Anthropic च्या ताज्या अभ्यासानुसार, जे डेव्हलपर्स कोड जनरेशनसाठी AI वर अवलंबून राहतात, ते संकल्पना समजून घेण्याच्या (concept-understanding) चाचण्यांमध्ये १७ टक्के कमी गुण मिळवतात आणि डॉक्युमेंटेशन आणि वेब सर्चचा वापर करणाऱ्या त्यांच्या सहकाऱ्यांपेक्षा ते काम वेगाने पूर्ण करत नाहीत. हे निष्कर्ष अधोरेखित करतात की, जरी AI काही सेकंदात कार्यरत कोड तयार करू शकत असले, तरी ते खऱ्या इंजिनिअरिंग कौशल्याची (engineering expertise) गरज कमी करत नाही.

हा अभ्यास का महत्त्वाचा आहे

या प्रयोगात डेव्हलपर्सचे दोन गट करण्यात आले. एका गटाला AI कोड-जनरेशन टूलचा विनाअडथळा वापर करण्याची सुविधा देण्यात आली; तर दुसऱ्या गटाने केवळ अधिकृत डॉक्युमेंटेशन आणि इंटरनेट सर्चचा वापर करून तीच समस्या सोडवली. असाइनमेंट पूर्ण झाल्यानंतर, सहभागींची मूळ तत्त्वे समजून घेण्याची क्षमता तपासण्यासाठी त्यांची एक क्विझ घेण्यात आली. AI च्या मदतीने काम करणाऱ्या गटाचा सरासरी स्कोअर १७ टक्क्यांनी कमी होता आणि कोणत्याही गटाने कामाच्या वेगात लक्षणीय वाढ दर्शवली नाही.

व्यावहारिक दृष्टिकोनातून पाहिले तर, “vibe coding”—म्हणजे AI ला एखादा कोड स्निपेट (snippet) तयार करण्यास सांगणे आणि त्याची सखोल तपासणी न करता तो वापरणे—उत्पादकता वाढवत नाही. हे केवळ ज्ञानातील तफावत लपवते, जी नंतर बग्स (bugs), मेंटेनन्सच्या समस्या किंवा महागड्या री-राईटिंगच्या (rewrites) स्वरूपात समोर येते.

या आकड्यांमागचा संदर्भ

Anthropic च्या संशोधनानुसार, AI चे आश्वासन अपूर्ण आहे. ज्या सहभागींनी प्रत्येक टप्प्यावर AI चा वापर केला—जसे की सूचना कॉपी-पेस्ट करणे, व्हेरिएबलची नावे बदलणे आणि पुढे जाणे—त्यांनी त्या विषयाबद्दल (problem domain) सर्वात कमी माहिती आत्मसात केली. ज्या डेव्हलपर्सनी या टूलला एक सहकाऱ्याप्रमाणे (collaborator) वागवले—म्हणजेच अचूक आणि नेमके प्रश्न विचारले आणि नंतर मिळालेला कोड सखोलपणे तपासला—त्यांनी संकल्पनात्मक आराखडा (conceptual framework) अधिक चांगल्या प्रकारे लक्षात ठेवला.

हा फरक उद्योगातील एका व्यापक निरीक्षणाचे प्रतिबिंब आहे: प्रॉम्प्ट इंजिनिअर्स काही मिनिटांत एखादे फंक्शन तयार करू शकतात, परंतु जशी जटिलता (complexity) वाढते, तसा सिस्टम इंजिनिअर अधिक वेगाने काम करतो. त्यांना काय बिघडू शकते आणि काय स्केल (scale) होऊ शकणार नाही, याचा अंदाज येतो. त्यांचा वेग त्यांच्या निर्णयक्षमतेचे (judgment) प्रतीक आहे, अकार्यक्षमतेचे नाही.

कोणाचा फायदा आणि कोणाचे नुकसान

निर्णयक्षमता टिकवून ठेवणारे इंजिनिअर्स जे इंजिनिअर्स आर्किटेक्चर समजून घेतात, रचना कुठे कडक किंवा लवचिक असावी हे जाणतात आणि सिस्टममध्ये बिघाड न करता घटक पुन्हा लिहू शकतात, ते दीर्घकाळात संस्थांचे पैसे वाचवतात. त्यांचे कौशल्य त्या 'हिडन टेक्निकल डेट'पासून (hidden technical debt) संरक्षण करते, जो सहसा अशा AI-जनरेटेड कोडमुळे निर्माण होतो जो दिसायला स्वच्छ असतो पण ज्यामध्ये स्पष्ट उद्देशाचा अभाव असतो.

