समस्या AI कोड नहीं है, बल्कि सिस्टम आर्किटेक्चर या इरादे के बारे में न जानना है
Generative AI tools are increasingly writing large amounts of production code, but many engineers argue the real bottleneck has simply moved from typing to understanding: system architecture, intent, and long‑term maintainability. Commenters describe organizations where specs, tickets, code and even executive memos are AI‑generated, eroding human ownership, mental models and accountability while incentivizing “vibe coding” and quick feature output over reliability. Others counter that AI can be a powerful accelerator and even aid in understanding legacy systems, provided teams enforce human review, clear architectural abstractions and a “responsible human in the loop” who still knows what the system does and why.
AI “कोडिंग हल कर दी” बनाम हकीकत
- कुछ लोग तर्क देते हैं कि LLMs ने प्रभावी रूप से “कोडिंग हल कर दी” है: आप प्राकृतिक भाषा में काम कर सकते हैं (requirements, specs, tests) और agents से कोड लिखवा सकते हैं, अक्सर मानव टीमों से तेज़।
- दूसरे इसे सख़्ती से खारिज करते हैं: LLM code को असुरक्षित, अक्षम, bug‑prone “slop” माना जाता है जो compile तो हो सकता है, लेकिन robustness, performance, और long‑term quality में विफल रहता है।
- एक बीच का दृष्टिकोण: LLMs mechanical coding की लागत को बहुत घटाते हैं, लेकिन software engineering (requirements, tradeoffs, architecture) अभी भी unsolved है और अब और भी महत्वपूर्ण हो गया है।
Architecture, intent, and maintainability
- कई लोगों के अनुसार असली bottleneck system architecture, intent, और maintainability है, न कि line‑level coding।
- चिंता: अगर AI code के बड़े हिस्से generate करता है और कोई उन्हें गहराई से नहीं समझता, तो ownership और systems के बारे में reason करने की क्षमता कमजोर पड़ जाती है।
- कुछ लोग जवाब देते हैं कि AI legacy systems को समझने में बहुत मदद कर सकता है (summaries, cross‑references) और refactor करने में भी, जिससे discipline के साथ उपयोग करने पर maintenance आसान हो जाती है।
Organizational incentives and nihilism
- कई comments ऐसे environments का वर्णन करते हैं जहाँ executives “AI everywhere” का आदेश देते हैं, AI-written docs, tickets, और memos का उपयोग करते हैं, और superficial KPIs के जरिए output मापते हैं।
- इससे “slopmaxxing” को बढ़ावा मिलता है: unchecked AI output ship करना, responsibility tools पर डालना, और jobs को inevitable layoffs से पहले temporary grifts की तरह देखना।
- AI को commitment, responsibility, और credit को launder करने का एक सुविधाजनक तरीका माना जाता है: artifacts polished दिखते हैं लेकिन उनमें स्पष्ट human intent या accountable authors नहीं होते।
Loss of understanding, learning, and mental models
- व्यापक चिंता है कि agents पर लगातार निर्भरता mental models को कमजोर करती है: लोग AI में paste करके debug करते हैं, reasoning करके नहीं, इसलिए वे कभी यह internalize नहीं करते कि systems कैसे काम करते हैं।
- कुछ engineers बताते हैं कि onboarding और feature work शुरू में आसान लगता है, लेकिन महीनों बाद एहसास होता है कि वे अभी भी codebase को समझते नहीं हैं।
- दूसरे तर्क देते हैं कि motivated लोग AI को tutor की तरह इस्तेमाल करके भी गहराई से सीख सकते हैं; समझ की कमी को एक psychological और cultural समस्या के रूप में देखा जाता है, न कि तकनीकी अनिवार्यता के रूप में।
Changing roles and career paths
- कई लोग “people who open pull requests” से हटकर product management या “technical staff” जैसे hybrid roles की ओर बदलाव की भविष्यवाणी करते हैं, जो agents और systems को guide करते हैं।
- डर है कि traditional junior‑to‑senior pipeline (thousands of hours of hands‑on coding) टूट जाएगी, जिससे future tech leads कम grounded होंगे।
- इस पर असहमति है कि क्या इससे high‑level system thinkers की demand बढ़ेगी या commoditization और job cuts होंगे।
Positive experiences and optimism
- कुछ लोग 10x productivity gains की रिपोर्ट करते हैं: तेज़ feature work, devops tasks, tests, और यहाँ तक कि ugly legacy systems में complex changes भी AI की मदद से tractable बन जाते हैं।
- विशाल पुराने codebases वाले obscure languages के domains में, AI को analysis और modernization के लिए “god‑sent” बताया गया है।
- कुछ लोगों को लगता है कि AI maintenance और refactoring को सस्ता बनाएगा, जिससे deep technical debt के साथ जीने के बजाय continuous rewrites संभव होंगे।
Historical continuity and abstraction drift
- कई comments देखते हैं कि यह एक लंबी trend में अगला कदम है: assembly से C, फिर high‑level languages, फिर AI; हर wave अधिक complexity छुपाती है और उन लोगों का pool घटाती है जो lower layers समझते हैं।
- कुछ तर्क देते हैं कि बड़े organizations में AI से पहले भी opaque decision‑making और fragile systems मौजूद थे; AI मुख्यतः मौजूदा dysfunction को तेज़ और उजागर करता है, न कि उसे शून्य से बनाता है।