В условиях быстро меняющегося технологического ландшафта, где ИИ-инструменты для кодирования, такие как ChatGPT, GitHub Copilot и Cursor, занимают центральное место, крайне важно получить четкое представление об их истинном влиянии на производительность. Несмотря на громкие заявления о 10-кратном увеличении, наш опыт в студии, подкрепленный отраслевыми данными, такими как 21% повышение производительности разработчиков согласно исследованию Google, указывает на более умеренный, но все же значительный рост эффективности.
Мы не ставим под сомнение ценность ИИ. Наоборот, мы являемся активными сторонниками его интеграции в наши рабочие процессы. Наши опытные инженеры-программисты отмечают заметное повышение производительности благодаря этим инструментам. Однако, как студия, мы обязаны рассмотреть долгосрочные последствия чрезмерной зависимости от ИИ. Возникают критические вопросы: снижает ли это наши собственные способности к написанию кода? Лишает ли это нас необходимой практики, замедляя темпы обучения и развития навыков?

Хотя прямые исследования влияния ИИ на навыки кодирования все еще находятся на ранней стадии, недавняя работа Массачусетского технологического института по написанию эссе дает повод для размышлений. В этом исследовании участники, использующие ChatGPT, «последовательно отставали» от тех, кто использовал традиционные методы, особенно при необходимости цитирования своего собственного текста. Более того, группа, не использующая ИИ, демонстрировала «более обширные взаимодействия мозговых сетей», что указывает на более глубокую когнитивную вовлеченность.

Хотя написание кода отличается от написания эссе, эта корреляция вызывает опасения. Крайне важно осознавать, как мы используем инструменты ИИ. Делегирование всего процесса мышления ИИ, как, по-видимому, делали участники в исследовании с эссе, может привести к зависимости, которая препятствует развитию навыков. В нашей студии мы поощряем подход, при котором каждый инженер понимает каждую строку сгенерированного кода, что превращает его в процесс рецензирования и обучения, а не слепого доверия. Тем не менее, возникает вопрос: является ли рецензирование таким же глубоким учебным опытом, как создание с нуля? Наш текущий анализ предполагает, что нет.

Неоспоримо, что ИИ-инструменты обеспечивают значительную экономию времени. Раньше поиск эффективной реализации распространенной функции, такой как debounce, требовал бы поиска на таких платформах, как StackOverflow. Теперь такие инструменты, как Cursor, мгновенно предоставляют эти решения. Мы считаем, что это разумное использование ИИ: не каждый аспект разработки требует запоминания низкоуровневых реализаций.

Кроме того, для более крупных задач, таких как генерация юнит-тестов, ИИ может предоставить эффективные отправные точки. Хотя вывод почти всегда требует доработки, он значительно сокращает время, затрачиваемое на создание шаблонного кода и настройку существующих файлов.

Для нашей студии, где производительность и качество являются ключевыми показателями, эти преимущества ИИ неоценимы. Однако мы также подчеркиваем важность постоянного обучения и глубокого понимания кода. Мы твердо верим, что на постоянно развивающемся рынке труда всегда будет высокий спрос на инженеров, обладающих глубокими знаниями в области кодирования, независимо от возможностей LLM.

Таким образом, наш подход заключается в нахождении оптимального баланса. Полный отказ от ИИ был бы контрпродуктивным, особенно учитывая растущую важность «навыков ИИ» на современном рынке труда. Однако мы активно поощряем целенаправленное и стратегическое использование ИИ, при котором инженеры не делегируют ИИ ключевые процессы мышления, а скорее используют его для повышения эффективности и расширения своих возможностей.