Pētījums atklāj, ka AI kodēšanas aģenti palielina koda apjomu, bet ne kopējo programmatūras produktivitāti

Attēls: Ars Technica · Avots

Pētījums rāda, ka AI kodēšanas asistenti ģenerē vairāk koda, taču garākās cilvēku pārskatīšanas ierobežo uzlabojumus programmatūras piegādē un nodarbinātības izmaiņās.

Mūsdienu AI kodēšanas asistenti un aģenti veiksmīgi ģenerē lielu funkcionāla koda apjomu ātri, tomēr jaunā pētījumā atklāts, ka šis palielinājums nav tieši saistīts ar kopējo programmatūras ražošanu. Hārvarda Universitātes pētnieki Fiona Čena un Džeimss Strattons analizēja plašus datus no vairāk nekā 700 programmatūras izstrādes uzņēmumiem, kuros strādā vairāk nekā 700 000 darbinieku, lai izprastu AI kodēšanas rīku ietekmi uz programmatūras izstrādes plūsmām laikā no 2021. līdz 2026. gada sākumam.

Izmantojot Jellyfish platformas datus, kas detalizēti seko inženieru komandu aktivitātēm, pētnieki konstatēja, ka pēc AI kodēšanas aģentu – autonomu sistēmu, kas raksta un iesniedz kodu pēc norādījumiem – ieviešanas uzņēmumos, radās ievērojams kodu rindu skaita pieaugums par 30 procentiem, līdz ar to palielinājās arī apstiprinājumu skaits par 20 procentiem un pull pieprasījumu skaits par 23 procentiem. Neskatoties uz šo pieaugumu, programmatūras izlaides rādītāji, piemēram, problēmu un funkciju risināšanas ātrums, palika statistiski nemainīgi.

Pētījums šo neatbilstību skaidro ar būtisku cilvēku koda pārskatīšanas posma aizkavēšanos. Pēc AI izmantošanas laiks no pull pieprasījuma iesniegšanas līdz tā apvienošanai pagarinājās par 49 procentiem. Turklāt izmaiņu pieprasījumi gandrīz dubultojās, un komentāru skaits uz pull pieprasījumu pieauga par 35 procentiem, norādot uz intensīvāku AI ģenerētā koda pārbaudi. Šī pievienotā pārskatīšanas slodze palielināja pārskatīšanā iesaistīto personālu par 14 procentiem, bez novērojamu kopējā nodarbinātības līmeņa izmaiņām.

Lai gan AI rīki ir pieņemti arī koda pārskatīšanas atbalstam, to ietekme ir ierobežota; līdz 2026. gada martam AI aģenti piedalījās aptuveni ceturtajā daļā pārskatīšanas komentāru un vēl mazākā daļā pull pieprasījumu. Cilvēku pārskatītāji joprojām nes galveno validācijas slodzi.

Šie secinājumi uzsver pašreizējo kompromisu: AI kodēšanas aģenti paātrina koda veidošanu, taču prasa būtiski vairāk cilvēku laika koda pārskatīšanai, kas neitralizē gaidāmās produktivitātes pieauguma priekšrocības. Ņemot vērā, ka AI kodēšanas izmantošana ir salīdzinoši jauna un attīstās, turpmākas uzlabojumi integrācijas stratēģijās varētu optimizēt šo līdzsvaru. Tomēr pašreiz uzņēmumiem jāizvērtē, vai ieguldījumi AI kodēšanas rīkos ir pamatoti, ņemot vērā papildu pārskatīšanas darba apjomu.