kao alat, a ne kao štaku.

AI pismenost nije isto što i promptovanje

Najveća zabuna nastaje kada se AI pismenost svede na „ume da napiše dobar prompt“. Prompt engineering (inženjering upita) jeste koristan, ali nije cela priča.

Dobar prompt može da poboljša rezultat, smanji broj dodatnih pitanja i natera model da isporuči sadržaj u željenom formatu. Međutim, osoba koja ume da napiše lepu instrukciju, ali ne ume da proceni da li je odgovor tačan, nije AI stručnjak. Ona je samo efikasniji korisnik alata.

AI literacy (AI pismenost) podrazumeva najmanje šest stvari:

Razumevanje šta AI može, a šta ne može pouzdano da uradi.
Sposobnost da se zadatak jasno formuliše.
Proveru činjenica, izvora, pretpostavki i zaključaka.
Razumevanje privatnosti, poverljivosti i bezbednosti podataka.
Poznavanje osnovnih rizika, kao što su halucinacije, pristrasnost i zastarelost.
Umeće da se AI rezultat uklopi u konkretan poslovni ili tehnički proces.

LinkedIn je AI literacy označio kao jednu od najtraženijih profesionalnih veština u 2025, uz prilagodljivost, optimizaciju procesa, inovativno razmišljanje i upravljanje promenama. To je važno jer pokazuje da AI znanje nije rezervisano samo za programere. Ono postaje opšta poslovna veština – slično kao rad u tabelama, pretraga interneta ili korišćenje cloud alata.

Za juniora to znači da nije dovoljno da zna imena nekoliko chatbotova. Mora da ume da objasni: za šta koristi AI, koje podatke unosi, kako proverava rezultat i šta radi kada AI pogreši.

Prva veština: definisanje problema

AI daje najlošije odgovore kada dobije loše postavljen zadatak. To nije magija; to je posledica nejasnih instrukcija.

Ako junior napiše: „Napravi mi marketing plan“, dobiće generički marketing plan. Ako napiše: „Napiši funkciju za prijavu korisnika“, dobiće funkciju koja možda radi u izolaciji, ali ne zna ništa o vašoj aplikaciji, autentikaciji, bezbednosti, bazi, pravilima proizvoda ili načinu na koji tim već piše kod.

Zato je prva AI veština zapravo sposobnost da se problem razloži.

Dobra instrukcija najčešće sadrži:

Cilj: Šta tačno treba dobiti?
Kontekst: Za koga se radi, u kom sistemu, za koju publiku ili u kojoj fazi projekta?
Ulazne podatke: Koje dokumente, informacije, pravila ili ograničenja AI sme da koristi?
Ograničenja: Šta rezultat ne sme da sadrži? Koje tehnologije, ton, rokovi ili pravila važe?
Format: Da li je potreban tekst, tabela, plan, JSON, test slučajevi, lista rizika ili pseudokod?
Kriterijum kvaliteta: Kako znamo da je rezultat dobar?

Loš prompt:

„Napiši mi opis aplikacije.“

Bolji prompt:

„Napiši nacrt opisa za Google Play Store aplikaciju za zakazivanje termina u salonima lepote. Ciljna publika su vlasnici malih salona u Srbiji. Ton treba da bude profesionalan, ali jednostavan. Istakni online rezervacije, podsetnike za klijente i pregled rasporeda. Ne izmišljaj funkcije koje nisu navedene. Predloži naslov, kratki opis do 80 karaktera i puni opis do 2.500 karaktera.“

Razlika nije u „tajnoj formuli“. Razlika je u tome što osoba koja daje drugi prompt razume proizvod i ume da definiše zadatak.

ITNetwork u tekstu o prompt inženjeringu ističe da kvalitet odgovora zavisi od precizne strukture upita, konteksta, tehnika poput few-shot prompting (davanje nekoliko primera) i razumevanja ograničenja velikih jezičkih modela.

Druga veština: provera, a ne slepa vera

Ako treba izdvojiti jednu veštinu koja razlikuje korisnog juniora od „AI papagaja“, to je verification (provera).

