विदेशी मीडिया के अनुसार, AI प्रोग्रामिंग टूल्स डेवलपमेंट टीमों में "विकल्प" से "डिफ़ॉल्ट कॉन्फ़िगरेशन" बन गए हैं, लेकिन दक्षता में वृद्धि के आशावादी अनुमानों को अधिक लागत और गुणवत्ता समस्याओं ने वास्तविकता में लौटा दिया है। कई अध्ययनों और उद्यमों के मामलों से पता चलता है कि AI कोड लिखने की गति को वास्तव में तेज कर सकता है, लेकिन बाद के रीवर्क को कम करने में समर्थ नहीं हो सकता।
डेवलपर्स AI से दूर जाने को तैयार नहीं हैं
AI अनुसंधान संस्थान METR ने इस वर्ष फरवरी में खुलासा किया कि शोधकर्ता मूल रूप से प्रोग्रामिंग दक्षता पर एक प्रयोग को दोहराना चाहते थे, जिसमें डेवलपर्स द्वारा हाथ से लिखे गए कोड और AI की सहायता से कार्य पूरा किए जाने के बीच अंतर की तुलना की जानी थी, लेकिन प्रगति के दौरान बाधाएँ उत्पन्न हुईं: कई डेवलपर्स यहाँ तक कि प्रयोग के लिए AI उपकरणों को अस्थायी रूप से छोड़ने के लिए भी तैयार नहीं थे।
METR ने 2025 में पहले इसका परीक्षण किया था। भागीदारों ने सामान्यतः महसूस किया कि उनकी दक्षता बढ़ गई है, लेकिन वास्तविक मापन परिणाम विपरीत थे: हालांकि कोड तेजी से उत्पन्न हो रहा था, डेवलपर्स को मॉडल के आउटपुट का इंतजार करने, त्रुटियों को सुधारने और टूल को कार्य पूरा करने के लिए बार-बार निर्देश देने में अधिक समय लगा।
चूंकि डेवलपर्स को बिना AI के जारी रखना मुश्किल था, METR ने बाद में एक सर्वेक्षण जारी किया, जिसमें तकनीकी कर्मचारी स्वयं AI द्वारा लाए गए लाभ का मूल्यांकन कर सकें। प्रतिभागियों ने सामान्य रूप से महसूस किया कि AI ने उनके कार्य के मूल्य को दोगुना कर दिया है।
कंपनियाँ AI निवेश पर पुनर्विचार करना शुरू कर रही हैं
लेख में बताया गया है कि इस तरह के “अपने आप को अधिक कुशल महसूस करने” वाले निर्णय, व्यवसायिक खर्च और वास्तविक उत्पादन के परीक्षण का सामना कर रहे हैं। 2026 के बाद से, सिलिकॉन वैली में AI उपयोग की तीव्रता को मापने के लिए टोकन खपत का उपयोग किया जाता रहा, और इसे उत्पादकता का एक प्रॉक्सी मापदंड माना जाता रहा, लेकिन अब इस प्रथा का स्पष्ट प्रतिक्रियात्मक प्रभाव देखा गया है।
बिजनेस फाइनेंस टाइम्स ने इस हफ्ते रिपोर्ट किया कि अमेज़न ने अपना आंतरिक टोकन रैंकिंग Kirorank बंद कर दिया है, क्योंकि कर्मचारियों ने AI एजेंट्स को अत्यधिक बुलाकर "रैंकिंग बढ़ाई" और लागत बढ़ाई, लेकिन उत्पादन में कोई सुधार नहीं हुआ।
The Information ने रिपोर्ट किया कि यूबर ने 2026 के पहले चार महीनों में पूरे वर्ष का AI बजट खत्म कर दिया। कंपनी के मुख्य संचालन अधिकारी एंड्रू मैकडॉनल्ड ने हाल ही में एक पॉडकास्ट में कहा कि इस तरह के खर्चों से अब तक कोई मापने योग्य प्रोजेक्ट वृद्धि या उत्पादकता में सुधार नहीं हुआ है।
