Watengenezaji sasa wanatumia saa 11.4 kwa wiki wakipitia kodi inayozalishwa na AI, wakizidi saa 9.8 wanazozandika wenyewe, kulingana na utafiti wa mwaka 2026 wa wahandisi 2,900. Kikwazo kimebadilika kutoka "je, AI inaweza kuzalisha kodi?" hadi "je, tunaweza kuamini kodi inayozalisha?" na timu zinahamia kwenye mifumo ya kazi ya AI ya mawakala wengi (multi-agent AI workflows) inayotoa njia za maamuzi zilizo wazi zaidi na ujasiri mkubwa.

Utafiti uliouchochea mazungumzo

Dodoso hilo, lililofanyika mapema mwaka huu, liliwauliza watengenezaji jinsi wanavyogawanya muda wao kati ya kuandika kodi mpya na kukagua kodi inayozalishwa na AI. Washiriki walisema kuwa ukaguzi sasa unachukua muda mrefu kuliko uundaji wa awali. Pia waliripoti kuhusisha wasaidizi tofauti wa AI wawili hadi wanne kwenye mradi mmoja, na 70% walisema kuwa utaratibu huo umekuwa wa kawaida.

Takwimu hizi zinaakisi kutoridhika kunakozidi: modeli moja ya matumizi yote inaweza kuandika kazi (function) ndani ya sekunde chache, lakini pia hufanya maamuzi yaliyofichika kuhusu miundo ya data (data structures), ushughulikiaji wa makosa (error handling) na uboreshaji wa utendaji (performance optimizations) bila kuacha kumbukumbu. Watengenezaji huishia kufanya uhandisi wa kinyume (reverse-engineering) wa maamuzi hayo, mchakato ambao unaweza kutumia siku nzima ya kazi.

Kwa nini modeli moja haitoshi tena

Kwa miaka mingi, mtiririko wa kawaida wa kazi ulionekana hivi: mtengenezaji aliandika maelekezo (prompt), modeli ilizalisha faili, na mtengenezaji akaiiga kwenye codebase. Mbinu hiyo hufanya kazi kwa maonyesho ya haraka (quick demos), lakini programu za uzalishaji (production software) zinahitaji zaidi ya matokeo ya mara moja. Wakati modeli inapofanya uamuzi, kwa mfano, kutumia linked list badala ya array au kumeza exceptions kimyakimya, maamuzi hayo hujijumuisha kwenye kodi na kutoweka machoni mwa mkaguzi.

Kwa sababu mantiki ya ndani ya modeli haihifadhiwi, timu huuliza "kwa nini AI ilichagua mfumo huu?" baada ya tukio kutokea. Jibu mara nyingi linahitaji kuchimbua maoni yaliyozalishwa, kuendesha tena prompt kwa mipangilio tofauti ya temperature, au hata kurudia hatua nzima ya uzalishaji. Kutokuwa na uhakika huo sasa kunaonekana kama saa za ziada za ukaguzi katika utafiti huo.

Kugawanya kazi: jinsi mifumo ya mawakala wengi inavyosaidia

Mifumo ya mawakala wengi (multi-agent setups) inaiga timu ndogo ya maendeleo. Badala ya modeli moja kushughulikia kila kitu, mawakala tofauti huchukua majukumu maalum:

  • Mwakala wa usanifu (Architect agent): huzalisha hati ya usanifu wa kiwango cha juu, hutoa muhtasari wa miundo ya data, mikataba ya API na mikakati ya ushughulikiaji wa makosa.
  • Mwakala wa utekelezaji (Implementation agent): huandika kodi inayofuata usanifu kwa usahihi, akitumia maelezo kama orodha ya ukaguzi.
  • Mwakala wa uhakiki (Verification agent): huzalisha unit tests, huendesha static analysis, au huandaa mifumo ya CI/CD, akizingatia tu uhakiki wa ubora.

Matokeo ya kila wakala ni kitu cha pekee, hivyo mantiki nyuma ya uamuzi inaishi ndani ya kitu hicho chenyewe. Kukagua usanifu kabla ya mstari wowote wa kodi kuandikwa kunagharimu chini sana kuliko kurekebisha hitilafu inayotokana na uamuzi mbaya wa usanifu. Uwezo wa kufuatilia (traceability) pia unaridhisha timu za uzingatiaji (compliance teams) zinazohitaji kuona nani (au nini) uliamua kuhusu maelezo fulani ya utekelezaji.

