AI-translated from English; not yet reviewed by a fluent editor.

# AI агенти за програмирање повећали су количину кода у студији компанија, док је завршени посао заостајао

> Харвардов радни документ повезује усвајање агената за програмирање у 718 компанија са већом количином кода и дужом провером pull захтева, без значајног пораста решеног посла.

By BIG CHANGE Editorial

Published: 2026-10-10T00:19:01.727Z
Updated: 2026-10-10T00:19:01.727Z
Canonical: https://bigchange.ai/blog/ai-coding-agents-review-output-study

![Two colleagues discuss a software change beside a monitor turned away from view.](https://bigchange.ai/api/media/file/hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE

Харвардов [радни документ](https://fion.ac/jellyfish.pdf) пружа корисну проверу честе тврдње о продуктивности: више кода написаног уз AI требало би да значи више испорученог софтвера. За 718 компанија које користе платформу за аналитику инжењеринга Jellyfish, Fiona Chen и James Stratton процењују да је усвајање агената за програмирање пратио пораст од 30% у броју линија кода, 20% у броју commit-а и 23% у броју pull захтева по активном раднику. Њихове мере завршених Jira задатака и епика нису показале статистички значајан пораст. Тренутна верзија рада носи датум 4. август 2026; подаци о радним догађајима завршавају се у марту 2026.

Ово неслагање је важно за руководиоце инжењерских тимова јер pull захтев улази у ред за проверу, тестирање и могућу ревизију. У истој студији процењено је да је након усвајања агената протекло време од слања pull захтева до његовог спајања порасло за 49%. Захтеви за изменама постали су чешћи, а повећао се и број коментара по pull захтеву. Ови налази указују на већи обим посла при провери, али не показују да је свака измена коју је написао агент лоша нити утврђују измерену стопу грешака.

## Велика промена

- **Шта се променило:** У овој студији на нивоу компанија, усвајање агената за програмирање поклопило се са знатно већом активношћу програмирања и захтевнијом провером pull захтева, без статистички значајног пораста решених задатака или епика.
- **Зашто је то важно:** Линије кода, commit-и и pull захтеви мере посао који улази у производни процес. Завршени посао је каснија мера. Тим који агенте процењује само по количини кода могао би да превиди оптерећење које стиже на проверу.
- **Шта треба пратити:** Могу ли компаније да повећају капацитет за проверу и да ли ће каснији подаци показати раст завршеног посла. Овај радни документ прати рано усвајање до марта 2026. и не може да утврди дугорочне ефекте.

## Асистенти и агенти дали су различите процене

Аутори разликују *асистенте*, који пружају предлоге кода док програмер ради, од *агената*, који могу да преузму шири задатак и обаве више корака пре него што програмер одобри резултат. Усвајање асистената мере активирањем пословних лиценци за GitHub Copilot и Cursor. За агенте комбинују податке о употреби Claude Code-а са сигналима као што су бот налози и потписи алата у commit-има или pull захтевима. Појединачна употреба или алати који нису интегрисани можда измичу тим мерама. Процена за агенте представља додатну повезаност током усвајања агената у поређењу са ранијим периодом усвајања асистената; то није процена за сваког појединца који користи агента.

Резултати за асистенте били су мањи: процењени пораст од 12% у броју линија, 9% у броју commit-а и 5% у броју pull захтева. Само је резултат за commit био статистички значајан у главним проценама рада. Усвајање агената показало је значајне порасте у све три мере активности програмирања. Commit бележи ажурирање кода; pull захтев шаље измену на проверу. Ниједно не доказује да је функција стигла до корисника. Рад користи решене Jira задатке и веће епике као мере резултата у каснијој фази, на основу праћеног тока рада у којем тимови означавају посао као завршен након провере, тестирања и распоређивања. Jira статус је посредна мера испоруке, а не независно мерење онога што су корисници добили.

За агенте је процењени пораст решених задатака износио 0,12 по раднику месечно у односу на основицу од 3,67, уз стандардну грешку од 0,17. Резултат се статистички не разликује од нуле. Ни завршетак епика није показао значајну промену. Аутори наводе да њихов интервал поверења искључује пораст завршених задатака већи од 12% просечне основне вредности током проучаваног периода. То је ужа тврдња од закључка да агенти не производе користан софтвер: умерени добици су и даље могући, а број задатака не може да обухвати сваку промену вредности или квалитета. Аутори су помоћу предвиђених мера трајања задатка проверили да ли се величина задатака променила и у свом узорку нису нашли доказ такве промене.

