Isi utama
- AI mempercepatkan penciptaan kod, tetapi baki saluran penghantaran, semakan, integrasi, dan penyelenggaraan, masih berjalan pada kadar lama, jadi kekangan itu hanya berpindah tempat dan tidak hilang.
- Pembangun seringkali menganggarkan secara berlebihan betapa banyak AI membantu mereka; jurang antara kelajuan yang dirasai dan kelajuan sebenar didokumentasikan dengan baik.
- Penjanaan kod yang lebih murah dengan senyap menjadikan semakan kod dan kebolehkekalan jangka panjang lebih mahal, bukan kurang.
- Kemahiran kejuruteraan yang berharga sedang beralih daripada menulis kod kepada memutuskan kod mana yang harus wujud sama sekali.
- Memperbaiki perkara ini bukan tentang memperlahankan penggunaan AI, tetapi tentang mencari tempat di mana kerja mula bertimbun dan membina kapasiti di situ sebaliknya.
Pengenalan
Selama bertahun-tahun, pasukan kejuruteraan perisian telah berusaha mempercepat pembangunan. Rangka kerja yang lebih baik, saluran CI/CD, infrastruktur awan, dan kini alat pengekodan AI semuanya mendorong ke arah yang sama: memendekkan masa antara idea dan perisian yang berfungsi.
AI Generatif telah memberikan perbezaan paling ketara pada peringkat pengekodan. Seorang pembangun boleh menerangkan keperluan dan mendapat pelaksanaan yang berfungsi dalam beberapa minit. Kod asas yang sebelum ini mengambil masa satu petang kini boleh dijana hampir serta-merta, sama ada ujian, klien API, pertanyaan pangkalan data, atau rangka ciri keseluruhan, dengan usaha yang sangat sedikit.
Sungguh menggoda untuk melihat ini dan membuat kesimpulan bahawa kejuruteraan telah menjadi lebih pantas. Data menunjukkan sebaliknya. Menurut laporan Keadaan Pembangunan Perisian Bantuan AI 2025 dari DORA (Google Cloud), hampir 90% profesional perisian melaporkan menggunakan AI di tempat kerja, dan lebih 80% percaya ia telah menjadikan mereka lebih produktif. Namun penyelidikan yang sama mendapati bahawa ketidakstabilan penghantaran perisian meningkat selari dengan penggunaan tersebut. Jurang antara "dirasa lebih pantas" dan "benar-benar lebih pantas" adalah tempat artikel ini berada.
Kerana penghantaran perisian adalah satu sistem, bukan hanya latihan menaip. Apabila satu peringkat dipercepatkan dengan ketara, kerja itu tidak hilang; tekanan hanya terbina di tempat lain. Kod semakin mudah dihasilkan, manakala kos untuk memahami, mengesahkan, dan memilik kod itu menjadi lebih jelas. Ini adalah paradoks yang terletak di tengah-tengah AI dalam kejuruteraan perisian sekarang: penerimaan hampir universal, namun sistem yang disentuhnya tidak menjadi lebih mudah untuk dijalankan.
AI bukan menghapuskan halangan kejuruteraan. Ia mengalihkannya.
Rangka kerja peralihan halangan kejuruteraan AI
AI mempercepatkan | Halangan berpindah ke | Impak perniagaan |
Penjanaan kod | Semakan dan pengesahan kod | Kelulusan lebih lambat dan produktiviti pembangun berkurangan |
Penciptaan ujian | Ujian integrasi dan sistem | Kitaran pelancaran lebih lama |
Pelaksanaan ciri | Keputusan seni bina dan reka bentuk | Hutang teknikal lebih tinggi |
Pembangunan | Tadbir urus dan keselamatan | Risiko operasi meningkat |
Penghantaran | Pengutamaan produk | Realisasi nilai perniagaan lebih lambat |
Pasukan kejuruteraan berprestasi tinggi menyedari bahawa AI tidak menghapuskan sekatan dalam saluran penghantaran perisian. Ia hanya memindahkannya. Organisasi yang mendapat manfaat paling banyak adalah yang sentiasa mengenal pasti halangan baharu dan merombak proses kejuruteraan mereka sebelum penghantaran menjadi perlahan.
