Daca ati folosit AI-ul in ultimul an, probabil ati observat ceva: devine din ce in ce mai bun. Parca incepe sa "simta" ce vrei sa spui, ce ai nevoie sa generezi. Nu te mai lupti atat de mult cu el. Si nu e doar o impresie — chiar se imbunatateste, si rapid.
De ce? Pana acum, modelele invatau in principal din text — citind tot internetul. Si asta inca functioneaza. Dar din septembrie 2024, cand OpenAI a lansat o1, s-a deschis o a doua cale: modelele invata prin incercare. Primesc un task, incearca, primesc feedback, isi corecteaza greselile, si repeta. Exact cum invata un om — doar ca de mii de ori mai repede. De atunci, fiecare laborator major — Anthropic, Google, DeepSeek — a demonstrat acelasi lucru: cele doua cai se cumuleaza. Nu e una sau alta — e ambele in acelasi timp.
Concret: in 2024, cele mai bune modele rezolvau 4% din bugurile reale de pe GitHub. Acum rezolva peste 80%. In doi ani. Si METR, un institut independent de cercetare, masoara ca durata taskurilor pe care agentii AI le pot rezolva autonom se dubleaza la fiecare 4 luni. Acum sunt la taskuri de 5 ore. Daca trend-ul continua, in 2028 vorbim de taskuri de o saptamana.
Nu va zic ca e garantat. Va zic ca datele nu arata niciun semn de incetinire.
Si aici vine un punct care schimba ecuatia complet.
Dario Amodei a spus ceva care merita atentie: SDLC-ul se automatizeaza complet in momentul in care AI poate crea aplicatii AI. De ce? Pentru ca e recursiv. AI-ul care imbunatateste AI-ul care imbunatateste AI-ul — nu e o imbunatatire liniara, e o acceleratie.
Si nu vorbim despre un viitor ipotetic. Deja avem modele care genereaza si antreneaza alte modele. Deja avem agenti care isi scriu propriile tool-uri. Fiecare ciclu produce un sistem mai capabil, care produce urmatorul ciclu si mai repede.
Asta e diferenta fundamentala fata de orice tool anterior: pentru prima data, tool-ul isi poate imbunatati singur performanta.
Acum vreau sa va spun ceva care pe mine m-a surprins cand am realizat ce se intampla.
Cand zice cineva "AI-ul scrie cod" — da, scrie cod. Dar nu asta e partea interesanta. Partea interesanta e ca a inceput sa aleaga. Ii dai o problema si nu iti da doar o solutie — alege intre optiuni. Alege ce API se potriveste mai bine, ce structura de date are sens, ce baza de date e mai buna pentru cazul tau.
Poate ati patit si voi — lucrati cu un model si simtiti ca "intelege" ce vreti. Nu doar ca executa — ci ca gandeste care e abordarea corecta.
Si asta se generalizeaza. Aceeasi capabilitate care alege API-ul corect poate sa aleaga si cum sa configureze un deployment, ce teste sa scrie, cum sa monitorizeze o aplicatie. Nu e magie — e acelasi skill aplicat in contexte diferite.
Va dau un exemplu concret care m-a impresionat: inginerii de la Rakuten au dat unui agent AI un task pe un codebase de 12 milioane si jumatate de linii de cod. Masiv. Agentul a terminat singur in 7 ore, cu 99.9% acuratete. Un task care ar fi luat zile unui inginer experimentat. Si nu a generat cod din nimic — a inteles ce tool-uri si ce pattern-uri sa foloseasca in contextul unui proiect existent.
Eu vad SDLC-ul ca 6 probleme separate: planning, implementare, testare, review, deployment, monitorizare. Si ce observ e ca AI-ul invata sa le abordeze pe fiecare.
Acum, Vlad v-a dat datele. Eu va spun ce vad in practica, in fiecare zi, in echipele mele.
Coding-ul cu AI? La noi e de mult timp. Nu e noutate. Ce e nou e ca acum am implementat AI pe tot SDLC-ul.
Planning: inainte, un tech lead lua o cerinta de business si petrecea ore sa o sparga in taskuri tehnice. Acum, ii dam cerinta unui agent si in 10 minute avem taskurile, cu estimari, cu dependinte. Tech lead-ul verifica si ajusteaza — nu mai creaza de la zero.
Testare: am inceput sa generam teste automat pentru fiecare PR. Nu le scriem noi — AI-ul le scrie. Si sunt teste reale, nu mock-uri inutile. Au prins buguri pe care testele noastre manuale le ratau.
