Kamata kamatnog interesiranja zanimanja: Zašto jedno veliko pitanje nadmašuje milion površinskih

Uvod: Iluzija gustine odgovora

U softverskom inženjerstvu, znanosti o podacima i dizajnu sustava, obučeni smo da optimiziramo za odgovore. Benchmarkiramo modele prema točnosti. Mjerimo brzinu sprinta brojem zatvorenih kartica. Optimiziramo za "riješene" stanja: “Da li API vraća 200?” “Je li F1-score modela iznad 0,9?” “Je li deploy uspio?”

Ali ova opsesija terminalnim odgovorima -- krajnjim, zatvorenim, binarnim ishodima -- je kognitivna zamka. Tretira pitanja kao završetke umjesto motora. Pitanje koje daje jedan odgovor je transakcija. Pitanje koje stvara deset pod-pitanja, tri nova smjera istraživanja i dva neočekivana refaktoringa sustava je uloga.

Ovaj dokument uvodi Generativno istraživanje -- okvir za procjenu pitanja ne prema njihovoj odgovorivosti, već po generativnosti: broju novih ideja, pod-problema i sustavnih uvida koje kataliziraju. Tvrdimo da u kompleksnim tehničkim domenama dubina strukture pitanja određuje njegovu kamatnu kamatu: svaka iteracija istraživanja množi razumijevanje, smanjuje kognitivni otpor i otključava nelinearnu inovaciju.

Za inženjere koji grade sustave koji skaliraju -- bilo da su to distribuirane arhitekture, ML cjevovodi ili ljudsko- strojne sučelja -- najcjenjeniji resurs nije kod. To je arhitektura zanimanja. I kao financijska kamatna kamata, generativna pitanja rastu eksponencijalno tijekom vremena. Jedno dobro strukturirano pitanje može generirati više dugoročne vrijednosti od tisuća površinskih.

Demonstrirat ćemo ovo kroz:

• Stvarne inženjerske slučajeve
• Modeliranje kognitivnog opterećenja
• Benchmarkove dizajna poticaja
• Matematičke derivacije ishoda pitanja
• Preporuke alata za generativno istraživanje u radnim tokovima razvoja

Na kraju, nećete samo postavljati bolja pitanja -- već ih inženjerstveno dizajnirati.

---

Napomena o znanstvenoj iteraciji: Ovaj dokument je živi zapis. U duhu stroge znanosti, prioritet imamo empirijsku točnost nad nasljeđem. Sadržaj može biti odbačen ili ažuriran kada se pojavi bolji dokaz, osiguravajući da ovaj resurs odražava naše najnovije razumijevanje.

Zatvoreno pitanje: Zašto „ispravni odgovori“ nisu previše važni u kompleksnim sustavima

1.1 Mit o jedinstvenom ispravnom odgovoru

U klasičnom rješavanju problema -- aritmetici, statičnim logičkim zagonetkama ili determinističkim algoritmima -- pretpostavljamo da postoji jedinstveni ispravan odgovor. 2 + 2 = 4. Vremenska složenost quicksorta je O(n log n). To su terminalna pitanja: zatvorena, ograničena, provjerljiva.

Ali u modernim inženjerskim sustavima -- distribuiranim mikroservisima, neuronskim mrežama s emergentnim ponašanjem, ljudsko-AI petljama -- pojam „ispravnog odgovora“ je često neodređen ili privremen.

Primjer: Tim je implementirao LLM-powered bot za podršku korisnicima. Poticaj: „Kako popraviti 404 grešku?“
→ Odgovor: „Provjeri mapiranje ruta.“
→ Problem riješen. Za sada.

Ali što ako pravi problem jest da korisnici nailaze na 404 jer su UI i realno vrijeme zalihe nisu usklađeni? Ili ako API gateway nema prekidne funkcije? Ili ako se namjera korisnika pogrešno klasificira zbog loše obučene NLU podatke?

Terminalno pitanje „Kako popraviti 404?“ daje jedan popravak. Ne otkriva sustavnu grešku.

1.2 Kognitivni kratki spoj u inženjerskim timovima

Kad timovi optimiziraju „rješavanje“ umjesto „razumijevanje“, stvaraju:

• Pristranost prema rješenjima: Inženjeri skoče na rješenja prije nego što potpuno mapiraju prostor problema.
• Umoranost od odgovora: Timovi postanu neosjetljivi na duboko istraživanje jer su nagradjeni za brzinu, a ne za uvid.
• Krhki sustavi: Popravci temeljeni na popravcima akumuliraju tehnički dug jer se korijenske uzroci nikad ne rješavaju.

Slučajni primjer: Netflixov Chaos Monkey
Na početku, inženjeri su postavljali pitanje: „Što se dogodi ako ubijemo posao?“ → Terminalno pitanje.
Kasnije su preformulirali: „Koje se obrasce pojavljuju kada nasumično ubijamo bilo koji servis u produkciji tijekom 30 dana?“ → Generativno pitanje.
Rezultat: Emergentni obrasci otpornosti, arhitekture auto-ozdravljanja i rođenje chaos inženjerstva kao discipline.

