عوامل کدنویسی هوش مصنوعی کد بیشتری تولید می کنند، اما نرم افزار بیشتری تولید نمی کنند

هرکسی که حتی به طور مماس با برنامه نویسی کامپیوتری ارتباط داشته باشد، می داند که دستیاران و عوامل کدنویسی هوش مصنوعی مدرن می توانند در تولید مقادیر عظیمی از کدهای کاربردی بسیار کارآمد باشند. اما کدنویس‌هایی که از این ابزارها استفاده می‌کنند نیز بهتر از اعتماد به صحت آن کد می‌دانند، به این معنی که باید تلاش زیادی برای بررسی هر خروجی تولید شده توسط هوش مصنوعی صرف شود.

مطالعه اخیر روی شیوه‌های کدگذاری واقعی در صدها شرکت نشان می‌دهد که بررسی کدهای انسانی یک «گلوگاه» قابل‌توجه برای کارایی کلی ابزارهای کدگذاری هوش مصنوعی ایجاد می‌کند، که منجر به «شواهد کمی مبنی بر افزایش خروجی نرم‌افزار یا کاهش اشتغال» شرکت‌ها با استفاده از آنها می‌شود. نویسندگان مطالعه دریافتند، هر بازدهی افزایش یافته در طول مرحله کدگذاری واقعی، "با محدودیت های پایین دستی در فرآیند تولید جذب می شود". از آنجایی که "فرآیند بررسی کد به طور قابل توجهی طول می‌کشد، درخواست‌های کششی به احتمال زیاد نیاز به بازبینی دارند، و بازبین‌ها نظرات بیشتری می‌گذارند."

برای رسیدن به این نتیجه‌گیری، فیونا چن و جیمز استراتون، محققین دانشگاه هاروارد از داده‌های تحلیلی جمع‌آوری شده از Jellyfish استفاده کردند که خروجی دانه‌ای تیم‌های مهندسی را اندازه‌گیری می‌کند. این داده‌ها شامل 300 میلیون «رویداد کاری» فردی (به‌عنوان مثال، تعهدات و درخواست‌ها) و داده‌های نرم‌افزار مدیریتی در بیش از 700000 کارمند در بیش از 700 شرکت توسعه نرم‌افزار مربوطه از سال 2021 تا مارس 2026 است.

برای ارزیابی تأثیر ابزارهای هوش مصنوعی بر این شرکت‌ها، محققان از ترکیبی از استفاده از هوش مصنوعی اندازه‌گیری شده و تجزیه و تحلیل فعالیت GitHub استفاده کردند تا مشخص کنند که چه زمانی هر شرکت شروع به معرفی دستیارهای کدنویسی هوش مصنوعی (که می‌تواند به تکمیل خودکار کد عمدتا توسط انسان‌ها کمک می‌کند) و/یا عامل‌های کدنویسی هوش مصنوعی (که عمدتا جریان کدها را به طور خودکار بر اساس کار خود می‌نویسند و ارسال می‌کنند) آغاز کرده است.

محققان سپس برخی ریاضیات پیچیده را برای تعیین رگرسیون «تفاوت تفاوت‌ها» روی متغیرهای کلیدی قبل و بعد از معرفی این ابزارها در مقاطع زمانی مختلف در سازمان‌های مختلف انجام می‌دهند.

از نظر کد خام تولید شده، نتایج واضح و واضح است. محققان می نویسند که معرفی عوامل کدگذاری هوش مصنوعی در یک شرکت منجر به افزایش 30 درصدی در کل خطوط کد تولید شده، افزایش 20 درصدی در تعداد کل تعهدات و افزایش 23 درصدی در درخواست های کشش به طور متوسط ​​می شود. اما همه این کدهای اضافی مستقیما به بهبود خروجی نرم افزار در سطح شرکت تبدیل نمی شوند. برعکس، نرخ تفکیک برای مسائل و حماسه ها (یعنی

ویژگی‌های نرم‌افزار عمده‌فروشی) که توسط ابزارهایی مانند Jira ردیابی می‌شوند، پس از معرفی ابزارهای هوش مصنوعی، به‌صورت آماری معنی‌داری تغییر نکردند (محققان همچنین هیچ "تغییر ترکیبی" در اندازه یا پیچیدگی آن مسائل ردیابی شده توسط Jira در سراسر معرفی هوش مصنوعی پیدا نکردند).

