मुझे लगता है कि आप AI के साथ खुद को धोखा दे रहे हैं

मूल लेख ↗ Hacker News चर्चा ↗

यह दावा कि AI-सहायता प्राप्त coding developer productivity बढ़ाती है, मिश्रित साक्ष्यों से चुनौती पाता है—जिसमें अक्सर उद्धृत 2025 study भी शामिल है, जिसमें developers को AI के साथ तेज़ महसूस हुआ लेकिन वे वास्तव में धीमे थे, और एक नया follow-up भी जिसके परिणाम निर्णायक नहीं थे। टिप्पणीकार “तेज़” AI-चालित prototyping और “धीमी” AI को traditional hand coding के साथ तुलना करते हैं, और task type, codebase complexity, तथा developer skill के अनुसार नगण्य लाभ से लेकर dramatic speedups तक की रिपोर्ट देते हैं। उत्पादकता के साथ-साथ कई लोग बड़े पैमाने पर AI की दीर्घकालिक economics और environmental cost पर चिंता जताते हैं, जबकि अन्य का तर्क है कि भले ही आज के business models अस्थिर हों, underlying technology स्पष्ट रूप से उपयोगी है और गायब होने वाली नहीं है.

AI और डेवलपर उत्पादकता

  • साफ़ विभाजन: कुछ लोग 2–10x तक के लाभ बताते हैं, जबकि अन्य को सत्यापन और डिबगिंग शामिल करने पर प्रभाव तटस्थ या नकारात्मक दिखता है।
  • सबसे बड़े लाभ यहाँ दिखते हैं: साधारण CRUD, glue code, helper libraries, अपरिचित domains, prototypes, और “bureaucratic” काम (ईमेल, सारांश)।
  • कई लोग बताते हैं कि जटिल, low-level, या library code में, जहाँ correctness और architecture बहुत महत्वपूर्ण होते हैं, कोई लाभ नहीं मिलता या गति भी धीमी हो जाती है।

वर्कफ़्लो: तेज़ बनाम धीमा AI उपयोग

  • “Fast AI”: agents को बड़े हिस्से या पूरे features जल्दी generate करने देना → demos/POCs के लिए बढ़िया, production और समझ के लिए जोखिमभरा।
  • “Slow AI”: incremental उपयोग, बहुत सारे सवाल और review → hand-coding से कम तनावपूर्ण लगता है, लेकिन बहुत तेज़ नहीं, फिर भी अधिक टिकाऊ।
  • कई लोग दोनों को मिलाते हैं: शुरुआती scaffolding के लिए AI, और refactor, testing, तथा code को “humanwashing” करने के लिए इंसान।

कौशल, समझ, और code quality

  • चिंता है कि AI का भारी उपयोग skills को कमजोर करता है और devs को उसके बिना काम करने में अक्षम या अनिच्छुक बना देता है; एक study से कुछ evidence भी मिलता है जहाँ कई लोगों ने no-AI conditions से इनकार किया।
  • अन्य लोग इस पर ज़ोर देते हैं कि “vibecoded” codebases को समझना कठिन हो जाता है, भले ही feature lists तेज़ी से बढ़ें।
  • कुछ AI को एक शक्तिशाली “rubber duck” मानते हैं, जो requirements और mental models को अधिक स्पष्ट बनाने के लिए मजबूर करता है।

आर्थिक टिकाऊपन और लागत

  • बहस इस पर है कि क्या विशाल AI capex और छिपा हुआ debt वर्तमान offerings को अस्थिर बनाते हैं, या tokens marginal रूप से लाभदायक हैं।
  • skeptics price hikes, consolidation, या failures की भविष्यवाणी करते हैं; supporters का तर्क है कि technology dot-com के बाद internet की तरह बनी रहेगी, संभवतः कम unit costs के साथ।
  • इस पर असहमति है कि क्या मौजूदा productivity gains लगभग एक ट्रिलियन डॉलर के investments को उचित ठहराते हैं।

पर्यावरणीय और नैतिक चिंताएँ

  • ऊर्जा उपयोग (मुख्यतः fossil-fuel powered), climate impact, और समुदाय को होने वाले नुकसान को लेकर चिंताएँ; कुछ लोग कहते हैं कि इन्हें नज़रअंदाज़ किया जा रहा है।
  • दूसरे जवाब देते हैं कि मुख्य समस्या dirty energy है, AI स्वयं नहीं, और उम्मीद करते हैं कि energy सस्ती/स्वच्छ होगी, लेकिन आलोचक Jevons paradox का हवाला देते हैं (अधिक efficiency → कुल उपयोग अधिक)।

साक्ष्य, अध्ययन, और epistemics

  • 2025 METR study (डेवलपर्स को लगा कि वे तेज़ हैं, लेकिन AI के साथ वे लगभग 19% धीमे थे) को skeptics बहुत उद्धृत करते हैं।
  • pro-AI पोस्टर 2026 के follow-up पर ज़ोर देते हैं जिसमें नए tools के साथ speedup दिखा, हालांकि authors स्वयं गंभीर methodological limits की बात करते हैं।
  • एकल studies बनाम संचित व्यक्तिगत अनुभव पर निर्भरता, और अपने पूर्वाग्रहों से मेल खाने वाले research को चुनकर उद्धृत करने पर व्यापक बहस।

अपनाने के पैटर्न और उपयोग-केस

  • छोटे teams, indie projects, और data science workflows में साफ़ उत्साह, जहाँ व्यक्ति architecture और context नियंत्रित करते हैं।
  • corporate-level ROI अभी भी “unclear” है; कई लोग नोट करते हैं कि traditional org bottlenecks (testing, requirements, politics) coding gains को खा सकते हैं।
  • non-engineers के लिए, AI पहले असंभव या बहुत महंगे software tasks को संभव बना सकता है, जिसे कई लोग सचमुच transformative मानते हैं।

सामाजिक गतिशीलता और भावनाएँ

  • प्रतिभागी “pro-AI” और “anti-AI” दोनों camps पर tribalism, insecurity, और motivated reasoning के आरोप लगाते हैं।
  • कुछ आलोचक AI की दिशा को लेकर गुस्सा और चिंता स्वीकार करते हैं; कुछ समर्थक बहुत आत्मविश्वास दिखाते हैं कि skeptic बस “गलत” हैं।
  • कई लोग तर्क देते हैं कि रोज़मर्रा की स्पष्ट utility को खारिज करना externalities और long-term risks पर अधिक गंभीर बहसों को कमजोर करता है।