AI कोडिंग एजेंट अधिक कोड जनरेट करते हैं, लेकिन अधिक सॉफ्टवेयर नहीं
AI coding agents engineers द्वारा generate किए जा सकने वाले code और tests की मात्रा को नाटकीय रूप से बढ़ा रहे हैं, लेकिन कई लोगों का तर्क है कि यह companies में अधिक high-quality, shipped software में नहीं बदल रहा। Commenters code review, unclear requirements, organizational process, और AI-written changes को scale पर validate करने की कठिनाई जैसे human bottlenecks की ओर इशारा करते हैं—खासकर बड़े, regulated, या legacy environments में। साथ ही, कई लोग AI के साथ personal और small-scope tools में वास्तविक boom नोट करते हैं, जिससे लगता है कि मुख्य बाधा technology से कम और यह अधिक है कि organizations software work को कैसे structure और govern करती हैं।
उत्पादकता पर प्रभाव और “अधिक सॉफ्टवेयर”
- कई लोग काफी ज़्यादा कोड और छोटे टूल लिखने की रिपोर्ट करते हैं, खासकर व्यक्तिगत प्रोजेक्ट्स और homelabs के लिए। जो चीज़ें पहले “मेहनत के लायक नहीं” लगती थीं, वे अब संभव हैं।
- enterprises में, perceived net throughput gains मामूली हैं: coding engineering time का छोटा हिस्सा है; design, analysis, और coordination हावी रहते हैं।
- कुछ लोगों का तर्क है कि linked study का डेटा (अधिकतर 2025) नए models को कम आँकता है; दूसरे कहते हैं कि capabilities ने bottlenecks को meaningful रूप से नहीं बदला है।
Code review और quality bottleneck
- मजबूत consensus है कि review, typing speed नहीं, अब मुख्य bottleneck है।
- राय बंटी हुई है:
- कुछ लोगों को पारंपरिक line-by-line review tedious लगता है और वे भारी automation चाहते हैं या “non-serious” changes के लिए इसे छोड़ देना चाहते हैं।
- दूसरे insist करते हैं कि review shared understanding, maintainability, accountability, और उन design flaws को पकड़ने के लिए essential है जिन्हें tests miss कर देते हैं।
- Hybrid models उभर रहे हैं: humans architecture और intent पर focus करते हैं; agents first-pass linting, correctness checks, और performance/security scans करते हैं।
Tests, tooling, और maintenance
- Agents भारी मात्रा में tests और comments generate करते हैं, जो अक्सर verbose, repetitive, और white-box होते हैं।
- चिंताएँ: “test slop” का CI resources खा जाना, tests का मौजूदा bugs को “correct” के रूप में encode करना, और जब सैकड़ों एक साथ fail हों तो triage करने में कठिनाई।
- कुछ लोग agents का उपयोग test suites का audit और refactor करने के लिए करते हैं, जिनके परिणाम मिश्रित लेकिन कभी-कभी प्रभावशाली होते हैं।
Specifications, design, और intent
- बार-बार उभरने वाला विषय: AI intent और UX को validate करने में कमजोर है; explicit requirements होने पर local correctness में मजबूत है।
- बेहतर human-written specs, BDD/user stories, और spec-driven development और review के लिए calls। दूसरे चेतावनी देते हैं कि बड़े upfront specs historically विफल हुए हैं और iteration फिर भी मायने रखती है।
- “AI all the way down” की चिंता: AI-generated requirements → specs → tests → code → reviews, और कोई human वास्तव में system को समझ नहीं रहा।
Personal बनाम enterprise उपयोग
- solo/side projects, custom tools, और यहाँ तक कि complex agent harnesses के कई anecdotes जो agents से पहले “कभी exist ही नहीं होते”।
- enterprise teams legacy processes (Jira, long backlogs, risk/compliance, politics) और leadership hype की वजह से unrealistically velocity मांगने के कारण धीमे gains रिपोर्ट करती हैं।
सांस्कृतिक और organizational factors
- व्यापक सहमति है कि coding कभी मुख्य bottleneck नहीं था; communication, product vision, और process हैं।
- AI एक force multiplier की तरह काम करता है: disciplined teams तेज़ और बेहतर होती हैं; “cowboy” या process-theatrical teams बस ज़्यादा low-quality slop बनाती हैं।
- खुले प्रश्न: code review को कैसे replace/reshape किया जाए, autonomous agents पर कितना भरोसा किया जाए, और क्या current practices “infinite cheap code” के साथ scale कर सकती हैं।