AI w programowaniu: dlaczego produktywność spada

Narzędzia AI w programowaniu: prawdziwe dane o produktywności

Analiza danych z PyPI nie wykazuje ogólnego wzrostu produktywności programistów po wprowadzeniu narzędzi AI. Liczba nowych pakietów się nie zwiększyła, mimo oczekiwań na automatyzację rutynowych zadań. Trend częstych aktualizacji nowych pakietów rozpoczął się w 2019 roku i jest związany z wdrożeniem narzędzi CI/CD, takich jak GitHub Actions, a nie z technologią AI.

Podział pakietów na AI i nie-AI ujawnia subtelne różnice: pakiety AI są aktualizowane dwukrotnie częściej, szczególnie popularne. To koreluje z inwestycjami w sektor AI, a nie ze wspólnym wzrostem efektywności. Efekt haju przyciąga zasoby do konkretnych obszarów, maskując brak systemowego ulepszenia.

Raport Google Cloud "Impact of Generative AI in Software Development" rejestruje subiektywne odczucia: 75% programistów zgłasza wzrost produktywności dzięki GenAI. Jednak metryki obiektywne sprzeczne są:

• Przepustowość dostarczania spada o 1,5% przy 25% udziałzie GenAI.
• Stabilność dostarczania maleje o 7,2%.

Programiści odczuwają, że wykonują mniej wartościowej pracy, a rutyna rośnie — co przeciwstawia się oczekiwaniom od automatyzacji.

GitHub i przypadki korporacyjne

Dane z GitHub Innovation Graph nie wykazują wzrostu liczby repozytoriów. Oczekiwano burzy projektów bocznych z rewolucyjnymi narzędziami, ale tego nie ma. W środowisku korporacyjnym wdrażanie AI-koderów na wniosek menedżerów prowadzi do spadku efektywności.

Przykład Notion: marża produktu spadła z 90% do 80% po dodaniu funkcji AI. Liderzy rynku muszą śledzić trend, ale bez wzrostu liczby użytkowników jest to stratne.

AI jest przydatne do prototypowania, ale efekt nowości szybko się wyczerpuje. Podobnie jak generowanie obrazów przez AI: początkowy entuzjazm ustępuje sceptycyzmowi.

Badanie METR: rozbieżność między oczekiwaniami a rzeczywistością

Uznane badanie METR oceniło wpływ narzędzi typu Cursor czy Claude. Doświadczeni programiści subiektywnie zauważają przyspieszenie o 20%, niewykwalifikowani – o 40%. Obiektywnie:

• AI spowalnia pracę o 20%.
• Mniej kodowania ręcznego, ale więcej sprawdzania, poprawiania i czekania.
• Oczekiwania rozchodzą się z metrykami w wielu obszarach.

To potwierdza: AI nie przyspiesza rutyny, tylko dodaje nakład pracy na weryfikację.

Co naprawdę ważne

• Metryki obiektywne (przepustowość, stabilność) wskazują na spadek efektywności przy wdrożeniu GenAI.
• Subiektywne odczucia produktywności nie korelują z rzeczywistymi wynikami.
• Wzrost aktywności widać tylko w segmentach związanych z AI-hajem, dzięki inwestycjom.
• Wdrożenie AI w firmach zmniejsza marżę bez wzrostu liczby użytkowników.
• Dla startupów problemem nie jest kod – AI nie rozwiązuje kluczowych problemów.

Wnioski dla biznesu i programistów

Poważne wdrożenie AI w programowaniu nie jest nieuniknione bez przełomów technologicznych. Obecne narzędzia są przyjemne w użyciu, ale obniżają metryki dostarczania. Biznesowi warto skupić się na ROI: mierzyć nie uczucia, a przepustowość i stabilność.

Programiści spędzają więcej czasu na post-generacji: debugowanie, refaktoryzacja, integracja. To tłumaczy spowolnienie. Dla specjalistów średniego i wysokiego poziomu klucz to selektywne wykorzystanie: AI do szablonów, ale z dokładną weryfikacją.

Przyszłe badania potrzebne są dla innych ról. Na razie fakty wskazują: AI robi pracę ciekawszą, ale nie bardziej produktywną. Pomiar 'przyjemności' procesu to osobna kwestia.

— Editorial Team