Автор техноблога Мэтью Хансен опубликовал пост, посвящённый использованию ИИ в работе инженеров. Он отмечает, что технология не всегда ускоряет процессы, а иногда и усложняет часть задач.
По словам Хансена, раньше разработчики искали информацию в Google, читали StackOverflow, статьи или сообщения на GitHub, проводили исследование, проверяли информацию в этом контексте и приходили к собственным выводам. «Никто не говорил: “Google сделал это за меня” или “Это был первый результат, значит, это правда”. Теперь я начинаю слышать: “ИИ сделал это за меня”», — замечает он.
При этом Хансен не отрицает плюсов вайб-кодинга для прототипирования или личных проектов с «низкими ставками». «Но когда ставки высоки, каждая строка кода имеет последствия», — пишет автор.
Он поделился собственным опытом. Так, Хансен попросил ИИ-агента добавить тест в определённый файл личного проекта. «Файл был на 500 строк до запроса и на 100 строк после. Я спросил, почему он удалил всё остальное содержимое. Он сказал, что не удалял. Затем он сказал, что файла раньше не существовало. Я показал ему историю Git, и он извинился, сказав, что ему следовало сначала проверить, существует ли файл», — рассказал автор.
По мнению Хансена, использование ИИ может отнимать больше времени, чем экономить. Он приводит свой пример и отмечает, что потратил больше времени на споры с агентом и восстановление файла, чем ушло бы на написание теста самостоятельно.
«Использование ИИ в качестве инструмента исследования, а не сразу обращение к ИИ как к поставщику решений, — это шаг, который некоторые пропускают. Исследование с помощью ИИ — недооценённый навык, который не так прост, и требуется практика, чтобы понять, когда ИИ ошибается. Использование сгенерированного ИИ кода может быть эффективным, но если мы дадим ИИ больше простых задач по написанию кода, мы можем попасть в ловушку, когда такая помощь отнимает больше времени, чем экономит», — уверен Хансен.
При этом автор говорит, что написание кода — это лёгкая часть работы, а сложная часть — это именно исследование, понимание контекста, проверка предположений и понимание того, почему тот или иной подход является правильным в данной ситуации.
«Когда вы передаёте лёгкую часть ИИ, у вас не остаётся меньше работы. У вас остаётся только сложная работа. И если вы пропустили расследование, потому что ИИ уже дал вам ответ, у вас нет контекста, чтобы оценить то, что он вам дал», — полагает Хансен.
При этом автор привёл пример дискуссии с инженерной сессии, в которой участвовал его друг. Там был поднят вопрос: если команда работает в режиме спринтов, то от неё ожидают сохранения существующих темпов. «Уставшие инженеры упускают из виду крайние случаи, пропускают тесты, выпускают баги. Больше инцидентов, больше давления, больше спринтов. Это подпитывает само себя… Разговор переходит от “как они это сделали?” к “почему они не могут делать это каждый раз?”» — утверждает Хансен.
«Когда люди утверждают, что ИИ делает их в 10 раз продуктивнее, возможно, это превращает их из инженеров с производительностью 0,1x в инженеров с производительностью 1x. Так что технически да, их производительность увеличилась в 10 раз. Вопрос в том, является ли это повышением производительности или выявлением того, насколько мало исследований они проводили раньше. Выгорание и выпуск некачественной продукции сведут на нет любые преимущества в производительности, которые даёт ИИ. Вы не сможете оптимизировать людей, которые слишком устали, чтобы ясно мыслить», — продолжает автор свою мысль.
По словам Хансена, ИИ могут обладать высокой квалификацией в написании кода, но их результатам стоит доверять так же, как и результатам младшего инженера. Либо же ИИ-агентов можно использовать как «гения, который очень быстро читает и может помочь в исследованиях и написать какой-нибудь код, но он не был на прошлой неделе на совещании, чтобы обсудить важную предысторию и контекст».
Автор считает, что разработчики по-прежнему должны брать на себя ответственность за анализ каждой строки кода, который они выпускают, а также за сгенерированный ИИ.
«На днях возникла производственная ошибка. Пользователь отправил запрос в сервисную службу через пару часов после крупного релиза. Была обнаружена ошибка отображения часового пояса в частном случае. У разработчика, внесшего изменение, оставалось 30 минут до того, как ему нужно было уйти на занятие, а я уже был дома. Поэтому я использовал ИИ для исследования, сообщив ему, что ошибка, должно быть, связана с недавними изменениями, и объяснив, как мы можем её воспроизвести. Оказалось, что некоторые устаревшие методы имели приоритет над текущими, учитывающими часовой пояс, поэтому преобразование часового пояса и не происходило корректно. В течение 15 минут у меня уже были первопричина, идея решения и заметки по расследованию в GitHub. Разработчик подтвердил исправление, другие протестировали и развернули, а я спустился вниз за ужином от DoorDash. Никакой аварийной ситуации. Никаких задержек. Искусственный интеллект выполнил всю рутинную работу по исследованию, я предоставил контекст и проверил, разработчик подтвердил решение. Вот так ИИ помогает в сложной части работы», — привёл Хансен пример своего взаимодействия с искусственным интеллектом.
Между тем СМИ пишут о том, что бум искусственного интеллекта приводит американскую технологическую индустрию к новой «золотой лихорадке» — крупные компании всё чаще возвращаются к экстремально длинному рабочему графику до 70–72 часов в неделю. В итоге так называемая культура «996» (с 9 утра до 9 вечера 6 дней в неделю) постепенно приживается в американских ИИ‑стартапах. Эта культура появилась в Китае в прошлом десятилетии. Её, в частности, активно продвигал основатель Alibaba Джек Ма. Теперь такой подход нередко можно наблюдать именно среди ИИ‑компаний, которые находятся в гонке за инвестициями и рынком.
Автор: maybe_elf
