คำสัญญาฟังดูง่ายๆ: เครื่องมือ AI สำหรับเขียนโค้ดจะจัดการงานน่าเบื่อ ทำให้นักพัฒนามีเวลาโฟกัสกับงานสร้างสรรค์และเชิงกstrategic แต่หลักฐานที่เพิ่มขึ้นเรื่อยๆ กลับชี้ว่าเครื่องมือเหล่านี้กำลังสร้างปัญหาใหม่ในขณะที่ไม่สามารถส่งมอบการเพิ่มผลิตภาพตามที่โฆษณาไว้
การศึกษาล่าสุดเผยให้เห็นความขัดแย้งที่น่ากังวลระหว่างความรู้สึกของนักพัฒนาเกี่ยวกับเครื่องมือ AI และผลกระทบที่แท้จริงต่อผลิตภาพ ในขณะที่ 75% ของนักพัฒนารายงานว่ารู้สึกมีผลิตภาพมากขึ้นด้วยความช่วยเหลือของ AI การวัดผลในระดับระบบกลับเล่าเรื่องที่แตกต่างออกไปโดยสิ้นเชิง
ความจริงเบื้องหลังตัวเลข
การศึกษาที่ครอบคลุมของนักพัฒนาซอฟต์แวร์ที่มีประสบการณ์พบว่า ผู้ที่ใช้เครื่องมือ AI ใช้เวลานานกว่า 19% ในการทำงานให้เสร็จเมื่อเทียบกับการทำงานโดยไม่มีความช่วยเหลือจาก AI ที่น่าตกใจยิ่งกว่านั้นคือ นักพัฒนาประเมินว่าตนเองทำงานเร็วขึ้น 20% ด้วย AI - ซึ่งผิดพลาดโดยสิ้นเชิงเกี่ยวกับระดับผลิตภาพของตนเอง
รายงาน DORA 2024 ซึ่งถือเป็นมาตรฐานทองคำสำหรับการวัดประสิทธิภาพการส่งมอบซอฟต์แวร์ เผยผลการวิจัยที่คล้ายกัน การเพิ่มขึ้น 25% ในการใช้ AI มีความสัมพันธ์กับการลดลง 1.5% ของ throughput การส่งมอบ และการลดลง 7.2% ของความมั่นคงในการส่งมอบ นักวิจัยสังเกตว่าบุคคลรายงานว่าใช้เวลาน้อยลงในงานที่มีคุณค่าเมื่อการใช้ AI เพิ่มขึ้น - ตรงข้ามกับสิ่งที่เครื่องมือเหล่านี้สัญญาไว้
ผลการศึกษาประสิทธิภาพการทำงานของ AI:
- นักพัฒนาที่ใช้เครื่องมือ AI: ทำงานช้าลง 19%
- การรับรู้ของนักพัฒนาเอง: เร็วขึ้น 20% (ไม่ถูกต้อง)
- การใช้งาน AI เพิ่มขึ้น 25% → ประสิทธิภาพการส่งมอบลดลง 1.5%
- การใช้งาน AI เพิ่มขึ้น 25% → ความเสถียรในการส่งมอบลดลง 7.2%
- นักพัฒนา 75% รายงานว่ารู้สึกมีประสิทธิภาพมากขึ้น แม้ว่าประสิทธิภาพระดับระบบจะลดลง
ภาระทางปัญญาที่ซ่อนอยู่
ความขัดแย้งเกิดจากการเปลี่ยนแปลงพื้นฐานในวิธีที่นักพัฒนาใช้พลังงานทางจิต แทนที่จะเขียนโค้ดตั้งแต่เริ่มต้น นักพัฒนาตอนนี้ต้องสร้าง prompt ตรวจสอบผลลัพธ์ของ AI เพื่อความถูกต้อง และแก้ไขปัญหาการจัดรูปแบบ แทนที่จะทำการวิจัยโดยตรง พวกเขาต้องตรวจสอบข้อเท็จจริงจากสรุปของ AI และอ้างอิงข้อมูลจากแหล่งที่พวกเขาไม่ไว้วางใจอย่างเต็มที่
สิ่งนี้สร้างสิ่งที่นักวิจัยอธิบายว่าเป็นภาระทางปัญญาแบบใหม่ - ความพยายามอย่างต่อเนื่องที่ต้องใช้ในการกรองและตรวจสอบผลลัพธ์ของ AI นักพัฒนาได้แลกเปลี่ยนงานการนำไปปฏิบัติกับการควบคุมคุณภาพ และการควบคุมคุณภาพกลับกลายเป็นเรื่องที่ทำให้เหนื่อยล้าทางจิตในแบบที่อุตสาหกรรมยังไม่ได้รับรู้อย่างเต็มที่
การอภิปรายในชุมชนเผยให้เห็นตัวอย่างการปฏิบัติจริงของภาระนี้ ทีมพัฒนารายงานว่าได้รับ pull request ที่มีการเปลี่ยนแปลงหลายร้อยรายการที่ผู้ส่งไม่สามารถอธิบายได้ ส่งผลให้ได้รับการตอบกลับเช่น ฉันไม่รู้ Claude ทำแบบนั้น เมื่อถูกถามเกี่ยวกับการตัดสินใจในการออกแบบ ผู้ตรวจสอบโค้ดพบว่าตนเองใช้เวลามากขึ้นอย่างมีนัยสำคัญในการทำความเข้าใจโค้ดที่ AI สร้างขึ้นมากกว่าที่เคยใช้กับงานที่มนุษย์เขียน
ผลกระทบจากกฎของ Parkinson