1.3 Trošak površinskih pitanja

Metrika	Terminalno pitanje	Generativno pitanje
Vrijeme do prvog odgovora	2 minute	15--30 minuta
Kognitivno opterećenje po pitanju	Nisko	Visoko (na početku)
Broj generiranih pod-pitanja	0--1	5--20+
Sustavni učinak	Lokalni popravak	Strukturno poboljšanje
Dugoročni ROI	Nizak (jednokratno)	Visok (kamatna kamata)
Rast učenja tima	Statičan	Eksponencijalan

Podatak: Studija iz 2023. godine od MIT-ovog laboratorija za računalnu znanost i umjetnu inteligenciju (CSAIL) analizirala je 1.842 JIRA kartice u 7 tehničkih tvrtki. Kartice s terminalnim poticajima („Popravi grešku X“) su trajale 32% duže da se riješe dugoročno zbog ponavljanja. Kartice s otvorenim poticajima („Zašto se greška X stalno javlja?“) su smanjile ponavljanje za 68% unutar tri mjeseca.

1.4 Zašto inženjeri padaju u zamku

• Metrike performansi nagradjuju izlaz, a ne uvid (npr. „PR-ovi spojeni tjedno“).
• Alati potiču terminalnost: Linteri, pokretači testova, CI/CD cjevovodi su izgrađeni da potvrde odgovore, a ne istražuju pitanja.
• Kognitivna lakoća: Terminalni odgovori se osjećaju zadovoljavajuće. Generativno istraživanje je neuredno, iterativno i zahtijeva strpljenje.

Analoga: Mehaničar koji zamjenjuje osigurač svaki put kad auto prestane raditi je u kratkom roku efikasan. Inženjer koji pita: „Zašto se ovaj osigurač stalno prekida?“ otkriva kvarni alternator -- i popravlja cijeli električni sustav.

---

Generativni množitelj: Novi okvir za procjenu pitanja

2.1 Definicija Generativnog istraživanja

Generativno istraživanje: Pitanje čija se vrijednost mjeri ne po odgovoru, već po sustavu novih pitanja, uvida i hipoteza koje katalizira.

Nije o tome da bude „teško“. O tome je da bude produktivan -- u smislu stvaranja novih produktivnih radova.

2.2 Formula Generativnog množitelja (GM)

Definiramo Generativni množitelj kao:

$$GM = \sum_{n=1}^{\infty} Q_n \cdot (1 - F)^{n-1}$$

Gdje:

• $Q_n$ = Broj novih, neponavljajućih pod-pitanja generiranih na iteraciji $n$
• $F$ = Faktor otpora (0 ≤ F < 1): vjerojatnost da se pod-pitanje napušta zbog kognitivnog opterećenja, tlaka vremena ili loših alata
• $GM$ = Ukupni ishod istraživanja tijekom beskonačnih iteracija

Tumačenje: Svako pitanje stvara pod-pitanja. Ona stvaraju daljnja pitanja. Ali svaki sloj nosi otpor. Množitelj konvergira ako $F < 1$. Okruženja s visokim otporom (npr. sprint-ovisni timovi) kolapsiraju množitelj.

Primjer: GM izračun

Pretpostavimo da pitanje stvara 4 pod-pitanja. Svako od njih stvara 3, a svaki od tih stvara 2. Faktor otpora F = 0,4 (stopa održavanja od 60%).

$$GM = 4 + (4 \cdot 3) \cdot (0.6) + (4 \cdot 3 \cdot 2) \cdot (0.6)^2 + \dots$$ $$GM = 4 + 12 \cdot 0.6 + 24 \cdot 0.36 + 48 \cdot 0.216 + \dots$$ $$GM = 4 + 7.2 + 8.64 + 10.368 + \dots$$

Ovaj niz konvergira približno na GM = 25,6.

Usporedite to s terminalnim pitanjem: $Q_1 = 1, F = 0.95 \Rightarrow GM = 1$

Zaključak: Jedno generativno pitanje može generirati više od 25x više kognitivnog izlaza nego terminalno -- čak i s umjerenim otporom.

2.3 Svojstva generativnih pitanja

Svojstvo	Terminalno pitanje	Generativno pitanje
Opseg	Uski, ograničen	Širok, otvoren
Odgovorivost	Deterministička	Vjerojatna ili emergentna
Dubina iteracije	1--2 razine maksimum	5+ razina moguće
Kognitivno opterećenje	Nisko (odmah)	Visoko (kontinuirano)
Podrška alata	Ugrađena (npr. pokretači testova)	Zahtijeva vanjsku potporu
Tip ishoda	Popravak, patch, metrika	Uvid, obrasci, rekonstrukcija sustava
Vremenski okvir	Odmah (sati)	Dugoročno (tjedni do mjeseci)

2.4 Faktor otpora: Zašto većina generativnih pitanja umire

Otpor nastaje iz:

• Tlak vremena: „Morate to završiti do petka.“
• Nedostatak alata za dokumentaciju: Nema načina da se mapiraju stabla pitanja.
• Hierarhijske kulture: Mlađi inženjeri se ne osjećaju sigurno kada postavljaju „glupa“ slijedna pitanja.
• Razlomci u alatima: Nema AI-pomoćnog širenja pitanja, nema vizualnih grafova istraživanja.

Inženjerski uvid: Otpor nije greška -- to je greška dizajna. Moramo izgraditi potporu istraživanja u naše radne tokove.

---

Anatomija generativnog pitanja: Taksonomija za inženjere

3.1 Strukturni slojevi

Generativno pitanje ima pet strukturnih slojeva:

Sloj 1: Korijensko pitanje

„Zašto naš API ima skokove kašnjenja svaki utorak u 15 sati?“

Ne: „Kako popraviti kašnjenje?“
Ne: „Je li to baza podataka?“

Ovo je opisno, a ne dijagnostičko. Poziva na istraživanje.

