Alpesh Pawar: ne trebaju nam više AI funkcionalnosti, nego bolje product razmišljanje

Alpesh Pawar je ovaj esej objavio u publikaciji CodeToDeploy na Medium-u u maju 2026. Centralni argument je poznat svakome ko je pregledao backlog pun zahteva za AI funkcionalnostima: novost nije izjava o problemu. Timovi koji polaze od logike “AI može X, pa hajde da dodamo X” obično grade stvari koje dobro funkcionišu u demo okruženjima, ali otkazuju u produkciji — najčešće zato što niko nije precizirao koje trvenje treba da otkloni funkcionalnost, za kog specifičnog korisnika i pod kojim uslovima.

Članak ispituje grešku koja je postala češća kako AI alati pojeftinjuju: brzina izgradnje AI funkcionalnosti nadmašuje sposobnost korisnika da im veruju. Kada funkcionalnost proizvodi promenljive ili nepredvidive rezultate — a LLM-bazirane funkcionalnosti to često rade — korisnicima su potrebni jasni mentalni modeli o tome kada funkcioniše, a kada ne. Ako product tim nije ugradio te zaštitne mehanizme u dizajn, korisnici ili izbegavaju funkcionalnost ili okrivljuju proizvod kada pogreši.

Pawar predlaže filter od četiri koraka pre početka razvoja. Prvo, preformulisati zahtev za funkcionalnost kao korisnički problem — ako to nije moguće, funkcionalnost nije spremna za specifikaciju. Drugo, ispitati da li bi sistem baziran na pravilima ili jednostavniji UI rešio isti problem — ako jeste, troškovi LLM-a možda nisu opravdani. Treće, unapred definisati načine greške: kada model proizvede pogrešan odgovor, da li korisnik to zna i može li da ispravi situaciju? Četvrto, uspostaviti kriterijume uspeha u terminima korisničkih rezultata, a ne tačnosti modela.

Članak je takođe direktan u pogledu praznina u production-spremnošću koje demo okruženja skrivaju. Dozvole, keširanje, latencija pri stvarnom opterećenju, osetljivost podataka, obrada grešaka i asinhrona obrada — sve to zahteva promišljeni dizajn za AI funkcionalnosti. Pogrešan izlaz koji varira nepredvidivo dezorientišući je za korisnike više od konzistentne greške kojoj se mogu prilagoditi, tako da su ovi problemi složeniji za probabilističke sisteme.

Pawar piše iz perspektive full-stack inženjera. Članak je najkorisniji za PM-ove koji blisko rade sa inženjerskim timovima i potreban im je zajednički rečnik za procenu izvodljivosti AI funkcionalnosti. To nije strateška mapa visokog nivoa, nego filter kvaliteta za pojedinačne odluke o funkcionalnostima — korisno dopunjavanje pristupa koji polazi od sposobnosti modela.