AI može da generiše pogrešne informacije, izmišljene izvore, nepostojeće API metode, zastarele podatke, netačne pravne tvrdnje i kod koji zvuči uverljivo, a ne radi. Taj problem se često naziva hallucination (halucinacija), ali ne treba ga mistifikovati. AI ne „laže“ kao čovek. On generiše odgovor koji statistički deluje kao dobar nastavak teksta, bez automatske garancije da je sadržaj istinit.

Zato junior mora da razvije naviku da proverava:

Da li navedeni izvor zaista postoji?
Da li je citat tačno prenet?
Da li je informacija aktuelna?
Da li API, biblioteka ili funkcija zaista postoji u verziji koju koristite?
Da li kod prolazi testove?
Da li predlog poštuje poslovna pravila?
Da li odgovor sadrži pretpostavke koje nisu potvrđene?
Da li je AI preskočio važan izuzetak?

Ovo je posebno važno zato što AI često piše sa tonom sigurnosti. Početnik može da pomisli da je detaljan odgovor automatski i tačan. Nije.

Dobar junior neće reći: „AI je rekao da tako treba.“ Reći će: „AI je predložio ovo rešenje; proverio sam dokumentaciju, testirao sam slučajeve X i Y, a otvoreno pitanje je Z.“

Ta rečenica zvuči kao profesionalna odgovornost.

ITNetwork je u tekstu o „sindromu AI-papagaja“ upozorio da nekritička upotreba AI-ja može da oslabi debugging, samostalno razmišljanje i sposobnost razumevanja problema, stvarajući generaciju ljudi koji umeju da kopiraju rezultat, ali ne i da ga odbrane.

Treća veština: osnovna bezbednost podataka

Jedan od najbržih načina da junior napravi ozbiljan problem jeste da u javni AI alat nalepi:

Kod iz privatnog repozitorijuma.
API ključ, token, lozinku ili konfiguracioni fajl.
Podatke klijenata.
Ugovor, ponudu ili finansijski izveštaj.
Medicinske, HR ili druge lične podatke.
Interne specifikacije proizvoda koje još nisu javne.

To se često dešava bez loše namere. Junior želi da dobije pomoć oko baga, sažme dokument ili napiše odgovor klijentu. Ali posledice mogu biti ozbiljne: curenje poverljivih informacija, kršenje ugovornih obaveza, narušavanje privatnosti i reputaciona šteta.

Zato svaki junior mora da razume osnovno pravilo: ne unosi u javni AI alat ništa što ne bi smeo da pošalje nepoznatoj osobi van firme.

To ne znači da AI ne treba koristiti. Znači da treba koristiti odobrene poslovne alate, anonimizovane primere, test podatke i jasno definisana pravila.

Primer loše prakse:

„Evo kompletne baze kupaca i ugovora, pronađi mi tri najprofitabilnija klijenta.“

Bolji pristup:

„Koristim odobreni interni analitički alat. Podaci su anonimizovani, pristup je ograničen, a rezultat proverava osoba odgovorna za finansije.“

Osnove privatnosti, bezbednosti i kontrole pristupa nisu „posao pravnog tima“. U 2026. to je deo profesionalne higijene svakoga ko radi sa digitalnim alatima.

World Economic Forum u izveštaju Future of Jobs 2025 navodi da je technological literacy (tehnološka pismenost) među ključnim veštinama radne snage, dok su AI i big data oblasti među veštinama čiji značaj raste. Tehnološka pismenost ne znači samo znati da kliknete na alat. Znači znati kakve posledice taj klik može imati.

Četvrta veština: rad sa AI kao sa pripravnikom

Najzdraviji mentalni model za juniora jeste da AI tretira kao veoma brzog pripravnika: može da uradi mnogo korisnog posla, ali mu treba jasno objasniti zadatak i obavezno proveriti rezultat.

AI može da:

Predloži strukturu dokumenta.
Napravi prvi nacrt teksta.
Generiše listu test slučajeva.
Sažme sastanak.
Objasni nepoznat termin.
Predloži SQL upit.
Napravi tabelu poređenja.
Pomogne u analizi logova.
Pripremi osnovnu dokumentaciju.
Ponudi više varijanti poruke, naslova ili funkcije.