دلیل این اختلاف را می توان مستقیما در فرآیند بررسی کد جستجو کرد که به طور متوسط ​​پس از معرفی عوامل کدنویسی هوش مصنوعی به طور قابل توجهی طولانی تر می شود. به طور کلی، میانگین زمان «فرایند بررسی» بین ارسال درخواست کشش و ادغام آن در بالن های پایه کد به طور متوسط ​​49 درصد پس از معرفی عوامل هوش مصنوعی است. محققان می نویسند: این تأثیر را می توان در داده های دقیق تر نیز مشاهده کرد، به گفته محققان، «سهم درخواست های کشش با تغییرات درخواستی تقریبا دو برابر شد، و تعداد نظرات به ازای هر درخواست کشش 35 درصد افزایش یافت»، به گفته محققان، پس از تغییر عامل هوش مصنوعی.

در پاسخ به این تغییر، محققان متوجه شدند که پس از معرفی عوامل هوش مصنوعی، 14 درصد افزایش در سهم کارگرانی که بازبینی کد را انجام می‌دهند. آنها همچنین می نویسند که پس از بررسی کل کارگران فعال در سراسر Jellyfish و ارجاع متقابل به داده های LinkedIn در آن شرکت ها، «نمی توانند تغییرات شغلی قابل توجهی را به هوش مصنوعی نسبت دهند».

در حالی که هوش مصنوعی همچنین می تواند از نظر تئوری به این روند بازبینی کمک کند، محققان دریافتند که تا کنون این تاثیر حاشیه ای بوده است. اگرچه 80 درصد شرکت‌های اندازه‌گیری شده تا مارس 2026 از نوعی بررسی کد هوش مصنوعی استفاده کردند، اما عوامل هوش مصنوعی تنها مسئول 23.3 درصد از کل نظرات بررسی و 10.8 درصد از همه درخواست‌های کششی بودند، که نشان می‌دهد انسان‌ها همچنان مسئول اکثریت قریب به اتفاق این کار هستند.

البته عوامل هوش مصنوعی هنوز بخش نسبتا جدیدی از دنیای کدنویسی هستند و حتی از زمان قطع داده‌های این مطالعه در مارس 2026، به‌روزرسانی‌ها و ارتقاءهای قابل توجهی در خروجی آنها صورت گرفته است. و در حالی که 95 درصد از شرکت‌ها در این مطالعه عوامل کدنویسی هوش مصنوعی را تا این مرحله پیاده‌سازی کرده‌اند، بدون شک بسیاری از آنها هنوز در حال گذراندن یک فرآیند یادگیری در مورد زمان و نحوه به کارگیری بهترین آنها هستند. این نوع معاوضه‌های «زمان کدنویسی در مقابل زمان بررسی» می‌تواند بهبود یابد زیرا تیم‌های مهندسی نرم‌افزار تجربه بیشتری در مورد مزایا و معایب حذف یک عامل هوش مصنوعی در مشکلات خاص کدگذاری به دست می‌آورند.

با این حال، در حال حاضر، اجازه دادن به هوش مصنوعی برای نوشتن کد شما مانند یک شمشیر دو لبه به نظر می رسد، با افزایش سرعت کدنویسی که با افزایش مشابه در زمان و تلاش مرور کدهای انسانی خنثی می شود. این همان نتیجه ای است که ما را به تعجب وا می دارد که آیا زمان و هزینه قابل توجهی که برای فعال کردن عوامل برنامه نویسی هوش مصنوعی صرف می شود برای اکثر شرکت ها واقعا ارزشش را دارد؟