Key Takeaways – šta je najbitnije u ovom tekstu
AI-Augmented Agile nije nova metodologija koja treba da zameni Scrum, Kanban ili DevOps. To je sledeća faza agilnog razvoja u kojoj veštačka inteligencija (AI) više nije samo alat programera, već postaje aktivan deo gotovo kompletnog životnog ciklusa razvoja softvera (Software Development Life Cycle – SDLC): od Product Discovery faza i analize zahteva, preko programiranja i testiranja, do pregleda koda (Code Review), dokumentacije, puštanja u rad (deployment), opservabilnosti (observability) i analize povratnih informacija korisnika.
Efekti više nisu samo teorijski. DORA je u istraživanju među gotovo 5.000 tehnoloških profesionalaca utvrdila da 90% ispitanika koristi AI na poslu, dok više od 80% smatra da je on povećao njihovu produktivnost. Istovremeno, oko 30% prijavljuje malo ili nimalo poverenja u AI-generisani kod. DORA zato AI opisuje kao pojačivač (Amplifier): dobre razvojne sisteme može učiniti boljim, a loše procese još problematičnijim.
Microsoft Research je, sa druge strane, u tri terenska eksperimenta u Microsoft-u, Accenture-u i jednoj Fortune 100 kompaniji, na ukupno 4.867 developera, izmerio 26,08% više završenih zadataka kod developera koji su imali pristup AI asistentu za kodiranje (coding assistant). Manje iskusni programeri pokazali su veće usvajanje alata i veće dobitke.
Ali novije istraživanje na više od 500.000 GitHub developera otkriva mnogo neprijatniju činjenicu. Autocomplete, interaktivni coding agenti i autonomni agenti značajno povećavaju količinu programerske aktivnosti, ali se taj efekat dramatično smanjuje kako se približavamo stvarnom proizvodu. Kod autonomnih agenata kumulativni rast aktivnosti kroz komite (commits) dostiže 240%, ali se efekat smanjuje na oko 80% kada se gledaju projekti i na svega oko 30% kod stvarnih release-ova.
Drugim rečima: AI može dramatično ubrzati proizvodnju koda, a da organizacija ne postane ni približno toliko brža u proizvodnji softvera. Upravo između te dve činjenice nastaje AI-Augmented Agile.
Agile je nastao da rešava sporost. AI sada stvara potpuno novu vrstu brzine
Pre više od dve decenije problem softverske industrije nije bio nedostatak metodologija. Bilo ih je možda i previše.
Problem je bio što je razvoj velikih sistema često izgledao ovako: mesecima se analiziraju zahtevi, zatim nastaje specifikacija, posle nje arhitektura, pa implementacija, testiranje i na kraju – ako projekat još uvek ima dovoljno novca i strpljenja – proizvod stiže do korisnika.
A korisnik kaže: „Nije to baš ono što nam treba.”
Agile je tu promenio logiku. Nemoj pokušavati da predvidiš sve. Napravi manji deo. Isporuči ga. Dobij feedback. Nauči nešto. Promeni pravac. Ponovi.
Neizvesnost više nije tretirana samo kao neuspeh planiranja. Postala je normalan deo razvoja kompleksnih sistema.
Ali generativna AI uvodi novu promenljivu koju originalni Agile pokret nije mogao ozbiljno da predvidi. Šta ako izvršavanje velikog dela posla odjednom postane mnogo jeftinije i brže? Šta ako za prototip koji je nekada zahtevao tri developera i dve nedelje sada treba jedan developer, nekoliko AI agenata i dva dana?
Tada problem više nije samo kako razvijati softver agilno. Problem postaje kako upravljati sistemom u kojem brzina generisanja rada počinje da premašuje brzinu ljudske provere, odlučivanja i apsorpcije promena. To je suštinski drugačiji problem.
AI-Augmented Agile nije „Scrum plus ChatGPT”
Termin lako može da zavara. Dodati Copilot programerima ne znači da ste dobili AI-Augmented Agile. Napraviti AI sažetak Daily Scrum-a takođe ne znači mnogo. Čak ni automatsko generisanje korisničkih priča (User Stories) nije velika transformacija.
To su AI-assisted aktivnosti.
