Markdown издање

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

# Вештачка интелигенција може да напише код. Ко ће научити да га поправи?

> Задатак програмирања може бити завршен пре него што његов аутор разуме систем. Два експеримента отварају практично питање за тимове: како ће млађи програмери учити да објасне, дијагностикују и прилагоде рад уз помоћ вештачке интелигенције?

By BIG CHANGE Editorial

Published: 2026-09-22T16:40:55.934Z
Updated: 2026-09-22T16:40:55.934Z
Canonical: https://bigchange.ai/blog/ai-coding-skills-learning-apprenticeship

![An automated arm assembles abstract interlocking modules while a junior developer studies orange pathways inside an opened module.](https://bigchange.ai/api/media/file/ai-coding-learning-apprenticeship-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Automation can deliver a finished implementation before a newcomer has traced how it works. This conceptual scene represents the need to build understanding alongside AI-assisted output; it is not a product interface, study result or forecast of inevitable deskilling.

Млађи програмер може да затражи од асистента са вештачком интелигенцијом да употреби непознату библиотеку, добије функционалан код и пређе на следећи задатак. Функција може бити готова пре него што програмер разуме зашто ради. То је важно када код следећи пут откаже, када се захтеви промене или када неко треба да одлучи да ли је безбедно применити исправку коју предлаже асистент.

Софтверски инжењер Александру Неделку изнео је ову забринутост у есеју од [22. септембра](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you). Он тврди да програмери стичу расуђивање читањем кода, доношењем одлука и суочавањем са последицама грешака. Његово предвиђање да ће неке фирме објавити правила против употребе вештачке интелигенције јесте мишљење, а не уочена промена у индустрији. Одвојени експеримент објављен у јануару поставља уже, проверљиво питање о учењу: шта су програмери разумели непосредно након што су завршили задатак уз помоћ вештачке интелигенције? [Anthropic-ов приказ истраживања](https://www.anthropic.com/research/AI-assistance-coding-skills)

## Суштинска промена

- **Шта се променило:**  Вештачка интелигенција олакшава предају готовог софтвера без претходног разумевања његове логике. Може да понуди решење пре него што почетник увежба одлуке потребне да би га објаснио или поправио.
- **Зашто је важно:**  Руководиоци могу данас да добију већи учинак, али да ослабе пут којим млађи запослени стичу знање потребно да сутра дијагностикују проблеме. Ризик је највећи када задатак укључује непознате појмове; помоћ и даље може да користи при познатом послу.
- **Шта треба пратити:**  Тимови би могли да учење сматрају делом испоруке и издвоје време за објашњавање, дијагностику и прилагођавање рада уз помоћ вештачке интелигенције. У том случају, задаци при запошљавању и програмерски алати могли би да награђују показано разумевање уз брзину.

## Завршен задатак и стечена вештина нису исто

У [рандомизованој студији са 52 програмера](https://arxiv.org/abs/2601.20245), учесници су користили непознату библиотеку за програмски језик Python, Trio, да би обавили два програмерска задатка. Половина је имала приступ асистенту са вештачком интелигенцијом у развојном окружењу, а половина није. Знали су да их после чека квиз. Убрзо након рада тестирани су њихови појмовни увиди, читање кода и отклањање грешака.

Група која је користила вештачку интелигенцију у просеку је освојила 50%, а група која је радила без ње 67%: разлика је била 17 процентних поена, а не релативни пад од 17%. Највећа разлика уочена је код питања о отклањању грешака. Група са вештачком интелигенцијом завршила је задатак у просеку око два минута брже, али та разлика у времену није била статистички значајна. То су резултати кратког сусрета са једном библиотеком и непосредног теста, а не мерење програмерских каријера или квалитета продукционог система. [Резултати и ограничења истраживања](https://www.anthropic.com/research/AI-assistance-coding-skills)

Истраживачи су пратили и начин на који су учесници користили асистента. Неки су углавном препуштали код и отклањање грешака алату, док су други тражили објашњења или сами разрађивали појмове. Активнији приступи углавном су били повезани са бољим резултатима, али су те мале групе издвојене накнадно. Учесници су насумично распоређени према приступу вештачкој интелигенцији, а не према одређеном начину разговора са њом. Тражење објашњења може да помогне ученику, али ова студија не доказује да један упит или поступак спречава разлику у учењу. [Анализа интеракција у раду](https://arxiv.org/html/2601.20245v2)

Грешка је често тренутак када почетник открије шта библиотека подразумева. Ако асистент преузме и почетну израду и поправку кода, програмер може ређе да уочи те претпоставке. То је једно од могућих објашњења разлике у отклањању грешака.

## Брзина је и даље важна, а услови задатка мењају одговор

Помоћ вештачке интелигенције убрзала је програмирање и у другачијим условима. У [контролисаном експерименту са GitHub Copilot-ом](https://arxiv.org/abs/2302.06590), 95 професионалних хонорарних програмера добило је задатак да направи HTTP сервер у JavaScript-у. Међу онима који су завршили, групи са Copilot-ом требало је у просеку око 71 минут, у поређењу са око 161 минутом у контролној групи, што је скраћење времена завршетка од 55,8%. Истраживачи нису тестирали шта су ти програмери касније научили. Радило се о јасно ограниченом задатку имплементације, а не о упознавању непознате библиотеке након чега следи квиз разумевања.