AI ne treba da:

Samostalno donese odluku koja utiče na novac, ugovor, zapošljavanje ili bezbednost.
Objavi sadržaj bez uredničke provere.
Pusti kod u produkciju bez testova i pregleda.
Odgovori klijentu o pravnim, finansijskim ili tehnički osetljivim pitanjima bez odobrenja.
Dobije širi pristup internim sistemima samo zato što „olakšava rad“.

Ovaj pristup razvija vrlo korisnu profesionalnu naviku: junior ne postaje osoba koja „zna sve“, već osoba koja ume da organizuje rad, proceni rizik i napravi pouzdan rezultat.

Microsoftov Work Trend Index opisuje rast hibridnih timova ljudi i AI agenata, uz očekivanje da će se zadaci i radne uloge menjati kako AI postaje stalni deo poslovnih procesa. Juniori koji sada nauče kako se radi uz nadzor, proveru i jasnu podelu odgovornosti imaće mnogo stabilniju osnovu od onih koji AI vide kao automatsku mašinu za gotove odgovore.

Peta veština: prompt engineering, ali bez mistike

Prompt engineering nije posebna magija, niti je dovoljno samo reći AI-ju „ponašaj se kao senior developer“. To je sposobnost da precizno komunicirate sa sistemom koji nema vaš poslovni kontekst dok mu ga ne date.

Osnovne tehnike koje junior treba da savlada su:

Role prompting (dodeljivanje uloge): korisno kada želite određenu perspektivu, ali nije zamena za kontekst.
Few-shot prompting (uputstvo uz nekoliko primera): pokažite modelu kakav rezultat očekujete.
Step-by-step decomposition (razlaganje na korake): veliki zadatak podelite na manje, proverljive celine.
Structured output (strukturisan izlaz): tražite tabelu, JSON, listu testova, format za tiket ili unapred definisanu šemu.
Constraint prompting (definisanje ograničenja): jasno recite šta model ne sme da radi, pretpostavlja ili izmišlja.
Critique and revise (kritika i revizija): tražite od AI-ja da pronađe slabosti u sopstvenom nacrtu, ali zaključke proverite nezavisno.

Primer za junior programera:

„Analiziraj sledeću Kotlin funkciju. Ne menjaj javni API. Pronađi moguće null greške, neobrađene izuzetke i probleme sa performansama. Predloži minimalne izmene, zatim napiši JUnit testove za pozitivne, negativne i granične slučajeve. Ako ti nedostaje kontekst, prvo postavi pitanja umesto da pretpostavljaš.“

Primer za junior marketara:

„Na osnovu ovog proizvoda i sledećih proverenih podataka, pripremi tri varijante oglasa za Meta Ads. Ciljna publika su vlasnici malih e-commerce prodavnica u Srbiji. Nemoj koristiti neproverene statistike, obećanja o garantovanom rezultatu ili preterane tvrdnje. Za svaku varijantu navedi primarni tekst, naslov i CTA.“

Primer za junior projektnog menadžera:

„Pretvori beleške sa sastanka u tabelu sa kolonama: odluka, vlasnik zadatka, rok, rizik i otvoreno pitanje. Ne izmišljaj rokove ni vlasnike. Sve stavke koje nisu eksplicitno potvrđene označi kao ‘potrebna potvrda’.“

Ovo je korisna veština jer smanjuje greške pre nego što nastanu. Ali nikada ne sme postati zamena za razumevanje posla.

Šesta veština: rad sa podacima i tabelama

U gotovo svakoj profesiji junior će doći u kontakt sa tabelama: Excel, Google Sheets, CSV fajlovi, izveštaji iz CRM-a, analitika sa sajta, prodajni podaci, budžeti, logovi ili rezultati kampanje.

AI može pomoći da se podaci objasne, očiste, kategorizuju, sumarizuju i pretvore u preglednu priču. Ali junior mora da zna osnove rada sa podacima pre nego što prepusti analizu alatu.

