Ekspert w dziedzinie rozwoju oprogramowania James Shore ostrzega przed pułapką, jaką mogą stanowić agenty AI do pisania kodu. W swoim najnowszym artykule wyjaśnia, dlaczego zwiększenie produktywności pisania kodu może okazać się pozornym zyskiem, jeśli nie towarzyszy mu proporcjonalne obniżenie kosztów utrzymania kodu.
Shore przedstawia prostą, ale dramatyczną w skutkach zasadę: jeśli agent AI podwaja szybkość pisania kodu, musi jednocześnie zmniejszyć koszty jego utrzymania o połowę. W przeciwnym razie zespoły programistyczne skazują się na długoterminowe problemy z produktywnością.
Kluczowe wnioski
- Maintenance to główny koszt: Według szacunków deweloperów, każdy miesiąc pisania kodu generuje 10 dni pracy konserwacyjnej w pierwszym roku i 5 dni rocznie w kolejnych latach.
- Produktywność maleje z czasem: Po 2,5 roku ponad połowa czasu zespołu programistycznego idzie na utrzymanie istniejącego kodu zamiast tworzenia nowych funkcji.
- Pułapka AI: Jeśli agent podwaja produktywność, ale też podwaja koszty utrzymania, to łączne koszty maintenance wzrastają czterokrotnie.
- Brak drogi powrotu: Gdy zespół przestanie używać agenta AI, korzyści znikają, ale zwiększone koszty utrzymania pozostają na zawsze.
- Matematyka sukcesu: Aby AI był opłacalny długoterminowo, musi obniżać koszty utrzymania odwrotnie proporcjonalnie do wzrostu produktywności.
Dlaczego koszty utrzymania decydują o wszystkim
Shore ilustruje problem za pomocą modelu matematycznego opartego na zbiorowej mądrości 50 deweloperów. Według tych szacunków, każdy miesiąc poświęcony na pisanie nowego kodu generuje stałe obciążenie w postaci poprawek błędów, refaktoryzacji i aktualizacji zależności.
W pierwszym miesiącu projektu zespół może fokusować się wyłącznie na nowych funkcjach. Już w drugim miesiacu część czasu idzie na naprawy i poprawki z pierwszego miesiąca. Ten trend narasta systematycznie — po 2,5 roku więcej niż połowa czasu programistów pochłania maintenance zamiast rozwój.
Przykład ekstremalny: Jeśli agent AI o nazwie „Rock Lobster” podwaja produktywność zespołu, ale generowany kod jest trudniejszy w utrzymaniu (co podwaja koszty maintenance), to łączne obciążenie konserwacyjne wzrasta czterokrotnie. Efekt? Po pięciu miesiącach produktywność spada do poziomu sprzed wprowadzenia AI, a kilka miesięcy później staje się gorsza niż bez agenta.
Matematyka długoterminowego sukcesu
Shore przedstawia jasną formułę: jeśli AI trzykrotnie zwiększa produktywność pisania kodu, musi jednocześnie obniżyć koszty jego utrzymania do jednej trzeciej normalnego poziomu. Tylko wtedy całkowite obciążenie maintenance pozostanie na akceptowalnym poziomie.
Autor przyznaje, że nie ma pewności, czy obecne agenty AI rzeczywiście potrafią obniżać koszty utrzymania kodu. Jego obserwacje wskazują raczej na odwrotny trend — kod generowany przez AI często wymaga więcej pracy konserwacyjnej. Niektórzy deweloperzy twierdzą, że AI pomaga im lepiej rozumieć duże systemy, ale znaczące obniżenie kosztów maintenance pozostaje raczej w sferze marzeń.
Kluczowym problemem jest również nieodwracalność decyzji. Gdy zespół zdecyduje się na powrót do „tradycyjnego” kodowania, wszystkie korzyści z AI znikają natychmiast, ale kod napisany przez agenta nadal wymaga droższego utrzymania przez lata.
Shore kończy ostrzeżeniem: obecne agenty AI mogą oferować kuszące, krótkoterminowe zyski produktywności, ale bez rozwiązania problemu kosztów maintenance prowadzą do długoterminowego zadłużenia technicznego i spadku efektywności zespołów programistycznych.
