AI पर निर्भरता से कोडिंग विशेषज्ञता ढहने जा रही है
यह दावा कि AI coding assistants असली programming expertise को कमजोर कर देंगे, calculators in math और compilers द्वारा assembly को प्रतिस्थापित करने जैसी पिछली तकनीकी बदलावों से जोड़ा जा रहा है। टिप्पणीकार बताते हैं कि large language models गैर-विशेषज्ञों को भी बड़ी मात्रा में “vibe coded” software बनाने देते हैं, जिससे code quality, कठिनाई से अर्जित intuition के नुकसान, और ऐसे लोगों की भविष्य की कमी को लेकर चिंता बढ़ती है जो AI के बिना complex systems को debug या reason कर सकें। दूसरे लोग तर्क देते हैं कि expertise बस abstraction के एक ऊपर के स्तर पर चली जाएगी, और सबसे मूल्यवान engineers architecture, problem selection, और AI को समझने के विकल्प के बजाय एक tightly controlled tool की तरह इस्तेमाल करने पर ध्यान देंगे।
कौशल का क्षरण बनाम सामान्य टूल प्रगति
- कई लोग तर्क देते हैं कि LLMs उस संज्ञानात्मक घर्षण को हटाकर “कोडिंग intuition” को कमजोर कर देंगे, जो पहले गहरी समझ बनाता था; यह चिंता कैलकुलेटर और GPS को लेकर की गई चिंताओं जैसी है।
- दूसरे लोग इसका विरोध करते हैं कि यह सिर्फ एक और abstraction step है, जैसे assembly से high-level languages में जाना या हाथ से drafting से CAD पर जाना; कुछ कौशल घटते हैं, नए उभरते हैं।
- असहमति इस बात पर टिकती है कि क्या LLMs “सिर्फ एक और abstraction layer” हैं, या गुणात्मक रूप से अलग हैं क्योंकि वे non-deterministic हैं और सिर्फ translation नहीं, बल्कि intent के स्तर पर काम करते हैं।
शिक्षा, जूनियर्स, और सीखने का “घर्षण”
- कई टिप्पणीकार इस बात पर ज़ोर देते हैं कि शुरुआती लोगों को logic, taste, और मानसिक “muscle memory” विकसित करने के लिए वर्षों तक बिना AI के coding करनी चाहिए।
- थ्रेड में उद्धृत studies बताती हैं कि novice लोग कहते हैं कि वे AI को tutor की तरह इस्तेमाल करते हैं, लेकिन वास्तव में इसे answer machine की तरह इस्तेमाल करते हैं, जिससे सीखना कमजोर पड़ता है।
- कुछ educators ऐसे AI के साथ प्रयोग कर रहे हैं जो छात्र की अपनी code पर quiz करता है या textbook-style explanations और exercises बनाता है।
Code Quality, Safety, और Complexity
- कई लोग “vibe-coded” AI output को “functional enough” लेकिन संरचनात्मक रूप से खराब बताते हैं, खासकर जब models अपने ही पहले के code पर iterate करते हैं।
- बहुत बड़े AI-generated PRs को लेकर चिंता है जिन्हें मनुष्य वास्तविक रूप से review नहीं कर सकते, जिससे systems अपारदर्शी और असहनीय हो जाते हैं।
- दूसरे लोग कहते हैं कि अच्छे engineers LLMs का उपयोग refactor, simplify, और बेहतर architectures तेज़ी से बनाने के लिए कर सकते हैं; अच्छी तरह संरचित codebases शक्तिशाली amplifiers बन जाते हैं।
मानव विशेषज्ञता की भूमिका
- इस बात पर मज़बूत सहमति है कि LLMs को अभी भी experts की ज़रूरत होती है ताकि वे:
- सही problems को परिभाषित करें।
- constraints और architecture लागू करें।
- तय करें कि code कब “good enough,” safe, और maintainable है।
- संशयवादी चिंतित हैं कि अगर कम लोग यह विशेषज्ञता हासिल करेंगे, तो भविष्य के systems ऐसे tools पर निर्भर होंगे जिन्हें कोई वास्तव में समझता ही नहीं।
आर्थिक और श्रम प्रभाव
- कुछ लोग अनुमान लगाते हैं कि बहुत-से “average” coders replace या devalue हो जाएंगे, और demand high-level generalists तथा system thinkers पर केंद्रित हो जाएगी।
- दूसरे लोग spreadsheets जैसी एक shift की उम्मीद करते हैं: बहुत अधिक non-experts “good-enough” software बनाएंगे, जबकि specialists underlying platforms को maintain करेंगे।
उपयोग के पैटर्न: Assisted बनाम Autonomous
- एक विभाजन उभरता है:
- “Guided coding” (LLM को autocomplete, explainer, reviewer के रूप में) जिसे अत्यधिक productive और educational माना जाता है।
- “Agentic/headless coding” (tickets → agents → code) जिसे जोखिमभरा, review करना कठिन, और slop तथा skill decay का चालक माना जाता है।