Anthropic-ன் சமீபத்திய ஆய்வு, குறியீடு உருவாக்கத்திற்காக (code generation) AI-ஐ அதிகம் சார்ந்திருக்கும் டெவலப்பர்கள், கருத்துருக்களைப் புரிந்துகொள்ளும் (concept-understanding) தேர்வுகளில் 17 சதவீதம் குறைவாக மதிப்பெண் பெற்றுள்ளனர் என்றும், ஆவணங்கள் (documentation) மற்றும் இணையத் தேடல்களைப் பயன்படுத்தும் சக ஊழியர்களை விட அவர்கள் பணிகளை விரைவாக முடிக்கவில்லை என்றும் காட்டுகிறது. AI சில நொடிகளில் இயங்கக்கூடிய குறியீட்டை உருவாக்க முடியும் என்றாலும், அது உண்மையான பொறியியல் நிபுணத்துவத்திற்கான (engineering expertise) செலவைக் குறைக்காது என்பதை இந்த முடிவுகள் அடிக்கோடிட்டுக் காட்டுகின்றன.

இந்த ஆய்வு ஏன் முக்கியமானது

இந்தச் சோதனை டெவலப்பர்களை இரண்டு குழுக்களாகப் பிரித்தது. ஒரு குழுவிற்கு AI குறியீடு உருவாக்கும் கருவியைப் பயன்படுத்தத் தடையற்ற அனுமதி வழங்கப்பட்டது; மற்றொரு குழு அதிகாரப்பூர்வ ஆவணங்கள் மற்றும் இணையத் தேடல்களை மட்டுமே பயன்படுத்தி அதே சிக்கல்களைத் தீர்த்தது. பணிகளுக்குப் பிறகு, அடிப்படைத் தத்துவங்களைப் புரிந்துகொள்ளும் திறனைச் சோதிக்கும் வகையில் பங்கேற்பாளர்களுக்கு ஒரு வினாடி வினா நடத்தப்பட்டது. AI உதவியுடன் செயல்பட்ட குழுவின் சராசரி மதிப்பெண் 17 சதவீதம் குறைவாக இருந்தது, மேலும் எந்தக் குழுவும் குறிப்பிடத்தக்க வேக முன்னேற்றத்தைக் காட்டவில்லை.

நடைமுறை ரீதியாகப் பார்த்தால், “vibe coding”—அதாவது, ஒரு குறியீட்டுத் துண்டை (snippet) உருவாக்க AI-க்குத் தூண்டுதல் (prompting) கொடுத்து, அதை ஆழமாக ஆய்வு செய்யாமல் அப்படியே பயன்படுத்துவது—உற்பத்தித்திறனை அதிகரிக்காது. இது அறிவில் உள்ள இடைவெளியை மறைக்கிறது; அந்த இடைவெளியானது பிற்காலத்தில் பிழைகளாகவோ (bugs), பராமரிப்புச் சிக்கல்களாகவோ அல்லது அதிகச் செலவு பிடிக்கும் மறுபதிப்புப் பணிகளாகவோ (costly rewrites) வெளிப்படும்.

எண்களுக்குப் பின்னால் உள்ள சூழல்

Anthropic-ன் ஆராய்ச்சி, AI-ன் வாக்குறுதி முழுமையடையவில்லை என்பதைக் காட்டுகிறது. ஒவ்வொரு படிநிலையிலும் AI-ஐப் பயன்படுத்தியவர்கள்—பரிந்துரைகளை அப்படியே நகலெடுத்து ஒட்டுவது (copy-pasting), மாறிப் பெயர்களை (variable names) மாற்றுவது மற்றும் அடுத்த கட்டத்திற்குச் செல்வது—அந்தப் பிரச்சனை சார்ந்த களத்தைப் பற்றி மிகக் குறைவாகவே கற்றுக்கொண்டனர். ஆனால், அந்தத் கருவியை ஒரு கூட்டாளியாகக் கருதி—துல்லியமான, குறுகிய கேள்விகளைக் கேட்டு, பின்னர் பெறப்பட்ட குறியீட்டைத் துல்லியமாக ஆய்வு செய்த டெவலப்பர்கள்—அடிப்படைச் சட்டகத்தை (conceptual framework) அதிகமாகத் தக்கவைத்திருந்தனர்.

