Jonathan Blow – यदि AI ने कोडिंग हल कर दी, तो मेरा सॉफ़्टवेयर अभी भी वही क्यों है? [वीडियो]

यहाँ “AI ने coding हल कर दी” जैसे दावे उस वास्तविकता से टकराते हैं कि ज़्यादातर लोग जो software इस्तेमाल करते हैं, वह अभी भी धीमा, buggy, या अपरिवर्तित लगता है। टिप्पणीकार तर्क देते हैं कि coding शायद कभी असली bottleneck नहीं थी: organizational incentives, product vision, architecture, testing, और maintenance अब भी कठिन हैं, और मौजूदा LLMs मुख्यतः boilerplate और personal tools को तेज़ करते हैं, जबकि अक्सर technical debt और निम्न-गुणवत्ता का “slop” भी जोड़ देते हैं। इसके साथ, प्रतिभागी इस पर बहस करते हैं कि क्या prolific indie output और custom one-off apps को वास्तविक प्रगति माना जाए, और software craftsmanship पर AI के प्रभाव को लेकर skeptical प्रमुख game developers को कितनी अहमियत दी जाए।

अनुभूत सॉफ़्टवेयर गुणवत्ता और बदलाव

  • कई लोगों का तर्क है कि रोज़मर्रा का सॉफ़्टवेयर बदतर है: ज़्यादा बग, धीमा (जैसे, आधुनिक OS रिलीज़, Outlook रिमाइंडर), और उस पर ऊपर से बहुत-सा “AI slop” चिपका हुआ।
  • दूसरों का कहना है कि मूल गुणवत्ता में बहुत बदलाव नहीं आया; सिर्फ़ हार्डवेयर और सतही टूलिंग बेहतर हुए हैं, जबकि UX और विश्वसनीयता स्थिर रही या और बिगड़ी है।
  • कुछ लोग नोट करते हैं कि प्रमुख व्यावसायिक ऐप्स धीरे-धीरे बदलते हैं, जबकि AI-चालित सुधार ज़्यादातर अदृश्य आंतरिक टूल्स और व्यक्तिगत उपयोगिताओं में होते हैं।

कोडिंग बनाम संगठनात्मक बाधाएँ

  • एक मजबूत थीम यह है कि कोडिंग शायद ही कभी असली bottleneck थी; संचार, योजना, कानूनी, राजनीति, और समन्वय समय-सीमा पर हावी रहते हैं।
  • LLMs “कोडिंग + component test” चरण को संकुचित करते हैं, जिससे यह उजागर होता है कि अब requirements, architecture, deployment, और feedback loops प्रमुख बाधाएँ हैं।
  • बड़े संगठन, जिनमें मीटिंग्स, प्रक्रियाएँ, और कानूनी समीक्षा होती है, कच्ची कोडिंग गति को आसानी से तेज़ shipping में नहीं बदल सकते।

AI कोडिंग उत्पादकता: प्रचार बनाम वास्तविकता

  • उत्साही लोग कुछ कार्यों के लिए 10–100× output, पूरे apps, engines, और व्यावसायिक टूल्स के personal clones का तेज़ निर्माण होने का दावा करते हैं।
  • संदेहवादी लोग नकारात्मक या मामूली net gains की रिपोर्ट करते हैं: AI बहुत जटिल, brittle code, बड़े PRs, और अधिक maintenance/verification work पैदा करता है।
  • कई टिप्पणीकार selection bias पर ज़ोर देते हैं: side projects और greenfield demos शानदार लगते हैं; business context, edge cases, और long-term maintenance सीमाएँ उजागर करते हैं।

Architecture, Requirements, और “क्या बनाना है”

  • व्यापक सहमति है कि AI product vision, prioritization, या high-level system design को “solve” नहीं करता।
  • अच्छे requirements, domain modeling, और abstraction boundaries अभी भी मानवीय निर्णय मांगते हैं; LLMs अक्सर encapsulation का उल्लंघन करते हैं और tangled architectures बनाते हैं, जब तक उन्हें बहुत कड़ाई से निर्देशित न किया जाए।
  • कुछ लोग भविष्य के workflows की कल्पना करते हैं जहाँ इंसान goals और constraints तय करेंगे और AI implementation details बताएगा, लेकिन यह अभी भी आकांक्षात्मक है।

व्यक्तिगत और Indie उपयोग-केस

  • कई लोगों ने व्यक्तिगत सॉफ़्टवेयर बनाने में शानदार सफलता बताई: custom media tools, productivity apps, indie games, SaaS के local-first replacements।
  • ये टूल अक्सर एक ही user के लिए बहुत उपयुक्त होते हैं, लेकिन सामान्य products के रूप में fragile या unscalable हो सकते हैं; QA, UX polish, और edge cases अब भी कठिन हैं।

रोज़गार, शक्ति-संबंध, और संस्कृति

  • कई लोग developers के बीच बढ़ती job anxiety का उल्लेख करते हैं; कुछ managers खुले तौर पर खुश हैं कि AI ने “devs के tails काट दिए” हैं और उन्हें अधिक compliant बना दिया है।
  • चिंता यह है कि AI managers के ध्यान को artifacts की गिनती (tickets, docs, lines of code) पर और outcomes पर कम केंद्रित करता है, तथा quality के बजाय enshitification को तेज़ करता है।

समग्र भावना

  • सहमति: AI ने code लिखने का तरीका काफ़ी बदल दिया है, लेकिन अभी तक mainstream software क्या है या organizations कैसे काम करती हैं, उसे नहीं बदला।
  • AI को एक शक्तिशाली tool मानने का उत्साह, quality, maintainability, incentives, और long-term impact के प्रति गहरे संदेह के साथ सह-अस्तित्व में है।