Markdown izdanje

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

# Studija u kompanijama: AI agenti za programiranje povećali su obim koda, dok je završeni posao zaostao

> Harvardski radni dokument povezuje usvajanje agenata za programiranje u 718 kompanija sa većom količinom koda i dužim pregledom pull request-ova, bez značajnog porasta rešenog posla.

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

Harvardski [radni dokument](https://fion.ac/jellyfish.pdf) pruža koristan test česte tvrdnje o produktivnosti: više koda napisanog uz AI trebalo bi da znači i više isporučenog softvera. U 718 kompanija koje koriste platformu za inženjersku analitiku Jellyfish, Fiona Chen i James Stratton procenjuju da je nakon usvajanja agenata za programiranje broj linija koda po aktivnom zaposlenom porastao za 30%, broj commit-ova za 20%, a broj pull request-ova za 23%. Njihove mere završenih Jira pitanja i epika nisu pokazale statistički značajan porast. Trenutna verzija rada datirana je 4. avgusta 2026; podaci o radnim događajima završavaju se u martu 2026.

Ovo neslaganje je važno za rukovodioce inženjerskih timova jer pull request ulazi u red za pregled, testiranje i moguće izmene. U istoj studiji procenjeno je da je, nakon usvajanja agenata, proteklo vreme od slanja pull request-a do njegovog spajanja poraslo za 49%. Zahtevi za izmenama postali su češći, a povećao se i broj komentara po pull request-u. Ovi nalazi ukazuju na veći obim pregleda, ali ne pokazuju da je svaka izmena koju napiše agent loša niti utvrđuju izmerenu stopu grešaka.

## Velika promena

- **Šta se promenilo:**U ovoj studiji na nivou kompanija, usvajanje agenata za programiranje poklopilo se sa znatno većom aktivnošću programiranja i zahtevnijim pregledom pull request-ova, bez statistički značajnog porasta rešenih pitanja ili epika.
- **Zašto je važno:**Linije koda, commit-ovi i pull request-ovi mere posao koji ulazi u proces proizvodnje. Rešeni posao je kasnija mera. Tim koji agente procenjuje samo prema količini koda mogao bi da previdi opterećenje koje stiže na pregled.
- **Šta pratiti:**Mogu li kompanije da povećaju kapacitet za pregled i da li kasniji podaci pokazuju rast završenog posla. Ovaj radni dokument prati ranu primenu do marta 2026. i ne može da utvrdi dugoročne efekte.

## Asistenti i agenti dali su različite procene

Autori razlikuju *asistente*, koji odgovaraju predlozima koda dok programer radi, od *agenata*, koji mogu da preuzmu zadatak višeg nivoa i prođu kroz više koraka pre nego što programer odobri rezultat. Usvajanje asistenata mere aktiviranjem poslovnih licenci za GitHub Copilot i Cursor. Za agente kombinuju podatke o korišćenju Claude Code-a sa signalima kao što su bot nalozi i potpisi alata u commit-ovima ili pull request-ovima. Neka pojedinačna upotreba ili alati koji nisu integrisani mogu izmaći tim merama. Procena za agente predstavlja dodatnu povezanost sa njihovim usvajanjem u poređenju sa ranijim periodom usvajanja asistenata; to nije procena za svaku osobu koja koristi agenta.

Rezultati za asistente bili su manji: procenjeni porast iznosio je 12% za linije koda, 9% za commit-ove i 5% za pull request-ove. U glavnim procenama rada statistički značajan bio je samo rezultat za commit-ove. Usvajanje agenata pokazalo je značajan rast u sve tri mere aktivnosti programiranja. Commit beleži izmenu koda; pull request šalje izmenu na pregled. Nijedno ne dokazuje da je funkcionalnost stigla do korisnika. Rad koristi rešena Jira pitanja i veće epike kao mere rezultata u kasnijoj fazi, na osnovu praćenog toka rada u kom timovi označavaju posao kao završen nakon pregleda, testiranja i primene. Jira status ostaje posredna mera isporuke, a ne nezavisno merenje onoga što su korisnici dobili.

Kod agenata, procenjeno povećanje broja rešenih pitanja iznosilo je 0,12 po zaposlenom mesečno, naspram osnovne vrednosti od 3,67, uz standardnu grešku 0,17. Rezultat se statistički ne razlikuje od nule. Ni završavanje epika nije pokazalo značajnu promenu. Autori navode da njihov interval poverenja isključuje porast završenih pitanja veći od 12% osnovne srednje vrednosti tokom proučavanog perioda. To je uži nalaz od tvrdnje da agenti ne proizvode koristan softver: skromna poboljšanja su i dalje moguća, a broj pitanja ne obuhvata svaku promenu vrednosti ili kvaliteta. Autori su pomoću predviđenih mera trajanja zadataka proverili da li se promenila veličina pitanja i u svom uzorku nisu našli dokaz takve promene.