Zana zinazofanya mifumo ya kazi ya mawakala wengi iweze kutumika

Watengenezaji tayari wanaunganisha mifumo hii kwa kutumia mchanganyiko wa zana:

  • Mwingiliano wa IDE (IDE integrations) unaruhusu mawakala kuonekana kama paneli za pembeni, wakipitisha hati ya usanifu kwa msaidizi wa uzalishaji wa kodi kwa mbofyo mmoja.
  • Zana za CLI (CLI utilities) zinawezesha mfuatano wa amri: endesha mwanasanifu, pitisha matokeo yake kwa mwandishi wa kodi, kisha mpe matokeo hayo mjaribio.
  • Mifumo ya kazi (Frameworks) hutoa maktaba za kujenga mawakala maalum ambao wanaweza kubadilishwa kulingana na mahitaji ya mradi.
  • Majukwaa yanayozingatia maelezo (Specification-first platforms) yanahitaji faili rasmi ya mahitaji kabla ya uzalishaji wowote kuanza, yakihakikisha kuwa hatua ya usanifu haiwezi kurukwa.

Takwimu ya 70% ya utafiti huo inaashiria kuwa timu nyingi tayari zimejenga matoleo ya muda (ad-hoc) ya mifumo hii. Majukwaa mapya yanarahisisha tu kile ambacho wahandisi wamekuwa wakifanya kwa mikono.

Nani anayefaidika—na nani anaweza kuachwa nyuma

Mashirika ambayo lazima yazingatie mahitaji makali ya ukaguzi, kama vile yale katika sekta ya fedha au afya, yatafaidika mara moja. Mnyororo wa hati kutoka usanifu hadi kodi unapunguza hatari ya udhaifu uliofichika kuingia kwenye uzalishaji. Kampuni changu ndogo (startups) zinaweza kuona kuwa gharama ya kudumisha mawakala wengi haihitajiki ikiwa zinatembea kwa kasi kiasi kwamba kasi ya modeli moja inazidi gharama ya marekebisho ya mara kwa mara.

Hoja ya upinzani inaashiria kuwa mifumo ya wakala wengi (multi-agent systems) huongeza utata. Kuratibu modeli tatu au zaidi kunaweza kusababisha makosa ya uunganishaji, kuongeza ucheleweshaji (latency), na kuhitaji ufuatiliaji wa hali ya juu zaidi. Timu zisizo na utaalamu wa kujenga au kusimamia wakala maalum zinaweza kutumia muda mwingi kwenye uratibu (orchestration) kuliko kwenye maendeleo halisi. Kwa vikundi hivyo, modeli moja iliyorekebishwa vizuri—hasa ile inayotoa uwezo wa kuelezea maelezo yake (built-in explainability)—inaweza kubaki kuwa chaguo la busara.

Cha kufuatilia katika miezi ijayo

  • Format za kurekodi (logging) zilizosanifishwa kwa ajili ya vitu vilivyozalishwa na AI zinaweza kurahisisha ulinganishaji wa matokeo kati ya wakala tofauti.
  • Ofa za soko (Marketplace offerings) zinazounganisha wakala wa usanifu, uandishi wa kodi, na upimaji katika usajili mmoja zinaweza kupunguza vikwazo kwa timu zisizo na utaalamu wa ndani wa AI.
  • Mwongozo wa kisheria kuhusu kodi inayosaidiwa na AI unaweza kuzisukuma mashirika mengi kuelekea mifumo ya hatua nyingi inayoweza kukaguliwa.
  • Vigezo vya utendaji (Performance benchmarks) vinavyopima muda wote wa maendeleo—sio tu kasi ya uzalishaji—vitaisaidia timu kuamua ikiwa gharama ya ziada ya uratibu inalipa.

Takwimu kuu za utafiti huu zinaeleza hadithi ya wazi: watengenezaji hutumia sehemu kubwa ya wiki yao kuhakiki matokeo ya AI kuliko kuandika kodi mpya. Mifumo ya kazi ya wakala wengi (multi-agent workflows) inajitokeza kama jibu la moja kwa moja, ikitoa uwezo wa kufuatilia (traceability) unaobadilisha uzalishaji wa "black-box" kuwa mchakato uliorekodiwa na unaoweza kuhakikiwa. Ikiwa utata wa ziada wa uratibu unalipa kwa kila timu bado haijulikani, lakini mwelekeo wa kugawanya majukumu ya AI tayari unabadilisha jinsi programu zinavyoundwa.