วงการพัฒนาซอฟต์แวร์กำลังตื่นตัวกับคำมั่นสัญญาด้านประสิทธิภาพการทำงานที่ปฏิวัติวงการผ่านการเขียนโค้ดด้วย AI วิศวกรของ Amazon เมื่อไม่นานมานี้ได้เปิดเผยว่าทีมของเขาบรรลุผลผลิตการเขียนโค้ดเพิ่มขึ้น 10 เท่าโดยใช้ AI agents อย่าง Amazon Q และ Kiro แต่ชุมชนนักพัฒนายังไม่เชื่อถืออย่างเต็มที่ ในขณะที่ทีมต่างๆ ต่างเร่งนำเครื่องมือใหม่เหล่านี้มาใช้ คำถามก็เกิดขึ้นว่าวิธีการพัฒนาปัจจุบันของเราจะรับมือกับความเร็วที่เพิ่มขึ้นนี้ได้หรือไม่
คำมั่นด้านผลิตภาพพบกับความกังวลในทางปฏิบัติ
ข้อกล่าวอ้างหลักที่ขับเคลื่อนการปฏิวัติการเขียนโค้ดด้วย AI คือการปรับปรุงประสิทธิภาพการทำงานอย่างมาก ทีมงานรายงานว่าสามารถเขียนโค้ดด้วยความเร็วที่ไม่เคยมีมาก่อน โดยวิศวกรคนหนึ่งระบุว่าขณะนี้โค้ด 80% ที่พวกเขาอนุมัติมาจาก AI agents แนวทาง agentic coding นี้กำหนดให้มนุษย์มีบทบาทเป็นผู้ตรวจสอบและผู้ควบคุมแทนที่จะเป็นผู้เขียนโค้ดหลัก กระบวนการทำงานเกี่ยวข้องกับการแบ่งงานออกเป็นส่วนๆ การป้อนคำสั่งให้ AI agents และการตรวจสอบผลลัพธ์อย่างรอบคอบก่อนที่จะอนุมัติการเปลี่ยนแปลง
อย่างไรก็ตาม ชุมชนนักพัฒนายังคงสงสัยเกี่ยวกับสิ่งที่ความเร็วที่เพิ่มขึ้นนี้ส่งมอบจริงๆ บางความคิดเห็นตั้งคำถามว่าโค้ดที่มากขึ้นจำเป็นต้องหมายถึงซอฟต์แวร์ที่ดีกว่าหรือไม่ โดยชี้ให้เห็นว่าบทความให้รายละเอียดน้อยมากเกี่ยวกับสิ่งที่ถูกสร้างขึ้นจริงด้วยแนวทางเร่งความเร็วนี้
บทความเกี่ยวกับ LLM แบบคลาสสิก: ข้อมูลเชิงนามธรรมที่แสดงให้เห็นถึงการเพิ่มขึ้นของ 'ประสิทธิภาพการทำงาน' ... ตรวจสอบแล้ว ขาดข้อมูลเกี่ยวกับสิ่งที่ถูกสร้างขึ้นด้วย 'ประสิทธิภาพการทำงาน' นั้นโดยสิ้นเชิง ... ตรวจสอบแล้ว
ตัวชี้วัดประสิทธิภาพการทำงานที่รายงาน:
- 80% ของโค้ดที่ commit ถูกเขียนโดย AI agents
- เพิ่มประสิทธิภาพการเขียนโค้ดสูงขึ้น 10 เท่าเมื่อเทียบกับทีมที่มีความเร็วสูงทั่วไป
- บั๊กที่ส่งผลกระทบต่อการใช้งานจริงอาจเพิ่มขึ้นจาก 1-2 ครั้งต่อปีเป็นทุกสัปดาห์ที่ความเร็วปัจจุบัน
โครงสร้างพื้นฐานการทดสอบรับมือไม่ไหวกับปริมาณโค้ดที่สร้างโดย AI
การผลิตโค้ดที่เร่งความเร็วอย่างรวดเร็วเผยให้เห็นจุดอ่อนพื้นฐานในแนวทางการทดสอบแบบดั้งเดิม เมื่อทีมงานย้ายจากการส่งโค้ดไม่กี่ครั้งต่อวันไปเป็นหลายสิบครั้ง ไปป์ไลน์ CI/CD และกลยุทธ์การทดสอบที่มีอยู่จะกลายเป็นจุดติดขัดอย่างรวดเร็ว ผู้เขียนบทความเปรียบเทียบสิ่งนี้กับการแข่ง Formula 1 - ความเร็วสูงต้องการระบบความปลอดภัยที่เหนือกว่าและความสามารถในการตอบสนองที่รวดเร็ว
นักพัฒนาบางคนแย้งว่าวิธีแก้ไขไม่ได้ใหม่ การจำลองการพึ่งพาและกลยุทธ์การทดสอบที่ครอบคลุมมีมานานหลายทศวรรษแล้ว แต่การบำรุงรักษามักมีค่าใช้จ่ายสูงเกินไป สิ่งที่พลิกแพลงคือตอนนี้ AI agents อาจช่วยสร้างและบำรุงรักษาโครงสร้างพื้นฐานการทดสอบที่ซับซ้อนซึ่งจำเป็นสำหรับการรองรับโค้ดที่สร้างโดย AI สร้างวงจรที่ส่งเสริมตัวเอง