இந்த வேறுபாடு தொழில்துறையின் ஒரு பரந்த அவதானிப்பைப் பிரதிபலிக்கிறது: prompt engineers சில நிமிடங்களில் ஒரு செயல்பாட்டை (function) உருவாக்கிவிட முடியும், ஆனால் சிக்கல்கள் அதிகரிக்கும் போது ஒரு systems engineer வேகமாகச் செயல்படுவார். எவை உடைந்து போகும் மற்றும் எவை விரிவாக்கத்திற்கு (scale) உதவாது என்பதை அவர்கள் முன்கூட்டியே கணிப்பார்கள். அவர்களின் வேகம் என்பது அவர்களின் தீர்க்கமான முடிவுகளைப் (judgment) பொறுத்தது, திறமையின்மையல்ல.

யார் வெற்றி பெறுகிறார்கள், யார் thuaப் போகிறார்கள்

தீர்க்கமான முடிவுகளைத் தக்கவைத்துக் கொள்ளும் பொறியாளர்கள் கட்டமைப்பைப் (architecture) புரிந்துகொண்டு, எந்தெந்த இடங்கள் உறுதியாக இருக்க வேண்டும் அல்லது நெகிழ்வாக இருக்க வேண்டும் என்பதைத் தெரிந்து வைத்திருக்கும், மற்றும் அமைப்பைச் சிதைக்காமல் கூறுகளை (components) மீண்டும் எழுதக்கூடிய பொறியாளர்கள், நீண்ட கால அடிப்படையில் நிறுவனங்களுக்குப் பணத்தைச் சேமிக்கிறார்கள். சுத்தமாகத் தெரிந்தாலும், தெளிவான நோக்கத்தைக் கொண்டிருக்காத AI-ஆல் உருவாக்கப்பட்ட குறியீடுகளால் ஏற்படும் மறைமுகத் தொழில்நுட்பக் கடன்களைத் (technical debt) தற்காப்பதில் அவர்களின் திறன் உதவுகிறது.

Prompt நிபுணர்கள் AI-ஐ ஒரு மந்திரக்கோலாகக் கருதுபவர்கள் விரைவான முன்மாதிரிகளை (prototypes) வழங்கலாம் அல்லது தனிப்பட்ட பிழைகளைத் தீர்க்கலாம். குறுகிய காலத்தில் அவர்கள் உற்பத்தித்திறன் மிக்கவர்களாகத் தோன்றலாம், ஆனால் codebase விரிவடையும் போது, AI உருவாக்கிய குறியீட்டுத் துண்டுகளில் உள்ள மறைமுகக் கருத்துக்கள் சுமையாகிவிடும். அதன் பிறகு, பிழைகளைத் திருத்துவது (debugging) என்பது அசல் நோக்கத்தைத் தேடும் ஒரு போராட்டமாக மாறி, பராமரிப்புச் செலவுகளை அதிகரிக்கிறது.

நிறுவனம் AI-ஆல் மட்டுமே உருவாக்கப்படும் மென்பொருட்களை அதிகம் நம்பியிருக்கும் வணிகங்கள், எதிர்காலத்தில் அதிகச் செலவுகளைச் சந்திக்க நேரிடும்: பிழைகளைத் திருத்துவதற்கும் (debugging), குறியீட்டை மறுசீரமைப்பதற்கும் (refactoring), மற்றும் தெளிவற்ற குறியீடுகளைப் புரிந்துகொள்ள வேண்டிய புதிய பொறியாளர்களைப் பணியமர்த்துவதற்கும் அதிக நேரம் செலவிடப்படும். AI உதவியையும் ஒழுக்கமான பொறியியல் நடைமுறைகளையும் இணைக்கும் நிறுவனங்கள், நீண்ட கால நிலைத்தன்மையைப் பேணிக்கொண்டே வேகத்தின் பலன்களைப் பெறுகின்றன.