कोड तेजी से लिखना, कम रखरखाव का अर्थ नहीं है
लेख के अनुसार, बड़ी समस्या कोड के रखरखाव में है। प्रोग्रामर और लेखक जेम्स शोर ने हाल ही में एक ब्लॉग पोस्ट में बताया कि यदि कोड लिखने की गति दोगुनी हो जाती है, लेकिन रखरखाव लागत समान रूप से कम नहीं होती, तो टीम केवल अल्पकालिक त्वरण को दीर्घकालिक बोझ में बदल रही है।
इस बिंदु के चारों ओर बाजार में कई डेटा भी सामने आए हैं। रिलायबिलिटी इंजीनियरिंग स्टार्टअप Entelligence AI के संस्थापक Aiswarya Sankar के अनुसार, उद्यमों द्वारा लगभग 44% टोकन खपत AI द्वारा उत्पन्न दोषों को ठीक करने के लिए की जाती है। कोड रिव्यू टूल कंपनी Code Rabbit ने भी कहा कि उनके ओपन सोर्स प्रोजेक्ट्स के पुल रिक्वेस्ट पर किए गए विश्लेषण से पता चलता है कि AI द्वारा उत्पन्न कोड से उत्पन्न समस्याओं की संख्या मानवीय कोड की तुलना में 1.7 गुना अधिक है।
हालांकि ये डेटा संबंधित सेवा प्रदाताओं से आया है और इसमें स्पष्ट रूप से पक्षपात का तत्व है, लेकिन स्वतंत्र अनुसंधान ने भी समान चेतावनी दी है। सिंगापुर प्रबंधन विश्वविद्यालय के शोधकर्ताओं ने इस वर्ष अप्रैल में एक रिपोर्ट जारी की, जिसमें कहा गया कि AI द्वारा उत्पन्न कोड वास्तविक सॉफ्टवेयर प्रोजेक्ट्स को लंबे समय तक रखरखाव की लागत का सामना करना पड़ सकता है।
शोधकर्ता सुझाव देते हैं कि AI को "जूनियर डेवलपर" के रूप में प्रबंधित किया जाए
समाधान के बारे में, लेख में उल्लेख किया गया है कि कुछ AI प्रोग्रामिंग एजेंट निर्माता AI द्वारा उत्पन्न समस्याओं को ठीक करने के लिए अधिक AI का उपयोग जारी रखने का समर्थन करते हैं। AI प्रोग्रामिंग एजेंट Devin के विकासक Cognition के सह-संस्थापक स्कॉट वू इस दृष्टिकोण को स्वीकार करते हैं।
हालांकि, उन्होंने स्वीकार किया कि डेविन कुछ कार्यों को स्वतंत्र रूप से पूरा कर सकता है, लेकिन वर्तमान में इसकी क्षमता कार्य प्रकार के आधार पर अभी भी प्रारंभिक से मध्यम स्तर के प्रोग्रामर के बीच है। इसका मतलब है कि विकास टीम अभी भी कार्यों को पूरी तरह से एजेंट को सौंपकर उन पर भरोसा नहीं कर सकती।
इसके विपरीत, सिंगापुर प्रबंधन विश्वविद्यालय के शोधकर्ताओं द्वारा दी गई सिफारिशें मानवीय समीक्षा पर अधिक केंद्रित हैं: डेवलपर्स को यह स्पष्ट होना चाहिए कि AI कौन से कार्यों में अच्छा है और कौन से में नहीं, AI आउटपुट के लिए गुणवत्ता सुनिश्चित करने की प्रक्रिया बनानी चाहिए, और मॉडल द्वारा उत्पन्न परिणामों की समीक्षा एक प्रारंभिक इंजीनियर के कोड की तरह करनी चाहिए।
अंत में, लेख यह बताता है कि सॉफ्टवेयर आर्किटेक्चर, सुरक्षा डिजाइन आदि उच्च स्तरीय कार्यों में, मानव डेवलपर्स अभी भी मुख्य निर्णय लेने वाले हैं, और यह बात AI एजेंट्स का समर्थन करने वाले पेशेवरों द्वारा भी मानी जाती है।