मैं अपने कोडिंग में LLMs का उपयोग क्यों नहीं करूँगा

प्रोग्रामर इस बात पर गहराई से विभाजित हैं कि कोड लिखने के लिए large language models (LLMs) का उपयोग किया जाए या नहीं: कुछ लोग उत्पादकता में भारी बढ़ोतरी, बेहतर test coverage, और अधिक features ship करने की क्षमता की रिपोर्ट करते हैं, जबकि अन्य कोड को अधिक buggy, craftsmanship की हानि, और problem-solving skills के चिंताजनक क्षरण के रूप में देखते हैं। कई टिप्पणियाँ LLMs को एक शक्तिशाली लेकिन अविश्वसनीय “junior developer” या पावर टूल के रूप में पेश करती हैं, जिसके लिए फिर भी मजबूत मानवीय निर्णय की ज़रूरत होती है, खासकर critical systems, maintainability, और long-term code quality के लिए। तकनीकी तर्कों के नीचे job security, de-skilling, ethics, environmental impact, और क्या नियोक्ता अंततः AI का उपयोग न करने को unprofessional या even irresponsible मानेंगे, जैसी व्यापक चिंताएँ भी हैं.

अपनाना बनाम अस्वीकार करना

  • कई टिप्पणीकार कोडिंग के लिए LLMs को अस्वीकार करने को कैलकुलेटर या पावर टूल्स को ठुकराने के बराबर मानते हैं: शौक के रूप में तो संभव, लेकिन भुगतान वाले काम के लिए तेजी से असंगत।
  • अन्य लोग इससे दूर रहने को एक वैध व्यक्तिगत पसंद के रूप में बचाव करते हैं, खासकर “हाथ से” प्रोग्रामिंग के आनंद और संज्ञानात्मक संलग्नता को बनाए रखने के लिए।
  • कई लोग नोट करते हैं कि यह रुख मुख्यधारा उद्योग के बाहर ही टिकाऊ हो सकता है, जहाँ नियोक्ता तेजी से AI-सहायित वर्कफ़्लो की अपेक्षा कर रहे हैं।

उत्पादकता, गुणवत्ता, और परीक्षण

  • यह जोरदार दावा किया जाता है कि LLMs थ्रूपुट को बहुत बढ़ाते हैं: जिन फीचर्स और रिफैक्टरिंग में पहले हफ्ते लगते थे, वे अब दिनों में हो जाते हैं; जो टिकट महीनों से अटके थे, वे अब जल्दी बंद हो जाते हैं।
  • कुछ लोग बताते हैं कि वे बड़े, AI-लिखित बदलाव बिना अधिकतर कोड पढ़े शिप करते हैं, और गुणवत्ता के संकेतक के रूप में यूनिट टेस्ट, बेंचमार्क, मॉनिटरिंग, और उपयोगकर्ता प्रतिक्रिया पर भरोसा करते हैं।
  • अन्य लोग इसका विरोध करते हैं: टेस्ट अज्ञात विफलता मोड्स को कवर नहीं कर सकते; परफॉर्मेंस या सुरक्षा रिग्रेशन केवल कोड पढ़ने से ही पकड़े गए हैं।
  • कई लोग तर्क देते हैं कि LLMs पहले ही बहुत से औसत या जूनियर इंजीनियरों से कोड लिखने और टेस्ट करने, दोनों में बेहतर हैं; अन्य इसे बढ़ा-चढ़ाकर बताया गया या “फेक प्रोडक्टिविटी” कहते हैं।

कौशल, भूमिकाएँ, और सीखने पर प्रभाव

  • एक बार-बार उठने वाला डर: जो इंजीनियर एजेंट्स पर बहुत अधिक निर्भर होंगे, उनके कौशल कमजोर हो जाएंगे और वे “ऐसे इंटर्न्स के मैनेजर” बन जाएंगे जो कभी सीखते ही नहीं।
  • सीनियर लोग अक्सर LLMs की तुलना तेज, थकान-रहित जूनियर डेवलपर्स से करते हैं: यदि आप पहले से जानते हैं कि गुणवत्ता कहाँ मायने रखती है और कैसे रिव्यू करना है, तो ये उपयोगी हैं।
  • चिंता है कि जूनियर्स को मेंटर करने और गहरी मानवीय विशेषज्ञता बनाने की प्रेरणाएँ घट रही हैं; उद्योग “ठीक-ठाक लेकिन ज़्यादा लापरवाह” कोड की ओर अभिसरित हो सकता है।

संज्ञानात्मक, भावनात्मक, और पहचान संबंधी मुद्दे

  • कुछ लोगों को समस्याएँ हल करने और सुरुचिपूर्ण कोड गढ़ने से मिलने वाला संतोष याद आता है; AI उन्हें प्रदर्शन बढ़ाने वाली दवा जैसा लगता है, जो कठिनाई से अर्जित कौशल को सस्ता कर देता है।
  • दूसरों को राहत महसूस होती है: उबाऊ boilerplate और सहायक टूल्स अब संभव हो जाते हैं, जिससे डिज़ाइन, प्रोडक्ट, या काम से इतर जीवन के लिए समय मिलता है।

पर्यावरणीय, नैतिक, और कॉर्पोरेट चिंताएँ

  • आलोचक ऊर्जा उपयोग, डेटा केंद्रों, और “skeezy” AI विक्रेताओं को रेखांकित करते हैं; कुछ तर्क देते हैं कि सिद्धांततः हल होने योग्य होने पर भी आज नैतिकता अनसुलझी है।
  • प्रतिवाद: लगभग सभी आधुनिक टूल्स के बाहरी प्रभाव होते हैं; कई कंपनियाँ अनुपालन और गोपनीयता के लिए स्थानीय/ओपन मॉडल्स की ओर बढ़ रही हैं।

सूक्ष्म / मध्य-मार्गी स्थितियाँ

  • कई लोग एक स्पेक्ट्रम की वकालत करते हैं: boilerplate, tests, glue code, और exploration के लिए LLMs का उपयोग करें; core, critical logic को हाथ से लिखें या बहुत करीब से समीक्षा करें।
  • इस बात पर व्यापक सहमति है कि code review और मानवीय निर्णय आवश्यक बने रहते हैं, यहाँ तक कि भारी AI उपयोगकर्ताओं के बीच भी।