Satu kajian terkini telah mendedahkan jurang yang ketara antara persepsi pembangun tentang bagaimana alat pengekodan AI mempengaruhi produktiviti mereka dengan apa yang sebenarnya berlaku dalam amalan. Penyelidikan mendapati bahawa pembangun sumber terbuka yang berpengalaman mengambil masa 19% lebih lama untuk menyelesaikan tugasan apabila menggunakan alat AI, namun mereka percaya alat-alat ini menjadikan mereka 20% lebih pantas.
Ringkasan Keputusan Kajian
- Perubahan produktiviti sebenar: 19% lebih perlahan dalam menyiapkan tugasan
- Jangkaan pembangun sebelum kajian: 24% lebih pantas
- Persepsi pembangun selepas kajian: 20% lebih pantas
- Jurang persepsi maksimum: Sehingga 60% perbezaan antara kepercayaan dan realiti
- Saiz kajian: 16 pembangun sumber terbuka yang berpengalaman
- Ciri-ciri pangkalan kod: Besar (lebih 1 juta baris), projek yang telah mantap
Masalah Persepsi Berbanding Realiti
Penemuan paling mengejutkan dalam kajian ini bukan hanya tentang masa penyelesaian yang lebih perlahan. Ia tentang betapa salahnya pembangun mengenai prestasi mereka sendiri. Sebelum bermula, pembangun menjangkakan AI akan meningkatkan produktiviti mereka sebanyak 24%. Walaupun selepas menyelesaikan tugasan dengan lebih perlahan, mereka masih percaya AI telah mempercepatkan mereka sebanyak 20%. Ini mewakili jurang potensi 60% antara persepsi dan realiti dalam kes-kes yang paling teruk.
Perbincangan komuniti menyerlahkan betapa biasanya salah tanggapan ini mungkin berlaku. Ramai pembangun melaporkan berasa lebih produktif dengan alat AI, tetapi data menunjukkan perasaan ini tidak selalu sepadan dengan output sebenar. Aspek psikologi fenomena ini melangkaui pengekodan - ia mencerminkan bagaimana orang sering salah menilai keberkesanan alat dalam bidang kehidupan yang lain.
Mengapa Pembangun Berpengalaman Menjadi Perlahan
Penyelidikan memfokuskan kepada pembangun sumber terbuka berpengalaman yang bekerja pada projek mereka sendiri - orang yang mengetahui pangkalan kod mereka dengan mendalam. Teori di sebalik kelembapan mereka berkaitan dengan model mental. Pembangun-pembangun ini telah menghabiskan masa bertahun-tahun membina pemahaman terperinci tentang sistem mereka, tetapi alat AI tidak dapat mengakses atau mereplikasi rangka kerja mental ini.
Apabila pembangun cuba mewakilkan kerja kepada AI, mereka menghadapi cabaran asas. Mereka mesti menterjemahkan model mental yang kaya kepada gesaan teks, yang lambat dan kehilangan maklumat. AI tidak mempunyai pemahaman kontekstual yang menjadikan pembangun berpengalaman berkesan pada projek yang biasa.
Sisi Sebalik untuk Kod Tidak Biasa
Walau bagaimanapun, perbincangan komuniti mendedahkan cerita yang berbeza untuk pembangun yang bekerja pada pangkalan kod yang tidak biasa. Beberapa pembangun berkongsi pengalaman peningkatan produktiviti yang ketara apabila menggunakan alat AI pada projek baharu atau rangka kerja yang belum pernah mereka gunakan sebelum ini.
Dalam beberapa jam, dengan bantuan Claude Code, saya telah mencipta sistem yang sangat baik untuk mereplikasi data dari peringkat ke pembangunan tempatan. Sesuatu yang pernah saya bina sebelum ini dalam projek lain, dan saya tahu bahawa secara manual ia akan mengambil masa sehari atau dua hari penuh.
Ini menunjukkan alat AI mungkin paling berharga apabila pembangun tidak mempunyai model mental sedia ada tentang sistem yang mereka kerjakan. Dalam persekitaran korporat di mana pembangun sering mewarisi pangkalan kod daripada rakan sekerja yang telah pergi, alat AI boleh memberikan faedah produktiviti yang tulen.
Keberkesanan Alat AI Mengikut Konteks
- Paling berkesan: Pangkalan kod yang tidak dikenali, projek greenfield, skrip sekali guna
- Kurang berkesan: Projek yang dikenali di mana pembangun mempunyai model mental yang mendalam
- Hasil bercampur: Projek kompleks dengan keperluan konteks yang semakin meningkat
- Had utama: Kesukaran memindahkan model mental yang kaya melalui gesaan teks
Pertukaran Pembelajaran
Kajian ini menimbulkan persoalan penting tentang pembangunan kemahiran jangka panjang. Jika nilai utama pengaturcaraan adalah membina model mental sistem, apa yang berlaku apabila kita menyumber luar kerja itu kepada AI? Pembangun yang menggunakan alat AI mungkin menyelesaikan tugasan segera dengan lebih pantas pada kod yang tidak biasa, tetapi mereka mungkin terlepas peluang untuk membangunkan pemahaman yang mendalam.
Ini mewujudkan pilihan strategik untuk pembangun dan organisasi. Untuk projek jangka pendek atau tugasan sekali sahaja, alat AI mungkin memberikan faedah yang jelas. Untuk projek jangka panjang di mana pemahaman sistem yang mendalam penting, pertukaran menjadi lebih kompleks.
Batasan dan Konteks
Kajian ini melibatkan hanya 16 pembangun yang bekerja pada pangkalan kod yang besar dan mantap. Pengkritik menyatakan bahawa keadaan ini tidak mewakili semua senario pembangunan perisian. Keputusan mungkin tidak terpakai kepada pembangun yang bekerja pada projek yang lebih kecil, pangkalan kod yang lebih baharu, atau jenis tugasan pembangunan yang berbeza.
Maklum balas komuniti menunjukkan bahawa alat AI berfungsi paling baik untuk kes penggunaan khusus: projek greenfield, skrip sekali sahaja, dan penerokaan awal pangkalan kod baharu. Kuncinya nampaknya adalah memadankan alat dengan konteks yang betul daripada mengharapkan keuntungan produktiviti sejagat.
Penyelidikan ini menyediakan data berharga dalam bidang yang sering dikuasai oleh anekdot dan dakwaan pemasaran. Walaupun alat pengekodan AI jelas mempunyai tempatnya, kajian menunjukkan pembangun harus lebih berfikir tentang bila dan bagaimana mereka menggunakannya. Pengajaran terbesar mungkin tentang kesedaran diri - jika pembangun boleh salah 60% tentang produktiviti mereka sendiri, mungkin sudah tiba masanya untuk lebih bergantung pada pengukuran daripada intuisi apabila menilai alat baharu.
Rujukan: AI slows down open source developers. Peter Naur can teach us why.