Deployment: pipeline-urile noastre de CI/CD sunt deja 95% automatizate. Ultimele 5% sunt aprobari umane — si ma intreb cat timp vor mai fi necesare.
Code review: aveam un bottleneck clasic — PR-urile asteptau ore sau zile sa fie review-uite. Acum, AI-ul face un prim review in secunde. Prinde buguri evidente, probleme de stil, vulnerabilitati. Reviewer-ul uman se concentreaza pe logica de business si arhitectura.
Nu sunt cazuri ipotetice. Sunt proiectele noastre de luna asta.
Si ca sa nu credeti ca vorbim doar din perspectiva noastra — avem dovezi concrete la scara mare. Doua exemple:
Lovable ia o propozitie in limbaj natural si livreaza o aplicatie functionala. Cu UI, cu backend, cu baza de date, cu deployment. 8 milioane de utilizatori, peste 100,000 de proiecte noi pe zi.
Base44 — o poveste si mai interesanta. Un singur fondator, din Israel, bootstrapped, fara investitori. In 6 luni: 5 milioane de aplicatii create de catre utilizatori. De ce? Pentru ca a rezolvat exact aceasta mapare: intentie utilizator → module de cod → aplicatie functionala.
Si uitati-va ce au in comun. Lovable e pentru developeri — iti da cod editabil, React, Supabase. Base44 e pentru non-tehnici — nu vezi nicio linie de cod. Doua produse diferite, aceeasi capabilitate de baza: AI-ul mapeaza ce vrea utilizatorul pe tool-urile si pattern-urile potrivite.
Acum, Lovable nu poate inca sa iti faca un sistem de banking cu compliance si audit trail. Dar e versiunea 1.
Cursor, un alt tool de AI coding, are 2 milioane de utilizatori — developeri care il folosesc zilnic sa scrie cod de productie.
Vlad v-a aratat ca AI-ul deja acopera coding-ul. Eu v-am aratat ca la Hibyte am inceput sa il folosim pe planning, testare, review, deployment. Dar hai sa fim sinceri: sunt bucati care inca lipsesc. Si tocmai asta e punctul meu — nu lipsesc pentru ca sunt imposibile, ci pentru ca nimeni nu le-a construit inca.
Primul gap: traducerea cerintelor de business in specificatii tehnice. Azi, un PM scrie o cerinta vaga, un tech lead o interpreteaza, si jumatate din sensul original se pierde pe drum. Workflow-ul care lipseste: un agent care sta in sedinta de grooming, citeste tot contextul din Slack, Jira, Confluence, si genereaza specificatii tehnice complete. Bucatile exista — context lung, tool usage — dar nimeni nu le-a legat intr-un workflow end-to-end.
Al doilea gap: security review automat la nivel de arhitectura. Avem SAST, avem DAST, avem dependency scanning. Dar nu avem un agent care sa priveasca sistemul ca un atacator si sa zica: "aceasta combinatie de servicii creaza o vulnerabilitate." Asta nu e un model mai bun — e un workflow care nu exista inca.
Al treilea gap: incident response autonom. Azi, monitorizarea detecteaza probleme. Dar de la detectie la diagnostic si fix — e tot manual. Workflow-ul: un agent care primeste alertul, coreleaza logs-urile, identifica root cause-ul, si propune fix-ul. Bucatile tehnice sunt acolo. Workflow-ul integrat — nu inca.
Ce vreau sa subliniez: in fiecare din aceste cazuri, tehnologia exista. Ce lipseste sunt workflow-urile — cum legi piesele intre ele. Si asta nu e o problema de cercetare fundamentala. E o problema de inginerie. E exact ce stim noi sa facem. Si in 4 ani, e mai mult decat fezabil.
Acum hai sa privim SDLC-ul pe bucati:
Planning — AI-ul deja sparge user stories in taskuri tehnice. Google confirma ca peste 30% din codul lor nou e generat de AI.
Implementare — suntem la peste 80% pe benchmark-uri. Un studiu peer-reviewed a aratat ca developerii cu AI sunt 56% mai rapizi pe taskuri de coding.
Testare — AI-ul deja scrie si ruleaza teste automate. Si nu doar teste simple — genereaza scenarii edge-case pe care un developer le-ar rata. Code Review — AI-ul prinde buguri, probleme de stil, si vulnerabilitati de securitate. Deja exista quality gates complet automatizate in pipeline-uri de productie.
Deployment — CI/CD e automatizat de ani de zile. Diferenta e ca acum AI-ul poate sa iti configureze pipeline-ul de la zero, nu doar sa il ruleze.
