Este Codul Tău Pregătit pentru AI? O Listă de Verificare pentru CTO

Înainte să predai codul unui asistent AI sau să angajezi o echipă care construiește cu AI, merită să faci un audit sincer. Nu al uneltelor AI, ci al codului în sine. Fundațiile slabe amplifică greșelile AI la fel de eficient cum le amplifică pe cele umane.

Aceasta este lista pe care o parcurgem înainte să atingem orice cod nou. Nu este exhaustivă, dar fiecare punct de pe ea a scos la iveală o problemă reală pe un proiect real.

Lista de verificare

1. Sunt testele cu adevărat utile?

Nu procentajul. Intenția. Testele unitare care verifică doar scenariile de succes nu oferă AI-ului nimic din care să învețe și nimic care să prindă regresii. Caută teste care acoperă cazurile-limită, stările de eroare și regulile de business care contează cu adevărat. Dacă acoperirea este mai ales pe scenarii banale, pregătește-te ca AI-ul să strice lucruri pe care testele nu le-au verificat niciodată.

2. Este schema documentată și stabilă?

Uneltele AI generează cod din context. Dacă schema bazei de date este nedocumentată, dedusă din fișierele de migrare sau în dezacord cu stratul de modele, AI-ul va ghici, și va ghici greșit în moduri subtile, care nu cauzează erori evidente. O schemă tipizată cu o sursă clară de adevăr (Prisma, TypeSpec, OpenAPI) este un punct de pornire obligatoriu.

3. Mediul de dezvoltare local chiar funcționează?

Un cod pe care un AI îl poate rula local este un cod pe care îl poate evalua. Dacă setup-ul local necesită cunoștințe neoficiale, pași manuali de inițializare sau variabile de mediu care există doar în mintea cuiva, agenții AI nu pot verifica independent modificările. Documentează procedura. Fă ca docker compose up să funcționeze efectiv.

4. Sunt granițele dintre module explicite?

Uneltele AI sunt bune la lucrul în interiorul unui modul și slabe la a ști ce module nu ar trebui să atingă. Dacă codul este o masă amorfă, unde logica de autentificare trăiește în modulul de plăți și logica de business curge în router, așteaptă-te ca AI-ul să facă aceleași greșeli, dar cu viteză mai mare. Interfețele explicite și responsabilitățile clare contează.

5. Este gestionarea secretelor curată?

Uneltele AI înregistrează context, iar multe servicii încarcă contextul pentru fine-tuning. Dacă chei API, credențiale sau date personale apar în fișierele sursă, în fișiere .env.example sau în comentarii, auditează-le înainte ca orice unealtă AI să atingă repository-ul. Aceasta este o problemă de igienă de bază independentă de AI, dar AI-ul ridică miza.

6. Sunt dependențele auditate și actualizate?

Dependențele învechite sunt un risc amplificat cu uneltele AI: acesta va genera cod pentru versiunea pe care a fost antrenat, nu pentru versiunea pe care o rulezi. O diferență de două versiuni majore într-o bibliotecă de bază (Next.js, Rails, Django) înseamnă că AI-ul produce cod plauzibil care se strică la execuție. Rulează npm audit sau bundle audit și rezolvă problemele critice înainte de a începe.

7. Este gestionarea erorilor consecventă și observabilă?

Dacă codul înghite erorile în tăcere, sau dacă logarea este inconsistentă, modificările generate de AI vor moșteni același comportament. Ai nevoie de observabilitate (logare structurată, urmărirea erorilor, mesaje de excepție semnificative) pentru a diagnostica ce a greșit AI-ul ulterior. Fără acestea, depanarea erorilor introduse de AI este aproape imposibilă.

8. Este pipeline-ul CI rapid și blocant?

Un pipeline CI care durează 40 de minute și este ignorat în mod regulat nu este o plasă de siguranță. Uneltele AI iterează rapid, iar bucla de feedback pe care se bazează este suita de teste. Dacă CI este defect sau lent, agenții AI vor livra modificări netestate. Urmărește un pipeline sub 10 minute care blochează merge-urile la eșec.

9. Există o separare clară între configurație și cod?

Presupuneri de mediu hardcodate, feature flags îngropate în condiționale sau configurații care există doar în deployment-urile de producție. Toate acestea înseamnă că uneltele AI nu pot razona despre cum se va comporta codul în realitate. Folosește variabile de mediu, infrastructură de feature-flag sau un strat de configurație pe care AI-ul îl poate citi și modifica previzibil.

10. Este istoricul git curat și descriptiv?

Uneltele AI folosesc istoricul git pentru context: cine a schimbat ce, de ce și când. Un istoric plin de commit-uri fix, chestii și wip nu este un istoric din care AI-ul poate învăța. Aceasta ține mai mult de cultura de inginerie, dar se simte când uneltele AI încearcă să raționeze despre intenție și nu pot.

11. Sunt pașii de deployment și rollback documentați?

Dacă deployment-ul necesită un inginer senior la telefon, iar rollback-ul înseamnă „șterge baza de date și restaurează un snapshot de marți trecută", raza de impact a unei greșeli AI este semnificativ mai mare. Deployment documentat, rollback automat și kill switch prin feature flags reduc riscul regresiilor introduse de AI la ceva gestionabil.

12. Există un pas de revizuire umană care este cu adevărat respectat?

Uneltele AI sunt rapide. Acesta este valoarea lor. Dar viteza fără revizuire este exact modul de eșec care livrează cod defect în producție. Revizuirile de pull request, aprobările obligatorii și o cultură în care „AI-ul a scris-o" nu substituie „un inginer senior a verificat-o" nu sunt opționale când debitul schimbărilor crește.

---

Ce faci cu rezultatele

Dacă ai răspuns „nu" la mai mult de patru puncte, codul nu este pregătit pentru AI, nu pentru că uneltele AI sunt periculoase, ci pentru că lipsesc fundațiile care fac orice iterație rapidă sigură. Repară fundațiile mai întâi.

Dacă te pregătești să lucrezi cu o echipă externă care folosește unelte AI, aceeași listă se aplică. Rulăm un audit tehnic ca un angajament de sine stătător exact din acest motiv: pentru a-ți oferi o evaluare sinceră înainte de a începe construcția.

Dacă ești curios despre cum arată ingineria nativă AI în practică, blogul Basetool Labs are mai mult despre cum gândim.

---

Această listă reflectă practica noastră actuală la Basetool Labs. Se va schimba pe măsură ce uneltele evoluează.