Studie finner at AI-kodingagenter øker kodeproduksjonen, men ikke den samlede programvareproduktiviteten

Bilde: Ars Technica · Kilde

Forskning avslører at AI-kodeassistenter genererer mer kode, men utløser lengre menneskelige gjennomganger, noe som begrenser gevinster i programvarelevering og sysselsettingsendringer.

Moderne AI-kodeassistenter og agenter har vist seg dyktige til å raskt generere store mengder funksjonell kode, men en nylig studie indikerer at denne økte kodeutgangen ikke direkte oversettes til høyere total programvareproduksjon. Forskere ved Harvard University, Fiona Chen og James Stratton, analyserte omfattende data fra over 700 programvareutviklingsselskaper med mer enn 700 000 ansatte for å forstå hvordan AI-kodeverktøy påvirker programvareutviklingsarbeidsflyter mellom 2021 og tidlig 2026.

Ved bruk av data fra Jellyfish, en plattform som sporer detaljerte aktiviteter i ingeniørteam, observerte forskerne at etter at selskaper innførte AI-kodingagenter—autonome systemer som skriver og sender inn kode basert på forespørsler—var det en merkbar 30 prosent økning i produserte kodelinjer, sammen med en økning på 20 prosent i commits og 23 prosent i pull requests. Til tross for denne økningen forble målinger av programvareutgang som problem- og funksjonsløsning statistisk uendret.

Studien tilskriver denne diskrepansen en betydelig flaskehals i den menneskelige kodegjennomgangsfasen. Etter AI-implementeringen økte tiden fra innsending av pull request til sammenslåing med 49 prosent. I tillegg nesten doblet forespørsler om endringer seg, og kommentarer per pull request økte med 35 prosent, noe som indikerer mer intens granskning av AI-generert kode. Denne økte gjennomgangsinnsatsen førte til en 14 prosents økning i personell involvert i kodegjennomganger, uten observerbare endringer i den totale sysselsettingsnivået.

Selv om AI-verktøy også har blitt tatt i bruk for å bistå med kodegjennomgang, er deres innvirkning begrenset; innen mars 2026 bidro AI-agenter til omtrent en fjerdedel av gjennomgangskommentarene og en enda mindre andel av pull requests. Menneskelige gjennomgåere bærer fortsatt det meste av valideringsansvaret.

Disse funnene fremhever et nåværende kompromiss: AI-kodingsagenter fremskynder kodeproduksjon, men krever betydelig mer menneskelig gjennomgangstid, noe som opphever forventede produktivitetsgevinster. Siden AI-kodebruk er relativt nytt og under utvikling, kan ytterligere forbedringer i integrasjonsstrategier optimalisere denne balansen. Men slik det står, må selskaper vurdere om investeringen i AI-kodeverktøy rettferdiggjør den ekstra gjennomgangsbyrden de påfører.