To podrazumeva:

Razliku između proseka, medijane i procenta.
Razumevanje šta je uzorak, a šta potpuna populacija.
Proveru duplikata, praznih polja i nelogičnih vrednosti.
Razumevanje korelacije i činjenice da korelacija nije uzročnost.
Sposobnost da postavi dobro pitanje nad podacima.
Proveru da li AI koristi pravu kolonu, pravi period i tačan filter.
Jasno označavanje pretpostavki i ograničenja analize.

AI može da kaže da je „prodaja pala za 20 odsto“, a junior mora da pita: u odnosu na koji period, na kom tržištu, za koji proizvod, da li je u pitanju broj porudžbina ili prihod, da li su izuzeti refundovi i da li je promenjen način praćenja podataka?

Bez tih pitanja, analiza postaje lepo napisana pogrešna priča.

Za tehničke juniore korisni su SQL, osnovni Python, CSV/JSON formati, API pozivi i razumevanje kako podaci putuju kroz sistem. Za netehničke juniore jednako su korisni formule u tabelama, pivot tabele, osnovna vizuelizacija i sposobnost da se rezultat objasni bez manipulativnih zaključaka.

Sedma veština: AI-assisted coding za juniore

Za junior developere AI asistenti za kod mogu biti izuzetno korisni. Oni ubrzavaju učenje sintakse, pripremu boilerplate koda, pisanje testova, dokumentaciju, refaktorisanje i istraživanje grešaka.

Ali postoji granica: ako AI stalno piše kod koji junior ne razume, junior ne uči programiranje. On postaje operater generatora koda.

Zato treba primenjivati nekoliko pravila.

Ne pitajte samo za rešenje, pitajte za objašnjenje

Umesto:

„Napravi mi Firebase login u Flutteru.“

Bolje:

„Objasni mi korak po korak tok Firebase autentikacije u Flutter aplikaciji. Zatim predloži minimalnu implementaciju za email/password prijavu, navedi koje delove treba prilagoditi verzijama paketa i napiši test scenarije za neuspešnu prijavu. Ne prikazuj tajne ključeve niti pretpostavljaj konfiguraciju koju nisam poslao.“

Tako AI postaje tutor, a ne automatski pisac.

Uvek testirajte generisani kod

AI predlog treba tretirati kao kod kolege koji još nije prošao review. To znači:

Proverite da li se kompajlira.
Pokrenite unit testove.
Testirajte granične slučajeve.
Proverite validaciju korisničkog unosa.
Pregledajte greške i exception handling.
Proverite bezbednost i rad sa tokenima.
Uporedite sa zvaničnom dokumentacijom.

Naučite da čitate diff

Diff (pregled razlike između verzija koda) je jedna od najvažnijih navika. Nemojte prihvatati desetine AI izmena odjednom. Tražite male promene, razumite ih, testirajte i tek onda nastavite.

ITNetwork je u tekstu o AI auditorima opisao promenu juniorske uloge: početnik sve manje vredi samo po broju ispisanih linija koda, a sve više po sposobnosti da ispita, proveri i popravi AI-generisano rešenje.

To možda zvuči surovo, ali je korisno. Junior koji ume da pronađe problem u predlogu AI-ja već radi ono što će mu trebati za put od juniora ka medioru.

Osma veština: dokumentovanje i jasna komunikacija

AI povećava brzinu izrade materijala. To znači da je danas lakše nego ranije zatrpati tim tekstovima, tiketima, specifikacijama i porukama koje niko ne razume ili nema vremena da pročita.

Zato AI era više, a ne manje, traži jasnu komunikaciju.

Junior treba da zna kako da:

Napiše dobar bug report.
Sažme problem u nekoliko rečenica.
Opiše korake za reprodukciju greške.
Navede šta je pokušao i kakav je rezultat dobio.
Razdvoji činjenice od pretpostavki.
Dokumentuje odluku i njen razlog.
Postavi pitanje tako da kolega može brzo da odgovori.
Prevede tehnički problem na jezik koji razume klijent ili menadžer.

AI može pomoći u pripremi ovih materijala, ali ne može umesto vas da zna šta je važno vašem timu.

