عوامل برنامه‌نویسی هوش مصنوعی کد بیشتری تولید می‌کنند، اما نرم‌افزار بیشتری تولید نمی‌شود
مطالعه نشان می‌دهد که افزایش بهره‌وری برنامه‌نویسی در «گلوگاه» بررسی انسانی «جذب» می‌شود.
هرکس که حتی به طور سطحی با برنامه‌نویسی کامپیوتر آشنا باشد، می‌داند که دستیاران و عوامل مدرن برنامه‌نویسی هوش مصنوعی می‌توانند در تولید حجم عظیمی از کدهای کاربردی فوق‌العاده کارآمد باشند. اما برنامه‌نویسانی که از این ابزارها استفاده می‌کنند نیز به خوبی می‌دانند که نباید به دقت آن کدها چشم‌بسته اعتماد کنند؛ به این معنا که برای بررسی هرگونه خروجی تولید شده توسط هوش مصنوعی، باید تلاش قابل توجهی صرف شود.
یک مطالعه جدید روی شیوه‌های برنامه‌نویسی واقعی در صدها شرکت نشان می‌دهد که بررسی کد توسط انسان، یک «گلوگاه» قابل‌توجه برای بهره‌وری کلی ابزارهای برنامه‌نویسی هوش مصنوعی ایجاد می‌کند و در نتیجه «شواهد کمی وجود دارد که شرکت‌ها با استفاده از آن‌ها، خروجی نرم‌افزاری را افزایش داده یا اشتغال را کاهش دهند». نویسندگان این مطالعه دریافته‌اند که هرگونه افزایش بهره‌وری در طول فاز واقعی برنامه‌نویسی، «توسط محدودیت‌های پایین‌دستی در فرآیند تولید جذب می‌شود»؛ چرا که «فرآیند بررسی کد به طور قابل‌توجهی طولانی‌تر می‌شود، درخواست‌های پول (Pull requests) بیشتر به بازبینی نیاز دارند و بازبینان نظرات (Comments) بیشتری باقی می‌گذارند».
یک بار ببر، دو بار اندازه بگیر
محققان دانشگاه هاروارد، فیونا چن و جیمز استراتتون، برای رسیدن به این نتیجه‌گیری‌ها از داده‌های تحلیلی تجمیع‌شده شرکت Jellyfish استفاده کردند که خروجی جزء‌به‌جزء تیم‌های مهندسی را اندازه‌گیری می‌کند. این داده‌ها شامل ۳۰۰ میلیون «رویداد کاری» فردی (مانند کامیت‌ها و درخواست‌های پول) و داده‌های نرم‌افزار مدیریت مسئله در بیش از ۷۰۰,۰۰۰ کارمند در بیش از ۷۰۰ شرکت توسعه نرم‌افزار مرتبط از سال ۲۰۲۱ تا مارس ۲۰۲۶ است.
محققان برای ارزیابی تأثیر ابزارهای هوش مصنوعی بر این شرکت‌ها، از ترکیبی از استفاده مستقیم اندازه‌گیری‌شده از هوش مصنوعی و تحلیل‌های فعالیت گیت‌هاب (GitHub) استفاده کردند تا مشخص کنند هر شرکت چه زمانی شروع به معرفی دستیاران برنامه‌نویسی هوش مصنوعی (که می‌توانند به تکمیل خودکار کدهایی که اساساً توسط انسان نوشته شده‌اند کمک کنند) و/یا عوامل برنامه‌نویسی هوش مصنوعی (که عمدتاً کد را به صورت خودکار بر اساس دستورات می‌نویسند و ارسال می‌کنند) در جریان‌های کاری خود کرده است. سپس محققان محاسبات پیچیده‌ای را برای تعیین رگرسیون «تفاوتِ تفاوت‌ها» روی متغیرهای کلیدی، هم قبل و هم بعد از معرفی این ابزارها در زمان‌های مختلف در سازمان‌های مختلف، انجام دادند.
از نظر کدهای خروجی خام، نتایج واضح و خیره‌کننده است. محققان می‌نویسند که معرفی عوامل برنامه‌نویسی هوش مصنوعی در یک شرکت منجر به افزایش ۳۰ درصدی در کل خطوط کد تولید شده، افزایش ۲۰ درصدی در تعداد کل کامیت‌ها و افزایش میانگین ۲۳ درصدی در درخواست‌های پول می‌شود. اما تمام این کدهای اضافی مستقیماً به بهبود خروجی نرم‌افزار در سطح شرکت تبدیل نمی‌شوند. برعکس، نرخ حل مسائل و اپیک‌ها (یعنی ویژگی‌های جامع نرم‌افزاری) که توسط ابزارهایی مانند جیرا (Jira) ردیابی می‌شوند، پس از معرفی ابزارهای هوش مصنوعی تغییر از نظر آماری معنی‌داری نداشت (محققان همچنین هیچ «تغییر ترکیبی» در اندازه یا پیچیدگی آن مسائل ردیابی‌شده توسط جیرا پس از معرفی هوش مصنوعی پیدا نکردند).
