کدام باورهای رایج دربارهٔ هوش مصنوعی و کدنویسی درسته؟
هوش مصنوعیخلاصهٔ کامل‌تر
این مطلب از خبرنامهٔ Research-Driven Engineering Leadership سراغ یه سؤال می‌ره: کدوم باورهای رایج دربارهٔ هوش مصنوعی و بهره‌وری توسعه‌دهنده‌ها واقعاً پشتوانهٔ پژوهشی دارن؟ به گفتهٔ نویسنده، گفتگوی صنعت خیلی جلوتر از پژوهشیه که باید زیربناش باشه.
مطلب به یه مقاله تو ACM Queue ارجاع می‌ده که پژوهشگران سرشناس، از جمله نویسنده‌های چارچوب SPACE، توش هشت‌تا از پایدارترین افسانه‌ها رو بررسی کردن و به مطالعه‌ای از مایکروسافت روی بیش از ۴۵۰ مهندس تکیه می‌کنن.
چندتا از افسانه‌ها به اندازه‌گیری زمان برمی‌گرده: برخلاف تصور، توسعه‌دهنده‌ها فقط حدود ۱۴٪ وقتشون رو صرف نوشتن کد می‌کنن، پس کدنویسی گلوگاه نیست. حتی اگه یه دستیار هوش مصنوعی سرعت کدنویسی رو دو برابر کنه، کمتر از ۱۵٪ بهره‌وری کلی بیشتر میشه و فشار فقط به مرحلهٔ بازبینی و تست منتقل میشه.
افسانهٔ دیگه «خط کد به‌عنوان معیار»ـه؛ نویسنده می‌گه شمردن خط کدِ تولیدشده با هوش مصنوعی، بازی‌خوردن رو تشویق می‌کنه و کمیت رو به جای کیفیت پاداش می‌ده. هم‌چنین هوش مصنوعی به همهٔ کارها یکسان کمک نمی‌کنه؛ یه مطالعهٔ ۲۰۲۵ نشون داده برای توسعه‌دهنده‌های باتجربه روی کدِ آشنا، ابزارها زمان پیاده‌سازی رو ۱۸٪ بیشتر کردن.
افسانهٔ ۱۰ برابر شدن هم زیر سؤاله: عدد معروف ۵۵٪ بهره‌وری از مطالعه‌های کنترل‌شده روی کارهای ایزوله میاد و کمتر تو کار تیمی واقعی دووم میاره. نکتهٔ مهم اینه که ۸۰٪ توسعه‌دهنده‌ها از این ابزارها استفاده می‌کنن ولی فقط ۲۹٪ به دقت خروجی اعتماد دارن، و بعضی‌ها وقت بیشتری صرف دیباگ خروجی هوش مصنوعی می‌کنن.
جمع‌بندی نویسنده اینه که ارزش هوش مصنوعی به نحوهٔ استقرار، اندازه‌گیری و پشتیبانیش بستگی داره، نه صرف داشتن ابزار. پیشنهادش اینه که اول اون ۸۶٪ وقتِ بقیه رو بررسی کن نه ۱۴٪ کدنویسی رو، هوش مصنوعی رو روی یه گلوگاه واقعی مثل زمان بازبینی کد نشونه بگیر، و قبل از دنبال‌کردن بهره‌وری، شکاف اعتماد رو پر کن.
نکات کلیدی:
- توسعه‌دهنده‌ها فقط حدود ۱۴٪ وقتشون رو کد می‌زنن
- خط کد معیار خوبی برای سنجش اثر هوش مصنوعی نیست
- هوش مصنوعی گاهی کار توسعه‌دهنده‌های باتجربه رو کندتر می‌کنه
- ارزش هوش مصنوعی به نحوهٔ استقرارشه، نه صرف داشتن ابزار