Penjanaan kod bukan lagi bahagian yang perlahan
Pertimbangkan permintaan ciri yang agak biasa: titik akhir API baru, model data yang dikemas kini, pengesahan, ujian. Secara tradisinya, seorang pembangun akan meluangkan masa yang bermakna untuk membaca kod sedia ada, memutuskan bagaimana ciri itu sesuai, menulisnya, dan membetulkan kesilapan yang jelas.
Pembantu pengkodan AI memendekkan sebahagian besar daripada itu. Draf pertama kini mungkin muncul dalam dua puluh minit berbanding beberapa jam sebelum ini. Dari sudut pembangun, tugas itu terasa jauh lebih pantas.
Tetapi perasaan itu tidak selalu boleh dipercayai, dan terdapat kajian yang ketat untuk membuktikannya. Dalam percubaan terkawal rawak 2025, organisasi penyelidikan keselamatan AI METR yang bukan berasaskan keuntungan memberikan tugasan sebenar kepada pembangun sumber terbuka berpengalaman dalam kod yang mereka kenal dengan baik. Sebelum kajian, mereka menjangkakan AI akan mengurangkan masa penyelesaian sekitar satu perempat. Apabila keputusan diterima, sebenarnya mereka mengambil masa kira-kira 19% lebih lama dengan penggunaan AI, dan selepas itu, mereka masih menganggar AI telah mempercepatkan kerja mereka sekitar 20%. Analisis rakaman skrin daripada kajian yang sama memberi petunjuk mengapa: pembangun menghabiskan kira-kira 9% daripada jumlah masa tugasan mereka untuk menyemak dan membetulkan hasil yang dijana AI, masa yang tidak kelihatan apabila seseorang hanya melihat seberapa cepat draf pertama muncul, tetapi kelihatan kemudian, sebagai akibat langsungnya. Ini adalah salah satu data paling jelas setakat ini bahawa "lebih pantas" dan "dibantu AI" tidak semestinya sama, jurang yang perlu diambil kira serius oleh sesiapa yang mengukur AI dalam kejuruteraan perisian.
Pasukan telah menghasilkan kod dengan lebih cepat. Tetapi ia tidak semestinya menghasilkan perubahan yang boleh dikeluarkan dengan lebih cepat. Pembuatan kod sebelum ini mengambil masa yang mencukupi sehingga proses lain boleh menyerap kerja pada kadar yang lebih kurang sama. AI mengubah keseimbangan itu: pasukan kini boleh menghasilkan perubahan dengan lebih pantas daripada aliran kerja mereka menilai perubahan tersebut. Keputusannya bukan belakang tugas yang kosong; ia adalah barisan yang hanya dipindahkan ke tempat lain.
Kecuali proses kejuruteraan hiliran berkembang pada kadar yang sama, penjanaan kod yang lebih pantas jarang diterjemahkan kepada pelancaran yang lebih cepat atau hasil pelanggan yang lebih baik.
Kos sebenar akan muncul dalam ulasan
Dengan AI dalam kejuruteraan perisian, semakan kod menjadi tidak selesa apabila kod mudah dihasilkan. Seorang pembangun yang menggunakan AI generatif boleh dengan cepat menghasilkan pelaksanaan yang besar. Penilai tidak mendapat peningkatan produktiviti yang sama; mereka masih perlu memahami apa yang diubah, mengapa, dan sama ada ia perlu dimasukkan dalam sistem.
"Menulis 300 baris kod mungkin mengambil masa beberapa minit. Membangun konteks yang cukup untuk meluluskan 300 baris itu dengan yakin boleh mengambil masa yang lebih lama."
Ini bukan sekadar intuisi, ia berasaskan data. Penyelidikan AI Copilot Kualiti Kod GitClear, yang menganalisis lebih 200 juta baris kod yang diubah dari repositori termasuk Google, Microsoft, dan Meta, mendapati bahawa pengerjaan semula (pembersihan sengaja yang menjaga kesihatan kod asas) menurun dari kira-kira satu perempat daripada semua perubahan pada tahun 2021 kepada kurang daripada 10% pada tahun 2024. Kod yang disalin dan tampal meningkat secara berterusan sepanjang tempoh yang sama, dan 2024 menjadi tahun pertama dalam rekod di mana salin-tampal melebihi pengerjaan semula, bersama dengan lonjakan blok kod yang diduplikasi sebanyak lapan kali ganda. Susulan 2026 oleh GitClear mendapati trend itu semakin dipercepat, bukan stabil.