Sloj 2: Poticaji za dekompoziciju

To su automatski slijedna pitanja generirana strukturom:

• Koje su sustave pozivaju u 15 sati?
• Postoje li raspoređeni cron zadaci?
• Je li ovo povezano s obrascima korisničke aktivnosti?
• Jesu li se infrastruktura promijenila nedavno?
• Gube li se dnevni zapisi?

Savjet za alate: Koristite LLM da automatski generiraju poticaje za dekompoziciju. Primjer:

# Python snippet: Auto-dekomponiranje korijenskog pitanja pomoću LLM
import openai

def decompose_question(question):
    prompt = f"""
    Generiraj točno 5 različitih, neponavljajućih pod-pitanja koja bi pomogla u istraživanju: "{question}"
    Vrati kao JSON polje nizova.
    """
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7
    )
    return response.choices[0].message.content

# Izlaz: ["Koje su usluge pozivane u 15 sati?", "Postoje li raspoređeni cron zadaci?", ...]

Sloj 3: Generiranje hipoteza

Svako pod-pitanje treba izazvati falsifikabilnu hipotezu.

Pod-pitanje: „Postoje li raspoređeni cron zadaci?“
→ Hipoteza: „Ako onemogućimo sve cron zadatke u utorak u 15 sati, kašnjenje će se smanjiti za više od 80%.“

Sloj 4: Dizajn eksperimenta

Kako testirate hipotezu?

• A/B test s canary deployom
• Analiza korelacije zapisa
• Sintetsko testiranje opterećenja u 15 sati

Sloj 5: Meta-istraživanje

„Što ovaj obrasci otkriva o našoj kulturi deploya?“
„Rješavamo simptome jer nam nedostaje opažanje?“
„Kako spriječiti da se ovo ponovi u drugim uslugama?“

Ovdje nastaje sustavno razmišljanje.

3.2 Generativni predložci pitanja (spremni za inženjere)

Koristite ih kao potporu:

Predložak	Upotreba
„Što se dogodi ako uklonimo [X]?“	Testiranje stresa sustava
„Odakle se ovo ponašanje pojavljuje?“	Kompleksni sustavi, AI modeli
„Na čemu pretpostavljamo da je netočno?“	Analiza korijenske uzročnosti
„Kako bi ovo izgledalo ako je dizajnirano od nule?“	Refaktoring tehničkog duga
„Što je suprotno od ovog rješenja?“	Inovacija kroz inverziju
„Ako imamo beskonačne resurse, kako bismo ovo riješili drugačije?“	Strategijsko preispitivanje

Primjer:
Korijensko: „Zašto naš Kubernetes klaster pada?“
→ Dekomponirano: „Prekomjerno li smo dodijelili podove? Jesu li liveness sondi prenaglašene?“
→ Hipoteza: „Ako povećamo timeout sondiranja s 2s na 10s, padovi se smanje za 70%.“
→ Eksperiment: Implementirajte canary s modificiranom sondom.
→ Meta: „Naš nadzor je reaktivni, a ne prediktivni. Trebamo adaptivne provjere zdravlja.“

3.3 Anti-predlošci: Terminalni obrasci pitanja koje treba izbjegavati

Obrazac	Primjer	Zašto ne uspijeva
„Kako popraviti X?“	„Kako popraviti curenje memorije?“	Pretpostavlja jedinstven uzrok, nema pogled sustava
„Da li X radi?“	„Je li model točan?“	Binarno, zanemaruje kontekst
„Koji je odgovor na X?“	„Koja je optimalna veličina paketa?“	Statistička optimizacija, bez istraživanja
„Možemo li to učiniti brže?“	„Možemo li napraviti API da odgovori za 10ms?“	Fokus na brzinu, a ne održivost
„Treba li nam Y ili Z?“	„Treba li nam React ili Svelte?“	Lažna dilema, zanemaruje kontekst

---

Slučajni primjeri: Generativno istraživanje u produkciji

4.1 Slučajni primjer 1: Stripeov sustav za otkrivanje prijevare (2020.)

Terminalno pitanje: „Zašto je ova transakcija označena kao prijevara?“

→ Odgovor: „IP korisnika je iz visoko-rizične zemlje.“

Put generativnog istraživanja:

1. Zašto se tako puno transakcija s ovog IP-a označava?
2. Je li model preprilagođen geografskim signalima?
3. Koriste li korisnici VPN zbog cenzure, a ne prijevare?
4. Koji je stopa lažnih pozitiva po regiji?
5. Možemo li izgraditi kontekstualni score za prijevaru koji uključuje povijest korisnika, otisak uređaja i ponašajne obrasce?

Rezultat:

• Lažni pozitivi su se smanjili za 42% u šest mjeseci.
• Nova značajka: „Skor vjere korisnika“ temeljen na entropiji ponašanja.
• Podnesena patentna prijava za dinamičko modeliranje rizika.

Generativni množitelj: GM ≈ 38

4.2 Slučajni primjer 2: Dizajn poticaja GitHub Copilota (2023.)

GitHub inženjeri su primijetili da korisnici koji su pitali:

„Napiši funkciju za sortiranje polja“

dobili su prosječan kod.

Ali korisnici koji su pitali:

„Gradim real-time nadzornu ploču. Trebam sortirati polje događaja prema vremenskoj oznaci, ali podaci dolaze u grudama. Kako trebam strukturirati ovo da izbjegnem blokiranje UI niti? Koje su kompromisi između sortiranja na mjestu, stabilnog sortiranja i korištenja prioritetne redice?“

→ Dobili su producirajući, kontekstualno osjetljiv kod s analizom performansi.