## Više posla stiglo je do recenzenata

Mere pregleda nude verovatan mehanizam za razliku u rezultatima. Nakon usvajanja agenata, rad procenjuje dodatnih 3,45 dana od slanja pull request-a do spajanja, u odnosu na osnovnih 7,03 dana, što je porast od 49%. To je kalendarsko vreme u procesu pregleda, a ne štopericom izmereni minuti aktivnog pregleda neke osobe. Udeo pull request-ova sa formalnim zahtevom za izmenama porastao je za oko 12 procentnih poena u odnosu na osnovu od 13%, dok je broj komentara po zahtevu porastao za 0,58 sa osnove od 1,66, odnosno za 35%. Udeo zaposlenih koji su pregledali bar jedan pull request tokom meseca porastao je za oko četiri procentna poena sa osnove od 29%, što je relativni rast od 14%. Uporedive procene za asistente nisu pokazale značajan rast trajanja pregleda, zahteva za izmenama ili komentara.

Na osnovu samih ovih metapodataka, rad ne može da utvrdi zašto je recenzent tražio izmene. Veći broj predaja može da optereti red za pregled fiksnog kapaciteta; promena kvaliteta koda ili standarda pregleda takođe bi mogla da poveća pažnju. Autori nisu našli značajan rast prosečne veličine pull request-a, što slabi jedno jednostavno objašnjenje za dodatne komentare. Nisu pregledali sadržaj koda niti neposredno prebrojali greške u radu koji su generisali agenti. Njihov dvofazni model proizvodnje objašnjava kako brže pisanje koda i promena potrebnog pregleda po nacrtu mogu zajedno da ograniče završen rezultat. Model tumači zapažanja; nije zaseban test kojim se izoluje bilo koji od tih mehanizama.

Alati za pregled uz pomoć AI takođe su se raširili u uzorku: do marta 2026. koristilo ih je skoro 80% kompanija. Ipak, rad pripisuje AI-ju 23,3% komentara pregleda i nalazi bar jedan AI komentar na 10,8% pull request-ova. Usvajanje alata za pregled zato ne znači da je pregled u ovim kompanijama postao automatski.

## Šta dizajn studije može da utvrdi

Istraživači analiziraju oko 300 miliona radnih događaja od januara 2021. do marta 2026. u 718 Jellyfish klijentskih kompanija koje su dale saglasnost, obuhvatajući 725.938 zaposlenih. Porede ishode pre i posle usvajanja asistenata ili agenata sa ishodima u kompanijama koje su ih usvojile kasnije ili ih još nisu usvojile, koristeći postepeni dizajn razlike u razlikama. Kontrole za kompaniju i kalendarski mesec obuhvataju neke stabilne razlike i zajedničke vremenske trendove. Zaključivanje i dalje zavisi od toga koliko bi putanje tih kompanija bile uporedive bez usvajanja. Veće kompanije usvojile su alate ranije, a neizmerene promene mogle su da utiču i na usvajanje i na inženjerski rad. Studija je opservaciona, a njene procene ne treba tumačiti kao randomizovani test ili prognozu za sve softverske timove.

Ishod zapošljavanja zahteva isti oprez. Koristeći ukupnu zaposlenost povezanu sa LinkedIn-om i aktivne radnike u Jellyfish-u za zaposlenost u inženjerstvu, autori nisu mogli da pripišu značajnu promenu usvajanju agenata tokom posmatranog perioda. To ne pokazuje šta će se dogoditi sa zapošljavanjem nakon dužeg prilagođavanja ili na širem tržištu rada.

[Raniji tekst BIG CHANGE-a](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) ispitao je zaseban inženjerski slučaj AI programiranja i pouzdane isporuke. Ova studija donosi pregled preko više kompanija i zasebne mere aktivnosti programiranja, pregleda i rešenog posla. Praktična pouka je da se te faze prate zajedno pri proceni agenata: brži prvi nacrt menja količinu posla koja čeka nizvodno, a ovaj rad još ne pokazuje odgovarajući rast završenih pitanja ili projekata.

## Izvori i dodatno čitanje

- [Fiona Chen i James Stratton, *Artificial Intelligence in the Firm: Bottlenecks in Software Production*](https://fion.ac/jellyfish.pdf): primarni radni dokument, trenutna verzija od 4. avgusta 2026. Metode, grafikoni i dodaci potkrepljuju prikazane procene i njihova ograničenja; izvorni podaci po kompanijama su vlasnički i agregirani.
- [tekst Ars Technica od 9. oktobra](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): nezavisan savremeni prikaz koji je skrenuo pažnju na rad. Numeričke i metodološke tvrdnje iznad proverene su prema samom radu.
- [raniji članak BIG CHANGE-a o AI programiranju i CI-ju](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): povezano izveštavanje o zasebnom inženjerskom slučaju. Daje kontekst za pitanje isporuke, ali nije nastavak ove studije.

## Sources

- [Artificial Intelligence in the Firm: Bottlenecks in Software Production](https://fion.ac/jellyfish.pdf) — Harvardski radni dokument za akademsko tržište od 78 strana; radni događaji do marta 2026, metode i numeričke procene. Vlasnički podaci su agregirani i anonimizovani.
- [Ars Technica: AI agenti za programiranje generišu više koda, ali ne i više softvera](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — Nezavisan savremeni izveštaj; otkriće i kontekst, uz proveru tvrdnji studije prema radu.
- [BIG CHANGE: AI programiranje čini pouzdanu isporuku sledećim inženjerskim izazovom](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — Ranije izveštavanje BIG CHANGE-a o zasebnom Linear inženjerskom slučaju AI programiranja i pouzdane isporuke.