AI-Augmented Agile počinje kada AI postane deo zatvorene feedback petlje kroz čitav razvojni sistem. Korisnički podaci ulaze u sistem. AI ih analizira. Product tim definiše problem. AI pomaže pri razlaganju problema. Developer i AI agent rade na implementaciji. AI generiše ili proširuje testove. CI/CD pipeline proverava rezultat. AI analizira greške. Čovek odobrava ili odbija promenu. Promena odlazi korisnicima. Observability sistem beleži ponašanje. AI analizira rezultat. Nove informacije vraćaju se u Product Discovery. Krug se zatvara.
To je daleko bliže pravom značenju AI-Augmented Agile-a.
Od „napiši kod” prelazimo ka „ostvari nameru”
Tradicionalno programiranje je izrazito vođeno instrukcijama (instruction-driven). Developer dobija zahtev i prevodi ga u niz tehničkih instrukcija. Napravi klasu. Napiši funkciju. Pozovi API. Obradi odgovor. Sačuvaj rezultat. Proveri grešku. Napiši test.
Savremeni AI agenti pomeraju apstrakciju naviše. Umesto: „Napiši funkciju koja šalje password reset imejl”, zadatak može postati: „Omogući bezbedan recovery naloga korisnicima koji su izgubili lozinku, uz postojeće Security i UX standarde sistema.”
AI agent zatim može analizirati repozitorijum, pronaći authentication servis, razumeti postojeće obrasce, predložiti plan, promeniti nekoliko fajlova, napraviti testove, izvršiti ih, pronaći grešku, korigovati implementaciju i pripremiti Pull Request.
Čovek sve manje opisuje kako nešto treba implementirati. Sve više definiše šta treba postići, zašto i pod kojim ograničenjima. Na ITNetwork-u smo upravo ovaj prelazak detaljnije analizirali u tekstu „Od ‘piši kod’ do ‘opiši nameru’: kako AI-native platforme menjaju razvoj softvera”.
To nije samo promena programerskog alata. To je promena osnovne jedinice rada. A kada se promeni jedinica rada, mora da se promeni i Agile sistem oko nje.
Klasični Agile optimizuje ljudski rad. AI-Augmented Agile mora optimizovati hibridni sistem
Ovo je možda najvažnija konceptualna razlika. Klasični Agile tim čine ljudi. Njihovo vreme je ograničeno. Njihova pažnja je ograničena. Postoji relativno razumljiva veza između broja ljudi, kapaciteta tima i količine posla koju tim može da završi.
AI agent menja tu računicu. Jedan developer potencijalno može paralelno pokrenuti nekoliko agenata. Jedan piše testove. Drugi istražuje bag. Treći priprema migraciju. Četvrti analizira dokumentaciju.
Odjednom imamo zanimljiv problem. Da li je kapacitet tima porastao četiri puta? Ne. Jer čovek i dalje mora da razume rezultate, da ih proveri, donese odluke, razreši konflikt, proceni rizik i preuzme odgovornost.
Zato budući Agile neće upravljati samo ljudskim kapacitetom. Moraće da upravlja kombinovanim kapacitetom ljudi i mašina.
Najnoviji podaci otkrivaju gde AI brzina nestaje
NBER rad objavljen 2026. daje možda jednu od najboljih ilustracija ovog problema. Istraživači su analizirali podatke više od 500.000 GitHub developera i različite generacije AI alata – od autocomplete sistema, preko interaktivnih agenata, do autonomnih agenata.
Rezultati izgledaju spektakularno dok posmatramo samu programersku aktivnost.
-
Autocomplete je povezan sa kumulativnim rastom commit aktivnosti od oko 30%.
-
Kod interaktivnih agenata efekat raste na oko 180%.
-
Kod autonomnih agenata na oko 240%.
Ali onda pratimo šta se događa dalje. Efekat autonomnih agenata pada na približno 80% kada se posmatra broj projekata. A kod stvarnih release-ova ostaje na oko 30%.
Zašto? Zato što softver nije fabrika u kojoj je dovoljno povećati brzinu jedne mašine. Između napisanog koda i produkcije postoje: Code Review, testiranje, integracija, bezbednost (Security), validacija proizvoda (Product Validation), deployment, koordinacija, zavisnosti i – možda najsporiji element od svih – ljudsko odlučivanje.