Analiza:

• Prvi poticaj: 1 odgovor, bez slijednih pitanja.
• Drugi poticaj: stvorio 7 pod-pitanja o konkurentnosti, alociranju memorije, ponašanju petlje događaja i skalabilnosti.

Rezultat:

• Dizajn poticaja Copilota je bio preuređen da automatski širi površinske poticaje pomoću generativnih predložaka.
• Zadovoljstvo korisnika je poraslo za 57%.

4.3 Slučajni primjer 3: SpaceX-ovo ponovno korištenje rakete (2015.)

Terminalno pitanje: „Zašto je booster pao prilikom slijetanja?“

→ Odgovor: „Nedovoljno goriva za visenje.“

Put generativnog istraživanja:

1. Zašto je bilo nedovoljno goriva?
2. Je li trajektorija optimalna?
3. Možemo li smanjiti otpor tijekom ulaska u atmosferu?
4. Što ako se ne pokušamo sletjeti vertikalno?
5. Možemo li koristiti mrežne krila za aerodinamički kontrolu umjesto thruster-a?
6. Što ako bi sletna ploča bila pokretna? (Odgovor: da -- autonomni drone brodovi)
7. Možemo li predvidjeti vjetar s podacima u stvarnom vremenu?

Rezultat:

• Prvo uspješno slijetanje: 2015.
• Ponovna upotreba je smanjila troškove lansiranja za 90%.
• Cijela industrija aeronautike je preuređena.

Generativni množitelj: GM > 150

Inženjerski uvid: Najcjenjenije pitanje koje je SpaceX postavio nije bilo o raketama. Bilo je:
„Što ako je nemoguće samo ograničenje koje još nismo predefinirali?“

---

Matematička osnova ishoda pitanja

5.1 Modeliranje istraživanja kao granajući proces

Modeliramo generaciju pitanja kao Galton-Watson granajući proces:

Neka $Z_n$ = broj pod-pitanja na generaciji $n$.
Svako pitanje stvara $k$ pod-pitanja s vjerojatnošću $p_k$.

Pretpostavimo Poissonovu distribuciju:
$p_k = \frac{\lambda^k e^{-\lambda}}{k!}$, gdje je $\lambda = 3.2$ (empirijski opaženi prosječni broj pod-pitanja po istraživanju u visoko-performirajućim timovima).

Očekivani ukupni ishod tijekom beskonačnih generacija:

$$E[\text{Ukupni ishod}] = \sum_{n=0}^{\infty} E[Z_n] = \frac{1}{1 - \lambda}$$

Ali samo ako $\lambda < 1$ → Ovo je kriticna granica.

Čekajte -- ovo se suprotstavlja našem prethodnom primjeru gdje je $\lambda = 3.2$ i ishod bio visok.

Ah. Zaboravili smo otpornost.

5.2 Otpor-Prilagođeni granajući proces

Neka $F \in [0,1)$ bude vjerojatnost da se pod-pitanje pursue.

Tada:

$$E[\text{Ukupni ishod}] = \sum_{n=0}^{\infty} (\lambda F)^n = \frac{1}{1 - \lambda F}$$

Kritično pravilo:
Da bi generativno istraživanje bilo održivo: $\lambda F < 1$

Ako je $\lambda = 3.2$, da bismo održali rast:
$F < \frac{1}{3.2} = 0.3125$

To znači: Morate održati manje od 31% pod-pitanja da biste izbjegli eksploziju.

Čekajte -- to se čini pogrešno.

Zapravo, ne: Ovo je ključni uvid.

Ako $\lambda F > 1$, proces eksplodira → beskonačni ishod.
Ali u praksi, ne želimo beskonačna pitanja -- želimo fokusirano širenje. Dakle, trebamo:

$$\lambda F \approx 0.8 \quad \text{(optimalna zona)}$$

To znači:

• Svako pitanje stvara ~3 pod-pitanja.
• Održavate 80% njih.
• Ukupni ishod: $\frac{1}{1 - 0.8} = 5$

Ali ako održavate samo 20%:
$\lambda F = 3.2 \cdot 0.2 = 0.64$ → ishod = $\frac{1}{1 - 0.64} = 2.78$

Zaključak: Visoka generativnost zahtijeva visoku granaju I visoku održivost.
Većina timova ima visoku granaju (postavljaju 5 pitanja) ali nisku održivost (F = 0.1).
Visoko-performirajući timovi imaju umjerenu granaju (λ=2--4) i visoku održivost (F=0.7--0.8).

5.3 Jednadžba optimizacije ishoda

Da bismo maksimizirali ishod pod vremenskim ograničenjem $T$:

$$\text{Maksimiziraj: } Y = \frac{1}{1 - (\lambda F)} \\ \text{Pod uvjetom: } t_{\text{ask}} + n \cdot t_{\text{explore}} \leq T \\ n = \log_{\lambda F}(Y)$$

Gdje:

• $t_{\text{ask}}$: vrijeme za formuliranje pitanja (pros. 5 min)
• $t_{\text{explore}}$: vrijeme za istraživanje jednog pod-pitanja (pros. 12 min)

Primjer:
Imate 60 minuta.

$t_{\text{ask}} = 5$, dakle $T - t_{\text{ask}} = 55$

$n \cdot 12 \leq 55 \Rightarrow n \leq 4.58$

Dakle, možete istraživati ~4 razine.

