การถกเถียงอย่างเข้มข้นได้ปะทุขึ้นในชุมชนนักพัฒนาหลังจากงานวิจัยใหม่เกี่ยวกับผลกระทบของ AI ต่อประสิทธิภาพการเขียนโปรแกรม ในขณะที่บริษัทต่างๆ เร่งรีบบูรณาการผู้ช่วยเขียนโค้ด AI การศึกษาล่าสุดได้วาดภาพที่ซับซ้อนของประสิทธิผลที่แท้จริงของเครื่องมือเหล่านี้
นักพัฒนาที่มีประสบการณ์เห็นประสิทธิภาพลดลง
การศึกษาแบบควบคุมโดย METR พบว่านักพัฒนาที่มีประสบการณ์ที่ใช้เครื่องมือเขียนโค้ด AI เช่น Cursor มีประสิทธิภาพลดลง 19% การวิจัยนี้เกี่ยวข้องกับนักพัฒนา 16 คนที่มีประสบการณ์ AI ในระดับปานกลาง ทำงาน 246 งานในโครงการที่เป็นผู้ใหญ่ซึ่งพวกเขามีประสบการณ์โดยเฉลี่ย 5 ปี การค้นพบนี้ท้าทายสมมติฐานที่แพร่หลายว่าเครื่องมือ AI จะเพิ่มประสิทธิภาพของนักพัฒนาอย่างสากล
วิธีการศึกษาเน้นที่นักพัฒนาที่ทำงานในฐานโค้ดขนาดใหญ่ (1.1 ล้านบรรทัดโค้ด) ด้วยงานที่ได้รับมอบหมายแบบสุ่ม เพื่อป้องกันการเลือกพื้นที่ที่คุ้นเคย อย่างไรก็ตาม การวิจัยระบุว่าผู้เข้าร่วมมักใช้เครื่องมือ AI เพียงไม่กี่สิบชั่วโมง ซึ่งบ่งชี้ว่าการลดลงของประสิทธิภาพอาจสะท้อนถึงเส้นโค้งการเรียนรู้มากกว่าข้อจำกัดพื้นฐาน
ผลการศึกษาที่สำคัญ:
- นักพัฒนาที่มีประสบการณ์: ผลิตภาพลดลง 19% เมื่อใช้เครื่องมือ AI
- พนักงานในช่วงต้นอาชีพ (อายุ 22-25 ปี): การจ้างงานลดลง 13% ในอาชีพที่เกี่ยวข้องกับ AI
- โครงการ AI ขององค์กร: อัตราความล้มเหลว 95% ตามการศึกษาของ MIT
- ขอบเขตการศึกษา: นักพัฒนา 16 คน งาน 246 รายการ ที่เก็บข้อมูลโค้ดมากกว่า 1.1 ล้านบรรทัด
ชุมชนแบ่งแยกเรื่องประสิทธิผลของเครื่องมือ AI
ความคิดเห็นของนักพัฒนาแตกต่างกันอย่างมากตามระดับประสบการณ์และกรณีการใช้งาน โปรแกรมเมอร์ที่มีประสบการณ์บางคนรายงานผลกำไรที่สำคัญเมื่อใช้ AI สำหรับงานเฉพาะเช่นการสร้างข้อมูลทดสอบ การสร้างกฎการเน้นไวยากรณ์ หรือการสำรวจโดเมนที่ไม่คุ้นเคย คนอื่นๆ อธิบาย AI ว่าเป็นการสูญเสียเชิงลบทั้งเวลาและคุณภาพที่เป็นประโยชน์หลักกับนักพัฒนาในช่วงต้นอาชีพ
การแบ่งแยกดูเหมือนจะมีศูนย์กลางอยู่ที่วิธีที่นักพัฒนาใช้เครื่องมือเหล่านี้ ผู้ที่ปฏิบัติต่อ AI เป็นการค้นหาแบบคลุมเครือหรือผู้เชี่ยวชาญโดเมนสำหรับการวิจัยมักเห็นคุณค่ามากกว่าผู้ที่พยายามสร้างโค้ดการผลิตโดยตรง นักพัฒนาที่มีประสบการณ์หลายคนเน้นว่า AI ทำงานได้ดีที่สุดสำหรับงานที่กำหนดไว้อย่างชัดเจนซึ่งนักพัฒนารู้แล้วว่าต้องการสร้างอะไร
ปัจจัยที่ส่งผลต่อประสิทธิภาพของเครื่องมือ AI:
- กรณีการใช้งานที่เป็นผลบวก: การสร้างข้อมูลทดสอบ, การเน้นไวยากรณ์, การวิจัยในสาขาต่างๆ, งานที่มีการกำหนดไว้อย่างชัดเจน
- ปัจจัยเชิงลบ: การสร้างโค้ดสำหรับใช้งานจริง, การตัดสินใจเรื่องสถาปัตยกรรมที่ซับซ้อน, ส่วนประกอบของระบบที่สำคัญ
- ความสัมพันธ์กับประสบการณ์: นักพัฒนาระดับเริ่มต้นได้รับประโยชน์มากกว่านักพัฒนาที่มีประสบการณ์
- เส้นโค้งการเรียนรู้: การลดลงของประสิทธิภาพอาจสะท้อนถึงช่วงเวลาการปรับตัวมากกว่าข้อจำกัดของเครื่องมือ
ตลาดงานนักพัฒนาระดับเริ่มต้นได้รับผลกระทบ