Penyelidikan yang sama mengesan "kegiliran," kod yang ditulis semula atau dibuang dalam masa dua minggu selepas ditulis, yang mengikut data GitClear telah meningkat kira-kira dua kali ganda sejak alat AI menjadi arus perdana. Bahagian yang semakin bertambah dari apa yang AI bantu pembangun keluarkan sebenarnya belum "siap" ditulis apabila ia digabungkan. Seseorang masih perlu kembali dan membaikinya; kerja tersebut telah ditangguh, bukan dihapuskan.
Masalah menjadi lebih ketara apabila kod yang dijana AI nampak baik. Sudah tentu kod yang jelas lemah mudah ditolak. Kod yang munasabah lebih sukar: penilai perlu bertanya sama ada ia mengendalikan peraturan perniagaan yang betul, mengikuti corak dalaman yang tepat, dan berfungsi dengan betul terhadap data produksi sebenar. AI telah mengurangkan kos menghasilkan jawapan. Ia tidak mengurangkan kos membuktikan jawapan itu betul.
Cukai konteks
Terdapat satu lagi kos AI dalam kejuruteraan perisian yang tidak pernah muncul dalam log binaan atau laporan larian. Pembangun dahulu membina kefahaman sebagai hasil sampingan menulis kod dengan tangan: mencari dalam pangkalan kod, membaca pelaksanaan lama, menjejaki panggilan perkhidmatan, serta perlahan-lahan membentuk model mental mengapa sistem berfungsi dengan cara tertentu. Perlahan, kadang-kadang mengecewakan, tetapi ia membina konteks sebenar.
Alat pengekodan AI memintas beberapa langkah tersebut. Berguna, sehingga sesuatu menjadi salah. Seorang pembangun mungkin menerima pelaksanaan yang dihasilkan AI yang lulus ujian tempatan tanpa menjejaki sepenuhnya sistem sekeliling. Apabila ciri tersebut gagal semasa integrasi atau berkelakuan aneh dalam produksi, konteks yang hilang itu perlu dibina semula dari awal, biasanya di bawah tekanan yang lebih tinggi berbanding jika ia dibina pada kali pertama.
Pasukan tidak menghapuskan masa yang dihabiskan untuk memahami seni bina. Ia ditangguhkan, dan kefahaman yang ditangguhkan hampir selalu lebih mahal.
Kejayaan tempatan tidak menjamin kejayaan sistem
AI dalam kejuruteraan perisian sangat baik dalam menyelesaikan masalah terhad: mengubah suai payload ini, menambah pengesahan pada borang ini, menjana klien untuk API ini. Sistem perusahaan jarang terhad dengan begitu kemas.
Pertimbangkan platform perbankan global di mana AI menjana ratusan permintaan tarik setiap minggu. Hasil pembangunan meningkat dengan cepat, tetapi kekerapan pelancaran kekal tidak berubah kerana tinjauan keselamatan, ujian integrasi, tadbir urus arkitektur, dan kelulusan peraturan menjadi kekangan penghantaran baharu.
Perubahan kecil boleh menjadi "betul secara setempat" tetapi masih melanggar peraturan pengesahan, tingkah laku cache, piawaian pemerhatian, dan andaian yang dibuat oleh pasukan lain beberapa tahun lalu.
Inilah yang baru-baru ini dikatakan oleh penyelidikan industri sebagai "kesan penguat" AI: ia tidak membaiki disiplin asas sebuah pasukan, tetapi membesarkan apa sahaja yang sudah ada. Pasukan dengan kawalan versi yang kukuh dan amalan tinjauan yang sihat melihat manfaat AI bertambah; pasukan tanpa itu melihat disfungsi yang sedia ada bertambah sama cepat.