Primer loše poruke:

„Ne radi login, možete li da pogledate?“

Primer profesionalne poruke:

„Na Android 14 uređaju, u verziji aplikacije 2.4.1, prijava putem Google Sign-In-a vraća grešku DEVELOPER_ERROR. Problem se javlja na staging okruženju, a email/password prijava radi. Proverio sam SHA-1 konfiguraciju i redirect URI, ali problem ostaje. Prilažem relevantni log i korake za reprodukciju.“

Druga poruka štedi vreme senioru, QA timu i projektu. To je veština koja ostaje vredna bez obzira na to koliko AI postane sposoban.

World Economic Forum navodi analitičko razmišljanje, otpornost i prilagodljivost, liderstvo, kreativno razmišljanje, tehnološku pismenost, empatiju i aktivno slušanje među ključnim veštinama radne snage. Nije slučajno što su među najvažnijima i ljudske veštine. AI može napisati poruku, ali ne može umesto vas izgraditi poverenje u timu.

Deveta veština: razumevanje automatizacije

Junior ne mora odmah da gradi složene AI agente, ali treba da razume razliku između chat alata, automatizacije i sistema koji ima pravo da izvrši akciju.

Automation (automatizacija) znači da se unapred definisan korak izvršava prema pravilu: kada se popuni forma, kreira se tiket; kada stigne faktura, šalje se na odobrenje; kada se promeni status, obaveštava se tim.
AI automation (AI automatizacija) dodaje sloj procene ili obrade jezika: sistem može da klasifikuje poruku, izdvoji podatke iz dokumenta, predloži odgovor ili prosledi zahtev odgovarajućem timu.
AI agent (AI agent) ide dalje: može da koristi alate, prati više koraka i izvršava određene radnje u okviru datih ovlašćenja.

Razlika je važna zato što rizik raste sa autonomijom. AI koji samo predlaže odgovor može da napravi neprijatnu grešku. AI koji ima pravo da pošalje poruku klijentu, promeni status ugovora, kreira refund ili obriše podatak može da napravi ozbiljnu poslovnu štetu.

Svaki junior treba da nauči pitanje: da li AI samo predlaže ili zaista izvršava radnju? Ako izvršava, ko ga kontroliše, koje su granice, postoji li evidencija i kako se radnja može poništiti?

ITNetwork je u analizi AI timova i orchestration (orkestracije) ukazao na rast sistema u kojima više AI agenata sarađuje na složenijim zadacima. To znači da osnovno razumevanje workflow-a, API-ja, dozvola i kontrole kvaliteta postaje korisno i za juniore koji nisu AI inženjeri.

Deseta veština: portfolio koji pokazuje razmišljanje

U 2026. portfolio koji se svodi na nekoliko generičkih projekata lako može da izgleda kao da ga je AI sastavio za vikend. Zato junior mora da pokaže više od rezultata. Mora da pokaže proces.

Dobar portfolio projekat ne mora biti ogroman. Može biti mala Flutter aplikacija, jednostavan API, analiza javnih podataka, automatizovan workflow, mini CRM, skripta za obradu dokumenata, sajt za lokalni biznis ili alat koji rešava konkretan problem.

Ali treba da ima:

Jasno definisan problem.
Opis korisnika kome projekat pomaže.
Tehnologije i razlog izbora.
Korišćenje AI-ja, ako ga ima, objašnjeno transparentno.
Dokumentovane odluke i ograničenja.
Testove ili način provere funkcionalnosti.
Poznate probleme i naredne korake.
GitHub repozitorijum sa urednim README fajlom.
Kratak video ili screenshotove koji pokazuju kako rešenje radi.

Ako ste koristili AI za deo koda, to nije sramota. Sramota je ako ne znate da objasnite šta taj kod radi, zašto je tu, kako ste ga testirali i koje biste rizike promenili pre produkcije.

ITNetwork u tekstu o putu do AI inženjera naglašava važnost praktičnih projekata, GitHub portfolija, rada sa podacima, Pythonom i sposobnosti da se znanje pokaže na realnim problemima, a ne samo kroz sertifikate. Za većinu juniora to je važnija poruka od liste alata: projekat je dokaz sposobnosti, ali samo ako pokazuje razmišljanje.