แนวทางการพัฒนา:
- "Agentic coding" - การทำงานร่วมกันระหว่างมนุษย์และ AI
- ทุกการ commit จะมีวิศวกรตรวจสอบและอนุมัติ
- กฎการควบคุมที่จำกัดพฤติกรรมของ AI agent
- ภาษาโปรแกรม Rust ได้รับการสนับสนุนเนื่องจากความปลอดภัยของ compiler
ความท้าทายด้านการสื่อสารและการประสานงานทวีความรุนแรงขึ้น
ที่ความเร็วในการพัฒนาสูงขึ้น 10 เท่า ทีมงานต้องเผชิญกับความท้าทายด้านการประสานงานซึ่งวิธีการสื่อสารแบบดั้งเดิมไม่สามารถจัดการได้ ความเร็วที่เพิ่มขึ้นหมายถึงการตัดสินใจทางสถาปัตยกรรมที่เกิดขึ้นพร้อมกันมากขึ้น สร้างความขัดแย้งที่อาจเกิดขึ้นเมื่อการเปลี่ยนแปลงของวิศวกรมาบรรจบกัน บางความคิดเห็นระบุว่าวิธีแก้ไขของ Amazon - ให้ทีมนั่งทำงานร่วมกันเพื่อการประสานงานทันที - ไม่สามารถขยายขนาดได้สำหรับทีมที่กระจายอยู่
จุดติดขัดด้านการสื่อสารกลายเป็นสิ่งสำคัญเมื่อวิศวกรหลายคนกำลังตัดสินใจซึ่งส่งผลต่อฐานโค้ดที่ใช้ร่วมกัน การรอการตอบกลับบน Slack หรือการประชุมตามกำหนดการสร้างความล่าช้าที่สะสมอย่างรวดเร็วที่ความเร็วสูง สิ่งนี้ชี้ให้เห็นว่าทีมที่ใช้ AI ช่วยที่ประสบความสำเร็จอาจจำเป็นต้องคิดใหม่ไม่เพียงแต่เครื่องมือของพวกเขาเท่านั้น แต่รวมถึงรูปแบบการทำงานร่วมกันพื้นฐานของพวกเขาด้วย
เครื่องมือ AI ที่สำคัญที่ได้กล่าวถึง:
- Amazon Q (ผู้ช่วยเขียนโค้ดด้วย AI)
- Kiro (ผู้ช่วยเขียนโค้ดด้วย AI)
- Claude (ถูกกล่าวถึงในความคิดเห็นว่าเป็นทางเลือก)
ต้นทุนจริงของการพัฒนาความเร็วสูง
ภายใต้ข้อกล่าวอ้างด้านผลิตภาพคือความเป็นจริงที่น่ากังวลมากขึ้น: ความเร็วที่เพิ่มขึ้นอาจหมายถึงบั๊กและปัญหาการผลิตที่เพิ่มขึ้น การคำนวณเป็นเรื่องตรงไปตรงมา - หากอัตราความผิดพลาดยังคงที่ในขณะที่ปริมาณการส่งโค้ดเพิ่มขึ้น 10 เท่า เหตุการณ์ในระบบผลิตอาจเกิดขึ้นทุกสัปดาห์แทนที่จะเป็นเหตุการณ์รายปี
นักพัฒนาบางคนตีความคำเรียกร้องให้มีการทดสอบที่ดีขึ้นเป็นการยอมรับว่าการเขียนโค้ดด้วย AI สร้างโค้ดที่มีปัญหามากขึ้น ชุมชนยังคงแตกออกเป็นสองฝ่ายว่าผลกำไรด้านผลิตภาพสมเหตุสมผลกับการแลกเปลี่ยนด้านคุณภาพที่อาจเกิดขึ้นหรือไม่ โดยบางส่วนกังวลว่าฝ่ายจัดการจะบังคับใช้เครื่องมือ AI โดยไม่เข้าใจความต้องการด้านโครงสร้างพื้นฐานที่จำเป็นเพื่อสนับสนุนพวกมัน
เส้นทางข้างหน้าสำหรับการพัฒนาที่ใช้ AI ช่วยดูเหมือนจะต้องการการเปลี่ยนแปลงพื้นฐานต่อวงจรชีวิตการพัฒนาซอฟต์แวร์ทั้งหมด ทีมงานไม่สามารถแค่เพิ่มเครื่องมือ AI เข้ากับกระบวนการที่มีอยู่และคาดหวังการปรับปรุงที่ยั่งยืนได้ ความก้าวหน้าที่แท้จริงอาจมาถึงเมื่อองค์กรใช้ AI ไม่เพียงเพื่อเขียนโค้ดให้เร็วขึ้น แต่เพื่อสร้างโครงสร้างพื้นฐานที่แข็งแกร่งซึ่งจำเป็นสำหรับการสนับสนุนการพัฒนาที่เร่งความเร็วอย่างปลอดภัย
อ้างอิง: The New Calculus of Al-based Coding