Ask HN: अगर AI टूल्स इतने अच्छे हैं, तो आपका bug backlog खाली क्यों नहीं है?

AI coding tools software output को बहुत तेज़ कर रहे हैं, लेकिन engineers इस बात पर मिश्रित नतीजे बताते हैं कि क्या इससे bug backlogs सचमुच खाली हो रहे हैं। कुछ teams और solo developers कहते हैं कि उनके bug queues लगभग खाली हैं और वे तेज़ fixes व refactors के लिए AI को श्रेय देते हैं, जबकि अन्य को models अविश्वसनीय, shallow या breaking fixes देने वाले, और बड़े या critical systems पर भरोसेमंद न लगने वाले मिलते हैं। कई लोग कहते हैं कि bottlenecks बस शिफ्ट हो गए हैं—code टाइप करने से requirements तय करने, changes review करने, behavior validate करने, और यह तय करने की ओर कि कौन-से bugs या features पर काम करना है।

अनुभवों में समग्र विभाजन

  • कई लोग बताते हैं कि उनके bug backlog खाली या लगभग खाली हैं; जबकि अन्य कहते हैं कि उनकी queues पहले जितनी ही भरी हैं।
  • जहाँ backlog हल्के हैं, वहाँ AI को एक मजबूत multiplier के रूप में देखा जाता है, लेकिन अकेले कारण के रूप में नहीं (अच्छा testing, छोटे और केंद्रित systems, अनुशासित engineering भी मायने रखते हैं)।
  • कई लोगों का कहना है कि bug queues घटी हैं, लेकिन feature/idea backlogs बहुत बढ़ गए हैं।

वे मामले जहाँ bug backlogs (लगभग) खाली हैं

  • मजबूत models + tests का उपयोग करने वाले solo developers और छोटी teams कहते हैं:
    • अधिकांश स्पष्ट रूप से specified bugs agents द्वारा auto-investigate, fix, और regression-test कर दिए जाते हैं।
    • जिन outputs और refactors को उन्होंने वर्षों से टाल रखा था, वे हफ्तों में साफ हो गए।
    • बचे हुए items आम तौर पर “nice-to-haves,” performance tweaks, या अस्पष्ट edge cases होते हैं।
  • कुछ organizations स्थिर domains (financial, line-of-business apps, devops infra) में रिपोर्ट करती हैं:
    • कोई urgent tech debt नहीं।
    • आवश्यक infra work के backlogs खाली हो गए।
    • बाधाएँ product definition, deployment, sales, और user adoption की ओर शिफ्ट हो गईं।

क्यों कई backlogs खाली नहीं हैं

  • AI अक्सर symptoms को स्थानीय स्तर पर ठीक करता है, लेकिन bugs की पूरी श्रेणियाँ समाप्त नहीं करता।
  • कठिन bugs बने रहते हैं: heisenbugs, rare C++ crashes, बड़े legacy codebases, underspecified issues।
  • कुछ लोग कहते हैं कि AI अक्सर regressions या अजीब implementations जोड़ देता है, जिससे भरोसा कम होता है।
  • Verification महँगा है: human review, regulatory constraints, extensive testing, और acceptance testing अभी भी bottlenecks हैं।

मौजूदा AI tools की सीमाएँ

  • Context और architecture: agents के पास persistent, project-wide mental models नहीं होते; AGENTS.md और custom documentation मदद करते हैं, लेकिन बहुत बड़े systems के लिए पर्याप्त नहीं हैं।
  • Training incentives “defensively correct” code को प्राथमिकता देते हैं, न कि minimal, maintainable designs को।
  • व्यवहार को असंगत बताया जाता है: कुछ tasks पर शानदार, और कुछ पर inexplicably खराब।
  • AI issues खोजने में, उन्हें बड़े पैमाने पर सुरक्षित रूप से fix करने से बेहतर है।

संगठनात्मक और संरचनात्मक कारक

  • कई teams अब भी bug work के बजाय नए features को प्राथमिकता देती हैं; AI बस उस चुनाव को और बढ़ाता है।
  • Human processes—code review, governance, politics, unclear requirements—timelines पर हावी रहते हैं।
  • कुछ लोगों का तर्क है कि गहरा bug backlog व्यापक अव्यवस्था का संकेत है, जिसे AI ठीक नहीं कर सकता।
  • Parkinson’s Law और Jevons paradox जैसे concepts का हवाला दिया जाता है: अधिक efficiency से अधिक code, features, और अंततः प्रबंधित करने के लिए अधिक bugs पैदा होते हैं।