Руководиоцу могу да користе оба налаза. Ако искусан програмер помоћу вештачке интелигенције брже обави понављајући посао, уштеда времена може бити стварна. Када је циљ учење новог система, брзину израде и дубину разумевања треба проверавати одвојено. Општа забрана вештачке интелигенције одбацила би могућу корист, а не би одговорила на питање како људи уче.

Неделкуов есеј иде даље од експеримента. Он тврди да се одрживост кода показује током месеци или година и да искуство расте преузимањем одговорности за грешке. Студија не мери дугорочну одрживост нити показује да корисници вештачке интелигенције престају да уче. Његово корисно питање тиче се организације: ако тим све више препушта алату практичан рад, где ће будући стручњаци за решавање проблема стећи то искуство? [Неделкуов есеј](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)

## Дајте почетнику прилику да покаже шта зна након што код проради

Практичан одговор био би да се почетнику зада посао уз помоћ вештачке интелигенције, а затим затражи кратка самостална провера пре него што се рад сматра успешним учењем. Ово је наш предложени поступак, а не интервенција коју је тестирала било која од ове две студије:

1. **Објашњење:**  Без тражења помоћи од асистента, опишите зашто непознати део кода ради, шта претпоставља и због чега би могао да откаже. Старији инжењер може да постави једно додатно питање везано за конкретну измену.
2. **Дијагностика:**  У безбедној тестној грани уведите малу, реалистичну грешку. Нека је почетник пронађе и објасни које запажање је искључило примамљиво, али погрешно решење. Циљ је расуђивање, а не памћење команде.
3. **Прилагођавање:**  Промените захтев, а затим затражите да почетник измени решење и тестове. Може да користи вештачку интелигенцију, али треба да уме да образложи ново понашање и наведе шта још треба да провери.

На пример, након што асистент напише нову асинхрону операцију, рецензент би могао да пита шта се дешава ако се она прекине на пола. Програмер треба да уме да прати ток извршавања и тестира измењени захтев. Сам преглед кода могао би да открије грешку, а да програмер и даље не уме да реши следећу. Предложена провера испитује да ли знање прати испоручени код.

Ово не мора сваки рутински задатак да претвори у испит. Тим би могао да резервише ову вежбу за непознате библиотеке, понављајуће врсте отказа или посао за који се очекује да га млађи колега касније преузме. За то су потребни плаћено време и рецензент који познаје систем. Ако управа броји само спојене измене и уштеђено време, ти трошкови могли би бити први које ће укинути. То би отежало обуку чак и ако се данашњи учинак повећа.

## Питање стручног развоја обухвата и запошљавање и дизајн алата

Почетничке улоге често су спајале испоруку са праксом под надзором. Вештачка интелигенција мења ту равнотежу ако кандидат може да покаже импресивну завршену функцију, а да не покаже како је дошао до решења. Послодавци би могли да траже од кандидата да објасне и измене мали део посла, уместо да уређено спремиште кода прихвате као доказ самосталне вештине. То је предложени приступ запошљавању, а не доказ постојећег тренда. Провера треба да испитује способности које посао заиста захтева, а не да тражи да сваки кандидат ради без алата.

Алати за програмирање суочавају се са сродним избором. Асистент може да се усмери на брз одговор или да олакша преглед претпоставки, постављање питања о појмовима и испробавање измене пре него што открије решење. Уочени обрасци интеракције у студији дају разлог да се испроба овај други приступ, мада не доказују да одређени интерфејс боље подучава. За послодавце, одговарајуће питање при куповини јесте да ли алат помаже запосленима да науче како да провере и измене његове резултате, а не само колико кода генерише.

Кратак квиз не може да нам каже ко ће за пет година постати стручњак. Ипак, показује зашто прихваћено решење није добра замена за доказ разумевања непознатог задатка. Тимови који желе и аутоматизацију и способне стручњаке нове генерације морају да оставе простор за праксу и провере шта запослени умеју када се одговор промени.

## Sources

- [Александру Неделку: Вештачка интелигенција нема мудрост, а нећете је имати ни ви](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you) — Неделкуов есеј тврди да се инжењерско расуђивање развија читањем, доношењем одлука и преузимањем одговорности за грешке. Његове тврдње о одрживости и предвиђање забрана вештачке интелигенције мишљење су, а не измерени исходи.
- [Anthropic: Како помоћ вештачке интелигенције утиче на стицање програмерских вештина](https://www.anthropic.com/research/AI-assistance-coding-skills) — Истраживачи описују рандомизовани експеримент са библиотеком Trio и 52 учесника: 50% према 67% на непосредном квизу, односно разлика од 17 процентних поена; мала разлика у времену завршетка није била статистички значајна. Обрасци интеракције су посматрани, а студија не прати дугорочне каријере.
- [Шен и Тамкин: Како вештачка интелигенција утиче на стицање вештина](https://arxiv.org/abs/2601.20245) — У раду су наведени детаљи о задатку, учесницима, насумичној расподели и процени. Фебруарска ревизија исправља штампарске грешке у табелама. Рад користимо да ограничимо узрочни закључак на приступ вештачкој интелигенцији и непосредно разумевање, а не као доказану технику за задавање упита.
- [Пенг и сарадници: Утицај вештачке интелигенције на продуктивност програмера](https://arxiv.org/abs/2302.06590) — У одвојеној контролисаној студији са Copilot-ом, професионални хонорарни програмери брже су завршили израду JavaScript сервера уз помоћ вештачке интелигенције; смањење времена од 55,8% односи се на учеснике који су завршили задатак. Ова студија није проверавала учење, а задатак се разликује од вежбе са непознатом библиотеком Trio.