You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Daca ati folosit AI-ul in ultimul an, probabil ati observat: devine din ce in ce mai bun. Parca "simte" ce vrei. Nu te mai lupti atat de mult cu el. Si nu e doar o impresie. Ce s-a schimbat?
Pana acum, modelele invatau citind — citind tot internetul, tot codul, toata documentatia. Si asta inca functioneaza. Dar din septembrie 2024, s-a adaugat ceva nou: reinforcement learning — pe scurt, modelele invata facand. Primesc un task, incearca, gresesc, invata din greseli, si incearca din nou. Exact cum invata un om — doar ca mult, mult mai repede.
Si cele doua se cumuleaza. Nu e una sau alta — e ambele in acelasi timp.
Ca sa va dau un numar concret: in 2024, cele mai bune modele rezolvau 4% din bugurile reale de pe GitHub. Patru la suta. Acum rezolva peste 80%. In doi ani.
Si un alt numar care pe mine m-a surprins: METR, un institut independent, masoara cat de lungi pot fi taskurile pe care AI-ul le rezolva singur. Acum sunt la 5 ore. Si se dubleaza la fiecare 4 luni. Daca asta continua — si deocamdata nu avem niciun motiv sa credem ca se opreste — in 2028 vorbim de taskuri de o saptamana.
Nu va zic ca e sigur. Va zic ce arata datele.
→ Alexandru preia
Segment 2 (min 3-5) — Tool usage + generalizare
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.
→ Alexandru preia
Segment 3 (min 7-9) — Lovable + Base44
Si ca sa nu credeti ca vorbim doar din bula noastra — uitati-va ce se intampla la scara mare.
Lovable — poate ati auzit de el. Ii spui in cuvintele tale ce vrei: "vreau o aplicatie de task management cu login." Si iti livreaza o aplicatie functionala. Cu frontend, cu backend, cu baza de date, cu deployment. 8 milioane de oameni il folosesc. Peste 100 de mii de proiecte noi in fiecare zi.
Base44 — povestea asta e si mai tare. Un singur om, din Israel, fara investitori, fara echipa. In 6 luni, utilizatorii lui au creat 5 milioane de aplicatii. Cinci milioane.
Si ce mi se pare cel mai interesant e ca cele doua fac acelasi lucru, dar pentru oameni diferiti. Lovable e pentru developeri — iti da cod editabil, React, Supabase. Base44 e pentru oameni non-tehnici — nu vezi nicio linie de cod. Doua produse complet diferite, dar aceeasi capabilitate la baza: iei ce vrea utilizatorul si il transformi in aplicatie functionala.
Acum, nici Lovable, nici Base44 nu iti pot face un sistem de banking cu compliance si audit trail. Sunt sincere cu limitarile. Dar sunt la versiunea 1. Au un an de existenta.
→ Alexandru preia
Segment 4 (min 11-13) — SDLC pe bucati
Hai sa luam SDLC-ul piesa cu piesa, ca sa vedeti unde suntem de fapt.
Planning — AI-ul deja ia o cerinta si o sparge in taskuri tehnice. Google a confirmat ca peste 30% din codul lor nou e generat de AI.
Implementare — pe benchmark-uri suntem la peste 80%. Un studiu a aratat ca developerii cu AI sunt 56% mai rapizi. Asta e real.
Testare, code review — AI-ul deja scrie teste, deja prinde buguri in review. Nu perfect, dar suficient de bine incat sa fie util zilnic.
Deployment — CI/CD e automatizat de ani de zile. Asta nu e nou.
Dar acum vine partea care conteaza cel mai mult, si care inca nu e rezolvata: monitorizare si bugfix.
Ganditi-va ce se intampla azi cand cade ceva in productie. Primesti un alert la 3 noaptea. Deschizi logs. Incerci sa intelegi ce s-a intamplat. Scrii un fix. Il testezi. Il trimiti la review. Il deploy-ezi. Dureaza ore. Uneori zile.
Acum imaginati-va varianta in care AI-ul detecteaza problema, traseaza cauza, genereaza fix-ul, ruleaza testele, si daca totul e verde — deploy automat. Fara sa te trezeasca cineva la 3 noaptea.
Nu toata bucla asta exista azi. Dar bucati din ea — da. Si fiecare bucata se imbunatateste.
Stiu ca unii vor zice: "dar daca inlantuiesti 6 faze automatizate, erorile se acumuleaza." E un punct valid. Dar exact asta rezolva deja CI/CD-ul — cu feedback loops, cu quality gates, cu rollbacks automate. Nu e un concept nou. Doar il aplicam la un nivel mai mare.
In momentul in care si bucla de bugfix e automatizata — SDLC-ul ruleaza fara interventie umana. Asta e linia de finish. Si suntem mai aproape decat credeti.
→ Alexandru preia
Segment 5 (min 14-15) — Closing
Ca sa inchei.
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. Sunt sincer in privinta asta. Dar uitati-va la viteza. Doi ani de la 4% la 80%. Taskuri autonome care se dubleaza la 4 luni.
84% din developeri folosesc sau planuiesc sa foloseasca AI. 51% il folosesc zilnic. Nu e un experiment — e realitatea.
Intrebarea nu e daca SDLC-ul se automatizeaza. Intrebarea e daca 4 ani sunt suficienti.
Eu as paria pe mai putin.
CLOSING FINAL (min 2.5-5)
Dupa Alexandru.
Colegii de pe partea cealalta au facut un argument pe care il respect: ca intre "automatizare masiva" si "automatizare completa" e o diferenta de natura, nu de grad.
Eu cred ca e o diferenta de timp.
Avem doua cai de invatare care se cumuleaza. Avem AI care invata sa aleaga, nu doar sa execute. Avem bucla de feedback care se inchide. Si avem milioane de oameni care valideaza zilnic ca directia e corecta.
Ei au spus "am mai vazut filmul asta." 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." Si au dreptate — nu il scoatem. Dar fallback-ul devine exceptia, nu regula.
Intrebarea nu e daca. E cand.
Si daca ma intrebati pe mine — as paria pe mai putin de 4 ani.
