Zašto veštačka inteligencija neke poslove uči brže od drugih?

AI alati za kodiranje napreduju neverovatnom brzinom. Ako ne radiš s kodom, možda ne primećuješ koliko se brzo sve menja. Međutim, GPT-5 i Gemini 2.5 omogućili su čitav niz novih načina za automatizaciju razvoja softvera, a prošle nedelje to je dodatno potvrdio Sonnet 4.5.

Neke veštine napreduju sporije

Dok AI alati za kodiranje napreduju, druge veštine stagniraju. Ako koristiš AI za pisanje mejlova, verovatno dobijaš isti rezultat kao i pre godinu dana. Čak i kada se sam model poboljša, proizvod ne mora nužno biti bolji — posebno ako je u pitanju chatbot koji obavlja deset različitih zadataka istovremeno. Napredak postoji, ali nije ravnomerno raspoređen.

Ključ je u merenju uspeha

Razlika u brzini razvoja zapravo je jednostavnija nego što izgleda. Alati za kodiranje imaju koristi od milijardi lako merljivih testova koji ih „uče“ da prave funkcionalan kod. To se zove učenje potkrepljenjem (Reinforcement Learning – RL) i predstavlja glavni pokretač napretka veštačke inteligencije u poslednjih šest meseci.

Učenje potkrepljenjem može uključivati ljudske ocenjivače, ali najbolje funkcioniše kada postoji jasan kriterijum „uspešno – neuspešno“. Tako se proces može ponoviti milijarde puta bez potrebe za ljudskim unosom.

Veštine koje se mogu oceniti napreduju brže

Kako industrija sve više koristi RL za poboljšanje proizvoda, postaje jasno da postoji razlika između sposobnosti koje se mogu automatski oceniti i onih koje ne mogu.
Veštine poput ispravljanja grešaka u kodu ili rešavanja matematičkih problema brzo napreduju, dok pisanje napreduje mnogo sporije.

Taj jaz u razvoju naziva se jaz u pojačanju (reinforcement gap) i postaje jedan od najvažnijih faktora koji određuju šta AI sistemi mogu, a šta ne mogu da urade.

Kodiranje je savršeno za RL

Softverski razvoj je idealno polje za primenu RL metoda. Čak i pre pojave AI-ja, postojale su celine posvećene testiranju otpornosti softvera — jer su programeri morali da budu sigurni da se njihov kod neće srušiti pre objavljivanja.

Zato i najlepši kod mora da prođe unit testove, integracione testove, bezbednosne provere i mnoge druge. Programeri redovno koriste ove testove kako bi potvrdili ispravnost svog rada — a, kako navodi jedan od Googleovih direktora za razvojne alate, jednako su korisni i za proveru AI-generisanog koda.

Još važnije, ovi testovi su idealni za RL jer su sistematizovani i mogu se ponavljati u ogromnim razmerama.

Pisanje i komunikacija teško se mere

Za razliku od koda, ne postoji jednostavan način da se oceni koliko je neki mejl dobro napisan ili odgovor chatbota smislen. Takve veštine su subjektivne i teže se mere u velikom obimu.

Naravno, ne spadaju svi zadaci isključivo u „lake“ ili „teške“ za testiranje. Na primer, ne postoji standardni sistem testiranja za finansijske izveštaje ili aktuarijsku analitiku, ali dobro finansirano startap preduzeće moglo bi da razvije sopstveni sistem ocene.

Kvalitet i pametno osmišljeni testovi postaće odlučujući faktor u tome da li će neka AI funkcija postati pouzdan proizvod ili ostati samo zanimljiv demo.

Primer: AI video više nije „težak zadatak“

Neke oblasti ipak iznenađuju. Do nedavno se mislilo da je AI video nemoguće precizno oceniti. Međutim, napredak OpenAI-jevog Sora 2 modela pokazao je da to nije tako.

U Sori 2, objekti više ne nestaju ni izranjaju niotkuda. Lica zadržavaju oblik i liče na stvarne osobe. Pokreti poštuju zakone fizike, i uočljivo i suptilno.
Sve to verovatno dolazi iz naprednog sistema učenja potkrepljenjem koji kontroliše svaki aspekt realizma. Kada se ti sistemi spoje, rezultat je razlika između fotorealizma i obične halucinacije.

Pogled unapred

Naravno, ovo nije strogo pravilo. Jaz u pojačanju rezultat je trenutne dominacije RL-a u razvoju AI-ja, ali to se može promeniti kako modeli evoluiraju.

Dok RL ostaje glavni alat za unapređenje AI proizvoda, jaz između „merljivih“ i „nemerljivih“ zadataka će rasti. To ima ozbiljne posledice za startape, tržište rada i ekonomiju u celini.

Ako je neki proces na „pravoj strani“ jaza, verovatno će biti automatizovan — a ljudi koji ga trenutno obavljaju mogli bi da potraže novi posao.
Na primer, pitanje koje zdravstvene usluge se mogu RL-trenirati imaće ogroman uticaj na oblik ekonomije u narednim decenijama.

Ako su Sora 2 i slična iznenađenja pokazatelj, odgovor možda stiže mnogo brže nego što mislimo.