AI je ubrzao jednu deonicu autoputa. Ali naplatna rampa je ostala ista.
Zato „AI nam je povećao velocity” može biti potpuno bezvredna informacija
Zamislimo da tim pre AI-ja završava 50 Story Points-a po sprintu. Nakon uvođenja AI-ja završava 75. Menadžment slavi 50% povećanje produktivnosti.
Ali stopa neuspešnih promena (Change Failure Rate) raste. Code Review traje duže. Broj regresija raste. QA ne stiže da obradi sve promene. Developeri troše sve više vremena proveravajući AI-generisani kod. Učestalost objavljivanja (Release Frequency) ostaje ista. Korisnici ne dobijaju novu vrednost ništa brže.
Da li je tim produktivniji? Ako merimo Story Points – jeste. Ako merimo stvarnu poslovnu vrednost – možda nije.
DORA upravo zbog toga upozorava da AI treba posmatrati na nivou celog sociotehničkog sistema. Njihov izveštaj zasnovan je na više od 100 sati kvalitativnih podataka i odgovorima gotovo 5.000 tehnoloških profesionalaca. Zaključak je prilično direktan: najveći povraćaj od AI-ja ne dolazi samo iz alata, već iz kvaliteta organizacionog sistema u koji se alat uvodi.
To je jedna od centralnih ideja AI-Augmented Agile-a: ne optimizujte koliko brzo AI proizvodi rad, već optimizujte koliko brzo sistem pretvara rad u pouzdanu korisničku vrednost.
Product Discovery postaje kontinuirani sistem inteligencije
Pre AI-ja, Product Discovery često je bio skup relativno odvojenih aktivnosti: intervjui sa korisnicima, ankete, support tiketi, analitika, prodajni razgovori, istraživanje tržišta, analiza konkurencije. Problem nije bio nedostatak informacija. Problem je bio što ih je bilo previše.
Zamislimo SaaS kompaniju sa 100.000 korisnika. Tokom jednog meseca može dobiti hiljade support zahteva, stotine komentara, desetine razgovora sa velikim klijentima i milione analitičkih događaja.
Čovek može analizirati uzorak. AI može analizirati gotovo sve. Može grupisati probleme, otkriti ponavljajuće obrasce, pronaći anomalije i povezati korisničke žalbe sa konkretnim ponašanjem u aplikaciji. Product Discovery tada prestaje da bude periodična aktivnost i postaje kontinuirana inteligencija proizvoda (Continuous Product Intelligence).
Ali ovde dolazimo do prve velike granice. AI može reći šta korisnici rade. Može sažeti šta govore. Može pronaći korelacije. Ne može pouzdano odlučiti kakvu kompaniju želimo da izgradimo. Podaci objašnjavaju prošlost i sadašnjost. Strategija je izbor budućnosti.
Product Owner dobija manje administracije, ali mnogo veću odgovornost
U loše implementiranom Agile-u, Product Owner lako postane administrator backlog-a. Piše tikete, sređuje kriterijume prihvatanja (Acceptance Criteria), menja prioritete, odgovara developerima i vodi računa da Jira izgleda uredno.
AI može automatizovati veliki deo tog rada. Može pretvoriti sastanak u User Stories, pronaći duplikate, predložiti Acceptance Criteria, povezati zahtev sa dokumentacijom i pronaći sličnu funkcionalnost iz prethodnog sprinta.
To nije razlog da Product Owner nestane. To je razlog da konačno radi posao za koji je uloga zamišljena: da odlučuje o vrednosti, da razume korisnika, da pravi kompromise (trade-offs) između kratkoročnog prihoda, dugoročne strategije, tehničkog duga i rizika.
AI može izračunati deset skorova za prioritizaciju (prioritization scores). Neko i dalje mora da kaže: „Ovo nećemo napraviti.” Ponekad je upravo to najvrednija odluka o proizvodu.
User Story će verovatno izgubiti deo značaja
Ako AI agent može razumeti Product Requirement Document, dizajn, postojeći kod, testove, dokumentaciju i poslovna pravila – da li mu je zaista potrebna klasična User Story od tri rečenice?
