هوش مصنوعی دقیقاً کجای هزینهٔ توسعه رو کم می‌کنه؟
هوش مصنوعی
تستخلاصهٔ کامل‌تر
دیمیترو اومن، مدیرعامل شرکت Brights، تو این مقاله دنبال جواب یه سؤال ساده‌ست: هوش مصنوعی هزینهٔ توسعهٔ نرم‌افزار رو کم می‌کنه یا فقط جابه‌جاش می‌کنه؟ نقطهٔ شروعش اینه که هزینهٔ توسعه عملاً هزینهٔ نیروی انسانیه و نوشتن فیچر جدید سهم کمی ازش داره. بیشتر وقت صرف تست و دیباگ و مستندسازی و چرخه‌های طولانی کد ریویو میشه. گزارش DORA گوگل کلاود هم شاخص rework rate رو برجسته می‌کنه، یعنی دیپلوی‌های برنامه‌ریزی‌نشده‌ای که فقط برای رفع باگ کاربر انجام می‌شن و اسپرینت به اسپرینت روی هم جمع می‌شن.
نویسنده برای اینکه به ادعاهای فروشنده‌ها تکیه نکنه، سراغ چند پژوهش مستقل رفته. یه آزمایش تصادفی‌شدهٔ MIT و پرینستون و وارتون و مایکروسافت روی نزدیک ۴۹۰۰ توسعه‌دهنده، ۲۶.۰۸٪ افزایش تسک‌های تکمیل‌شده رو نشون داده و بیشترین سود هم مال جونیورها و تازه‌واردها بوده. مطالعهٔ مک‌کینزی روی بیش از ۴۰ توسعه‌دهنده می‌گه زمان مستندسازی تقریباً نصف، زمان نوشتن کد جدید نزدیک نصف و زمان ری‌فکتور حدود دوسوم کم شده.
دادهٔ سازمانی هم همین شکلیه. تو آزمایش GitHub با Accenture، تعداد پول ریکوئست هر توسعه‌دهنده ۸.۶۹٪ و نرخ مرج شدنشون ۱۵٪ بالا رفته و بیلدهای موفق ۸۴٪ بیشتر شدن. یه مطالعهٔ دیگهٔ GitHub روی مهندس‌های حداقل پنج‌ساله می‌گه کدی که با Copilot نوشته شده ۵۳.۲٪ شانس بیشتری برای پاس کردن همهٔ یونیت تست‌ها داره. گزارش Forrester TEI هم برای یه سازمان فرضی ۵۰۰۰ نفره، ۸۵.۹ میلیون دلار سود در برابر ۱۸.۱ میلیون دلار هزینه طی سه سال زده، یعنی ROI حدود ۳۷۶٪.
بیشترین صرفه‌جویی جایی اتفاق می‌افته که کار تکراری و قابل پیش‌بینیه: کد boilerplate، تست (۵۹.۶٪ کسایی که تست می‌نویسن حداقل بخشی از کار رو به هوش مصنوعی می‌سپرن)، مستندات، مرحلهٔ اول کد ریویو، و آنبوردینگ. Forrester می‌گه زمان آنبوردینگ توسعه‌دهندهٔ جدید تو سال اول ۸۰٪ و تا سال سوم ۹۰٪ کم شده. DORA هم می‌گه هر ۲۵٪ افزایش استفاده از هوش مصنوعی با ۷.۵٪ بهبود کیفیت مستندات همراه بوده.
ولی مقاله یه هشدار جدی هم داره. طبق DORA، به‌ازای هر ۲۵٪ افزایش استفاده، پایداری تحویل نرم‌افزار ۷.۲٪ افت کرده. مقصر خود ابزار نیست، بلکه کنار گذاشتن اصولیه که تیم برای جا موندن از سرعت تولید کد انجام می‌ده: بچ‌های بزرگ‌تر، پوشش تست ضعیف‌تر و ریویوی شل‌تر. نویسنده می‌گه اگه حجم خروجی هوش مصنوعی رو معیار بهره‌وری بگیری بدون اینکه نظم مهندسی داشته باشی، همون سود چند اسپرینت بعد به شکل دوباره‌کاری برمی‌گرده.
نکات کلیدی:
- آزمایش MIT و پرینستون و وارتون و مایکروسافت روی ۴۹۰۰ توسعه‌دهنده: ۲۶.۰۸٪ تسک تکمیل‌شدهٔ بیشتر
- مک‌کینزی: زمان مستندسازی نصف، زمان ری‌فکتور حدود دوسوم کمتر
- GitHub و Accenture: ۸.۶۹٪ پول ریکوئست بیشتر، ۱۵٪ نرخ مرج بالاتر، ۸۴٪ بیلد موفق بیشتر
- Forrester TEI: ROI حدود ۳۷۶٪ و بازگشت سرمایه زیر شش ماه برای سازمان ۵۰۰۰ نفره
- آنبوردینگ توسعه‌دهندهٔ جدید تو سال اول ۸۰٪ کوتاه‌تر شده
- هر ۲۵٪ افزایش استفاده با ۷.۲٪ افت پایداری تحویل همراه بوده، به‌خاطر شل شدن ریویو و تست
