کد بیشتر، نرم‌افزار کمتر؛ چرا ایجنت‌های هوش مصنوعی پشت ترافیک بازبینی کد گیر افتادند؟

هر کسی که حتی سررشته‌ای جزئی از دنیای برنامه‌نویسی داشته باشد، خوب می‌داند که دستیارها و ایجنت‌های مدرن کدنویسی هوش مصنوعی با چه سرعت خارق‌العاده‌ای می‌توانند حجم عظیمی از کدهای به ظاهر کاربردی را تولید کنند. اما برنامه‌نویسانی که از این ابزار‌ها استفاده می‌کنند، این نکته را هم خیلی خوب یاد گرفته‌اند که نباید به درستی این کدها چشم‌بسته اعتماد کرد؛ واقعیتی که یعنی باید وقت و انرژی بسیار زیادی صرف بازبینی و خطایابی خروجی هوش مصنوعی شود.

یک مطالعه تازه روی الگوهای واقعی کدنویسی در صدها شرکت مختلف نشان می‌دهد که فرایند بازبینی کد توسط برنامه‌نویسان انسانی، به یک «گلوگاه» اساسی در مسیر بهره‌وری ابزار‌های کدنویسی هوش مصنوعی تبدیل شده است؛ وضعیتی که باعث شده «شواهد بسیار ناچیزی از افزایش خروجی نرم‌افزاری یا کاهش نیرو» در این شرکت‌ها دیده شود. پژوهشگران این مقاله دریافتند که هرگونه افزایش سرعت در مرحله کدنویسی، عملاً «توسط موانع و محدودیت‌های مراحل بعدی در چرخه تولید خنثی می‌شود»؛ زیرا «فرایند بازبینی کد به شکل چشمگیری طولانی‌تر شده، پول‌ریکوئست‌ها خیلی بیش‌تر از قبل نیازمند اصلاح و بازنویسی می‌شوند و بازبین‌ها کامنت‌های بیشتری برای رفع ایرادات ثبت می‌کنند.»

اول ببُر، بعد دو بار اندازه بگیر!

برای رسیدن به این نتایج، فیونا چن (Fiona Chen) و جیمز استراتون (James Stratton)، دو پژوهشگر دانشگاه هاروارد، به سراغ داده‌های تحلیلی و تجمیع‌شده پلتفرم Jellyfish رفتند؛ پلتفرمی که به سنجش دقیق و جزئی‌نگرانه عملکرد تیم‌های مهندسی می‌پردازد. این مجموعه داده شامل ۳۰۰ میلیون «رویداد کاری» منحصربه‌فرد (مانند کامیت‌ها و پول‌ریکوئست‌ها) و اطلاعات نرم‌افزارهای مدیریت پروژه و ایشوها برای بیش از ۷۰۰ هزار کارمند در بیش از ۷۰۰ شرکت فعال توسعه نرم‌افزار، از سال ۲۰۲۱ تا مارس ۲۰۲۶ است.

محققان برای ارزیابی اثرگذاری ابزار‌های هوش مصنوعی بر این شرکت‌ها، ترکیبی از سنجش مستقیم استفاده از هوش مصنوعی و تحلیل فعالیت‌ها در گیت‌هاب را به کار گرفتند تا مشخص شود هر شرکت دقیقاً از چه زمانی پای دستیارهای کدنویسی (که در تکمیل خودکار کدهای نوشته‌شده توسط انسان کمک می‌کنند) و ایجنت‌های کدنویسی هوش مصنوعی (که به صورت مستقل و بر اساس پرامپت‌ها کد می‌نویسند و ارسال می‌کنند) را به جریان کاری خود باز کرده است. سپس آنها با استفاده از محاسبات آماری پیشرفته، تحلیل رگرسیون «تفاضل در تفاضل‌ها» را روی متغیرهای کلیدی قبل و بعد از ورود این ابزار‌ها در زمان‌های گوناگون و سازمان‌های مختلف پیاده‌سازی کردند.

از نظر حجم خام کدهای تولیدشده، نتایج کاملاً روشن و خیره‌کننده است. محققان گزارش کرده‌اند که ورود ایجنت‌های کدنویسی هوش مصنوعی به یک شرکت، به طور میانگین به افزایش ۳۰ درصدی کل خطوط کد، رشد ۲۰ درصدی تعداد کامیت‌ها و افزایش ۲۳ درصدی پول‌ریکوئست‌ها منجر می‌شود. اما جالب اینجاست که این همه کد اضافی به معنای بهبود خروجی واقعی نرم‌افزار در سطح شرکت نیست. در واقع، نرخ حل و فصل ایشوها (Issues) و اپیک‌ها (Epics - یعنی قابلیت‌ها و ویژگی‌های کلان نرم‌افزاری) در ابزار‌هایی مثل جیرا (Jira)، پس از به کارگیری ابزار‌های هوش مصنوعی هیچ تغییر معنادار آماری نشان نداده است (ضمن اینکه محققان هیچ تغییری در اندازه یا میزان پیچیدگی این وظایف نیز مشاهده نکردند).

