TELUS ਨੇ ਰਿਪੋਰਟ ਦਿੱਤੀ ਹੈ ਕਿ ਇੱਕ generative-AI ਕੋਡਿੰਗ ਪਲੇਟਫਾਰਮ ਨੇ ਉਨ੍ਹਾਂ ਦੇ 500,000 ਤੋਂ ਵੱਧ ਇੰਜੀਨੀਅਰਿੰਗ ਘੰਟੇ ਬਚਾਉਣ ਅਤੇ ਲਗਭਗ $90 ਮਿਲੀਅਨ ਦੇ ਲਾਭ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਹੈ। ਇਹ ਅੰਕੜੇ ਇੱਕ ਸਪੱਸ਼ਟ ਝਲਕ ਦਿੰਦੇ ਹਨ ਕਿ ਕਿਵੇਂ AI-ਪਾਵਰਡ ਕੋਡਿੰਗ ਸਹਾਇਕ (assistants) ਡਿਵੈਲਪਰ ਦੇ ਸਮੇਂ ਨੂੰ ਮਾਪਣਯੋਗ ਮੁਨਾਫ਼ੇ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹਨ।
ਡਿਵੈਲਪਰ ਦਾ ਸਮਾਂ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਸਾਫਟਵੇਅਰ-ਡਿਵੈਲਪਮੈਂਟ ਦਾ ਖਰਚਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ ਕਿ ਇੰਜੀਨੀਅਰ ਕੋਡ ਲਿਖਣ, ਟੈਸਟ ਕਰਨ ਅਤੇ ਇਸਦੀ ਰੱਖ-ਰਖਾਅ ਕਰਨ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਬਿਤਾਉਂਦੇ ਹਨ। ਜਦੋਂ ਕਿਸੇ ਫੀਚਰ ਵਿੱਚ 100 ਘੰਟੇ ਲੱਗਦੇ ਹਨ, ਤਾਂ ਇਸਦੀ ਲਾਗਤ ਪ੍ਰਤੀ ਘੰਟਾ ਮਜ਼ਦੂਰੀ ਨੂੰ ਉਨ੍ਹਾਂ 100 ਘੰਟਿਆਂ ਨਾਲ ਗੁਣਾ ਕਰਨ ਦੇ ਬਰਾਬਰ ਹੁੰਦੀ ਹੈ। ਇਸ ਸਮੇਂ ਨੂੰ ਘਟਾਉਣ ਨਾਲ ਲੇਬਰ ਖਰਚਾ ਘਟਦਾ ਹੈ, ਮਾਰਕੀਟ ਵਿੱਚ ਲਿਆਉਣ ਦਾ ਸਮਾਂ (time-to-market) ਤੇਜ਼ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਉੱਚ-ਮੁੱਲ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਮਾਂ ਮਿਲਦਾ ਹੈ।
ਇਹ ਟੂਲ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰਦੇ ਹਨ
AI ਕੋਡਿੰਗ ਸਹਾਇਕ IDE (integrated development environment) ਵਿੱਚ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ (natural-language) ਦੇ ਪ੍ਰੋਂਪਟਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਉਹ ਇਹ ਕਰ ਸਕਦੇ ਹਨ:
- ਮੰਗ ਅਨੁਸਾਰ boiler-plate ਕੋਡ ਅਤੇ ਦਸਤਾਵੇਜ਼ (documentation) ਤਿਆਰ ਕਰਨਾ।
- ਮੌਜੂਦਾ ਕੋਡ ਨੂੰ refactor ਕਰਨਾ ਅਤੇ ਆਪਣੇ ਆਪ unit tests ਤਿਆਰ ਕਰਨਾ।
- ਸਟੇਟਮੈਂਟਾਂ ਨੂੰ ਪੂਰਾ ਕਰਕੇ ਅਤੇ ਪੂਰੇ ਫੰਕਸ਼ਨਾਂ ਦਾ ਸੁਝਾਅ ਦੇ ਕੇ ਮੈਨੂਅਲ ਟਾਈਪਿੰਗ ਨੂੰ ਘਟਾਉਣਾ।
- API signatures ਅਤੇ design patterns ਨੂੰ ਯਾਦ ਰੱਖਣਾ ਤਾਂ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਰੈਫਰੈਂਸ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਵਾਰ-ਵਾਰ ਦੇਖਣਾ ਨਾ ਪਵੇ।
ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਉਹ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕਦਮਾਂ ਨੂੰ ਖਤਮ ਕਰ ਦਿੰਦੀਆਂ ਹਨ ਜੋ ਰੋਜ਼ਾਨਾ ਕੋਡਿੰਗ ਦੇ ਕੰਮ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੁੰਦੇ ਹਨ।