Možda jeste, ali možda ne u obliku koji danas koristimo. User Story je nastala kao komunikacioni artefakt za ljude. AI agent može koristiti daleko širi kontekst.
Zato bi buduća jedinica Agile rada mogla manje ličiti na: „As a user, I want…” a više na strukturisani paket namere (Intent Package) koji sadrži: poslovni cilj, korisnički problem, ograničenja, relevantni kontekst, prihvatljivi rizik, Acceptance Criteria, Security zahteve i merljiv ishod (Outcome).
Agile artefakti budućnosti možda neće prvenstveno opisivati zadatak, već će opisivati nameru i granice autonomije.
Developer prelazi iz proizvodnje u nadzor
Jedno od najzanimljivijih istraživanja iz 2026. prati profesionalne developere tokom dužeg perioda i nalazi širi pomak sa aktivnosti stvaranja ka aktivnostima verifikacije. Autori za novi oblik rada koriste termin nadzorni inženjerski rad (supervisory engineering work) – rad u kome developer usmerava, ocenjuje i ispravlja AI rezultate.
U istraživanju je 82% ispitanika prijavilo da troši manje vremena na pisanje koda, ali su se pojavili i problemi sa kognitivnim opterećenjem (cognitive load) i stanjem flow-a kod dela developera.
Programer budućnosti možda neće prvenstveno biti čovek koji napiše 500 linija koda. Biće čovek koji može da proceni da li je 5.000 linija koje je napravio AI zaista trebalo da postoji. To zahteva drugačiji skup veština (skill set): dizajn sistema, arhitekturu, bezbednost, testabilnost, poznavanje domena, kritičko razmišljanje i AI orkestraciju. A možda najviše – sposobnost da se prepozna rešenje koje izgleda dobro, ali je konceptualno pogrešno.
Junior developer dobija turbo pogon – ali možda preskače čas vožnje
Microsoft-ovo istraživanje posebno je zanimljivo jer pokazuje da manje iskusni developeri ostvaruju veće dobitke od AI asistenta.
To ima smisla. Senior često već zna kako da reši problem. Junior troši više vremena na dokumentaciju, sintaksu, API-je i traženje primera. AI taj jaz dramatično smanjuje.
Ali postoji i neprijatno pitanje: kako junior razvija intuiciju ako nikada ne mora sam da prođe kroz problem? Debugging nije samo nalaženje greške. To je proces tokom kojeg developer gradi mentalni model sistema. Ako AI odmah kaže gde je bag i ponudi patch, problem je rešen, ali da li je developer nešto naučio?
AI-Augmented Agile zato mora uključiti i petlje učenja (Learning Loops), a ne samo petlje isporuke (Delivery Loops). U suprotnom možemo dobiti generaciju developera koja veoma brzo proizvodi sisteme koje veoma slabo razume.
Testiranje postaje važnije, a ne manje važno
Česta futuristička pretpostavka glasi: „Kada AI bude dovoljno dobar, trebaće nam manje testiranja.” Verovatno obrnuto.
Ako cena generisanja koda dramatično pada, količina koda koju možemo proizvesti raste. Ako količina promena raste, raste i površina koju treba proveriti. AI će istovremeno pomoći da generišemo više jediničnih (Unit), integracionih (Integration), Property-based i bezbednosne (Security) testova.
Nekada je bilo skupo napisati kod. U budućnosti može postati relativno jeftino napraviti pet implementacija istog rešenja. Skupo postaje dokazati koja je dobra. Zato AI-Augmented Agile nije samo generativni model. To je Generate -> Verify -> Observe -> Learn model. Generiši. Proveri. Posmatraj u realnom svetu. Nauči. Ponovi.
Code Review postaje novo veliko usko grlo
AI agent može proizvesti Pull Request za nekoliko minuta. Senior developer i dalje mora da ga razume. To stvara jednostavan matematički problem: ako AI poveća količinu generisanog koda pet puta, ali se ljudski kapacitet za pregled poveća samo 20%, gde će se rad nagomilati? U Code Review-u.
