Nagdulot ng 180% na pagtaas ng produktibidad ng mga programmer gamit ang AI. Ngunit hindi tumataas ang bilang ng mga app na talagang ginagamit ng mga tao. Ang dalawang numero ay nasukat sa pamamagitan ng 100,000 na developer, at kasama nila, ito ang pinakamalungkot na datos sa teknolohiya noong 2026. Ang pag-aaral ay galing sa NBER. Pinagsama nila ang aktwal na aktibidad sa GitHub kasama ang data ng paggamit ng AI ng bawat developer, at hinati ang epekto ng bawat henerasyon ng kasangkapan. Ang pagtaas sa produksyon ng code ay abstruso: → Autocomplete: +40% → Mga agent na nakikipag-usap sa iyo: +140% → Mga autonomous agent: +180% Halos tatlong beses na higit na code na lumalabas mula sa iisang tao. Mukhang ito ang pinakadakilang revolusyon sa produktibidad na nakita ng mundo. Ngunit pagkatapos ay ginawa ng mga mananaliksik ang tanong na hindi nais gawin ng karamihan: Gaano karami sa ito ang naging produkto sa kamay ng isang tao? Tinatalakay kung ano ang nangyari sa 180% na pagtaas. Bumaba ito sa +50% kapag sinusukat batay sa bilang ng mga proyekto. Kapag napunta ka sa tunay na inilabas, natitira lang ang +30%. Halos lahat ng pagtaas ay nawala sa paglalakbay. At may mas masamang bahagi pa. Tingnan ang grap ng Financial Times. Ang linya ng paglalabas ng mga app ay tumalon. Samantalang ang bilang ng mga app na nakakakuha ng tunay na paggamit ay nanatiling nakapikit, at nagsimulang bumaba ang mga pagsusuri ng mga user. Ang AI ay puno ng software na hindi binubuksan ng sinuman. Ang pinakadakilang kakayahan sa produksyon sa kasaysayan, ginugastos upang lumikha ng bagay na namamatay araw ng paglalabas. Bakit ito nangyari? Ang code ay laging ang madaling bahagi ng kuwento. Ang masamang trabaho ay sumusunod dito: pagsusuri, pagpapatotoo na gumagana, pagpapalabas nito, at pagpapakumbinsi sa isang tao na gamitin ito. Ang AI ay nagpalalipat nang malaki ang isang solong kadena sa serye, at ipinakita kung gaano karami pa ring nakadepende ang lahat ng iba sa tao. Ano ang magbabago para sa mga nagbuo mula dito pababa ay direktang malinaw. Ang AI ay ginawa nang sobrang mura ang pagsusulat ng code hanggang maging commodity. Lahat ay makakagawa ngayon, at mabilis. Ang magiging ginto sa susunod na dekada ay ang “taste” at paghuhusga: malaman kung ano ang dapat umiral bago mo gagastusin ang unang oras para magbuo.

Nagmula tayo sa: “Will AI replace us?” patungo sa: “Which AI should I use today?” Mabilis nangyari iyon.

Ang pinakamalakas na akademyikong larangan na pinapansin ng Harvard, Yale, Pennsylvania, Cornell, Columbia University, atbp., mga Amerikanong Ivy League, pati na rin ang mga pangunahing kumpanya sa buong mundo tulad ng Google, Amazon, at Netflix ay ang "behavioral economics." Kung matututuhan mo nang agham ang bakit gumagawa ng ganitong kilos ang mga tao, masisigurado mong magiging walang kalaban-laban ka sa lahat ng sitwasyon. Kailangan mo na lang matuto.

Isang mabuting paalala sa mga developer na mahilig sa AI na nagsasabing kahit anong test ang lumalampas—unit tests, smoke tests, o anumang test—sapat na ang AI na basura. Bawal! Ang mga test ay nagpapatotoo lamang na ang code ay lumalampas sa test suite, wala nang iba. Hindi sila nagpapatotoo ng sarili nila na ang code ay tama, ligtas, madaling pangalagaan, epektibo, atbp. Ang mga ito ay mas mahirap sukatin at may malaking ugnayan sa organisasyon, arkitektura, kultura, at komon na kaalaman ng mga nagpapanatili, atbp. Lahat ng ito ay kulang sa panahon at pagkatapos ng [pagsasalin na may kakayahan ng AI] [sa Bun.]"

Sa paniniwala ni Elon Musk, ang mga programming language ay magiging lubos na walang kwenta sa taong ito. Dahil hindi na kailangan ng AI ang mga programming language.

