Anthropic کی تازہ ترین تحقیق سے پتہ چلتا ہے کہ وہ ڈویلپرز جو کوڈ جنریشن کے لیے AI پر انحصار کرتے ہیں، تصوراتی سمجھ بوجھ (concept-understanding) کے ٹیسٹوں میں 17 فیصد کم اسکور کرتے ہیں اور وہ ان ساتھیوں سے زیادہ تیزی سے کام مکمل نہیں کرتے جو صرف دستاویزات (documentation) اور ویب سرچز پر بھروسہ کرتے ہیں۔ یہ نتائج اس بات پر زور دیتے ہیں کہ اگرچہ AI سیکنڈوں میں کام کرنے والا کوڈ تیار کر سکتا ہے، لیکن یہ حقیقی انجینئرنگ مہارت کی ضرورت کو کم نہیں کرتا۔

یہ تحقیق کیوں اہم ہے

اس تجربے میں ڈویلپرز کو دو گروہوں میں تقسیم کیا گیا۔ ایک گروپ کو AI کوڈ-جنریشن ٹول تک بلا روک ٹوک رسائی دی گئی؛ جبکہ دوسرے نے صرف آفیشل دستاویزات اور انٹرنیٹ سرچز کا استعمال کرتے ہوئے وہی مسائل حل کیے۔ اسائنمنٹس کے بعد، شرکاء کا ایک کوئز لیا گیا جس میں بنیادی اصولوں کی سمجھ کا جائزہ لیا گیا۔ AI کی مدد لینے والے گروپ کا اوسط اسکور 17 فیصد کم رہا، اور کسی بھی گروپ نے رفتار میں کوئی قابلِ پیمائش اضافہ نہیں دکھایا۔

عملی طور پر، "vibe coding"—یعنی AI کو ایک کوڈ کا ٹکڑا (snippet) تیار کرنے کا حکم دینا اور بغیر گہرائی سے جانچ پڑتال کیے اسے استعمال کر لینا—پیداواری صلاحیت میں اضافہ نہیں کرتا۔ یہ محض علم کے اس فرق کو چھپاتا ہے جو بعد میں بگ (bugs)، دیکھ بھال کی مشکلات، یا مہنگے ری رائٹس (rewrites) کی صورت میں سامنے آتا ہے۔

اعداد و شمار کے پیچھے کا پس منظر

Anthropic کی تحقیق ظاہر کرتی ہے کہ اس کا وعدہ ادھورا ہے۔ وہ شرکاء جنہوں نے ہر قدم پر AI کا استعمال کیا—تجویز کردہ کوڈ کو کاپی پیسٹ کرنا، ویری ایبل کے ناموں میں تبدیلی کرنا، اور آگے بڑھ جانا—انہوں نے مسئلے کے دائرہ کار کے بارے میں سب سے کم سیکھا۔ وہ ڈویلپرز جنہوں نے اس ٹول کو ایک معاون (collaborator) کے طور پر استعمال کیا—یعنی درست اور محدود سوالات پوچھے اور پھر واپس ملنے والے کوڈ کا تجزیہ کیا—انہوں نے تصوراتی فریم ورک کو بہتر طور پر سمجھا۔

یہ فرق صنعت کے ایک وسیع تر مشاہدے کی عکاسی کرتا ہے: پرامپٹ انجینئرز (prompt engineers) منٹوں میں ایک فنکشن تیار کر سکتے ہیں، لیکن جیسے جیسے پیچیدگی بڑھتی ہے، ایک سسٹم انجینئر زیادہ تیزی سے کام کرتا ہے۔ وہ پہلے سے اندازہ لگا لیتے ہیں کہ کیا چیز ٹوٹ سکتی ہے اور کیا چیز پیمانے (scale) پر ناکام ہو سکتی ہے۔ ان کی رفتار ان کے فیصلہ کرنے کی صلاحیت (judgment) کی عکاسی کرتی ہے، نہ کہ ان کی نااہلی کی۔

کون جیتتا ہے، کون ہارتا ہے

وہ انجینئرز جو اپنی فیصلہ سازی کی صلاحیت برقرار رکھتے ہیں وہ انجینئرز جو آرکیٹیکچر کو سمجھتے ہیں، جانتے ہیں کہ کہاں ڈھانچے کو سخت ہونا چاہیے یا کہاں لچکدار، اور سسٹم کو خراب کیے بغیر اجزاء کو دوبارہ لکھ سکتے ہیں، وہ طویل مدت میں اداروں کے پیسے بچاتے ہیں۔ ان کی مہارت اس پوشیدہ تکنیکی قرض (technical debt) سے بچاتی ہے جو اکثر AI سے تیار کردہ ایسے کوڈ کے بعد پیدا ہوتا ہے جو دیکھنے میں تو صاف ستھرا لگتا ہے لیکن اس میں واضح مقصدیت (explicit intent) کی کمی ہوتی ہے۔