Zato ćemo verovatno videti sve više modela gde AI proverava AI (AI-on-AI verification). Jedan agent piše kod. Drugi ga pregleda. Treći proverava Security. Četvrti generiše adversarial testove. Tek tada rezultat dolazi čoveku.
To može dramatično povećati kapacitet, ali otvara novi problem. Ako svi agenti koriste slične modele, podatke i obrasce rezonovanja, mogu deliti iste slepe tačke. Pet AI agenata koji se međusobno slažu nisu isto što i dokaz da su u pravu.
Rad u malim serijama (Small Batches) postaje još važniji
Jedna od DORA AI sposobnosti je posebno zanimljiva: rad u malim serijama promena (working in small batches). Pored toga, DORA model ističe fokus na korisnika, jake prakse kontrole verzija (Version Control), interne podatke dostupne veštačkoj inteligenciji, jasan organizacioni stav prema AI-ju, kvalitetnu internu platformu i zdrav ekosistem podataka.
Zašto su Small Batches toliko važni? Zato što AI može veoma lako napraviti ogromnu promenu. „Refaktoriši ovaj modul.” Agent promeni 46 fajlova. Sve izgleda uredno. Testovi prolaze. Ali ko će razumeti 3.700 promenjenih linija?
Bolje je da AI napravi pet malih, logički izolovanih promena koje možemo pojedinačno proveriti. AI ne ukida stare dobre softverske prakse. Čini ih važnijim.
Kanban u AI-Augmented Agile-u dobija novu ulogu
Klasični Kanban pokušava da vizualizuje tok posla (Flow), ograniči rad u toku (Work in Progress – WIP) i pronađe uska grla (bottlenecks). Ali šta je WIP kada AI agent može paralelno raditi deset stvari?
Tehnički gledano, možete pokrenuti još 50 zadataka. Ali to ne znači da treba. Pravo ograničenje više nije samo kapacitet izvršenja, već postaje kapacitet verifikacije (verification capacity). Ako ljudi mogu kvalitetno proveriti četiri AI-generisane promene dnevno, pokretanje dvadeset novih zadataka ne povećava propusnost (throughput). Samo pravi red.
Kanban zato može postati još važniji upravo zato što sprečava jedno od najvećih iskušenja generativne AI: „ako možemo da počnemo još posla, počnimo još posla.” Ne. Agile nikada nije bio takmičenje u započinjanju posla. Cilj je isporučivanje vrednosti.
Scrum Sprint takođe menja značenje
Sprint tradicionalno daje vremenski okvir u kome tim radi ka cilju (Sprint Goal). Ali ako AI dramatično skrati implementaciju, dvonedeljni Sprint može početi da izgleda dugo. Da li ćemo dobiti jednodnevne Sprint-ove?
Verovatno ne svuda. Jer Sprint ne postoji samo zbog vremena potrebnog za kodiranje. Postoji zbog koordinacije, učenja, Product Discovery-ja, povratnih informacija i adaptacije.
Tržište se ne ubrzava automatski zato što Claude može napisati funkciju za 30 sekundi. Korisniku i dalje treba vreme da koristi proizvod. A/B testu treba dovoljno saobraćaja. Poslovnim metrikama treba vreme da pokažu efekat. Zato će se petlja izvršenja (Execution Loop) verovatno dramatično ubrzavati, dok će petlja učenja (Learning Loop) imati prirodna ograničenja. Možemo proizvoditi eksperimente brže nego što možemo učiti iz njih.
DevOps postaje mesto gde se AI-Augmented Agile zaista dokazuje
Sve dok AI kod postoji samo u editoru, lako je biti impresioniran. Pravi test počinje kada treba da ode u produkciju: Build, Test, Security Scan, Deploy, Observe, Rollback, Incident Response.
DORA je utvrdila da veće usvajanje AI-ja može povećavati protok isporuke softvera (Software Delivery Throughput), ali istovremeno može biti povezano i sa većom nestabilnošću isporuke kada organizaciona osnova nije dovoljno dobra.
Brža proizvodnja promena znači i veću potrebu za kontinuiranom integracijom (Continuous Integration), kontinuiranom isporukom (Continuous Delivery), automatskim testiranjem, funkcionalnim prekidačima (Feature Flags), opservabilnošću, mehanizmima za vraćanje na staro (rollback) i pouzdanim platformskim inženjeringom. Bez toga, AI nije turbo motor. Više liči na turbo motor ugrađen u automobil sa lošim kočnicama.
