Utafiti wa hivi karibuni wa Anthropic unaonyesha kuwa watengenezaji programu (developers) wanaotegemea AI katika uundaji wa kodi (code generation) hupata alama za chini kwa asilimia 17 kwenye majaribio ya uelewa wa dhana, na hawamalizi kazi kwa haraka zaidi kuliko wenzao wanaotegemea nyaraka (documentation) na utafutaji wa mtandaoni. Matokeo haya yanasisitiza kuwa, ingawa AI inaweza kuzalisha kodi inayofanya kazi ndani ya sekunde chache, haipunguzi gharama ya utaalamu wa kweli wa uhandisi.

Kwa nini utafiti huu ni muhimu

Jaribio hilo liligawanya watengenezaji programu katika makundi mawili. Kundi moja lilipata ufikiaji usio na kikomo wa zana ya AI ya uundaji wa kodi; lingine lilitatua matatizo yale yale kwa kutumia nyaraka rasmi na utafutaji wa mtandaoni pekee. Baada ya kazi hizo, washiriki walifanya mtihani wa kuchunguza uelewa wao wa kanuni za msingi. Wastani wa alama za kundi lililosaidiwa na AI ulipungua kwa asilimia 17, na hakuna kundi lililoonyesha ongezeko la kasi linalopimika.

Katika vitendo, “vibe coding”—kuiambia AI itengeneze kipande cha kodi (snippet) na kukiweka kwenye mfumo bila kukikagua kwa kina—hakuongezi tija. Inaficha tu pengo la maarifa ambalo baadaye huchipuka kama hitilafu (bugs), matatizo ya matengenezo, au uandishi upya wa kodi unaogharimu pesa nyingi.

Muktadha nyuma ya takwimu hizi

Utafiti wa Anthropic unaonyesha kuwa matumaini hayo hayajakamilika. Washiriki waliotumia AI katika kila hatua—kunakili na kubandika mapendekezo, kurekebisha majina ya vigezo (variable names), na kuendelea mbele—walijifunza kidogo zaidi kuhusu eneo la tatizo. Watengenezaji programu walioichukulia zana hiyo kama mshirika—kwa kuuliza maswali sahihi na mahususi kisha kuchambua kodi iliyotolewa—walihifadhi zaidi muundo wa kifikra.

Tofauti hiyo inaakisi uchunguzi mpana wa sekta hii: wahandisi wa maelekezo (prompt engineers) wanaweza kutengeneza kazi (function) ndani ya dakika chache, lakini mhandisi wa mifumo (systems engineer) huenda kwa kasi zaidi kadiri ugumu unavyoongezeka. Wanatabiri nini kitaharibika na nini kitashindwa kukua (scale). Kasi yao inaakisi uwezo wa kutoa maamuzi, si kutokuwa na ufanisi.

Nani anashinda, nani anapoteza

Wahandisi wanaohifadhi uwezo wa kutoa maamuzi Wahandisi wanaoelewa usanifu (architecture), wanajua wapi miundo inapaswa kuwa imara au inayobadilika, na wanaweza kuandika upya sehemu za mfumo bila kuuvuruga, huokoa pesa kwa mashirika kwa muda mrefu. Ujuzi wao unalinda dhidi ya deni la kiufundi (technical debt) lililojificha ambalo mara nyingi hufuata kodi iliyotengenezwa na AI ambayo inaonekana safi lakini haina nia ya wazi.

Wataalamu wa maelekezo (Prompt specialists) Wale wanaochukulia AI kama fimbo ya uchawi wanaweza kutoa mifano ya awali (prototypes) ya haraka au kutatua hitilafu za pekee. Kwa muda mfupi, wanaonekana wenye tija, lakini mfumo wa kodi (codebase) unapopanuka, dhana zilizojificha katika vipande vya kodi vilivyotengenezwa na AI zinakuwa mzigo. Utatuzi wa hitilafu (debugging) unageuka kuwa uwindaji wa nia ya awali, jambo linaloongeza gharama za matengenezo.

Shirika Biashara zinazotegemea sana uundaji wa programu unaotumia AI pekee zinahatarisha gharama kubwa zaidi za baadaye: muda mwingi kutumika kwenye utatuzi wa hitilafu, urekebishaji wa kodi (refactoring), na kuajiri wahandisi wapya ambao lazima wafafanue kodi zisizoeleweka. Makampuni yanayochanganya msaada wa AI na mbinu za uhandisi zenye nidhamu hupata faida ya kasi huku wakihifadhi utulivu wa muda mrefu.

Maelezo ambayo ripoti nyingi hupuuza

  • Athari ya kujifunza: Pengo la asilimia 17 lilipimwa kwenye mtihani uliotesa uelewa, si tu kukumbuka sintaksi (syntax). Inaonyesha mmomonyoko halisi wa mifumo ya kifikra (mental models), si maarifa ya juu juu tu.
  • Muda wa kukamilisha kazi: Licha ya mvuto wa kodi ya papo hapo, utafiti haukupata tofauti yoyote ya takwimu katika muda ambao kila kundi ulitumia kumaliza kazi hiyo. Ongezeko la kasi lilikuwa la udanganyifu.
  • Njia inajali: Utafiti ulionyesha aina mbalimbali za matumizi ya AI. Kutegemea AI pekee kulileta matokeo duni zaidi ya kujifunza, wakati kutoa maelekezo ya kuchagua na ya kuuliza maswali kulileta matokeo bora zaidi. Vichwa vya habari vinavyotangaza kuwa “AI inafanya uandishi wa kodi kuwa wa haraka zaidi” mara nyingi hukosa ufafanuzi huu.

Hoja kinyume: AI si bure

Utafiti huo haukanusi faida za kipekee; unatoa onyo tu dhidi ya kuzichukulia faida hizo kama zinazohusu mchakato mzima wa uundaji wa programu. Wakati tatizo linahusisha usanifu wa mfumo, urekebishaji wa utendaji (performance tuning), au masuala ya usalama, uwezo wa binadamu wa kutoa maamuzi unabaki kuwa muhimu sana.

Hitimisho

AI inaweza kukupa skateboard, lakini bila maarifa ya breki na uongozaji utapata ajali barabara inapopinda. Teknolojia hii inapunguza vikwazo vya kuandika kodi, lakini uhaba bado upo wa wahandisi wanaoweza kufikiria kuhusu mifumo, kutabiri hitilafu, na kuifanya programu iendelee kuishi inapokua. Kuwekeza katika uwezo huo wa kutoa maamuzi, badala ya kutumaini kuwa maelekezo (prompt) yatauchukua, ndiyo njia ya busara zaidi ya kudhibiti gharama za muda mrefu.