دلیل این تناقض را می‌توان مستقیماً در فرآیند بررسی کد یافت که پس از معرفی عوامل برنامه‌نویسی هوش مصنوعی، به طور محسوسی طولانی‌تر می‌شود. به طور کلی، میانگین زمان «فرآیند بررسی» بین ارسال یک درخواست پول و ادغام آن در پایگاه کد، پس از معرفی عوامل هوش مصنوعی به طور میانگین ۴۹ درصد افزایش می‌یابد. محققان می‌نویسند که این تأثیر را می‌توان در داده‌های جزء‌به‌جزء نیز مشاهده کرد، به طوری که پس از تغییر به سمت عوامل هوش مصنوعی، «سهم درخواست‌های پول با تغییرات درخواستی تقریباً دو برابر شده و تعداد نظرات به ازای هر درخواست پول ۳۵٪ افزایش یافته است».
در واکنش به این تغییر، محققان افزایشی ۱۴ درصدی در سهم کارگرانی که پس از معرفی عوامل هوش مصنوعی به بررسی کد می‌پردازند، مشاهده کردند. آن‌ها همچنین می‌نویسند که پس از بررسی کل کارگران فعال در Jellyfish و متقاطع‌سازی آن با داده‌های لینکدین در آن شرکت‌ها، «نمی‌توانند تغییرات شغلی قابل‌توجهی را به هوش مصنوعی نسبت دهند».
در حالی که هوش مصنوعی از نظر تئوری می‌تواند در این فرآیند بررسی نیز کمک کند، محققان دریافتند که تاکنون این تأثیر ناچیز بوده است. اگرچه ۸۰ درصد از شرکت‌های اندازه‌گیری‌شده تا مارس ۲۰۲۶ از نوعی بررسی کد هوش مصنوعی استفاده می‌کردند، اما عوامل هوش مصنوعی تنها مسئول ۲۳.۳ درصد از کل نظرات بررسی و ۱۰.۸ درصد از کل درخواست‌های پول بودند، که نشان می‌دهد انسان‌ها همچنان مسئول بخش عمده‌ای از این کار بوده‌اند.
البته عوامل هوش مصنوعی هنوز بخش نسبتاً جدیدی از دنیای برنامه‌نویسی هستند و حتی از زمان قطع داده‌های این مطالعه در مارس ۲۰۲۶، به‌روزرسانی‌ها و ارتقاهای قابل‌توجهی در خروجی آن‌ها انجام شده است. و در حالی که ۹۵ درصد از شرکت‌های موجود در این مطالعه تا این مقطع عوامل برنامه‌نویسی هوش مصنوعی را پیاده‌سازی کرده‌اند، بسیاری بی‌تردید هنوز در حال طی کردن یک فرآیند یادگیری در مورد زمان و نحوه بهترین استقرار آن‌ها هستند. با افزایش تجربه تیم‌های مهندسی نرم‌افزار از مزایا و معایب به کارگیری یک عامل هوش مصنوعی برای مسائل خاص برنامه‌نویسی، این نوع مبادلات «زمان برنامه‌نویسی در برابر زمان بررسی» می‌تواند بهبود یابد.
با این حال، در حال حاضر، اجازه دادن به هوش مصنوعی برای نوشتن کد شما مانند یک شمشیر دو لبه به نظر می‌رسد، به طوری که افزایش سرعت برنامه‌نویسی با افزایش مشابه در زمان و تلاش بررسی کد توسط انسان خنثی می‌شود. این همان نتیجه‌ای است که باعث می‌شود از خود بپرسیم آیا زمان و هزینه قابل توجه برای به کار انداختن عوامل برنامه‌نویسی هوش مصنوعی واقعاً برای بیشتر شرکت‌ها ارزشش را دارد یا خیر.
نظر مهندس بهمن آبادی: سیل کدهای تولید شده توسط هوش مصنوعی، به‌جای افزایش سرعت تحویل محصول، بار cognitive تیم را روی فرآیند Code Review منتقل کرده است. به‌عنوان یک مدرس، به تیم‌ها توصیه می‌کنم به‌جای تمرکز روی کمیت تولید کد، استانداردها و ابزارهای اعتبارسنجی خودکار را تقویت کنند تا از تبدیل شدن هوش مصنوعی به یک عامل بازدارنده جلوگیری شود.
منبع: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/