AI agent više nije alat. Postaje digitalni izvršilac
Do sada smo uglavnom govorili o Copilot modelu gde čovek radi, a AI pomaže. Agentska veštačka inteligencija (Agentic AI) menja odnos. Agent dobija cilj. Planira. Koristi terminal. Pretražuje repozitorijum. Menja fajlove. Pokreće testove. Analizira grešku. Pokušava ponovo.
To otvara pitanja koja Agile tek treba ozbiljno da reši: Da li AI agent ima task? Da li ima WIP? Kako računamo kapacitet? Ko pregleda njegov rad? Ko je odgovoran (accountable)? Koliku autonomiju dobija? Šta ako dva agenta naprave međusobno konfliktne promene?
AI-Augmented Agile zato zahteva nešto što bismo mogli nazvati upravljanje agentima (Agent Governance). Ne kao birokratiju, već kao jasno definisane granice autonomije.
Human-in-the-Loop nije slabost sistema
Postoji tendencija da se „čovek u petlji odlučivanja” (Human-in-the-Loop) posmatra kao privremeno stanje. Kao da ćemo danas proveravati AI, ali će on za tri godine biti dovoljno dobar da čovek više nije potreban. To nije nužno tačno.
Razvoj proizvoda nije samo tehnički problem. Da li treba lansirati funkcionalnost? Da li je etički prihvatljiva? Da li se uklapa u strategiju? Da li je korisnik zaista želi? Da li prihvatamo određeni Security rizik? Da li ćemo žrtvovati kratkoročni prihod zbog dugoročne arhitekture?
To nisu samo pitanja predikcije. To su pitanja vrednosti i odgovornosti. AI može savetovati, ali neko mora biti odgovoran za odluku.
Najgora moguća verzija AI-Augmented Agile-a već se može zamisliti
I izgleda veoma efikasno: Svaki developer ima AI monitoring. Sistem meri broj zadataka. Analizira komite. Računa „AI productivity score”. Poredi developere. Automatski prijavljuje ispodprosečne performanse. Menadžment dobija dashboard sa zelenim i crvenim ljudima.
To nije AI-Augmented Agile. To je algoritamski mikromenadžment i verovatno bi uništio upravo ono što Agile pokušava da stvori: samoorganizaciju (self-management), poverenje, eksperimentisanje i psihološku sigurnost. Kada ljudima date metriku prema kojoj će biti kažnjavani, oni ne optimizuju proizvod. Optimizuju metriku. AI nam omogućava da merimo mnogo više stvari, ali to ne znači da treba to da radimo.
Najvažnija Agile metrika budućnosti možda neće imati nikakve veze sa kodom
Ako možemo generisati kod gotovo bez ograničenja, onda količina koda gubi vrednost kao signal. Broj komita takođe. Broj Pull Request-ova, broj zadataka, čak i isporučena brzina (velocity).
Mnogo važnija pitanja postaju:
-
Koliko brzo ideja stiže do korisnika?
-
Koliko često promena izaziva problem?
-
Koliko brzo možemo vratiti sistem u normalno stanje?
-
Koliko eksperimenata dovodi do merljivog poboljšanja?
-
Koliko rada odbacujemo zato što nije proizveo očekivani rezultat (Outcome)?
-
Koliko vremena ljudi troše proveravajući AI?
Upravo tu je posebno zanimljiv pomenuti NBER nalaz: ogromno povećanje aktivnosti u pisanju koda ne prenosi se proporcionalno na broj stvarnih release-ova. Zato bi jedna od ključnih metrika AI ere mogla postati odnos generisanog rada i isporučene vrednosti (AI-generated work to delivered value ratio).
AI-Augmented Agile zahteva novu definiciju tehničkog duga
Tehnički dug (Technical Debt) do sada je uglavnom nastajao zato što ljudi pod pritiskom rokova biraju kratkoročno rešenje. AI taj proces može dramatično ubrzati.
