Meta Reality Labs pokazuje gdje AI kodiranje zapinje: u reviewu, ne u editoru

Ian Thomas u InfoQ prezentaciji ne prodaje AI-native inženjering kao magični sloj preko postojećeg procesa. Njegova teza je praktičnija: timovi prvo moraju znati gdje se nalaze, zatim sustavno micati ručni, ponavljajući rad iz dnevnog toka razvoja. Zato je u središtu priče okvir “Assess and Grow”, model zrelosti koji razvojne organizacije vodi od manualnog rada prema AI-integriranoj inovaciji.

Kontekst je važan jer dolazi iz Meta Reality Labsa, dijela Mete koji radi na hardveru, sučeljima i računalnim platformama gdje se softverska kvaliteta ne može tretirati kao kozmetika. U takvom okruženju AI pomoćnik nije samo generator funkcija. On ulazi u testiranje, refaktoriranje, pripremu promjena i smanjenje tehničkog duga. Thomas zato govori o pomaku u inženjerskoj zrelosti, a ne o još jednom dodatku u editoru.

Najkonkretniji signal iz studije slučaja je tvrdnja da je tim dosegnuo 90 posto pokrivenosti koda u rekordnom vremenu. To je dobar primjer gdje AI može biti koristan: ne u zamjeni prosudbe, nego u uklanjanju dosadnog rada koji se inače odgađa jer nikada nije dovoljno hitan. Pokrivenost sama po sebi nije jamstvo kvalitete, ali može biti mjerljiv trag da se sustav više ne oslanja samo na herojstvo pojedinaca.

Thomas pritom ne zaobilazi najneugodniji dio rasprave. Seniori se ne boje AI-ja zato što mrze produktivnost, nego zato što su već vidjeli što se dogodi kada alat proizvede mnogo koda koji nitko stvarno ne razumije. “Code slop” je stvaran operativni problem: promjene izgledaju uvjerljivo, testovi mogu proći površno, a review se pretvara u naporan lov na sitne, ali skupe greške.

Drugi rizik je review fatigue. Ako AI poveća količinu pull requestova, ali ne poveća jasnoću namjere, tim nije brži; samo je prebacivanje tereta premješteno na ljude koji odobravaju promjene. Tu Assess and Grow ima smisla samo ako uključuje kriterije za kvalitetu izlaza, veličinu promjena, vlasništvo nad kodom i pravila kada se AI koristi, a kada se mora stati i ručno promisliti.

Zato je ova prezentacija zanimljivija od tipičnog AI-dev alata. Ona implicitno kaže da će pobjednici biti timovi koji AI uvedu kao inženjersku disciplinu, s metrikama i granicama. Meta već javno govori o širem radu na AI sustavima kroz Meta AI i o inženjerskim praksama kroz Meta Engineering, ali ovdje je fokus uži: kako svakodnevni razvojni tim prestaje trošiti vrijeme na ponavljanje, a ne odustaje od standarda.

Pouka je jednostavna i nezgodna. AI-native razvoj nije zrelost zato što se kod piše brže. Zrelost počinje tek kada tim može dokazati da je brži rad ostavio bolju provjerljivost, manje ručnog trenja i review proces koji još uvijek ima zube.