Šta juniori ne moraju da znaju

U moru kurseva i dramatičnih objava lako je steći utisak da svako mora da uči linearu algebru, PyTorch, MLOps, RAG arhitekture, fine-tuning, Kubernetes, agent orchestration i pet različitih cloud platformi – odmah.

Ne mora.

Ako želite da budete AI/ML inženjer, onda su matematika, Python, statistika, rad sa podacima, modeli, cloud i MLOps vrlo relevantni. ITNetwork navodi Python, biblioteke poput PyTorch-a i TensorFlow-a, kao i poznavanje cloud platformi, rada sa podacima i portfolija kao važne delove puta za AI inženjera.

Ali ako ste junior designer, marketer, QA tester, project manager, frontend developer ili administrator, vaša osnovna AI pismenost može izgledati drugačije. Potrebno vam je da razumete AI u kontekstu svoje profesije, a ne da glumite data scientista.

Ne jurite svaki novi alat. Alati se menjaju brže nego fundamentalne veštine. Razumevanje problema, rad sa podacima, provera rezultata, jasna komunikacija, bezbednost i kontinuirano učenje ostaju korisni bez obzira na to da li trenutno koristite ChatGPT, Claude, Gemini, Copilot ili neki interni alat firme.

Plan učenja za prvih 90 dana

Za juniora koji želi praktičan početak, dobar plan može izgledati ovako.

Prvih 30 dana: koristite AI svesno

Izaberite jedan odobren AI alat i upoznajte osnovne mogućnosti.
Svaki put pre upita napišite cilj, kontekst, ograničenja i očekivani format.
Vežbajte traženje tabela, planova, test slučajeva, sažetaka i više varijanti istog rešenja.
Uvedite naviku: nijednu činjenicu, kod ili izvor ne prihvatajte bez provere.
Naučite pravila firme o poverljivim podacima ili sami predložite osnovni checklist.

Od 31. do 60. dana: rešavajte konkretan problem

Izaberite jedan ponavljajući zadatak iz svoje oblasti.
Izmerite koliko vremena sada traje.
Koristite AI da napravi nacrt, automatizuje deo posla ili analizira materijal.
Dokumentujte šta je AI uradio, šta ste vi ispravili i gde je pogrešio.
Uporedite kvalitet i vreme rada pre i posle.

Od 61. do 90. dana: napravite dokaz rada

Pretvorite iskustvo u mali portfolio projekat.
Napišite README sa problemom, pristupom, alatima i ograničenjima.
Dodajte testove, primere inputa i outputa ili opis provere.
Napravite kratku prezentaciju za kolege ili mentora.
Zatražite feedback i poboljšajte projekat na osnovu konkretnih komentara.

Ovaj pristup je bolji od beskonačnog gledanja tutorijala. Tržište ne nagrađuje osobu koja je odgledala najviše kurseva. Nagrađuje osobu koja ume da reši stvaran problem i objasni kako je došla do rešenja.

Budućnost nije za one koji najbrže kopiraju

AI će nastaviti da smanjuje vrednost najjednostavnijih, ponavljajućih digitalnih zadataka. To je loša vest za svakoga ko planira karijeru na nivou „znam da prepišem tuđe rešenje“. Ali može biti dobra vest za juniore koji žele da uče brže, rade na realnim problemima i ranije razviju profesionalne navike.

Nije dovoljno da znate da koristite AI. Morate znati kada mu ne verovati. Nije dovoljno da generišete kod. Morate znati da ga pročitate, testirate i popravite. Nije dovoljno da napišete prompt. Morate znati šta pokušavate da rešite. I nije dovoljno da imate AI u CV-ju. Morate imati dokaz da AI koristite odgovorno, bezbedno i korisno.

Najtraženiji junior u 2026. neće biti onaj koji tvrdi da AI radi sve umesto njega. Biće to osoba koja ume da uz AI isporuči više – ali i da preuzme odgovornost za ono što je isporučila.