แม้เมื่อเครื่องมือ AI ช่วยประหยัดเวลาได้จริง เวลานั้นก็ไม่ค่อยแปลงเป็นการลดภาระงาน เวลาที่ประหยัดได้ถูกเติมด้วยการประชุมเพิ่มเติม การจัดการเครื่องมือ AI หลายตัว หรือการรับโครงการเพิ่มเติม สิ่งนี้เป็นไปตามกฎของ Parkinson เวอร์ชันผลิตภาพ - งานขยายตัวเพื่อเติมเต็มเวลาที่มี โดยไม่คำนึงถึงการปรับปรุงประสิทธิภาพ
คุณได้รับการปรับปรุงประสิทธิภาพ 1.2 เท่า แต่ได้งาน 2 เท่า
รูปแบบนี้สะท้อนพลวัตในที่ทำงานที่กว้างขึ้น ซึ่งการเพิ่มผลิตภาพเป็นประโยชน์ต่อนายจ้างผ่านการเพิ่มผลผลิตมากกว่าที่จะเป็นประโยชน์ต่อพนักงานผ่านการลดชั่วโมงการทำงานหรือความเครียด
ความท้าทายในการควบคุมคุณภาพ
ชุมชนรายงานแนวโน้มที่น่ากังวลในคุณภาพโค้ดและความเข้าใจ นักพัฒนาระดับเริ่มต้นที่อาจจะต้องดิ้นรนผ่านปัญหาเพื่อเรียนรู้ ตอนนี้กำลังส่งโซลูชันที่ AI สร้างขึ้นซึ่งพวกเขาไม่เข้าใจ สิ่งนี้สร้างช่องว่างความรู้ที่อันตรายซึ่งนักพัฒนาพึ่งพาเครื่องมือที่พวกเขาไม่สามารถประเมินอย่างเหมาะสมได้
นักพัฒนาที่มีประสบการณ์สังเกตว่าโค้ดที่ AI สร้างขึ้นมักจะมีความซับซ้อนที่ไม่จำเป็น ส่วนโค้ดที่เข้าถึงไม่ได้ หรือการกำหนดค่าที่ไม่มีใครในทีมเข้าใจ กระบวนการตรวจสอบกลายเป็นเรื่องของการควบคุมความเสียหายมากกว่าการปรับปรุงแบบร่วมมือ
ปัญหาทั่วไปในการพัฒนา AI:
- Pull request ที่มีการเปลี่ยนแปลงหลายร้อยจุดโดยไม่มีคำอธิบาย
- นักพัฒนาไม่สามารถอธิบายการตัดสินใจในการออกแบบโค้ดที่สร้างโดย AI ได้
- เวลาในการตรวจสอบโค้ดเพิ่มขึ้น (ในบางกรณีนานขึ้นถึง 9 เท่า)
- นักพัฒนาระดับเริ่มต้นส่งโค้ดที่ตัวเองไม่เข้าใจ
- ความซับซ้อนที่ไม่จำเป็นและส่วนของโค้ดที่ไม่สามารถเข้าถึงได้
การค้นหาสมดุลในยุค AI
โซลูชันไม่ใช่การละทิ้งเครื่องมือ AI โดยสิ้นเชิง แต่เป็นการเปลี่ยนแปลงความคาดหวังเกี่ยวกับการใช้งานอย่างพื้นฐาน การนำมาใช้ที่ประสบความสำเร็จต้องการการปฏิบัติต่อ AI เป็นพันธมิตรในการร่วมมือมากกว่าการทดแทนความเข้าใจ นักพัฒนาที่ใช้ AI อย่างมีประสิทธิภาพยังคงรักษาความเข้าใจอย่างลึกซึ้งเกี่ยวกับโค้ดของตนและสามารถอธิบายทุกบรรทัดที่พวกเขาส่งได้
องค์กรที่เห็นผลลัพธ์เชิงบวกจากเครื่องมือ AI ลงทุนในการเปลี่ยนแปลงที่เสริมกัน - กระบวนการใหม่ การฝึกอบรม และโครงสร้างพื้นฐาน พวกเขาไม่ได้แค่ติด AI เข้ากับ workflow ที่มีอยู่และคาดหวังการปรับปรุงทันที
ระยะปัจจุบันแสดงถึงสิ่งที่นักเศรษฐศาสตร์เรียกว่า J-curve - การลดลงของผลิตภาพชั่วคราวตามด้วยการเพิ่มขึ้นในที่สุด แต่เฉพาะหลังจากช่วงการปรับตัวที่สำคัญเท่านั้น สิ่งสำคัญคือการรับรู้ว่าเราน่าจะยังคงอยู่ในช่วงการลดลงเริ่มต้นนั้น และนั่นเป็นเรื่องปกติสำหรับการเปลี่ยนผ่านทางเทคโนโลยีที่สำคัญใดๆ
การพัฒนาผลิตภาพที่แท้จริงอาจไม่ได้มาจากการใช้ AI ให้เร็วขึ้น แต่จากการเรียนรู้ว่าเมื่อไหร่ไม่ควรใช้มันเลย บางครั้งแนวทางที่มีประสิทธิภาพที่สุดยังคงเป็นแบบดั้งเดิม - การเข้าใจปัญหาอย่างลึกซึ้งและการสร้างโซลูชันด้วยความเข้าใจอย่างเต็มที่เกี่ยวกับผลกระทบของมัน
อ้างอิง: AI promised efficiency. Instead, it's making us work harder.