பெரும்பாலான அறிக்கைகள் விடுபடும் விவரங்கள்

  • கற்றல் தாக்கம்: இந்த 17 சதவீத இடைவெளியானது, வெறும் தொடரியல் (syntax) நினைவாற்றலை மட்டும் சோதிக்காமல், புரிந்துகொள்ளும் திறனைச் சோதிக்கும் வினாடி வினா மூலம் அளவிடப்பட்டது. இது மேலோட்டமான அறிவை அல்லாமல், மன மாதிரிகளின் (mental models) உண்மையான சிதைவைக் குறிக்கிறது.
  • பணி முடிக்கும் நேரம்: உடனடி குறியீடு கிடைக்கும் என்ற கவர்ச்சியின் बावजूद, ஒவ்வொரு குழுவும் பணியை முடிக்க எடுத்துக்கொண்ட நேரத்தில் புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்க வேறுபாடு இல்லை என்று ஆய்வு கண்டறிந்துள்ளது. வேக முன்னேற்றம் என்பது ஒரு மாயை மட்டுமே.
  • முறை முக்கியமானது: AI பயன்பாட்டின் பல்வேறு நிலைகளை இந்த ஆய்வு முன்னிலைப்படுத்தியது. AI-ஐ முழுமையாகச் சார்ந்திருப்பது மிக மோசமான கற்றல் முடிவுகளைத் தந்தது, ஆனால் தேர்ந்தெடுக்கப்பட்ட மற்றும் தேடல் சார்ந்த (inquisitive) தூண்டுதல்கள் (prompting) சிறந்த முடிவுகளைத் தந்தன. "AI குறியீட்டு முறையை வேகப்படுத்துகிறது" என்று அறிவிக்கும் தலைப்புகள் பெரும்பாலும் இந்த நுணுக்கத்தைத் தவறவிடுகின்றன.

எதிர்வாதம்: AI பயனற்றது அல்ல

இந்த ஆய்வு AI-ன் குறிப்பிட்ட நன்மைகளை மறுக்கவில்லை; மாறாக, அவற்றை முழு மென்பொருள் மேம்பாட்டுச் செயல்முறைக்கும் பொருத்திப் பார்ப்பது குறித்து எச்சரிக்கிறது. பிரச்சனை என்பது சிஸ்டம் வடிவமைப்பு (system design), செயல்திறன் மேம்பாடு (performance tuning) அல்லது பாதுகாப்பு அம்சங்களை உள்ளடக்கியதாக இருக்கும்போது, மனிதத் தீர்க்கமான முடிவு (human judgment) இன்றியமையாததாகவே உள்ளது.

சுருக்கம்

AI உங்களுக்கு ஒரு ஸ்கேட்போர்டை (skateboard) வழங்கலாம், ஆனால் பிரேக்குகள் மற்றும் திசைதிருப்புதல் பற்றிய அறிவு இல்லையென்றால், சாலை வளையும் போது நீங்கள் விபத்துக்குள்ளாவீர்கள். இந்தத் தொழில்நுட்பம் குறியீடு எழுதுவதற்கான தடையைக் குறைக்கிறது, இருப்பினும் சிஸ்டம்களைப் பற்றிச் சிந்திக்கவும், தோல்விகளைக் கணிக்கவும், மென்பொருள் வளரும்போது அதைச் சிறப்பாகப் பராமரிக்கவும் கூடிய பொறியாளர்களின் பற்றாக்குறை இன்னும் நீடிக்கிறது. ஒரு prompt அதை மாற்றும் என்று நம்புவதை விட, அந்தத் தீர்க்கமான முடிவெடுக்கும் திறனில் (judgment) முதலீடு செய்வதே நீண்ட காலச் செலவைக் கட்டுப்படுத்த புத்திசாலித்தனமான வழியாகும்.