ਮਾਪਣਯੋਗ ਰਫ਼ਤਾਰ ਵਿੱਚ ਵਾਧਾ
ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਦਰਜ ਸੁਤੰਤਰ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ AI ਸਹਾਇਕ ਨਾਲ ਡਿਵੈਲਪਰ ਆਮ ਕੰਮਾਂ ਨੂੰ 20% ਤੋਂ 50% ਤੇਜ਼ੀ ਨਾਲ ਪੂਰਾ ਕਰਦੇ ਹਨ। ਨਿਸ਼ਚਿਤ ਵਰਕਫਲੋਅ (workflows)—ਜਿਵੇਂ ਕਿ CRUD endpoint ਲਿਖਣਾ ਜਾਂ unit test ਜੋੜਨਾ—ਵਿੱਚ, ਕੁਝ ਟੀਮਾਂ ਨੇ ਆਪਣਾ ਆਊਟਪੁੱਟ ਦੁੱਗਣਾ ਕਰ ਦਿੱਤਾ ਹੈ, ਜੋ ਕਿ 100% ਦਾ ਵਾਧਾ ਹੈ।
ਸੌਖੇ ਸ਼ਬਦਾਂ ਵਿੱਚ ਵਪਾਰਕ ਪ੍ਰਭਾਵ
- ਘੱਟ ਲੇਬਰ ਲਾਗਤ – ਜੇਕਰ ਕਿਸੇ ਫੀਚਰ ਲਈ ਸ਼ੁਰੂ ਵਿੱਚ 100 ਘੰਟਿਆਂ ਦੀ ਲੋੜ ਹੈ ਅਤੇ AI 30 ਘੰਟੇ ਬਚਾਉਂਦਾ ਹੈ, ਤਾਂ ਲਾਗਤ 30% ਘਟ ਜਾਂਦੀ ਹੈ।
- ਘੱਟ ਬੱਗਸ (bugs) – ਆਪਣੇ ਆਪ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟ ਸ਼ੁਰੂ ਵਿੱਚ ਹੀ ਗਲਤੀਆਂ (regressions) ਨੂੰ ਫੜ ਲੈਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਦੁਬਾਰਾ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਘਟ ਜਾਂਦੀ ਹੈ।
- ਤੇਜ਼ ਵੈਲੀਡੇਸ਼ਨ – ਛੋਟੇ ਟੈਸਟ ਚੱਕਰ (test cycles) ਪ੍ਰੋਡਕਟ ਟੀਮਾਂ ਨੂੰ ਜਲਦੀ ਪ੍ਰਯੋਗ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।
- ਵਧੇਰੇ ਥਰੂਪੁੱਟ (throughput) – ਉਹੀ ਬਜਟ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਟੀਮਾਂ ਵਧੇਰੇ ਫੀਚਰ ਲਾਂਚ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਵਧੇਰੇ A/B ਪ੍ਰਯੋਗ ਕਰ ਸਕਦੀਆਂ ਹਨ।
TELUS ਦਾ ਅਨੁਭਵ ਕੁੱਲ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: 500,000 ਬਚੇ ਹੋਏ ਘੰਟੇ $90 ਮਿਲੀਅਨ ਦੇ ਲਾਭ ਵਿੱਚ ਬਦਲ ਗਏ, ਜਦੋਂ ਕਿ ਉਤਪਾਦਕਤਾ (productivity) ਲਗਭਗ 30% ਵਧ ਗਈ।
ਪਾਇਲਟ ਚਲਾਉਣਾ: ਇੱਕ ਸਟੈਪ-ਬਾਈ-ਸਟੈਪ ਗਾਈਡ
- ਇੱਕ ਸੀਮਤ ਟੀਮ ਅਤੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਫੀਚਰ ਸੈੱਟ ਚੁਣੋ – ਅਜਿਹੇ ਸਮੂਹ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਜੋ well-defined ਕੰਪੋਨੈਂਟਸ (ਜਿਵੇਂ ਕਿ API endpoints, UI widgets) 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੋਵੇ।
- ਬੇਸਲਾਈਨ ਮੈਟ੍ਰਿਕਸ (baseline metrics) ਰਿਕਾਰਡ ਕਰੋ – ਕਿਸੇ ਵੀ AI ਟੂਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਤੀ ਫੀਚਰ ਔਸਤ ਘੰਟੇ, ਟਿਕਟ ਤੋਂ ਡਿਪਲਾਈਮੈਂਟ ਤੱਕ ਦਾ ਸਮਾਂ (lead time), ਅਤੇ ਡਿਫੈਕਟ ਰੇਟ ਨੂੰ ਦਰਜ ਕਰੋ।