دلیل اصلی این تناقض را باید مستقیماً در فرایند بازبینی کد (Code Review) جستجو کرد که پس از ورود ایجنت‌های کدنویسی هوش مصنوعی به مراتب طولانی‌تر شده است. به طور کلی، میانگین زمان بازبینی — یعنی از لحظه ثبت پول‌ریکوئست تا مرج شدن نهایی آن در مخزن کد — پس از ورود ایجنت‌ها با جهشی ۴۹ درصدی روبه‌رو شده است. این اثر در آمار‌های دقیق‌تر هم به وضوح دیده می‌شود؛ به طوری که به گفته محققان، «سهم پول‌ریکوئست‌هایی که نیازمند اصلاحات مجدد اعلام شده‌اند تقریباً دو برابر شده و تعداد کامنت‌های ثبت‌شده روی هر پول‌ریکوئست ۳۵ درصد افزایش یافته است.»

در واکنش به این تغییرات، پژوهشگران متوجه شدند که پس از ورود ایجنت‌های هوش مصنوعی، سهم نیروی کاری که به فرایند بازبینی کد اختصاص داده می‌شود ۱۴ درصد بیش‌تر شده است. علاوه بر این، آنها پس از بررسی کل نیروهای فعال در داده‌های جلی‌فیش و تطبیق آن با اطلاعات لینکدین این شرکت‌ها، اعلام کردند که «نمی‌توان تغییر معناداری در آمار اشتغال یا تعدیل نیرو را به هوش مصنوعی نسبت داد.»

شاید در تئوری این طور به نظر برسد که هوش مصنوعی می‌تواند به فرایند بازبینی کد هم کمک کند، اما محققان پی بردند که تا امروز اثرگذاری آن در این بخش بسیار ناچیز بوده است. اگرچه تا مارس ۲۰۲۶ نزدیک به ۸۰ درصد شرکت‌های مورد بررسی از شکلی از بازبینی کد با هوش مصنوعی بهره می‌بردند، اما ایجنت‌های هوش مصنوعی تنها مسئول ۲۳.۳ درصد از کل کامنت‌های بازبینی و ۱۰.۸ درصد از پول‌ریکوئست‌ها بوده‌اند؛ موضوعی که نشان می‌دهد بازبین‌های انسانی همچنان بار اصلی این مسوولیت سنگین را به دوش می‌کشند.

البته باید پذیرفت که ایجنت‌های هوش مصنوعی هنوز پدیده‌ای نسبتاً نوظهور در دنیای برنامه‌نویسی به حساب می‌آیند و حتی از زمان جمع‌آوری داده‌های این تحقیق در مارس ۲۰۲۶ تا به حال، خروجی آنها دستخوش به‌روزرسانی‌ها و پیشرفت‌های چشمگیری شده است. با این که ۹۵ درصد شرکت‌های حاضر در این پژوهش اکنون از ایجنت‌های کدنویسی استفاده می‌کنند، اما بسیاری از آنها هنوز در منحنی یادگیری قرار دارند تا متوجه شوند چه زمانی و چگونه باید از این ابزار‌ها به بهترین شکل بهره ببرند. با کسب تجربه بیش‌تر تیم‌های مهندسی درباره نقاط قوت و ضعف سپردن وظایف به ایجنت‌ها، موازنه میان «زمان کدنویسی در برابر زمان بازبینی» احتمالاً در آینده بهبود خواهد یافت.

با این حال، در شرایط فعلی سپردن کدنویسی به هوش مصنوعی مثل یک شمشیر دولبه است؛ جایی که سرعت بالای نوشتن کد با افزایش زمان و زحمت بازبینی انسانی خنثی می‌شود. این نتایج به خوبی نشان می‌دهد که شاید برای اغلب شرکت‌ها، صرف هزینه‌ها و زمان هنگفت برای استقرار ایجنت‌های کدنویسی هوش مصنوعی در حال حاضر آن‌قدرها که ادعا می‌شد بازدهی چشمگیری نداشته باشد.