Mga tao na umalis sa OpenAI para sa Anthropic, bilyon-bilyon na ginastusan sa mga custom chip para sa AGI Samantala, ang karaniwang negosyo ay patuloy na nawawala ng mga lead dahil wala namang sumagot sa loob ng 6 na oras Hindi na ang edge ang model, kundi sino ang talagang pinagsasama ito sa trabaho

Binabangon ni Boris ang pagbabago na batay sa aking sariling negosyo sa mga nakalipas na ilang buwan. Ang lumang paraan ng pagpapalawak ng isang ahensya: maghiring ng isang junior, turuan sila sa iyong mga huling 10 proyekto, at umasa na sapat ang kanilang natutunan upang hindi magsimula muli mula sa zero ang ika-11 na proyekto. Ulitin ito gamit ang isang senior upang pamahalaan ang mga junior. Ulitin ito gamit ang isang VP upang pamahalaan ang mga senior. Bawat antas ay nagdadagdag ng overhead, at bawat antas ay nagdudulot ng pagkawala ng kaalaman na nasa isip ng tagapagtatag. Nang dumating na ang ahensya sa 30 katao, nawala na ang orihinal na kalidad at ang tagapagtatag ay nagsisigaw sa mga bagay na hindi niya tinuruan. Ang bagong paraan: kumolekta ng data mula sa bawat pagbuo para sa isang structured library, tapos isulat ang mga loop na tumatakbo laban dito. Mga agent na tumitingin sa nakaraang pattern, nakaraang pagtutol, nakaraang desisyon sa arkitektura, at nakaraang mode ng pagkabigo. Kapag dumating ang bagong kliyente, iniiyak ng mga loop kung ano ang dapat i-ship bago kahit sino sa tim ay basahin ang brief. Hindi mula sa teorya, kundi mula sa 50 na pagbuo na na-proseso na ng mga loop. Ang math sa headcount ay bumubuo. Ang paghiring ay tumataas nang linear kasama ang overhead. Ang mga loop ay tumataas batay sa laki ng data library, na kumukumulasyon araw-araw bawat pagbuo. Ano ito sa praktika para sa akin ngayon: Bawat client kickoff ay nagdadala sa isang structured project log. Bawat desisyon sa arkitektura ay may tag at deskripsyon. Bawat isyu na hinaharap namin sa production ay nare-record kasama ang solusyon. Bawat prompt na nagtrabaho sa isang partikular na uri ng integration ay naka-store batay sa uri ng integration. Nang dumating na ang ika-50 na kliyente, ang sistema ay naka-proseso na ng 49 bersyon ng “paano karaniwang bumubulok ang ganitong uri ng pagbuo sa linggo 6.” Hindi autonomous ang mga loop. Sinusuri ko ang bawat output. Hindi sila gumagawa ng mga desisyon sa arkitektura. Sila ay nagpapakita ng mga kandidato. Sila ay nagsusulat ng dokumentasyon. Sila ay nagpropose ng mga feature addition batay sa kung ano ang nagtrabaho sa mga nakaraang katulad na pagbuo. Ang tao ay nananatili sa loop sa bawat desisyon na may kaugnayan sa value ng kliyente. Ngunit ano ang kanilang inilalabas ay isang uri ng leverage na hindi maihahambing sa paghiring. Ang isang senior engineer ay may 10 taon ng pattern recognition. Ang mga loop ay may lahat ng pattern mula sa lahat ng pagbuo na ipinadala ko, ma-access sa ilang segundo. Mas nagiging mas mahusay ang pattern recognition ng engineer habang lumalago ang kanilang karera. Mas nagiging mas mahusay ang mga loop araw-araw, lalo na tuwing Lunes. Binabangon ni Boris ang pagbabagong ito sa antas ng mode: Ang pagbabago ay eksaktong pareho sa antas ng ahensya. Hindi na ang trabaho ang pagpaprompt sa AI. Ang trabaho ay pagsusulat ng mga loop na nagpaprompt sa AI, at pagkolekta ng data kung saan tumatakbo ang mga loop. Ang karamihan sa mga ahensya noong 2027 ay magiging isa sa dalawa: O isang shop na nagpapalawak ng headcount at patuloy na naghahiring ng juniors o isang studio na nagpapalawak ng loops, may kaunting bahagi ng tim at 10x na throughput bawat builder. Hindi pa ganap na autonomous. Hindi nagpapakita na sila’y pareho. Ngunit ang architectural shift ay totoo—at hindi pa naitatanim ng karamihan sa mga operator na ito’y umaaply din sa kanilang negosyo, hindi lang sa AI na gumagawa nito.

Subukan ‘to: mag-rap ng sarili mong mga daliri sa isang pader para ang ingay ay manatili ang mga leon laban sa iyong komunidad. Wala bang mga leon? Kung itinuturing mo ‘yon bilang patunay na gumagana ang iyong estratehiya, naiintindihan mo na ang investment strategy ng karamihan sa industriya ng AI ngayon 😎😆 #CryptoSatire #CryptoVerse #AI #AgenticAI #AIInfrastructure #Anthropic #Claude #OpenAI #ChatGPT #AgenticEconomy