Model može generisati lokalno korektnu funkciju koja duplira postojeću logiku. Može napraviti još jednu apstrakciju umesto da razume postojeću. Sve prolazi i sve radi, ali tri meseca kasnije niko ne zna zašto sistem izgleda tako kako izgleda.
To je nova vrsta duga. Ne samo tehnički dug, već i dug razumevanja (Comprehension Debt). Kod postoji. Sistem radi. Ali ljudsko razumevanje sistema zaostaje za brzinom njegovog razvoja. To može postati jedan od najvećih problema AI-native softvera.
Do 2030. možemo dobiti timove sa više AI agenata nego ljudi
Nije potrebno praviti naučnofantastične prognoze da bismo videli pravac. Već danas agenti mogu obavljati višekoračne razvojne zadatke. Sledeće generacije će imati bolji kontekst repozitorijuma, dugotrajniju memoriju, viši nivo autonomije i bolju koordinaciju.
Nije teško zamisliti tim: jedan Product Owner, jedan Product Designer, tri Software Engineer-a, jedan Platform Engineer i dvadeset specijalizovanih AI agenata. Ljudi orkestriraju sistem.
U takvom timu pitanje „koliko developera imamo?” više neće dovoljno opisivati kapacitet. Moraćemo da znamo i koliko agentskog kapaciteta imamo, koliko paralelnog rada možemo proveriti, gde su ljudske tačke odobrenja (human approval gates) i koliko autonomije sistemu dozvoljavamo.
Možda nam neće trebati novi Agile framework
Softverska industrija ima jednu lošu naviku: kada se pojavi novi problem, često napravi novi framework, zatim sertifikat, zatim konsultante, pa konferenciju.
AI-Augmented Agile možda ne zahteva ništa od toga. Osnovni Agile principi i dalje izgledaju iznenađujuće dobro: Isporučuj često. Radi u malim koracima. Dobij brz feedback. Sarađuj sa korisnikom. Prilagodi se promenama. Daj timu autonomiju. Kontinuirano poboljšavaj sistem.
AI ne ruši nijedan od tih principa. Samo dramatično povećava brzinu kojom možemo da ih primenjujemo – ili kršimo. Zato je moguće da nam ne treba novi Agile Manifesto. Treba nam bolja primena starog.
Kako kompanija može da pređe na AI-Augmented Agile
Najgori početak bio bi: „Kupili smo Copilot licence za sve. Od ponedeljka smo AI kompanija.” Bolji početak je mnogo dosadniji: Izmerite sadašnji sistem. Gde čekate? Koliko vam traje put od ideje do produkcije (Lead Time)? Koliki je Cycle Time? Gde se gomila WIP? Koliko traje Code Review? Koliko promena propadne?
Zatim pronađite mesto gde AI može ukloniti stvarno ograničenje. Možda je to pisanje koda. Možda nije. Možda vam developer napravi funkcionalnost za dva dana, a odobrenje proizvoda traje tri nedelje. Tada Copilot neće rešiti vaš problem. AI-Augmented Agile počinje razumevanjem sistema, ne kupovinom alata.
Sledeća generacija Agile-a neće biti brža samo zato što ima AI
Najvažnija lekcija dosadašnjih istraživanja je upravo ta: AI povećava potencijalnu brzinu. Ne garantuje produktivnost sistema.
DORA nalazi da AI pojačava postojeće organizacione sposobnosti i slabosti. Microsoft-ovi eksperimenti pokazuju merljiv rast završenih zadataka. Najnoviji podaci sa više od pola miliona developera pokazuju da dramatičan rast koding aktivnosti gubi veliki deo efekta pre nego što stigne do objave.
Sve tri stvari mogu istovremeno biti tačne: Developer može raditi brže. Tim može proizvoditi više. Organizacija može ostati spora. I upravo tu treba tražiti sledeću evoluciju Agile-a.
Agile nas je učio kako da živimo sa promenom. AI nas tera da naučimo kako da živimo sa viškom mogućnosti
Pre dvadeset godina ograničenje je često bilo: „Nemamo dovoljno vremena da ovo napravimo.” U narednim godinama sve češće ćemo čuti: „Možemo da napravimo svih pet varijanti do sutra. Koju zapravo treba da napravimo?”