- ਕੁਝ ਸਹਾਇਕਾਂ ਦਾ ਪ੍ਰਯੋਗ ਕਰੋ – "AI pair programmer" ਟੂਲ ਜੋ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਕੋਡ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਅਤੇ "coding agents" ਜੋ ਟੈਸਟ ਜਨਰੇਸ਼ਨ ਵਰਗੇ ਖਾਸ ਕੰਮਾਂ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਦੋਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।
- ਨਤੀਜਿਆਂ ਨੂੰ ਟ੍ਰੈਕ ਕਰੋ – ਸਾਈਕਲ ਟਾਈਮ, ਡਿਫੈਕਟ ਦੀ ਗਿਣਤੀ, ਅਤੇ ਕੋਡਿੰਗ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਗਤੀਵਿਧੀਆਂ (ਡਿਜ਼ਾਈਨ, ਕੋਡ ਰਿਵਿਊ, ਆਦਿ) 'ਤੇ ਬਿਤਾਏ ਗਏ ਸਮੇਂ ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਕਿਸੇ ਵੀ ਬਦਲਾਅ ਨੂੰ ਮਾਪੋ।
- ਟ੍ਰੇਨਿੰਗ ਬਜਟ ਅਲਾਟ ਕਰੋ – ਇਹ ਉਮੀਦ ਰੱਖੋ ਕਿ ਸਭ ਤੋਂ ਵੱਡਾ ਖਰਚਾ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਪ੍ਰੋਂਪਟ ਲਿਖਣ ਅਤੇ ਸੁਝਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸਿਖਾਉਣ ਵਿੱਚ ਲੱਗੇ ਸਮੇਂ 'ਤੇ ਹੋਵੇਗਾ।
- ਬਚੀ ਹੋਈ ਸਮਰੱਥਾ ਨੂੰ ਮੁੜ ਨਿਵੇਸ਼ ਕਰੋ – ਬਚੇ ਹੋਏ ਘੰਟਿਆਂ ਦੀ ਵਰਤੋਂ ਸਿਰਫ਼ ਘੱਟ-ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੀਆਂ ਟਿਕਟਾਂ ਦੇ ਬੈਕਲੌਗ ਨੂੰ ਖਤਮ ਕਰਨ ਦੀ ਬਜਾਏ ਉੱਚ-ਪ੍ਰਭਾਵ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਕਰੋ।
ਸੀਮਾਵਾਂ ਅਤੇ ਸਾਵਧਾਨੀਆਂ
AI ਸਹਾਇਕ ਰੁਟੀਨ ਅਤੇ ਪੈਟਰਨ-ਅਧਾਰਤ ਕੋਡ ਵਿੱਚ ਮਾਹਰ ਹੁੰਦੇ ਹਨ। ਗੁੰਝਲਦਾਰ ਆਰਕੀਟੈਕਚਰਲ ਫੈਸਲੇ, ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ, ਜਾਂ ਸੁਰੱਖਿਆ-ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਿਆਂ ਲਈ ਅਜੇ ਵੀ ਮਨੁੱਖੀ ਫੈਸਲੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਪਣਾਉਣ ਦੀ ਦਰ (adoption rate) ROI ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ: ਉੱਚ ਅਪਣਾਅ ਜਲਦੀ ਮੁਨਾਫਾ ਦਿੰਦਾ ਹੈ; ਘੱਟ ਅਪਣਾਅ ਪੈਸੇ ਦੀ ਬਰਬਾਦੀ ਕਰਦਾ ਹੈ।
ਸਿੱਟਾ
ਜਦੋਂ ਇੰਜੀਨੀਅਰ ਲਗਾਤਾਰ AI ਕੋਡਿੰਗ ਸਹਾਇਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਤਾਂ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮ ਵਿੱਚ ਕਮੀ ਆਉਣ ਨਾਲ ਭਾਰੀ ਲਾਗਤ ਦੀ ਬਚਤ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪ੍ਰੋਡਕਟ ਚੱਕਰ ਤੇਜ਼ ਹੁੰਦੇ ਹਨ। ਇਸਦੇ ਫਾਇਦੇ ਅਸਲੀ ਹਨ, ਪਰ ਇਹ ਅਨੁਸ਼ਾਸਿਤ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟਾਂ, ਸਪੱਸ਼ਟ ਮਾਪ, ਅਤੇ ਬਚੇ ਹੋਏ ਸਮੇਂ ਨੂੰ ਰਣਨੀਤਕ ਇੰਜੀਨੀਅਰਿੰਗ ਕੰਮਾਂ ਵਿੱਚ ਲਗਾਉਣ ਦੀ ਇੱ