AI v vývoji: proč klesá produktivita

AI nástroje ve vývoji: skutečné údaje o produktivitě

Analýza dat z PyPI ukazuje, že se produktivita vývojářů s příchodem AI nezvyšuje. Počet nových balíčků se nezvýšil, i když byl očekáván pokrok díky automatizaci rutinních úkolů. Trend častých aktualizací nových balíčků začal v roce 2019 a souvisí spíše s implementací nástrojů CI/CD jako GitHub Actions než s AI.

Rozdělení balíčků na AI a ne-AI odhaluje jemné rozdíly: balíčky zaměřené na AI se aktualizují dvakrát častěji, zejména ty populární. To souvisí s investicemi do oblasti AI, nikoli s univerzálním zvýšením efektivity. Efekt hype směruje prostředky do konkrétních oblastí a maskuje nedostatek systémového zlepšení.

Zpráva Google Cloud "Impact of Generative AI in Software Development" zachycuje subjektivní vnímání: 75 % vývojářů uvádí růst produktivity díky GenAI. Objektivní metriky však svědčí opak:

• Propustnost dodávek klesla o 1,5 % při 25% použití GenAI.
• Stabilita dodávek klesla o 7,2 %.

Vývojáři podle vlastních zkušeností provádějí méně hodnotné práce, zatímco rutina roste – což je v rozporu s očekáváním automatizace.

GitHub a firemní příklady

Data z GitHub Innovation Graph neukazují růst počtu repozitářů. S revolučními nástroji bylo očekáváno zvýšení počtu straníčkových projektů, ale takový trend chybí. Ve firemní praxi implementace AI kódových asistentů na iniciativu manažerů vede ke snížení efektivity.

Příklad Notion: marže produktu klesla z 90 % na 80 % po přidání funkcí AI. Velcí hráči jsou nuceni sledovat trend, ale bez růstu uživatelů to je ztrátové.

AI je užitečné pro prototypy, ale efekt novoty pomalu pohasíná. Podobně jako u generování obrázků pomocí AI: původní nadšení ustoupilo skepticismu.

Studie METR: rozchylka mezi očekáváním a realitou

Důvěryhodná studie METR zhodnotila dopad nástrojů jako Cursor nebo Claude. Zkušenější vývojáři subjektivně zaznamenali zrychlení o 20 %, nezkušení o 40 %. Objektivně:

• AI zpomaluje práci o 20 %.
• Méně ručního kódu, ale více kontroly, oprav a čekání.
• Očekávání se liší od metrik ve mnoha oblastech.

To potvrzuje: AI nezrychluje rutinu, ale přidává overhead na ověření.

Co je důležité

• Objektivní metriky (propustnost, stabilita) ukazují snížení efektivity při použití GenAI.
• Subjektivní pocit produktivity nesouvisí s reálnými výsledky.
• Růst aktivity je viditelný pouze v AI-hype segmentech díky investicím.
• Firemní implementace AI snižuje marži bez růstu uživatelů.
• Pro start-upy není bottleneck v kódu – AI neřeší klíčové problémy.

Závěry pro business a vývojáře

Významná adopce AI ve vývoji není nevyhnutelná bez technologických průlomů. Současné nástroje jsou pohodlné, ale snižují metriky dodávek. Podnikům by mělo být důraz na ROI: místo pocitů měřit propustnost a stabilitu.

Vývojáři stráví více času na po-generaci: ladění, refaktoring, integrace. To vysvětluje zpomalení. Pro střední a senior vývojáře je klíčem selektivní použití: AI pro šablony, ale s pečlivou kontrolou.

Budoucí výzkumy potřebují zaměřit se na jiné role. Zatím ukazují fakt: AI pracovní proces zpestřuje, ale nezvyšuje produktivitu. Měření 'pohody' z procesu je samostatná úloha.

— Editorial Team