Pisanje dokumentacije je posao koji većina developera odgađa dok god može — a onda pati kad za šest mjeseci nitko, uključujući njih same, ne zna zašto je neka funkcija napisana baš tako. AI alati mogu tu rutinu značajno ubrzati, ali samo ako ih koristite s pravim procesom, ne kao "napiši mi dokumentaciju" magičan gumb.

Zašto AI paše baš za dokumentaciju

Dokumentacija zahtijeva dvije stvari koje AI radi dobro: čitanje velike količine koda odjednom i pretvaranje tehničkih detalja u razumljiv tekst. Za razliku od pisanja nove poslovne logike, gdje greška može biti skupa, dokumentacija koju je AI generirao lako se provjeri usporedbom s kodom — pa je rizik nizak, a ušteda vremena velika.

Tri razine na kojima AI pomaže

1. Dokumentacija na razini koda (docstringovi, komentari)

Umjesto da ručno pišete opis svake funkcije, dajte modelu potpisnicu funkcije i tijelo pa tražite sažet opis parametara, povratne vrijednosti i rubnih slučajeva.

/**
 * Izračunava neto plaću na temelju bruto iznosa i poreznog razreda.
 * @param bruto - bruto plaća u eurima
 * @param razred - porezni razred korisnika (1 ili 2)
 * @returns neto plaća zaokružena na dvije decimale
 */
function izracunajNeto(bruto: number, razred: 1 | 2): number { ... }

Savjet: tražite da model ne izmišlja ponašanje koje ne vidi u kodu — najbolji prompt eksplicitno kaže "opiši samo ono što kod stvarno radi, ne pretpostavljaj namjeru".

2. README i vodiči za postavljanje projekta

Dajte modelu package.json, strukturu foldera i par ključnih konfiguracijskih datoteka, pa tražite README koji pokriva instalaciju, pokretanje i osnovnu strukturu. Ovo je odličan zadatak za AI jer je repetitivan, a greške su lako uočljive — ako naredba iz README-a ne radi, netko će to brzo prijaviti.

3. Arhitekturna dokumentacija i ADR-ovi

Za složenije odluke (zašto smo odabrali PostgreSQL umjesto MongoDB, zašto koristimo određeni pattern) AI je koristan kao prvi nacrt — vi opišete kontekst i odluku u nekoliko rečenica, model to strukturira u čitljiv dokument s odjeljcima Kontekst / Odluka / Posljedice.

Praktičan workflow koji funkcionira

  1. Dajte modelu stvarni kod, ne opis koda — rezultati su dramatično bolji kad model vidi implementaciju umjesto da nagađa iz vašeg opisa.
  2. Tražite kratke sažetke, ne romane — dokumentacija koju nitko ne čita jer je predugačka jednako je beskorisna kao i ona koja ne postoji.
  3. Provjerite tehničku točnost ručno — AI može pogrešno protumačiti rubni slučaj u kodu; kratki pregled prije commita je obavezan korak, ne opcija.
  4. Held generiranje na CI — neki timovi automatski generiraju API dokumentaciju (npr. iz OpenAPI sheme) na svaki release, čime dokumentacija nikad ne zaostaje za kodom.

Alati koje vrijedi isprobati

  • Modeli unutar IDE-a (GitHub Copilot, Cursor, Claude Code) — generiraju docstringove izravno u kontekstu datoteke koju uređujete.
  • CLI agenti — mogu proći kroz cijeli repozitorij i predložiti README ili CONTRIBUTING.md na temelju stvarne strukture projekta.
  • Custom skripte s LLM API-jem — za timove koji žele automatizirati generiranje dokumentacije kao dio build procesa.

Zamke na koje treba paziti

  • AI voli dokumentirati što kod radi red po red, umjesto zašto je napisan na taj način — a upravo "zašto" je informacija koja se najteže rekonstruira kasnije. Eksplicitno tražite fokus na namjeru i netrivijalne odluke.
  • Zastarjela dokumentacija je gora od nikakve, jer stvara lažan osjećaj sigurnosti — generiranu dokumentaciju tretirajte kao dio koda i ažurirajte je pri svakoj značajnijoj promjeni.

Zaključak

AI ne zamjenjuje potrebu za razumijevanjem vlastitog sustava, ali drastično smanjuje trenje između "znam kako ovo radi" i "to je negdje zapisano". Uz jasan proces i ljudsku provjeru, dokumentacija prestaje biti zadatak koji se odgađa unedogled.