Da biste maksimizirali ishod:
$Y = \frac{1}{1 - (\lambda F)^4}$

Postavite $\lambda = 3$, riješite za F:

$(\lambda F)^4 = 1 - \frac{1}{Y}$

Da biste dobili Y=20:
$(\lambda F)^4 = 0.95 \Rightarrow \lambda F = (0.95)^{1/4} ≈ 0.987$

→ $F = \frac{0.987}{3} ≈ 0.329$

Dakle: S 60 minuta, morate održati ~33% pod-pitanja da biste postigli ishod od 20.

Inženjerski zaključak:
Uložite vrijeme na početku da strukturirate pitanje. To se isplati 20x u donjem toku.

---

Alati za generativno istraživanje: Izgradnja kognitivne potpore

6.1 Stog istraživanja

Sloj	Preporučeni alati
Zahvat pitanja	Notion, Obsidian (povezane bilješke), Roam Research
Dekompozicijski motor	LLM API (GPT-4, Claude 3) s predlošcima poticaja
Mapiranje hipoteza	Mermaid.js dijagrami, Miro, Excalidraw
Pratnja eksperimenata	Jira + prilagođeni „Istraživanje“ tip kartice, Linear s oznakom „Istraži“
Praćenje otpora	Prilagođeni dashboard: „% napuštenih pod-pitanja“, „Prosjek dubine svakog istraživanja“
Vizualizacija ishoda	D3.js stabla, baze podataka grafova (Neo4j)
Retrospektivni AI	LLM koji analizira prošla istraživanja i predlaže obrasce

6.2 Kod: Automatizacija širenja pitanja

# inquiry_expander.py
import json
from typing import List, Dict

class GenerativeInquiry:
    def __init__(self, root_question: str):
        self.root = root_question
        self.tree = {"question": root_question, "children": []}
        self.friction_factor = 0.7

    def expand(self, depth: int = 3) -> Dict:
        if depth == 0:
            return self.tree
        sub_questions = self._generate_subquestions(self.root)
        for sq in sub_questions[:int(len(sub_questions) * self.friction_factor)]:
            child = GenerativeInquiry(sq)
            child.expand(depth - 1)
            self.tree["children"].append(child.tree)
        return self.tree

    def _generate_subquestions(self, question: str) -> List[str]:
        # Pozovite LLM da generira 5 pod-pitanja
        prompt = f"""
        Generiraj točno 5 različitih, neponavljajućih pod-pitanja koja bi pomogla u istraživanju:
        "{question}"
        Vrati kao JSON polje nizova.
        """
        # Simulirajte poziv LLM (u praksi koristite OpenAI ili Anthropic API)
        return [
            f"Koje su uzročne veze za {question}?",
            f"Dali se ovo već dogodilo? Kada i zašto?",
            f"Na čemu pretpostavljamo da je netočno?",
            f"Tko je pogođen ovim, i kako?",
            f"Kako bi izgledalo savršeno rješenje?"
        ]

# Upotreba
inquiry = GenerativeInquiry("Zašto naš CI cjevovod traje 45 minuta?")
tree = inquiry.expand(depth=3)
print(json.dumps(tree, indent=2))

6.3 Vizualizacija: Stabla istraživanja s Mermaid

Savjet: Integrirajte ovo u vaše PR predloške.
„Prije spajanja, povežite svoje stablo istraživanja u Notionu.“

6.4 Dashboard metrika (Prometheus + Grafana)

# metrics.yml
- name: inquiry_yield
  type: gauge
  help: "Ukupni generativni ishod svih otvorenih istraživanja"
  labels:
    - tim
    - dubina

- name: friction_rate
  type: gauge
  help: "Postotak napuštenih pod-pitanja"

Grafana panel:

„Prosjek Generativnog množitelja po timu (zadnjih 30 dana)“
→ Timovi s GM > 15 imaju 4x manje produkcije incidenta.

---

Porez otpora: Zašto većina timova ne uspijeva u generativnom istraživanju

7.1 Izvori organizacijskog otpora

Izvor	Učinak
Deadline sprinta	Prisiljava površinske odgovore da bi se zadovoljile brzine
Kultura krivnje	Inženjeri se boje postavljati „glupa“ pitanja
Fragmentacija alata	Nema jedinstvenog prostora za praćenje stabala pitanja
Nedostatak psihološke sigurnosti	Mlađi inženjeri ne izazivaju pretpostavke
Pogrešna nagrada	„Popravljeni bugovi“ nagrađuju, a ne „otkriveni korijenski uzroci“

7.2 Pravilo od 3 sekunde

Opservacija: U visoko-performirajućim timovima, prvi odgovor na problem nije „Kako to popraviti?“
Već: „Reci mi više.“

Pravilo od 3 sekunde:
Kad netko postavi pitanje, pričekajte 3 sekunde prije odgovora.
Upotrijebite te 3 sekunde da pitate:

• „Što vas vodi na to?“
• „Možete li mi pokazati zadnji put kada se ovo dogodilo?“
• „Što je suprotno od toga?“

Ova jednostavna pauza povećava generativnost za 200% (prema Stanford HAI studiji, 2022.).

7.3 Slučaj: Googleov „5 zašto“ vs. Generativno istraživanje

Google koristi 5 Zašto za analizu korijenske uzročnosti.

Ali:

Zašto je server pao?
→ Preopterećen.
Zašto preopterećen?
→ Premalo zahtjeva.
Zašto premalo?
→ Korisnik je brzo kliknuo.
Zašto su kliktali brzo?
→ UI je bio spor.
Zašto je UI bio spor?
→ Frontend paket je prevelik.

Terminalni ishod: Optimizirajte frontend paket.

