Programiranje z umetno inteligenco ne spreminja le hitrosti nastajanja kode, temveč tudi tehnologije, ki jih podjetja izbirajo za svoje izdelke. Če bodo trendi, opisani v sponzoriranem članku portala AI News, vztrajali, bi lahko razvojni agenti dodatno utrdili prevlado JavaScripta in TypeScripta – ne nujno zato, ker bi bila najboljša v vseh primerih, temveč zato, ker z njima modeli umetne inteligence trenutno delujejo najbolj zanesljivo.
Pri tem je potrebna časovna previdnost. Izvirni članek navaja podatke in poročila z datumi 2025 in 2026, zato jih je treba pred objavo kot aktualno novico neodvisno preveriti pri navedenih virih, med drugim GitHubu, Stack Overflowu in OpenAI. V nadaljevanju so ugotovitve zato predstavljene kot analiza možnega razvoja in širšega trenda, ne kot dokončno potrjena statistična slika.
## Zakaj bi AI lahko še okrepila JavaScript
Osnovna logika je preprosta: modeli za ustvarjanje kode se učijo na velikih količinah javno dostopnih programskih primerov. JavaScript in TypeScript imata zaradi dolgoletne razširjenosti ogromno takšne kode, še posebej na področju spletnih aplikacij in ogrodij, kot je React.
To pomeni, da lahko razvojni agent pri pogostih nalogah – na primer izdelavi obrazca, prikaza podatkov, prijave uporabnika ali povezave z zunanjim sistemom – ponudi bolj uporaben rezultat, če je projekt zgrajen na široko uporabljeni tehnologiji. Razvijalec praviloma dobi kodo, ki jo je treba manj popravljati, bolje sledi ustaljenim vzorcem in se lažje vključi v obstoječi projekt.
Za netehničnega uporabnika je posledica zelo neposredna: podjetje lahko hitreje izdela prototip, hitreje preizkusi novo funkcionalnost in potencialno z nižjimi stroški pride do prve uporabne različice izdelka. Toda ta prednost ni enakomerno porazdeljena. Tehnologije z manj javne kode, manjšo skupnostjo ali krajšim razvojnim stažem lahko pri delu z agenti dobijo slabšo podporo.
Svelte, Solid in podobna ogrodja so primeri tehnologij za izdelavo uporabniških vmesnikov, ki so lahko v določenih okoliščinah hitrejša ali enostavnejša od Reacta. Vendar imajo modeli zanje pogosto manj primerov. Posledica je lahko bolj nepopolna generirana koda, več napačnih predpostavk in več časa za popravke. Pri izbiri tehnologije zato ne odloča več le tehnična kakovost, temveč tudi vprašanje: kako dobro bo z njo sodeloval naš AI-asistent?
## Python ostaja pomemben, a uporabniki vidijo JavaScript
Na prvi pogled se lahko zdi, da bi morala umetna inteligenca najbolj pomagati Pythonu. Python je namreč ključen jezik za učenje modelov, podatkovno znanost, raziskovanje in številne knjižnice za umetno inteligenco.
Toda večina uporabnikov ne uporablja modela neposredno v Pythonovem okolju. Uporabljajo spletno aplikacijo, klepetalnik, nadzorno ploščo, obrazec za odobritev dejanja ali vmesnik, prek katerega model dostopa do orodij. Takšni uporabniški vmesniki so v sodobnih spletnih produktih pogosto izdelani v JavaScriptu ali TypeScriptu.
To ustvarja pomembno ločnico. Python ostaja osrednji jezik za gradnjo in raziskovanje modelov, JavaScript pa je pogosto jezik, v katerem se umetna inteligenca spremeni v dejanski uporabniški produkt. Za podjetja, ki ne trenirajo lastnih modelov, ampak želijo umetno inteligenco vključiti v storitev za stranke, notranji sistem ali mobilno aplikacijo, je drugi del pogosto pomembnejši.
## TypeScript kot varnostna mreža za generirano kodo
Posebej zanimiv je vzpon TypeScripta, razširitve JavaScripta, ki omogoča strožje preverjanje podatkov in struktur v kodi. Poenostavljeno: razvijalcu pomaga prej odkriti, ali funkcija prejema napačne podatke, ali nek podatek morda manjka ali ali je sistem po spremembi napačno povezal dva dela aplikacije.
