למה שחרור מהיר עם AI הוא מלכודת
שחרור פיצ'ר תוך 20 דקות בעזרת AI הוא לא הצלחה. זה סימן לכך שהאצת את החלק הזול בעבודה שלך. דילגת על העבודה היקרה.
כתיבת קוד מעולם לא הייתה החלק הקשה בהנדסה. האתגר האמיתי טמון במשימות הבאות:
- הגדרת דרישות
- צמצום היקף העבודה (Scope)
- קביעת אילוצים
- הוכחה שהשינוי נכון
כשמדלגים על השלבים האלה, ה-AI עוזר לכם לשחרר את הדבר הלא נכון מהר יותר. הוא יוצר פער בין "להיראות מוכן" לבין "להיות מוכן". ה-AI מספק קוד נקי, אבל הוא לא אומר לכם אם הקוד הזה מתאים למערכת שלכם. הוא לא אומר לכם מה העלות לטווח ארוך.
ה-AI מגביר את ההרגלים הקיימים שלכם. שיקול דעת טוב הופך למהיר יותר. גם שיקול דעת גרוע הופך למהיר יותר.
תהליכי עבודה נוכחיים ממחישים את הסיכון:
- אנשים מוחקים מסדי נתונים ב-production כי ה-AI נשמע בטוח בעצמו.
- עומס ה-Review גדל ככל שמקבלים יותר קוד.
- רוב הבאגים נובעים מדרישות לא ברורות, ולא מיצירת קוד גרועה.
אלו בעיות הנדסיות ישנות במסכות חדשות. Prompting היא מיומנות שלומדים בסוף שבוע. המיומנות האמיתית היא עיצוב העבודה דרך רצף:
- דרישות
- זיהוי פערים
- תכנון
- שינויים קטנים
- Review
- אימות (Verification)
הפרומפט הראשון שלכם צריך להתמקד בבדיקה שמוכיחה שהעבודה נכונה. אל תהפכו אותו לשלב האחרון שלכם.
כלים כמו Git או CI/CD עובדים רק כשבונה מחדש את תהליך העבודה סביבם. הכלי חשוב פחות מתהליך העבודה (Workflow).
המהנדסים שינצחו לא יהיו אלו שמשתמשים ב-AI הכי הרבה. הם יהיו אלו שמאטים את הבעיה לפני שהם מאיצים את הקוד. רוב האנשים משתמשים ב-AI, אבל מעטים מבצעים הנדסה איתו.
איך אתם מתאימים את תהליך העבודה שלכם כדי להתמודד עם פערי האימות האלה?
מקור: https://dev.to/yerkerakhimov/why-shipping-fast-with-ai-is-a-trap-3f9l
קהילת למידה אופציונלית: https://t.me/GyaanSetuAi