Kada proizvodnja postane jeftina, izbor postaje skup. Kada generisanje postane brzo, verifikacija postaje usko grlo. Kada AI može da predloži deset rešenja, ljudska sposobnost da izabere pravo postaje vrednija.
AI-Augmented Agile ne znači Agile sa više automatizacije. Predstavlja prelazak sa sistema koji upravlja proizvodnjom softvera na sistem koji mora da upravlja ogromnim kapacitetom za proizvodnju softvera. Pitanje više nije da li će AI pisati više koda. Pitanje je da li ćemo zbog toga praviti bolji softver – ili ćemo samo mnogo brže praviti mnogo više softvera.
Agile je, kada se uklone sve ceremonije i sertifikati, oduvek pokušavao da odgovori upravo na to pitanje: Kako da što brže otkrijemo da li pravimo pravu stvar – pre nego što potrošimo previše vremena praveći pogrešnu? AI taj princip čini važnijim nego ikada.
FAQ – AI-Augmented Agile
Šta je AI-Augmented Agile?
To je model agilnog razvoja u kome AI povećava sposobnosti ljudi i automatizuje deo rada kroz čitav SDLC – od Product Discovery-ja do deployment-a i analize rezultata. Nije formalna zamena za Scrum ili Kanban.
Koja je razlika između AI-assisted i AI-Augmented Agile-a?
Kod AI-assisted pristupa pojedinac koristi AI za konkretne zadatke. Kod AI-Augmented Agile-a, AI je integrisan u širi razvojni sistem i povezuje više faza SDLC-a, procesa i feedback petlji.
Da li AI povećava produktivnost developera?
Postoje merljivi pozitivni efekti, ali rezultat zavisi od konteksta. Eksperimenti su pokazali oko 26% više završenih zadataka kod developera sa AI asistentima, uz veće dobitke kod manje iskusnih programera.
Da li veća produktivnost developera znači i više softvera u produkciji?
Ne proporcionalno. Analize pokazuju da se veliki efekti AI agenata na pisanje koda značajno smanjuju kada se posmatraju projekti, a još više kod stvarnih release-ova.
Da li AI-Augmented Agile zamenjuje Scrum?
Ne. Scrum može ostati okvir unutar ovakvog razvoja. Menjaju se način izvršavanja rada, brzina povratnih informacija i odnos između ljudskog i mašinskog rada.
Da li će User Stories nestati?
Ne nužno, ali njihov oblik može evoluirati. AI agentima može biti korisniji bogatiji paket konteksta (Intent Package) koji sadrži poslovni problem, ograničenja, Acceptance Criteria i očekivani ishod.
Kako AI menja ulogu developera?
Developer se pomera ka ulozi arhitekte, orkestratora i evaluatora. Ovaj novi tip aktivnosti opisuje se kao nadzorni inženjerski rad (supervisory engineering work).
Šta je Comprehension Debt (Dug razumevanja)?
To je situacija u kojoj sistem raste brže nego što ga ljudi u timu mogu razumeti. Dugoročno održavanje postaje problem ako niko nema dovoljno dobar mentalni model onoga što je AI generisao.
Zašto su Small Batches (Male serije promena) važni uz AI?
Zato što AI može veoma brzo napraviti stotine promena, a rad u malim serijama olakšava ljudsku verifikaciju, Code Review i testiranje.
Da li će AI agenti postati članovi Agile timova?
Funkcionalno hoće, ali organizacije moraju jasno definisati ljudsku odgovornost i granice autonomije agenata.
Koji je najveći rizik AI-Augmented Agile-a?
Optimizacija količine generisanog koda umesto stvarne vrednosti za korisnika. Ostali rizici uključuju tehnički dug, dug razumevanja i algoritamski mikromenadžment.
Kako meriti uspeh ovakvog pristupa?
Metrikama poput vremena ciklusa, stabilnosti isporuke, pouzdanosti, stvarnih poslovnih ishoda i odnosa između AI-generisanog rada i stvarno isporučene vrednosti.
Kako početi sa AI-Augmented Agile pristupom?
Prvo treba izmeriti postojeći tok vrednosti (Value Stream) i pronaći stvarna uska grla, pa tek onda uvesti AI tamo gde može ukloniti konkretno ograničenje.