การวิจัยของ Stanford ที่ใช้ข้อมูลเงินเดือนจากผู้ให้บริการซอฟต์แวร์เงินเดือนที่ใหญ่ที่สุดในสหรัฐฯ เผยให้เห็นว่าคนงานในช่วงต้นอาชีพ (อายุ 22-25 ปี) ในอาชีพที่เปิดรับ AI ประสบการลดลงของการจ้างงานแบบสัมพัทธ์ 13% ตั้งแต่ปลายปี 2022 การลดลงนี้เกิดขึ้นแม้หลังจากควบคุมปัจจัยทางเศรษฐกิจระดับบริษัทแล้ว ซึ่งบ่งชี้ว่าการนำ AI มาใช้มีบทบาทเกินกว่าสภาวะเศรษฐกิจทั่วไป
ระยะเวลานี้ตรงกับการนำเครื่องมือ AI สร้างสรรค์มาใช้อย่างแพร่หลาย แม้ว่าสมาชิกชุมชนบางคนจะโต้แย้งว่าการลดลงสะท้อนถึงการหดตัวของอุตสาหกรรมเทคโนโลยีในวงกว้างมากกว่าการแทนที่ด้วย AI การวิจัยพบว่าการปรับการจ้างงานเกิดขึ้นหลักผ่านการตัดสินใจจ้างงานมากกว่าการเปลี่ยนแปลงค่าตอบแทน โดยบริษัทดูเหมือนจะเดิมพันว่า AI สามารถจัดการงานระดับเริ่มต้นได้
ความขัดแย้งในการฝึกอบรมเกิดขึ้น
รูปแบบที่น่ากังวลได้เกิดขึ้นซึ่งบริษัทลดการจ้างงานระดับเริ่มต้นในขณะที่คาดหวังให้ AI เติมเต็มช่องว่าง ซึ่งอาจสร้างการขาดแคลนทักษะในอนาคต ดังที่ผู้สังเกตการณ์ชุมชนคนหนึ่งกล่าวไว้:
คณะกรรมการใดที่สนับสนุนการจัดการที่ทำลายกำไรในอนาคตด้วยการไล่ออกหรือไม่จ้างพนักงานระดับเริ่มต้น สมควรได้รับการยกเลิกโบนัส คิดเหมือนนักลงทุนป่าไผ่ ไม่ใช่พืชเงินสดในฤดูกาลหน้า
แนวทางนี้สะท้อนรูปแบบทางประวัติศาสตร์ในอุตสาหกรรมอื่นๆ ที่การลงทุนน้อยเกินไปแบบวัฏจักรนำไปสู่การขาดแคลนทักษะที่สำคัญ อุตสาหกรรมซอฟต์แวร์ได้ประสบวัฏจักรที่คล้ายกันหลังจากการล่มสลายของ dot-com และวิกฤตการเงิน ซึ่งบ่งชี้ว่าบริษัทอาจกำลังทำผิดพลาดในอดีตซ้ำ
โครงการ AI ขององค์กรดิ้นรนที่จะส่งมอบผลลัพธ์
เพิ่มความซับซ้อน การศึกษาล่าสุดของ MIT พบว่า 95% ของโครงการ AI สร้างสรรค์ในองค์กรล้มเหลวในการผลิตผลลัพธ์ที่จับต้องได้ อัตราความล้มเหลวสูงนี้ตรงข้ามอย่างรุนแรงกับประสบการณ์ของนักพัฒนาแต่ละคนและทำให้เกิดคำถามเกี่ยวกับช่องว่างระหว่างความสามารถของเครื่องมือ AI และการดำเนินการขององค์กรที่ประสบความสำเร็จ
การขาดการเชื่อมต่อระหว่างกรณีการใช้งานส่วนบุคคลที่มีแนวโน้มดีและการปรับใช้ขององค์กรที่ล้มเหลวบ่งชี้ว่าการบูรณาการ AI ที่มีประสิทธิภาพต้องการมากกว่าเพียงการเข้าถึงเครื่องมือขั้นสูง มันต้องการเวิร์กโฟลว์ใหม่ แนวทางการฝึกอบรม และความคาดหวังที่สมจริงเกี่ยวกับสิ่งที่ AI ปัจจุบันสามารถและไม่สามารถทำได้
มองไปข้างหน้า
หลักฐานบ่งชี้ว่าผลกระทบของ AI ต่อการพัฒนาซอฟต์แวร์ยังคงขึ้นอยู่กับบริบทอย่างมาก ในขณะที่นักพัฒนาบางคนบรรลุผลกำไรประสิทธิภาพที่สำคัญผ่านการใช้เครื่องมือ AI อย่างระมัดระวังและเลือกสรร คนอื่นๆ พบว่าเครื่องมือเหล่านี้ส่งผลเสียต่อประสิทธิภาพ กุญแจสำคัญดูเหมือนจะเป็นการเข้าใจจุดแข็งและข้อจำกัดของ AI มากกว่าการปฏิบัติต่อมันเป็นโซลูชันสากล
สำหรับอุตสาหกรรม ความท้าทายอยู่ที่การใช้ประโยชน์จาก AI ในขณะที่หลีกเลี่ยงกับดักของการกำจัดนักพัฒนาระดับเริ่มต้นที่จะกลายเป็นพรสวรรค์ระดับอาวุโสในวันพรุ่งนี้ แนวทางปัจจุบันของการแทนที่คนงานระดับเริ่มต้นด้วย AI อาจให้การประหยัดต้นทุนระยะสั้น แต่อาจสร้างช่องว่างทักษะระยะยาวที่พิสูจน์แล้วว่าแพงกว่ามากในการแก้ไข
อ้างอิง: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence