२,९०० इंजिनिअर्सच्या २०२६ च्या एका सर्वेक्षणांनुसार, डेव्हलपर्स आता AI-द्वारे तयार केलेल्या कोडच्या पुनरावलोकनासाठी (reviewing) आठवड्याला ११.४ तास खर्च करत आहेत, जे त्यांनी स्वतः लिहिलेल्या ९.८ तासांपेक्षा जास्त आहे. अडथळा आता "AI कोड तयार करू शकतो का?" यावरून "तो तयार केलेला कोड आपण विश्वासार्ह मानू शकतो का?" याकडे वळला आहे आणि टीम्स आता मल्टी-एजंट AI वर्कफ्लोकडे (multi-agent AI workflows) वळत आहेत, जे अधिक स्पष्ट निर्णय प्रक्रिया आणि उच्च आत्मविश्वास देण्याचे आश्वासन देतात.

चर्चेला तोंड फोडणारे सर्वेक्षण

या वर्षाच्या सुरुवातीला घेतलेल्या प्रश्नावलीमध्ये, डेव्हलपर्सनी नवीन कोड लिहिणे आणि AI-द्वारे तयार केलेला कोड तपासणे यामध्ये आपला वेळ कसा विभागला आहे, असे विचारण्यात आले होते. उत्तरदात्यांनी सांगितले की, आता कोड तयार करण्यापेक्षा त्याचे पुनरावलोकन करण्यासाठी जास्त वेळ लागत आहे. त्यांनी एकाच प्रोजेक्टवर दोन ते चार वेगवेगळ्या AI असिस्टंट्सचा वापर केल्याचेही सांगितले आणि ७०% लोकांनी म्हटले की ही पद्धत आता नियमित झाली आहे.

हे आकडे वाढत्या निराशेचे दर्शन घडवतात: एक सिंगल, सर्वसमावेशक मॉडेल काही सेकंदात फंक्शन लिहू शकते, परंतु ते डेटा स्ट्रक्चर्स (data structures), एरर हँडलिंग (error handling) आणि परफॉर्मन्स ऑप्टिमायझेशन (performance optimizations) बद्दल कोणताही रेकॉर्ड न ठेवता काही छुपे निर्णय देखील घेते. डेव्हलपर्सना शेवटी त्या निर्णयांचे 'रिव्हर्स-इंजिनिअरिंग' करावे लागते, ज्या प्रक्रियेत संपूर्ण कामकाजाचा दिवस जाऊ शकतो.

एक सिंगल मॉडेल आता पुरेसे का नाही

अनेक वर्षे सामान्य वर्कफ्लो असा होता: डेव्हलपरने एक प्रॉम्प्ट टाईप केला, मॉडेलने एक फाईल तयार केली आणि डेव्हलपरने ती कोडबेसमध्ये कॉपी केली. ही पद्धत क्विक डेमोसाठी काम करते, परंतु प्रोडक्शन सॉफ्टवेअरसाठी केवळ 'वन-शॉट आउटपुट' पुरेसे नसते. उदाहरणार्थ, जेव्हा मॉडेल ॲरेऐवजी (array) लिंक्ड लिस्ट (linked list) वापरण्याचा किंवा एक्सेप्शन्स (exceptions) शांतपणे दुर्लक्षित करण्याचा निर्णय घेते, तेव्हा ते निर्णय कोडमध्ये अंतर्भूत होतात आणि रिव्ह्यूअरच्या नजरेतून सुटतात.

मॉडेलचे अंतर्गत तर्क (internal reasoning) लॉग केले जात नसल्यामुळे, टीम्सना नंतर "AI ने हा पॅटर्न का निवडला?" असा प्रश्न पडतो. याचे उत्तर शोधण्यासाठी अनेकदा तयार केलेल्या कमेंट्स तपासणे, वेगवेगळ्या 'टेम्परेचर सेटिंग्स'सह प्रॉम्प्ट पुन्हा चालवणे किंवा संपूर्ण जनरेशन स्टेप पुन्हा करणे आवश्यक असते. ही अनिश्चितता आता सर्वेक्षणात अतिरिक्त रिव्ह्यू तासांच्या स्वरूपात दिसून येत आहे.

काम विभागून घेणे: मल्टी-एजंट सिस्टम्स कशी मदत करतात

मल्टी-एजंट सेटअप एका लहान डेव्हलपमेंट टीमप्रमाणे काम करतात. सर्व काही हाताळण्यासाठी एक मॉडेल वापरण्याऐवजी, वेगवेगळे एजंट्स स्वतंत्र जबाबदाऱ्या स्वीकारतात:

  • Architect agent: हाय-लेव्हल डिझाइन डॉक्युमेंट तयार करतो, डेटा मॉडेल्स, API कॉन्ट्रॅक्ट्स आणि एरर-हँडलिंग स्ट्रॅटेजीजची रूपरेषा आखतो.
  • Implementation agent: स्पेसिफिकेशन्सचा चेकलिस्ट म्हणून वापर करून, आर्किटेक्चरचे तंतोतंत पालन करणारा कोड लिहितो.
  • Verification agent: केवळ क्वालिटी अश्युरन्सवर (quality assurance) लक्ष केंद्रित करून युनिट टेस्ट्स तयार करतो, स्टॅटिक अनालिसिस चालवतो किंवा CI/CD पाईपलाईन्स प्रोव्हिजन करतो.

प्रत्येक एजंटचे आउटपुट हे एक स्वतंत्र आर्टिफॅक्ट (artifact) असते, त्यामुळे निर्णयामागील तर्क त्या आर्टिफॅक्टमध्येच उपलब्ध असतो. कोडची एक ओळही लिहिण्यापूर्वी आर्किटेक्चरचे पुनरावलोकन करणे, चुकीच्या डिझाइन निवडीमुळे निर्माण झालेली बग (bug) दुरुस्त करण्यापेक्षा खूप स्वस्त पडते. यामुळे ट्रॅसेबिलिटी (traceability) देखील मिळते, ज्यामुळे कंप्लायन्स टीम्सना (compliance teams) एखादा विशिष्ट अंमलबजावणी तपशील कोणी (किंवा कशाने) ठरवला हे पाहता येते.

मल्टी-एजंट वर्कफ्लो व्यावहारिक बनवणारी साधने

डेव्हलपर्स विविध युटिलिटीजच्या मदतीने आधीच या पाईपलाईन्स तयार करत आहेत:

  • IDE integrations मुळे एजंट्स साईड पॅनेल म्हणून दिसू शकतात, ज्यामुळे एका क्लिकवर आर्किटेक्चर डॉक्युमेंट कोड-जनरेशन असिस्टंटकडे पाठवता येते.
  • CLI utilities स्क्रिप्टेड सिक्वेन्स सक्षम करतात: आर्किटेक्ट चालवा, त्याचे आउटपुट कोडरला पाठवा आणि नंतर निकाल टेस्टरकडे सोपवा.
  • Frameworks कस्टम एजंट्स तयार करण्यासाठी लायब्ररीज प्रदान करतात, जे प्रोजेक्टच्या गरजेनुसार बदलता येतात.
  • Specification-first platforms मध्ये कोणतीही जनरेशन प्रक्रिया सुरू होण्यापूर्वी औपचारिक रिक्वायरमेंट्स फाईल आवश्यक असते, ज्यामुळे डिझाइन स्टेप वगळली जाणार नाही याची खात्री मिळते.

सर्वेक्षणातील ७०% आकडा असे सुचवतो की बहुतेक टीम्सनी या पाईपलाईन्सचे 'अॅड-हॉक' (ad-hoc) व्हर्जन आधीच तयार केले आहेत. नवीन प्लॅटफॉर्म्स केवळ इंजिनिअर्स जे मॅन्युअली करत आहेत, त्याला अधिक औपचारिक स्वरूप देतात.

कोणाचा फायदा होईल—आणि कोण मागे पडू शकते

फायनान्स किंवा हेल्थकेअर क्षेत्रातील कंपन्यांसारख्या, ज्यांना कडक ऑडिट आवश्यकता पूर्ण कराव्या लागतात, त्यांना याचा त्वरित फायदा होतो. डॉक्युमेंटेड 'डिझाइन-टू-कोड' साखळीमुळे प्रोडक्शनमध्ये छुपे असुरक्षित घटक (vulnerabilities) जाण्याचा धोका कमी होतो. लहान स्टार्टअप्सना मात्र अनेक एजंट्स मेंटेन करण्याचा खर्च अनावश्यक वाटू शकतो, जर त्यांची गती इतकी जास्त असेल की सिंगल मॉडेलचा वेग अधूनमधून कराव्या लागणाऱ्या दुरुस्तीच्या खर्चापेक्षा जास्त फायदेशीर ठरतो.

एक प्रतिवाद असे नमूद करतो की मल्टी-एजंट सिस्टम्समुळे (multi-agent systems) गुंतागुंत वाढते. तीन किंवा अधिक मॉडेल्सचे समन्वय साधल्यामुळे इंटिग्रेशन बग्स (integration bugs) येऊ शकतात, लॅटन्सी (latency) वाढू शकते आणि अधिक प्रगत मॉनिटरिंगची आवश्यकता भासू शकते. कस्टम एजंट्स तयार करण्यासाठी किंवा व्यवस्थापित करण्यासाठी आवश्यक कौशल्य नसलेल्या टीम्सना प्रत्यक्ष डेव्हलपमेंटपेक्षा ऑर्केस्ट्रेशनवर (orchestration) अधिक वेळ खर्च करावा लागू शकतो. अशा गटांसाठी, एक चांगल्या प्रकारे ट्यून केलेले सिंगल मॉडेल—विशेषतः जे इन-बिल्ट एक्सप्लेनेबिलिटी (built-in explainability) प्रदान करते—हे एक व्यावहारिक निवड ठरू शकते.

येणाऱ्या महिन्यांत काय लक्ष्यात ठेवावे

  • मानकीकृत लॉगिंग फॉरमॅट्स (Standardised logging formats) मुळे AI-जनरेटेड आर्टिफॅक्ट्सच्या आउटपुट्सची विविध एजंट्समध्ये तुलना करणे सोपे होऊ शकते.
  • मार्केटप्लेस ऑफर्स (Marketplace offerings), ज्यामध्ये आर्किटेक्चर, कोडिंग आणि टेस्टिंग एजंट्स एकाच सबस्क्रिप्शनमध्ये एकत्रित केले जातात, त्या इन-हाऊस AI तज्ज्ञ नसलेल्या टीम्ससाठी अडथळे कमी करू शकतात.
  • AI-सहाय्यित कोडवरील नियामक मार्गदर्शक तत्त्वे (Regulatory guidance) अधिक संस्थांना ऑडिट करण्यायोग्य, मल्टी-स्टेप पाइपलाईन्सकडे वळवू शकतात.
  • परफॉर्मन्स बेंचमार्क्स (Performance benchmarks), जे केवळ जनरेशन स्पीडच नाही तर एकूण डेव्हलपमेंट वेळेचे मोजमाप करतात, ते अतिरिक्त कोऑर्डिनेशन ओव्हरहेड फायदेशीर आहे की नाही हे ठरवण्यास टीम्सना मदत करतील.

सर्वेक्षणातील मुख्य आकडेवारी एक स्पष्ट गोष्ट सांगतात: डेव्हलपर्स नवीन कोड लिहिण्यापेक्षा AI आउटपुट पुन्हा तपासण्यात (double-checking) आठवड्याचा जास्त वेळ घालवतात. मल्टी-एजंट वर्कफ्लो (Multi-agent workflows) ही याला एक थेट प्रतिक्रिया म्हणून समोर येत आहे, जी ट्रॅसेबिलिटी (traceability) प्रदान करते आणि "ब्लॅक-बॉक्स" जनरेशनला एक दस्तऐवजीकरण केलेल्या, पुनरावलोकन करण्यायोग्य प्रक्रियेत बदलते. वाढलेली ऑर्केस्ट्रेशन गुंतागुंत प्रत्येक टीमसाठी योग्य ठरेल की नाही हे पाहणे बाकी आहे, परंतु AI जबाबदाऱ्यांचे विभाजन करण्याकडे असलेला कल सॉफ्टवेअर निर्मितीची पद्धत आधीच बदलत आहे.