प्रॉम्प्ट स्पेशालिस्ट्स जे AI ला जादूची काठी समजतात, ते जलद प्रोटोटाइप (prototypes) देऊ शकतात किंवा एखादा वेगळा बग सोडवू शकतात. अल्पकाळात ते उत्पादक वाटतात, परंतु जेव्हा कोडबेस विस्तारतो, तेव्हा AI ने तयार केलेल्या स्निपेट्समधील छुपे गृहीतक (hidden assumptions) ओझे ठरतात. त्यानंतर डीबगिंग (debugging) हे मूळ उद्देश शोधण्याच्या मोहिमेत रूपांतरित होते, ज्यामुळे मेंटेनन्सचा खर्च वाढतो.

संस्था जे व्यवसाय केवळ AI-आधारित डेव्हलपमेंटवर अवलंबून राहतात, त्यांना भविष्यात अधिक खर्चाचा धोका असतो: डीबगिंग, रिफॅक्टरिंग (refactoring) आणि नवीन इंजिनिअर्सना अस्पष्ट कोड समजून सांगण्यासाठी अधिक वेळ खर्च करावा लागतो. ज्या कंपन्या AI ची मदत आणि शिस्तबद्ध इंजिनिअरिंग पद्धती यांचा मेळ घालतात, त्या दीर्घकालीन स्थिरता राखत वेगाचा फायदा मिळवू शकतात.

बहुतेक रिपोर्टमध्ये दुर्लक्षित केलेले तपशील

  • शिकण्यावर होणारा परिणाम: १७ टक्क्यांची ही तफावत अशा क्विझवर मोजण्यात आली होती ज्याने केवळ सिंटॅक्स (syntax) लक्षात ठेवण्याऐवजी समजून घेण्याची क्षमता तपासली. हे केवळ वरवरचे ज्ञान नसून मेंटल मॉडेल्सच्या (mental models) वास्तविक ऱ्हासाचे निदर्शक आहे.
  • काम पूर्ण करण्याचा वेळ: त्वरित कोड मिळण्याच्या आकर्षणा असूनही, असाइनमेंट पूर्ण करण्यासाठी प्रत्येक गटाला लागणाऱ्या वेळेत कोणताही सांख्यिकीयदृष्ट्या महत्त्वपूर्ण फरक आढळला नाही. वेगातील वाढ ही केवळ एक भ्रम होती.
  • पद्धत महत्त्वाची आहे: या अभ्यासाने AI च्या वापराच्या विविध स्तरांवर प्रकाश टाकला. केवळ AI वर अवलंबून राहिल्यामुळे शिकण्याचे परिणाम सर्वात वाईट मिळाले, तर निवडक आणि जिज्ञासू पद्धतीने प्रॉम्प्टिंग केल्यामुळे चांगले निकाल मिळाले. "AI मुळे कोडिंग जलद होते" असे जाहीर करणाऱ्या हेडलाईन्स अनेकदा हा सूक्ष्म फरक लक्षात घेत नाहीत.

प्रतिवाद: AI निरुपयोगी नाही

हा अभ्यास विशिष्ट क्षेत्रातील फायद्यांना नाकारत नाही; तो केवळ या फायद्यांचा संपूर्ण सॉफ्टवेअर डेव्हलपमेंट प्रक्रियेवर विस्तार करण्याचा इशारा देतो. जेव्हा समस्या सिस्टिम डिझाइन, परफॉर्मन्स ट्यूनिंग किंवा सुरक्षा विचारांशी संबंधित असते, तेव्हा मानवी निर्णयक्षमता अपरिहार्य ठरते.

निष्कर्ष

AI तुम्हाला स्केटबोर्ड देऊ शकते, परंतु ब्रेक आणि स्टिअरिंगचे ज्ञान नसेल तर रस्ता वळताना तुमचा अपघात होईल. हे तंत्रज्ञान कोड लिहिण्याचा अडथळा कमी करते, तरीही सिस्टिम्सबद्दल तर्क करू शकणारे, अपयशाचा अंदाज घेऊ शकणारे आणि सॉफ्टवेअर वाढते असताना ते सक्षम ठेवू शकणारे इंजिनिअर्सची कमतरता कायम आहे. केवळ प्रॉम्प्टमुळे त्याची जागा घेतली जाईल अशी आशा करण्याऐवजी, त्या निर्णयक्षमतेमध्ये गुंतवणूक करणे हा दीर्घकालीन खर्च नियंत्रित करण्याचा सर्वात हुशार मार्ग आहे.