← Wróć do Wiedzy

Więcej kodu, więcej problemów: paradoks produktywności AI

Zespoły z wysoką adopcją AI wykonują więcej zadań i scalają więcej kodu, ale w telemetrii z tysięcy zespołów czas przeglądu rośnie o 91%, a liczba incydentów potrafi wzrosnąć wielokrotnie. Więcej kodu nie znaczy więcej wartości. Wąskie gardło przesuwa się w dół procesu.

Michał Lubański
Kluczowy wniosek

Adopcja AI zwiększa liczbę wykonanych zadań i scalonego kodu, ale telemetria z tysięcy zespołów (Faros AI) pokazuje, że rośnie też czas przeglądu (+91%), rozmiar zmian i liczba incydentów. Więcej kodu nie znaczy więcej wartości. Wąskie gardło przenosi się z pisania na przegląd, testy i utrzymanie.

Kiedy zespół zaczyna intensywnie używać AI, pierwsze wykresy wyglądają wspaniale: więcej zadań, więcej scalonych zmian, większa prędkość. Problem w tym, że to są wskaźniki produkcji, a nie wskaźniki wartości. A one potrafią się rozjechać.

Faros AI, na podstawie telemetrii z ponad 10 000 deweloperów w ponad 1200 zespołach, pokazał obie strony. Zespoły z wysoką adopcją AI wykonały 21% więcej zadań i scaliły 98% więcej pull requestów. Ale czas przeglądu tych zmian wzrósł o 91%, średni rozmiar zmiany o 154%, a liczba błędów o 9%.

W nowszej edycji, na jeszcze większej próbie, obraz się zaostrza: więcej ukończonych dużych zadań, ale liczba incydentów na zmianę rośnie wielokrotnie, a przerabianie świeżo napisanego kodu gwałtownie w górę. Zaznaczam uczciwie: to telemetria obserwacyjna, nie badanie z grupą kontrolną, więc pokazuje korelację, nie twardą przyczynowość. Ale wzorzec jest zbyt wyraźny, żeby go zignorować.

Gdzie przenosi się wąskie gardło

Sens tych liczb jest jeden: AI przyspiesza pisanie, ale praca się na pisaniu nie kończy. Ktoś musi to przejrzeć, przetestować i utrzymać. Jeśli generujesz dwa razy więcej kodu, a zdolność zespołu do przeglądu zostaje ta sama, wąskie gardło po prostu przesuwa się z klawiatury na review i na produkcję, gdzie kosztuje więcej. To druga strona tej samej monety, o której pisaliśmy przy bezpieczeństwie kodu z AI i przy kontekstowym wpływie AI na tempo.

Co z tym robić

Nie chodzi o hamowanie. Chodzi o to, żeby wzmocnić warstwę, na którą spada zwiększony ruch: przegląd, testy automatyczne, monitoring. Zespół, który przyspiesza pisanie i jednocześnie wzmacnia kontrolę, dostaje realne przyspieszenie. Zespół, który przyspiesza tylko pisanie, produkuje szybciej dług, który spłaca później. Dlatego u nas prędkość zawsze idzie w parze z przeglądem i testami.

Źródła
  1. Faros AI, „Productivity Paradox" / „Acceleration Whiplash" (telemetria 10 000+ deweloperów).
Michał Lubański
Michał Lubański

CTO i współzałożyciel LUNOLAB

CTO i współzałożyciel LUNOLAB. Odpowiada za całą technologię firmy: architekturę budowanych systemów, infrastrukturę i sprzęt, jakość kodu oraz bezpieczeństwo. Decyduje, jakie technologie i modele AI trafiają do projektów, i pilnuje zasady, że liczby liczy kod, a nie model. Pisze o tym, co dzieje się pod maską wdrożeń AI.

Masz pomysł na wdrożenie technologii u siebie?

Umów bezpłatną rozmowę