AI के बिना एक महीना

कोडिंग में AI के उपयोग का दायरा

• कुछ लोग लगभग पूरी तरह “वाइब-कोडिंग” करते हैं: महीनों तक न तो हाथ से टाइप करते हैं, न कोड पढ़ते हैं; फीचर (जैसे 2FA, गेम्स, जटिल ऐप्स) प्राकृतिक भाषा में बताए जाते हैं और एजेंट उन्हें शुरू से अंत तक लागू करते हैं।
• दूसरे लोग AI का सीमित उपयोग करते हैं: बॉयलरप्लेट, रिफैक्टर, यूनिट टेस्ट, छोटे स्क्रिप्ट, या एक उन्नत सर्च/डीबग सहायक के रूप में, जबकि मुख्य इम्प्लीमेंटेशन हाथ से करते हैं।
• कुछ डेवलपर नए प्रोजेक्ट्स के लिए जानबूझकर AI से बचते हैं ताकि नियंत्रण वापस पा सकें और अपनी धार बनाए रख सकें।

गुणवत्ता, सुरक्षा, और सत्यापन

• आलोचकों का तर्क है कि सुरक्षा-संवेदनशील फीचर्स (जैसे 2FA) के लिए AI पर आँख मूँदकर भरोसा करना गैर-जिम्मेदाराना है; “साइबर मॉडल” पेंटेस्टिंग में अच्छे हों तब भी ज़िम्मेदारी आपकी ही रहती है।
• कई लोगों ने AI-जनित सिस्टम की समीक्षा करके सूक्ष्म, गंभीर बग पाए (असिंक्रोनस रेस कंडीशंस, बैकप्रेशर का अभाव, त्रुटियों का मौन दमन)।
• सुझाए गए उपाय: अधिक मजबूत स्टैटिक एनालिसिस, समृद्ध टाइप सिस्टम, फॉर्मल वेरिफिकेशन, और टेस्ट्स को केवल प्रमाण की एक परत मानना।

उत्पादकता, WIP, और जटिलता

• कुछ टीमें क्रम-परिमाण के हिसाब से गति बढ़ने और लंबे समय से रुके फीचर्स के तेज़ी से डिलीवर होने का दावा करती हैं।
• दूसरों को लगता है कि एजेंट बड़े PRs और दस्तावेज़ों की दीवारें बना देते हैं, जिससे समीक्षा में बाधाएँ आती हैं और टालमटोल को बढ़ावा मिलता है।
• एक टीम के “एजेंट्स पर पूरी ताकत” वाले प्रयोग से WIP बहुत बढ़ गया, इंटीग्रेशन अटक गए, और हितधारक असंतुष्ट हुए; उन्होंने सख्त WIP सीमाओं और अधिक मानवीय सहयोग की ओर वापसी की।
• टिप्पणीकार ज़ोर देते हैं कि AI, यदि कड़ी तरह से सीमित न हो, तो जटिलता बढ़ाने की प्रवृत्ति रखता है।

कौशल का क्षरण और अमूर्तन

• बहुत से लोग बताते हैं कि उनकी इम्प्लीमेंटेशन स्किल्स तेज़ी से कमजोर होती महसूस होती हैं; थोड़े समय के “नो-AI” सेशन चिंता पैदा कर सकते हैं, लेकिन राहत भी देते हैं।
• कुछ इसे अमूर्तन की स्वाभाविक खिसकन मानते हैं (जैसे assembly से उच्च-स्तरीय भाषाओं की ओर जाना); अन्य लोग कहते हैं कि सक्रिय रूप से कोड किए बिना अच्छा डिज़ाइन नहीं किया जा सकता।

AI कब अच्छी तरह काम करता है

• लॉग्स, कोड, और अजीब edge cases को जोड़कर जटिल प्रोडक्शन समस्याओं का डीबग करना।
• अपरिचित स्टैक्स (जैसे BLE, asyncio, MicroPython) को आज की SEO-भरी वेब सर्च की तुलना में तेज़ी से सीखना।
• यूनिट टेस्ट, छोटे टूल, और scaffolding बनाना, जहाँ कोड गुणवत्ता और दीर्घकालिक maintainability कम महत्वपूर्ण हो।

एजेंटिक डेवलपमेंट और नियंत्रण का नुकसान

• एजेंट स्वॉर्म लोगों को मल्टीटास्किंग और समीक्षा टालने के लिए उकसाते हैं; जो काम हाथ से 20 मिनट में हो सकता था, वह बहु-दिवसीय समीक्षा अभ्यास बन जाता है।
• कुछ लोग स्वीकार करते हैं कि अब वे पूरी तरह नहीं समझते कि एक बड़ा AI-लिखित कोडबेस क्या करता है, और end-to-end टेस्टिंग तथा “डक टेस्ट” (“क्या यह काम करता हुआ दिखता है?”) पर निर्भर रहते हैं।

लेखन और गैर-कोड उपयोग

• LLMs के साथ किताब लिखने के प्रयोग तेज़ ड्राफ्ट देते हैं, लेकिन शैली सामान्य, तार्किक असंगतियाँ, घिसे-पिटे गद्य, और महीनों की सफाई भी साथ लाते हैं—अक्सर यह मेहनत के लायक नहीं होता।
• कई लोग कहते हैं कि मॉडल कोड में बेहतर हुए हैं, लेकिन लंबे-फॉर्म गद्य में बदतर या अधिक फीके हो गए हैं।

मॉडल व्यवहार और टूलिंग में भिन्नता

• अनुभव बहुत अलग-अलग हैं: कुछ लोग frontier models को “ज़्यादातर डेवलपर्स से बेहतर” मानते हैं; दूसरों को hallucinations, गलत फ़ाइल उपयोग, गलत गिनतियाँ, और काल्पनिक variables मिलते हैं।
• गुणवत्ता मॉडल संस्करण, provider, और integration (chat बनाम IDE/agent with tools) पर बहुत निर्भर करती है; कुछ लोग silent downgrades या quantization का संदेह करते हैं, जबकि अन्य इससे असहमत हैं।

सांस्कृतिक दृष्टिकोण और उपमाएँ

• उपमाएँ “AI as cocaine/slot machine” से लेकर “AI as autopilot or CNC machine” तक जाती हैं; कुछ लोग नैतिक घबराहट देखते हैं, तो कुछ वास्तविक लत-जैसी अत्यधिक उपयोग की समस्या।
• “इस्तेमाल करो वरना पीछे रह जाओ” समर्थकों और slop, निर्भरता, तथा दीर्घकालिक maintainability को लेकर चिंतित लोगों के बीच स्पष्ट ध्रुवीकरण दिखाई देता है।