To je pri kodi, ki jo ustvari umetna inteligenca, še posebej pomembno. Generirana koda je pogosto prepričljiva: lepo je oblikovana, uporablja znana imena funkcij in na prvi pogled deluje smiselno. Težava nastane, ko vsebuje majhno, a pomembno napačno domnevo.
Primeri so pogosti:
– funkcija pričakuje podatek, ki ga sistem v resnici ne pošlje;
– aplikacija predpostavi, da uporabnik vedno obstaja, nato pa ob izjemi pride do napake;
– zunanja storitev spremeni format odgovora, stara koda pa tega ne upošteva;
– generirana poizvedba pri majhnem testnem naboru deluje dobro, pri dejanskih podatkih pa postane draga ali počasna;
– varnostno preverjanje je prisotno v uporabniškem vmesniku, ni pa izvedeno tam, kjer bi dejansko preprečilo nepooblaščen dostop.
Sistem tipov ne more preprečiti vseh napak. Ne ve, ali je poslovna odločitev pravilna, ali je uporabniški tok smiseln ali ali je varnostna politika dobro zasnovana. Lahko pa zgodaj ujame vrsto tehničnih napak, ki jih človek med pregledovanjem več sto vrstic prepričljivo napisane kode hitro spregleda.
## AI ne odpravi dela – spremeni ga
Glavna sprememba ni nujno v tem, da razvijalci pišejo manj kode. Veliko pomembnejše je, da se težišče dela premika od ustvarjanja kode k njenemu preverjanju, razumevanju in prevzemanju odgovornosti zanjo.
Podjetje lahko z več AI-agenti ali dodatnimi naročninami zelo hitro poveča količino ustvarjene kode. Ne more pa tako hitro povečati števila ljudi, ki dovolj dobro poznajo sistem, podatke, poslovna pravila in varnostna tveganja, da bi znali presoditi, ali je ta koda primerna za produkcijo.
Prav tu nastane novo ozko grlo. Hitrost generiranja je skoraj neomejena, pregledovalna zmogljivost pa je omejena z izkušenimi ljudmi. Če ekipa v enem tednu podvoji količino ustvarjene kode, ne podvoji samodejno tudi svoje sposobnosti, da odkrije napake, zagotovi varnost in dolgoročno vzdržuje sistem.
Za zaposlovanje to pomeni premik v vrednotenju znanja. Naloga razvijalca ni več le hitro rešiti programerski problem, ampak znati oceniti rešitev, ki jo predlaga sistem umetne inteligence. Dober strokovnjak mora prepoznati, kdaj je odgovor modela uporaben, kdaj je nepopoln in kdaj je nevarno napačen.
## Tveganje: tehnološka enoličnost
Če AI-agenti najboljše delujejo z najbolj razširjenimi tehnologijami, lahko nastane samoojačevalni krog. Podjetja izberejo tehnologijo, s katero agenti najbolje delujejo. Na tej tehnologiji nastaja več kode. Več kode pomeni več primerov za prihodnje modele, kar tej isti tehnologiji zagotovi še boljšo podporo.
Takšen razvoj ni nujno slab. Standardizacija lahko zmanjša stroške, poenostavi zaposlovanje in omogoči lažje vzdrževanje sistemov. Vendar prinaša tudi tveganja.
Prvič, težje se uveljavijo nove ali nišne tehnologije, tudi če imajo boljšo arhitekturo, večjo zmogljivost ali boljše varnostne lastnosti. Drugič, podjetja lahko postanejo preveč odvisna od omejenega nabora orodij, platform in strokovnjakov. Tretjič, podobni vzorci kode lahko pomenijo tudi podobne napake in podobne varnostne pomanjkljivosti v velikem številu izdelkov.
Zato ni dovolj vprašanje, kateri jezik ali ogrodje je trenutno najbolj priljubljeno. Pomembneje je, ali organizacija razume, zakaj ga uporablja, kdo bo prevzel odgovornost za generirano kodo in kako bo ohranila sposobnost samostojnega tehnološkega odločanja.
Umetna inteligenca lahko res zmanjša strošek začetnega pisanja kode, ne more pa odpraviti stroška razumevanja, preverjanja in lastništva nad sistemom. Prav ta sposobnost presoje bo v obdobju AI-programiranja verjetno postala pomembnejša od same hitrosti razvoja.