Si acum vine piesa de rezistenta: Monitorizare si Bugfix. Ganditi-va la ce se intampla azi cand cade ceva in productie. Un om primeste un alert, deschide logs, incearca sa inteleaga ce s-a intamplat, scrie un fix, il testeaza, il trimite la review, si apoi il deploy-eaza. Ore sau zile.
Acum imaginati-va bucla inchisa: AI-ul detecteaza anomalia, traseaza root cause-ul prin logs si metrici, genereaza fix-ul, ruleaza testele, si daca sunt green — deploy automat. Nu in 2035. Bucati din asta exista deja.
Stiu ca exista o provocare reala: cand inlantuiesti sase faze automatizate, erorile se compun. Dar asta e exact problema pe care CI/CD-ul o rezolva deja — cu feedback loops si quality gates. Aceeasi abordare se aplica. Si cu fiecare ciclu de reinforcement learning, fiecare faza devine mai fiabila.
In momentul in care bucla de bugfix e automatizata, SDLC-ul ruleaza fara interventie umana. Asta e linia de finish.
Nu e vorba doar de tehnologie. E vorba de cine ajunge primul.
La Davos luna trecuta, Dario Amodei a recunoscut ca ar prefera sa incetineasca cursa AI-ului — dar nu poate. De ce? Pentru ca, citez: "avem adversari geopolitici care construiesc aceeasi tehnologie la o viteza similara." China e acum la 6 luni in urma laboratoarelor occidentale. Acum doi ani, era la ani distanta.
Asta nu e o cursa intre companii. E o cursa intre state. Si cand miza e nationala, nimeni nu asteapta sa fie perfect. Adopta ce functioneaza si itereaza.
Si presiunea vine si de jos, din piata. Eu ca CEO, daca un tool de AI poate face treaba a 5 oameni, nu angajez 5 oameni noi — mut bugetul in AI tooling. Fiecare companie din lume face acelasi calcul in acest moment.
Presiunea geopolitica impinge de sus. Presiunea economica impinge de jos. In mijloc — SDLC-ul se automatizeaza, vrem sau nu.
Ca sa incheiem aceasta prima parte. Amodei a zis: "suntem aproape de sfarsitul exponentialei" — nu in sensul ca se opreste, ci in sensul ca ajungem la destinatie. El estimeaza ca pentru coding, suntem la 1-2 ani distanta de performanta umana pe taskuri verificabile.
In 2022, AI-ul nu putea sa scrie o functie corecta. In 2024, putea sa construiasca features. In 2026, livreaza prototipuri complete. Nu sisteme de productie — inca. Dar cu doua dimensiuni de scalare care se cumuleaza — pre-training si reinforcement learning — si cu tool usage care se generalizeaza peste tot SDLC-ul, directia e clara.
84% din developeri folosesc sau planuiesc sa foloseasca tool-uri AI. 51% le folosesc zilnic.
Intrebarea nu e DACA SDLC-ul se automatizeaza. Intrebarea e daca 4 ani sunt suficienti.
La rata la care mergem, eu as paria pe mai putin.
Raspundem la ce ataca CON side. Vlad ia atacurile tehnice, Alexandru ia atacurile practice. Mai jos sunt raspunsurile pregatite pentru cele 4 atacuri asteptate.
VLAD (tehnic):
Argumentul suna logic, dar are o premisa gresita: presupune ca rata de eroare ramane constanta. Nu ramane. SWE-bench: de la 4% la 80% in doi ani. Rata de eroare scade cu fiecare generatie de model.
Si "fully automated" nu inseamna "zero oversight." Inseamna ca omul nu mai scrie, citeste, sau aproba cod manual. Omul defineste intentie si valideaza rezultate. Feedback loops inchise — exact ce face CI/CD-ul — reduc acumularea erorilor.
ALEXANDRU (practic):
Hai sa dam un exemplu din viata reala. Avioanele zboara pe autopilot 95% din timp. Pilotul e acolo pentru edge cases, nu pentru operare normala. Nimeni nu zice ca avioanele nu sunt automatizate pentru ca exista un pilot in cockpit.
In echipele mele, AI-ul deja greseste mai putin decat juniorii pe taskuri repetitive. Si rata scade lunar. Nu trebuie sa fie perfect — trebuie sa fie suficient de bun incat omul nu mai intervine in ciclul normal.
VLAD (tehnic):
E un punct bun — dar presupune ca toate modelele au aceleasi puncte moarte. Nu e adevarat. Modele diferite, antrenate pe date diferite, cu arhitecturi diferite, produc erori necorelate. Deja se folosesc ensembles in productie exact pentru asta.
