LLM w rozwoju: dlaczego nie zastąpią programistów

Generatywna sztuczna inteligencja w tworzeniu oprogramowania: mity i rzeczywistość dla ekspertów

Generatywne modele językowe (LLM) obiecują uproszczenie tworzenia oprogramowania, ale w praktyce ich możliwości są ograniczone do typowych zadań. Pandas umożliwiała agregowanie danych z Excela jedną linijką kodu na długo przed erą chat-botów. Podobnie, CMS i platformy no-code rozwiązywały zadania tworzenia stron internetowych bez użycia naturalnego języka.

df = pd.read_excel("tmp.xlsx", index_col=0)
df.agg(["sum", "min"])

Takie narzędzia istniały zawsze. LLM dodają dostępność przez API, ale nie zmieniają istoty: kod musi działać przewidywalnie, a nie być generowany na podstawie niejasnego opisu.

Scenariusze agentowe: teoria a praktyka

Agenci oparci na LLM mogą iteracyjnie wykonywać plany w idealnych warunkach. Jednak rzeczywiste projekty wymagają precyzyjnej specyfikacji zachowania. Napisanie działającego kodu jest prostsze niż opisanie wszystkich niuansów w naturalnym języku, pełnym niejednoznaczności.

Składnia Pythona lub JavaScript jest już uproszczona do minimum. Szczegółowa inżynieria promptów często jest bardziej obszerna niż sam kod. Dla programistów mid/senior wyszukiwanie w Stack Overflow i edycja to standardowy workflow, który LLM jedynie powielają.

Różnice w postrzeganiu: programiści a menedżerowie

Menedżerowie widzą wartość w szybkim prototypowaniu i "generowaniu kodu". Programiści wiedzą: prototyp wymaga dopracowania, a weryfikacja generacji LLM pochłania czas. Nie ma metryk efektywności poza liczeniem tokenów.

• Plusy dla menedżerów: Wizualny postęp, GitHub z tysiącami linii.
• Minusy dla zespołów: Brak zrozumienia kodu, problemy w architekturze, testach, wdrażaniu.
• Rzeczywistość: Wąskie gardła — nie w pisaniu linii, a w wymaganiach i integracjach.

Wymuszanie narzędzi AI z góry ignoruje doświadczenie: jeśli narzędzie jest użyteczne, zostanie przyjęte dobrowolnie.

Problemy vibe coding na przykładach

Przypadki takie jak generacja 40k linii gry zamiast użycia open-source klonów (agar.io) demonstrują nieefektywność. Anthropic i podobne usługi monetyzują nowicjuszy, a nie przyspieszają produkcję oprogramowania.

Generacja książek lub wiedzy to spam. Objętość promptów dla wysokiej jakości wyników (jak u Pelevina) przekracza tekst. Rynek e-booków jest już zalany zautomatyzowanym treściem bez wartości.

Przydatne zastosowania dla profesjonalistów

LLM przyspieszają rutynę:

• Generacja boilerplate kodu.
• Wyszukiwanie w dokumentacji.
• Pomysły na refaktoryzację.

Ale wymagają precyzyjnych promptów i weryfikacji. Wprowadzanie głosowe i naturalny język dla codziennych zadań (usuwanie tła na zdjęciach) są perspektywiczne dla aplikacji end-user.

Ewolucja API (Visa dla agentów AI) uprości integracje, ale dane i narzędzia CLI rozwiązują więcej niż modele.

Co jest ważne

• LLM nie tworzą nowej wartości bez ekspertyzy: skupienie na weryfikacji i integracji.
• Efektywność rośnie od zrozumienia narzędzi, a nie od ślepej generacji.
• Dla senior programistów — narzędzie w arsenale, a nie zastąpienie umiejętności.
• Unikaj spamu: generuj prototypy, ale dopracowuj ręcznie.
• Przyszłość — w API i danych, a nie w uniwersalnych agentach.

Rozumiej kod, który piszesz lub generujesz. To podstawowa zasada.

— Editorial Team