Soalan sukar kini bukan lagi hanya "bolehkah kita membina ini?" Ia menjadi "apa lagi yang berubah apabila kita membina ini?" Itu memerlukan pengetahuan sistem: pergantungan, keputusan arkitektur sejarah, dan pengetahuan tidak formal yang tidak pernah dimasukkan ke dalam dokumentasi.
Ikuti halangan utama
Tindak balas yang salah ialah memperlahankan pembangun supaya proses sedia ada dapat mengejar. Tindak balas yang lebih baik adalah mencari di mana kerja sebenarnya terkumpul, dan mengukur dengan jujur, memandangkan betapa jauh persepsi boleh berbeza daripada realiti.
Jika permintaan tarik menunggu lebih lama, itu adalah masalah kapasiti semakan. Jika perubahan yang dijana AI terus gagal semasa integrasi, bahagian yang hilang mungkin konteks, bukan arahan yang lebih baik. Jika pembangun menghasilkan lebih banyak kod tetapi pelepasan tidak meningkat, keseluruhan saluran perlu diperiksa, bukan hanya bahagian dengan alat AI yang dipasangkan.
Perubahan kecil lebih mudah difahami daripada permintaan tarik yang dijana AI yang besar. Pemilikan yang jelas lebih penting apabila beberapa pasukan dapat mengubah sistem yang berkaitan dengan cepat. Dan produktiviti perlu diukur pada titik di mana perisian benar-benar mencipta nilai.
Soalannya bukan berapa cepat kod yang dijana AI muncul dalam repositori. Soalannya ialah sejauh mana perubahan berguna dipindahkan dari idea ke produksi dengan boleh dipercayai.
Halangan terus bergerak
Alat pengkodan AI akan terus bertambah baik: memahami pangkalan kod yang lebih besar, menjana ujian yang lebih baik, melaksanakan tugasan yang lebih panjang. Sesetengah sekatan hari ini akan berkurangan. Itu tidak bermakna sistem menjadi bebas sekatan.
Jika semakan yang dikuasakan oleh AI menjadi lebih automatik, tekanan mungkin beralih kepada kualiti spesifikasi. Jika ujian menjadi lebih pantas, kerumitan integrasi menjadi lebih jelas. Jika ejen AI boleh melaksanakan seluruh ciri, pasukan mungkin akan meluangkan lebih banyak masa untuk memutuskan ciri mana yang perlu dibina dan siapa yang bertanggungjawab ke atas akibatnya.
Setiap penambahbaikan besar dalam kejuruteraan perisian mengubah lokasi masa dan perhatian yang terhad. AI generatif melakukan perkara yang sama, tetapi dengan lebih pantas, dan sebab itulah perbincangan mengenai AI dalam kejuruteraan perisian perlu melangkaui angka penggunaan dan menumpukan kepada tempat kerja sebenarnya mula bertumpuk. Pasukan yang mendapat manfaat paling banyak bukanlah yang menjana kod paling banyak; mereka adalah yang memerhatikan di mana kerja mula menunggu apabila penjanaan kod sudah tidak menjadi sekatan.
Kerana menghilangkan satu sekatan hanya berguna jika anda bersedia untuk mencari sekatan seterusnya.
Kesimpulan
AI sedang mengubah kejuruteraan perisian, tetapi nilai perniagaan yang mampan datang dari memperbaiki keseluruhan saluran penghantaran perisian dan bukannya mempercepatkan satu tahap pembangunan sahaja. Organisasi yang menggabungkan pembangunan perisian yang dibantu AI dengan DevOps, kejuruteraan platform, tadbir urus, dan disiplin seni bina yang kukuh lebih bersedia untuk menghasilkan perisian dengan lebih pantas, meningkatkan kualiti, dan mengurangkan risiko operasi.
Keunggulan daya saing tidak akan dimiliki oleh pasukan yang menghasilkan kod paling banyak. Ia akan dimiliki oleh organisasi kejuruteraan yang sentiasa mengenal pasti kesesakan yang berubah, mengoptimumkan pengalaman pembangun, dan menghubungkan pelaburan teknologi dengan hasil perniagaan yang boleh diukur.