پرامپٹ اسپیشلسٹ وہ لوگ جو AI کو ایک جادوئی چھڑی سمجھتے ہیں، وہ فوری طور پر پروٹو ٹائپس تیار کر سکتے ہیں یا الگ تھلگ بگ (bugs) حل کر سکتے ہیں۔ مختصر مدت میں، وہ پیداواری نظر آتے ہیں، لیکن جب کوڈ بیس (codebase) پھیلتا ہے، تو AI کے تیار کردہ کوڈ کے ٹکڑوں میں چھپے ہوئے مفروضے بوجھ بن جاتے ہیں۔ اس کے بعد ڈی بگنگ (debugging) اصل مقصد کی تلاش میں بدل جاتی ہے، جس سے دیکھ بھال کے اخراجات بڑھ جاتے ہیں۔

ادارہ وہ کاروبار جو مکمل طور پر AI پر مبنی ڈویلپمنٹ پر انحصار کرتے ہیں، مستقبل میں زیادہ اخراجات کا خطرہ مول لیتے ہیں: ڈی بگنگ، ری فیکٹرنگ، اور نئے انجینئرز کو شامل کرنے پر زیادہ وقت صرف کرنا پڑتا ہے جنہیں پیچیدہ کوڈ سمجھنا پڑتا ہے۔ وہ کمپنیاں جو نظم و ضبط کے ساتھ انجینئرنگ کے طریقوں کو AI کی مدد کے ساتھ ملا کر چلاتی ہیں، طویل مدتی استحکام برقرار رکھتے ہوئے رفتار کے فوائد حاصل کرتی ہیں۔

وہ تفصیلات جنہیں زیادہ تر رپورٹس نظر انداز کر دیتی ہیں

  • سیکھنے پر اثرات: 17 فیصد کا فرق ایک ایسے کوئز پر ماپا گیا جس نے صرف سنٹیکس (syntax) کی یادداشت نہیں بلکہ سمجھ بوجھ کا امتحان لیا۔ یہ ذہنی ماڈلز کے حقیقی زوال کی نشاندہی کرتا ہے، نہ کہ محض سطحی علم کی۔
  • کام مکمل کرنے کا وقت: فوری کوڈ کی کشش کے باوجود، تحقیق میں اس بات کا کوئی شماریاتی طور پر اہم فرق نہیں پایا گیا کہ ہر گروپ نے اسائنمنٹ مکمل کرنے میں کتنا وقت لیا۔ رفتار میں اضافہ محض ایک وہم تھا۔
  • طریقہ کار اہمیت رکھتا ہے: تحقیق نے AI کے استعمال کے مختلف پیمانوں کو اجاگر کیا۔ AI پر مکمل انحصار سے سیکھنے کے نتائج سب سے خراب رہے، جبکہ منتخب اور تجسس پر مبنی پرامپٹنگ سے بہتر نتائج حاصل ہوئے۔ وہ سرخیاں جو یہ دعویٰ کرتی ہیں کہ "AI کوڈنگ کو تیز بناتا ہے" اکثر اس باریک فرق کو نظر انداز کر دیتی ہیں۔

جوابی دلیل: AI بیکار نہیں ہے

یہ تحقیق مخصوص فوائد سے انکار نہیں کرتی؛ یہ صرف انہیں پورے سافٹ ویئر ڈویلپمنٹ کے عمل پر لاگو کرنے کے خلاف خبردار کرتی ہے۔ جب مسئلہ سسٹم ڈیزائن، کارکردگی کی بہتری (performance tuning)، یا سیکیورٹی کے تحفظات سے متعلق ہو، تو انسانی فیصلہ سازی (human judgment) ناگزیر رہتی ہے۔

خلاصہ

AI آپ کو اسکیٹ بورڈ دے سکتا ہے، لیکن بریک اور اسٹیئرنگ کے علم کے بغیر آپ موڑ پر حادثے کا شکار ہو جائیں گے۔ یہ ٹیکنالوجی کوڈ لکھنے کی رکاوٹ کو تو کم کرتی ہے، لیکن مہارت کی کمی اب بھی ان انجینئرز میں ہے جو سسٹمز کے بارے میں سوچ سکیں، ناکامی کا اندازہ لگا سکیں، اور سافٹ ویئر کے بڑھنے کے ساتھ اسے فعال رکھ سکیں۔ پرامپٹ کے ذریعے اس کی جگہ لینے کی امید کرنے کے بجائے، اس فیصلہ سازی کی صلاحیت (judgment) میں سرمایہ کاری کرنا طویل مدتی اخراجات کو کنٹرول کرنے کا سب سے سمجھدار طریقہ ہے۔