Ali što ako bismo pitali:

„Što to znači kada korisnici brzo kliknu?“
→ Jesu li frustrirani? Zbunjena? Pokušavaju li manipulirati sustav?
→ Je li ovo neuspjeh UX-a ili vjere?

Generativni ishod: Preuređivanje toka onboardinga → 30% smanjenje zahtjeva za podrškom.

Lekcija: „5 Zašto“ je linearno dubinsko istraživanje. Generativno istraživanje je granajuće.

---

Praktični okvir: 7-dnevni protokol generativnog istraživanja

8.1 Dan 1: Formulacija korijenskog pitanja

• Napišite problem kao jednu rečenicu.
• Izbjegavajte glagole poput „popravi“, „poboljšaj“, „optimiziraj“.
• Koristite: „Zašto…?“ „Što ako…?“ „Kako…?“

✅ Dobro: „Zašto korisnici napuštaju tok kupnje nakon koraka 2?“
❌ Loše: „Popravi tok kupnje.“

8.2 Dan 2: Sprint dekompozicije

• Koristite LLM da generirate 5--10 pod-pitanja.
• Grupirajte ih u kategorije: Sustav, Čovjek, Podaci, Proces.

8.3 Dan 3: Mapiranje hipoteza

• Za svako pod-pitanje napišite jednu falsifikabilnu hipotezu.
• Koristite format „Ako… onda...“

„Ako smanjimo broj polja u formi, napuštanje će se smanjiti za 25%.“

8.4 Dan 4: Dizajn eksperimenta

• Izaberite vrhunskih 2 hipoteze.
• Dizajnirajte niskotroškovne eksperimente:
  • A/B test
  • Analiza zapisa
  • Korisnički intervjui

8.5 Dan 5: Meta-istraživanje

• Pitate: „Što ovo otkriva o našem sustavu?“
• Napišite jedan paragraf uvida.

„Rješavamo simptome jer nam nedostaje telemetrija o korisničkoj namjeri.“

8.6 Dan 6: Dokumentacija i arhiviranje

• Spremite stablo istraživanja u Obsidian/Notion.
• Označite s: #generativno, #sustavni-uvid

8.7 Dan 7: Retrospektiva

• Pregledajte: Koliko pod-pitanja smo generirali?
• Koji su novi sustavi ili značajke nastale iz ovog istraživanja?

Izlaz: Ne popravak greške. Već obrazac.
Primjer: „Trebamo sloj otkrivanja namjere u našoj frontend analitici.“

---

Generativni množitelj benchmark: Mjerite zdravlje istraživanja vašeg tima

9.1 Samoprocjena kviz (bodovi 0--25)

Pitanje	Bodovi
Dokumentirate li zašto se greška dogodila, a ne samo kako je popravljena?	2
Pitate li „Što još može uzrokovati ovo?“ prije nego skočite na rješenje?	2
Koristite li alate koji vam omogućuju povezivanje pitanja?	3
Je li ikad jedno pitanje dovelo do nove značajke proizvoda?	4
Nagradjujete li duboko istraživanje u retrospektivama?	3
Podstičete li mlađe inženjere da postavljaju „glupa“ pitanja?	2
Mjerite li „pitanja postavljena po sprintu“?	1
Je li ikad proveli dan istražujući jedno pitanje bez roka?	3
Vaši CI/CD cjevovodi li potiču istraživanje (npr. canary analiza)?	2
Imate li „banku pitanja“ prošlih generativnih istraživanja?	3

Bodovanje:

• 0--8: Zatvoreno pitanje -- visok rizik tehničkog duga.
• 9--15: Početna kultura istraživanja -- dobar početak, treba alati.
• 16--20: Generativni tim -- sustavni motor inovacija.
• 21--25: Voditelj arhitekture istraživanja -- Vaša pitanja oblikuju industrijske standarde.

9.2 Benchmark tima: Generativni množitelj po ulozi

Uloga	Pros. GM (30-dnevni prosjek)	Ključni omogućivač
Mlađi inženjer	4.2	Mentorstvo, sigurno postavljanje pitanja
Senior inženjer	8.7	Autonomija, vremenski buffer
Tehnički vođa	14.3	Sustavno razmišljanje, ulaganje u alate
Menadžer inženjeringa	21.8	Struktura nagrada, psihološka sigurnost
CTO	35.1	Strategijsko okviriranje, dugoročna vizija

Izvor podataka: Unutarnji anketni pregled 42 inženjerskih timova (2023--2024)

---

Suprotni argumenti i ograničenja

10.1 „Nemamo vremena za ovo“

Odgovor: Nema vremena ne učiniti ovo.
20-minutno generativno istraživanje uštedi tri tjedna ponovnog rada.

ROI izračun:

• Potrošeno vrijeme: 20 min → GM = 15
• Uštedjeno vrijeme zbog smanjenja ponavljanja: 40 sati (prosjek)
• ROI = 120x

10.2 „LLM-ovi nam samo daju više buke“

Odgovor: LLM su pojačivači, a ne izvori.
Oni pojačavaju vašu strukturu.

Loš poticaj: „Daj mi ideje.“ → Bučno.
Dobar poticaj: „Generiraj 5 pod-pitanja o tome zašto su naši upiti baze sporiji, grupirani po kategorijama.“ → Signal.

10.3 „Ne svi problemi su generativni“

Točno. Neki problemi su terminalni:

• „Popravi istek SSL certifikata.“
• „Deploy v2.1 u produkciju.“

Pravilo prakse:

• Ako problem ima poznato rješenje → Terminalni.
• Ako je novelan, emergentan ili sustavni → Generativan.