## Више посла стигло је до рецензената

Мере провере пружају могућан механизам за јаз у резултатима. Након усвајања агената, рад процењује 3,45 додатних дана од слања pull захтева до спајања, у односу на основицу од 7,03 дана, што је пораст од 49%. То је календарско време у процесу провере, а не штоперично мерење минута које је особа активно провела у провери. Удео pull захтева са формалним захтевом за измене порастао је за око 12 процентних поена са основице од 13%, док је број коментара по захтеву порастао за 0,58 са основице од 1,66, односно 35%. Удео радника који су у месецу проверили бар један pull захтев порастао је за око четири процентна поена са основице од 29%, што је релативни пораст од 14%. Упоредиве процене за асистенте нису показале значајан раст трајања провере, захтева за изменама или коментара.

Само на основу ових метаподатака рад не може да утврди зашто је рецензент тражио измене. Више поднетих захтева може да оптерети ред за проверу фиксног капацитета; промена квалитета кода или стандарда провере такође може да појача контролу. Аутори нису нашли значајан раст просечне величине pull захтева, што слаби једноставно објашњење за додатне коментаре. Нису прегледали садржај кода нити директно бројали грешке у раду који су произвели агенти. Њихов двостепени модел производње објашњава како брже писање кода и промена потребног обима провере за сваки нацрт могу заједно да ограниче завршени резултат. Модел је тумачење запажања, а не посебан тест који издваја било који од та два механизма.

Алати за AI проверу такође су се проширили у узорку: скоро 80% компанија користило је један до марта 2026. Ипак, рад приписује AI-ју 23,3% коментара провере и налази бар један AI коментар на 10,8% pull захтева. Усвајање алата за проверу стога не значи да је провера у овим компанијама постала аутоматска.

## Шта дизајн студије може да утврди

Истраживачи анализирају око 300 милиона радних догађаја од јануара 2021. до марта 2026. у 718 компанија-клијената Jellyfish-а које су пристале на учешће, обухватајући 725.938 радника. Пореде исходе пре и после усвајања асистената или агената са исходима у компанијама које су их усвојиле касније или их још нису усвојиле, применом постепеног дизајна разлика-у-разликама. Контроле за компанију и календарски месец обухватају неке стабилне разлике и заједничке временске трендове. Закључивање и даље зависи од тога колико би путање тих компанија биле упоредиве без усвајања. Веће компаније усвојиле су алате раније, а неизмерене промене могле су да утичу и на усвајање и на инжењерски рад. Студија је опсервациона; њене процене не треба тумачити као рандомизовани тест или прогнозу за све софтверске тимове.

Исто ограничење важи за резултат о запослености. Користећи укупну запосленост повезану са LinkedIn-ом и активне раднике у Jellyfish-у као меру запослености у инжењерингу, аутори нису могли да припишу значајну промену усвајању агената током посматраног периода. То не показује шта ће се дешавати са запошљавањем након дужег прилагођавања нити на ширем тржишту рада.

[Раније извештавање BIG CHANGE-а](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) бавило се засебним инжењерским приказом AI програмирања и поуздане испоруке. Ова студија додаје поглед кроз више компанија и одвојене мере активности програмирања, провере и решеног посла. Практична поука је да те фазе треба пратити заједно приликом процене агената: бржи први нацрт мења количину посла који чека у наредним фазама, а овај рад још не показује одговарајући раст завршених задатака или пројеката.

## Извори и додатна литература

- [Fiona Chen и James Stratton, *Вештачка интелигенција у компанији: уска грла у производњи софтвера*](https://fion.ac/jellyfish.pdf): примарни радни документ, тренутна верзија од 4. августа 2026. Методе, графикони и додаци поткрепљују објављене процене и њихова ограничења; основни подаци на нивоу компанија су власнички и обједињени.
- [Извештај Ars Technica од 9. октобра](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): независан извештај објављен у исто време који је скренуо пажњу на рад. Нумеричке и методолошке тврдње изнад проверене су у самом раду.
- [Ранији чланак BIG CHANGE-а о AI програмирању и CI-ју](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): повезано извештавање о засебном инжењерском приказу. Он пружа контекст за питање испоруке, али није наставак ове студије.

## Sources

- [Вештачка интелигенција у компанији: уска грла у производњи софтвера](https://fion.ac/jellyfish.pdf) — Примарни Харвардов радни документ за тржиште рада, на 78 страница; радни догађаји до марта 2026, методе и нумеричке процене. Власнички подаци су обједињени и анонимизовани.
- [Ars Technica: AI агенти за програмирање стварају више кода, али не и више софтвера](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — Независан извештај објављен у исто време; откриће и контекст, уз проверу тврдњи студије у самом раду.
- [BIG CHANGE: AI програмирање чини поуздану испоруку следећим инжењерским изазовом](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — Раније извештавање BIG CHANGE-а о засебном Linear инжењерском приказу AI програмирања и поуздане испоруке.