Si mai mult: reinforcement learning-ul antreneaza modele specific pe detectia erorilor celorlalte modele. Verificatorul verificatorului e un alt model, antrenat adversarial. E acelasi principiu ca doi revieweri umani — functioneaza tocmai pentru ca gandesc diferit.
ALEXANDRU (practic):
In practica, noi deja folosim modele diferite pentru generare si review. Un model genereaza codul, alt model face review-ul. Punctele moarte nu sunt identice. Nu e teorie — facem asta in productie luna asta.
VLAD (tehnic):
Cerinte din 3 saptamani de Slack, cu decizii implicite si contradictii? Un model cu un milion de tokeni context citeste tot in 30 de secunde. Un om nu poate. AI-ul e mai bun la sintetizarea informatiei distribuite, nu mai prost.
Timeout-uri intermitente la 2% din request-uri? Anomaly detection pe metrici e deja o problema rezolvata. AI-ul detecteaza pattern-uri pe care ochiul uman le rateaza. Nu e un argument impotriva automatizarii — e un argument PENTRU.
ALEXANDRU (practic):
Da, deployment-ul e complex. Dar uitati-va mai atent: complexitatea e repetitiva. Aceleasi tipuri de probleme, in aceleasi tipuri de sisteme, cu aceleasi tipuri de solutii. Exact genul de pattern pe care reinforcement learning-ul il invata cel mai bine.
VLAD (tehnic):
Asta e intrebarea corecta — si am raspunsul. Diferenta structurala pe care o cer: Dreamweaver nu invata. Visual Basic nu invata. WordPress nu invata. Fiecare tool anterior era static — rezolva un set fix de probleme si se oprea acolo.
AI-ul invata din feedback, se imbunatateste cu fiecare ciclu de reinforcement learning, si se adapteaza la contexte noi. Dario Amodei: RL deschide o a doua dimensiune de scalare. Asta nu a existat in niciun tool anterior. Nu e un tool in plus in aceeasi serie — e o ruptura de paradigma.
ALEXANDRU (practic):
Dreamweaver genera HTML. Lovable genereaza aplicatii complete cu backend, baza de date, autentificare, si deployment. Base44 a generat 5 milioane de aplicatii in 6 luni cu un singur fondator. Nu e acelasi film — e alt gen.
Vlad v-a aratat datele si trend-urile. Eu v-am spus ce vad in practica, in fiecare zi, in echipele mele.
Nu vorbesc despre un viitor ipotetic. Vorbesc despre un prezent care accelereaza. Fiecare luna aduce un model mai bun, un tool mai capabil, un task in plus pe care AI-ul il rezolva autonom.
Colegii de pe partea cealalta au spus ca omul din bucla e o piesa structurala. Eu va spun ce vad: piesa aia se micsoreaza in fiecare luna. Developerii mei nu mai scriu cod — directioneaza sisteme care scriu cod. Juniorii care au intrat anul asta in echipa sunt mai productivi decat juniorii de acum 3 ani, pentru ca nu invata sa scrie cod — invata sa directioneze AI-ul.
In 2030, SDLC-ul nu va fi automatizat pentru ca cineva a inventat un buton magic. Va fi automatizat pentru ca fiecare piesa — planning, cod, teste, review, deploy, monitorizare — va fi suficient de buna incat nu mai ai nevoie de un om care sa le faca manual.
Va fi inca nevoie de oameni. Dar nu ca sa scrie cod. Ci ca sa decida ce merita construit.
Colegii nostri de pe partea cealalta au facut un argument important: ca intre "automatizare masiva" si "automatizare completa" e o diferenta de natura, nu de grad.
Eu zic ca e o diferenta de timp.
Avem doua dimensiuni de scalare care se cumuleaza — pre-training si reinforcement learning. Avem tool usage care se generalizeaza peste tot SDLC-ul. Avem bucla de feedback care se inchide: detect, diagnose, fix, test, deploy. Avem milioane de utilizatori care valideaza zilnic ca directia e corecta.
Ei au spus "am mai vazut filmul." Eu zic ca filmul asta e diferit — pentru ca pentru prima data, tool-ul invata. Nu e static. Se imbunatateste cu fiecare ciclu.
Ei au spus "nu scoate fallback-ul." Au dreptate — nu il scoatem. Dar fallback-ul devine exceptia, nu regula. Exact cum pilotul e in cockpit dar nu zboara avionul.
Intrebarea nu e DACA SDLC-ul se automatizeaza. E CAND.
Si daca ma intrebati pe mine — as paria pe mai putin de 4 ani.
Multumesc.