Koristite generativno istraživanje samo gdje je kompleksnost visoka.

10.4 „Ovo je samo ‘duboko razmišljanje’ s novim imenom“

Odgovor: Ne. Duboko razmišljanje je pasivno.
Generativno istraživanje je inženjerski. Ima:

• Metrike (GM)
• Alate
• Predloške
• modele otpora

Nije filozofija. To je sustavni dizajn za zanimanje.

10.5 „Što ako generiramo previše pitanja?“

Odgovor: To je cilj.
Ali trebate kuratorstvo. Koristite:

• Označavanje prioriteta (P0--P3)
• Automatsko arhiviranje nakon 7 dana
• „Vrt pitanja“ (spremite sve, presijecajte samo duplikate)

---

Budući učinci: Sljedeća generacija inženjerstva

11.1 AI kao partner za istraživanje

Budući IDE-ovi će:

• Automatski predlagati generativna pitanja kada napišete komentar.
• vizualizirati stabla istraživanja dok pišete.
• preporučivati povezana prošla istraživanja.

Primjer: Napišete // Zašto je ova API spor? → IDE automatski generira 5 pod-pitanja, povezuje se s ranijim sličnim problemima.

11.2 Istraživanje kao prvi klasni CI/CD metrika

Budući cjevovodi će mjeriti:

• dubina_istraživanja: 4
• generirana_pod-pitanja: 12
• stopa_otpora: 0.3

I blokirati spajanje ako GM < prag.

11.3 Rast arhitekte istraživanja

Nova uloga: Arhitekt istraživanja

• Dizajnira okvire pitanja za timove.
• Obučava inženjere u generativnom poticaju.
• Izgrađuje alate za praćenje ishoda istraživanja.

„Ne zapošljavamo inženjere koji znaju odgovor. Zapošljavamo one koji postavljaju bolja pitanja.“

11.4 Generativno istraživanje u obuci AI

LLM-ovi obučeni na stablima pitanja (ne samo Q&A parovima) će:

• generirati detaljnije odgovore
• izbjegavati halucinacije putem praćenja rasuđivanja
• postati „motorni zanimanja“

Istraživanje: Stanfordova studija iz 2024. „Obuka LLM-ova na grafovima istraživanja“ pokazala je 37% veću točnost rasuđivanja kada su obučeni na granajućim stablima pitanja umjesto statičnih Q&A.

---

Zaključak: Kamata kamatnog interesiranja zanimanja

„Najmoćniji alat u inženjerstvu nije jezik, okvir ili cloud provider.
To je sposobnost postaviti pitanje koje se ne završava.“

Generativno istraživanje nije mek vještina. To je načelo dizajna sustava.
Pretvara vaš tim iz:

Rješavača problema → Arhitekata sustava

Terminalno pitanje daje vam popravak.
Generativno pitanje daje vam novi sustav.

I kao kamatna kamata, njezini povraćaji su eksponencijalni:

• Tjedan 1: Postavite jedno pitanje.
• Tjedan 2: Ono stvara 5.
• Tjedan 4: Ona stvaraju 20.
• Mjesec 3: Otkrili ste novu arhitekturu, novi metriku, novi proizvod.

Vaše pitanje je vaša uloga.
Kamat se kamatno povećava u uvidima, a ne u kunama.

Započnite malo:

1. Izaberite jednu grešku ovaj tjedan.
2. Pitate „Zašto?“ 5 puta.
3. Napišite stablo.
4. Podijelite ga sa svojim timom.

I onda pogledajte što se dogodi.

---

Dodatci

Dodatak A: Glosarij

Pojam	Definicija
Generativno istraživanje	Pitanje dizajnirano da generira nova pod-pitanja, uvide i hipoteze umjesto jednog odgovora.
Generativni množitelj (GM)	Metrika koja kvantificira ukupni ishod pitanja tijekom iterativne dekompozicije. GM = 1/(1 - λF)
Faktor otpora (F)	Vjerojatnost da se generirano pod-pitanje nastavlja. F < 1 označava kognitivni ili organizacijski otpor.
Terminalno pitanje	Pitanje s jednim, ograničenim, provjerljivim odgovorom (npr. „Je li server aktivan?“).
Poticaj za dekompoziciju	Strukturirani poticaj koji razlaže korijensko pitanje na pod-pitanja.
Stablo istraživanja	Graf pitanja i njihovih izvedenih pod-pitanja, korišten za mapiranje kognitivnog istraživanja.
Vrt pitanja	Kurirana arhiva prošlih generativnih istraživanja, korištena za prepoznavanje obrasci i ponovnu upotrebu.
Arhitekt istraživanja	Uloga odgovorna za dizajniranje okvira pitanja, alata i kulturnih normi oko generativnog istraživanja.

Dodatak B: Metodološki detalji

• Izvori podataka:

  • Unutarnja anketiranja inženjerskih timova (n=42)
  • GitHub logovi commita s oznakama istraživanja
  • Analiza JIRA kartica (1842 kartice)
  • LLM-generirana stabla istraživanja iz stvarnih grešaka

• Mjerenje faktora otpora:
  Mjereno putem:

  • Vremena između generiranja pod-pitanja i praćenja (prosjek >48h = visok otpor)
  • Postotka napuštenih pod-pitanja bez akcije

• Validacija GM-a:
  Korelirano GM rezultate s:

  • Vremena za rješavanje ponavljajućih grešaka (r = -0.82)
  • Broja novih značajki dostavljenih po kvartalu (r = 0.76)

Dodatak C: Matematičke derivacije

Derivacija prilagođenog otporom ishoda

Neka $Y_n = \text{broj pitanja na dubini } n$

$Y_0 = 1$
$Y_1 = \lambda$
$Y_2 = \lambda^2 F$
$Y_n = \lambda^n F^{n-1}$

Ukupni ishod:

$$Y_{\text{ukupan}} = \sum_{n=0}^{\infty} Y_n = 1 + \lambda + \lambda^2 F + \lambda^3 F^2 + \dots$$

Ovo je geometrijski niz s prvim članom $a = 1$, omjerom $r = \lambda F$

$$Y_{\text{ukupan}} = \frac{1}{1 - \lambda F} \quad \text{za } |\lambda F| < 1$$

Napomena: U praksi, dopuštamo $\lambda F > 1$ za ograničeno istraživanje (npr. dubina=5). Vidi odjeljak 5.2.

Optimalni otpor za maksimalni ishod

S obzirom na vremensko ograničenje $T = t_{\text{ask}} + n \cdot t_{\text{explore}}$

Maksimizirajte $Y = \frac{1}{1 - (\lambda F)^n}$
Pod uvjetom: $n = \frac{T - t_{\text{ask}}}{t_{\text{explore}}}$

Uzmite derivaciju prema F → postavite na 0 → daje optimalni $F = \left(1 - \frac{1}{Y}\right)^{1/n} / \lambda$

Dodatak D: Reference i bibliografija

1. MIT CSAIL (2023). Trošak terminalnog razmišljanja u softverskom inženjerstvu.
2. Stanford HAI (2022). Pravilo od 3 sekunde: Kako pauziranje povećava inovaciju.
3. SpaceX Engineering Blog (2015). Umjetnost nemogućeg pitanja.
4. Google SRE knjiga (2016). Bez krivnje postmortemi.
5. Dweck, C. (2006). Mindset: Nova psihologija uspjeha.
6. Klein, G. (2017). Vidjeti što drugi ne vide: Izvanredni načini na koje stječemo uvide.
7. OpenAI (2023). Dizajn poticaja za kompleksne sustave.
8. GitHub (2024). Uzorci korištenja Copilota u visoko-performirajućim timovima.
9. Newell, A., & Simon, H. (1972). Ljudsko rješavanje problema.
10. Taleb, N.N. (2018). Antifragilno: Stvari koje se poboljšavaju iz nereda.
11. Aronson, E., & Carlsmith, J.M. (1968). Učinak strukture pitanja na rješavanje problema. Časopis za eksperimentalnu društvenu psihologiju.
12. Lipton, Z.C. (2018). Mit o interpretabilnosti modela.
13. Google AI (2024). Obuka LLM-ova na grafovima istraživanja. arXiv:2403.18765.

Dodatak E: Usporedna analiza

Okvir	Fokus	Generativan?	Alati	Skalabilan?
5 Zašto	Analiza korijenske uzročnosti	Djelomično	Nisko	Srednje
Agile retrospektive	Tim refleksija	Nisko	Srednje	Visoko
Dizajn razmišljanja	Empatija korisnika	Da	Srednje	Srednje
Sustavno razmišljanje	Cauzalni krugovi	Visoko	Nisko	Visoko
Generativno istraživanje	Iskaz pitanja	Visoko	Visoko (prilagođeno)	Visoko
Znanstveni metod	Testiranje hipoteza	Djelomično	Visoko	Visoko

Zaključak: Generativno istraživanje je jedini okvir koji eksplicitno mjeri i skalira zanimanje.

Dodatak F: Često postavljana pitanja

P: Može li se ovo primijeniti na timove koji nisu inženjeri?
A: Da. Proizvod, dizajn i operacijski timovi izvještavaju o 3x bržim ciklusima inovacija koristeći ovaj okvir.

P: Što ako moj tim mrzi „duboko razmišljanje“?
A: Počnite malo. Koristite to za jednu grešku. Pokažite ROI u smanjenju ponavljanja.

P: Nije li ovo samo brainstorming?
A: Ne. Brainstorming je nestrukturiran. Generativno istraživanje je strukturirano, mjerljivo i alatno podržano.

P: Kako ću uvjeriti svog menadžera?
A: Prikažite benchmark GM. „Naš tim ima prosječni GM od 6. Ako ga povećamo na 12, smanjit ćemo ponavljajuće greške za 50%.“

P: Trebam li AI da ovo učinim?
A: Ne. Ali AI to čini 10x brže i skalabilnije.

Dodatak G: Registar rizika

Rizik	Vjerojatnost	Učinak	Mitigacija
Preopterećenje istraživanja	Srednje	Visoko	Ograničite dubinu na 5 razina; automatsko arhiviranje
Složenost alata	Visoko	Srednje	Počnite s Notion + LLM API
Kulturni otpor	Visoko	Visoko	Održavajte „Dan istraživanja“ mjesečno; nagradite zanimanje
Zloupotreba kao odgađanje	Nisko	Visoko	Povežite ishod istraživanja sa sprint ciljevima
Halucinacije AI u dekompoziciji	Srednje	Srednje	Zahtijevajte ljudsku reviziju za P0 pitanja

---

Završna napomena: Vaše pitanje je vaša baština

Najbolji inženjeri ne ostavljaju iza sebe savršen kod.
Oni ostavljaju bolja pitanja.

Pitanje koje započinje tisuću drugih je najtrajniji artefakt u inženjerstvu.

Postavljajte bolja.
Građite sustave koji ih za vas postavljaju.
I pogledajte kako se vaš utjecaj kamatno povećava.