Το 2026 είναι πλέον αδύνατον να αποσπάσει κανείς τα εργαλεία τεχνητής νοημοσύνης από τα χέρια των προγραμματιστών, σύμφωνα με διαπιστώσεις των ερευνητών. Ωστόσο, ενώ το AI αναμφίβολα βοηθά τους δημιουργούς κώδικα να παράγουν ταχύτερα, ενδέχεται να μην παράγει καλύτερο κώδικα, προειδοποιούν άλλοι ερευνητές, γεγονός που μπορεί να προκαλέσει προβλήματα στο μέλλον.
Συγκεκριμένα, τον Φεβρουάριο του 2026, το αναγνωρισμένο εργαστήριο ερευνών AI METR δημοσίευσε μια απροσδόκητη αποκάλυψη: οι περισσότεροι προγραμματιστές δεν δέχονται πλέον να εργαστούν, ακόμη και για περιορισμένο αριθμό εργασιών, χωρίς τη χρήση τεχνητής νοημοσύνης.
Το METR ήλπιζε να επικαιροποιήσει μια πρωτοποριακή έρευνα που είχε δημοσιευθεί λίγους μήνες νωρίτερα, το 2025, σχετικά με την παραγωγικότητα του AI στον προγραμματισμό. Σε εκείνη τη μελέτη, οι ερευνητές μέτρησαν πόσο χρόνο χρειάζονταν οι προγραμματιστές ανοιχτού κώδικα για να ολοκληρώσουν εργασίες χειροκίνητα σε σύγκριση με τη χρήση AI. Αν και οι προγραμματιστές ανέφεραν ότι το AI τους έκανε πιο παραγωγικούς, εξεπλάγησαν όταν έμαθαν ότι στην πραγματικότητα τους καθυστερούσε. Παρήγαγε κώδικα γρηγορότερα, αλλά στη συνέχεια δαπανούσαν επιπλέον χρόνο για τον εντοπισμό και τη διόρθωση σφαλμάτων, την καθοδήγηση του AI και την αναμονή για την ολοκλήρωση των εργασιών.
Όταν το METR επιχείρησε να επαναλάβει το πείραμα για να μετρήσει την πρόοδο της τεχνητής νοημοσύνης και την επάρκεια των προγραμματιστών, στάθηκε αδύνατο. Οι προγραμματιστές δεν ήταν πρόθυμοι να συμμετάσχουν επειδή δεν επιθυμούσαν να εργαστούν χωρίς AI, ακόμη και μόνο για τις ανάγκες της μελέτης. Αντίθετα, το METR δημοσίευσε τον Μάιο μια έρευνα όπου οι τεχνικοί υπάλληλοι δήλωναν οι ίδιοι τα κέρδη παραγωγικότητάς τους, θεωρώντας ότι το AI τους έκανε διπλάσιας αξίας για τους οργανισμούς τους.
Η ψευδαίσθηση της παραγωγικότητας και το φαινόμενο του tokenmaxxing
Τα πρόσφατα πρωτοσέλιδα για το τεράστιο κόστος του λεγόμενου tokenmaxxing, σε συνδυασμό με μια σειρά νέων ερευνών, καθιστούν αυτές τις αυτοαντιλήψεις αμφίβολες. Το tokenmaxxing, δηλαδή η χρήση του αριθμού των tokens που καταναλώνει ένας προγραμματιστής ως δείκτης παραγωγικότητας με το AI, αποτελεί την κυρίαρχη τάση του 2026 μέχρι στιγμής, αλλά ενδέχεται να έχει ήδη τελειώσει.
Η Amazon τερμάτισε τη λειτουργία ενός εσωτερικού πίνακα κατάταξης παρακολούθησης tokens με την ονομασία Kirorank, μετά από διαπιστώσεις ότι οι εργαζόμενοι εκμεταλλεύονταν το σύστημα χρησιμοποιώντας υπερβολικά πράκτορες AI και αυξάνοντας κατακόρυφα το κόστος, όπως ανέφεραν οι Financial Times. Οι υπάλληλοι απέδειξαν ότι η χρήση AI δεν μεταφράζεται αυτόματα σε αυξημένη παραγωγικότητα. Παράλληλα, η Uber εξάντλησε τον προϋπολογισμό της για το AI του 2026 μέσα στους πρώτους τέσσερις μήνες του έτους, με τη διοίκηση να δηλώνει ότι αυτή η δαπάνη δεν οδήγησε σε μετρήσιμη αύξηση των έργων ή της παραγωγικότητας.
Ο παραγόμενος από AI κώδικας δεν μειώνει απαραίτητα τις ανάγκες συνεχούς συντήρησης και μπορεί μάλιστα να τις αυξήσει. Αν γράφει κανείς κώδικα δύο φορές πιο γρήγορα, θα πρέπει να έχει μειώσει και το κόστος συντήρησης στο μισό, αλλιώς ανταλλάσσει μια προσωρινή ώθηση ταχύτητας με μια μόνιμη δέσμευση.
Το κρυφό κόστος των σφαλμάτων
Υπάρχουν και άλλες αποδείξεις ότι η τεχνητή νοημοσύνη μπορεί να εντείνει τα προβλήματα συντήρησης κώδικα. Αναφορές από στελέχη του κλάδου σημειώνουν ότι οι εταιρείες ξοδεύουν το 44% των tokens τους για τη διόρθωση σφαλμάτων που παρήγαγε η ίδια η τεχνητή νοημοσύνη. Επιπλέον, αναλύσεις σε αιτήματα ενσωμάτωσης κώδικα (pull requests) έδειξαν ότι το AI أنتat παρήγαγε 1.7 φορές περισσότερα προβλήματα σε σχέση με τον ανθρώπινο κώδικα.
Αν και αυτά τα στατιστικά προέρχονται εν μέρει από εταιρείες που πωλούν εργαλεία ελέγχου κώδικα, ανεξάρτητοι ερευνητές καταλήγουν σε παρόμοια συμπεράσματα. Ερευνητές από το Πανεπιστήμιο Management της Σιγκαπούρης δημοσίευσαν μια έκθεση τον Απρίλιο, προειδοποιώντας ότι ο παραγόμενος από AI κώδικας μπορεί να εισάγει μακροπρόθεσμο κόστος συντήρησης σε πραγματικά λογισμικά έργα.
Η αναζήτηση της χρυσής τομής
Δεδομένου ότι οι προγραμματιστές λατρεύουν τους βοηθούς AI, ποια είναι η λύση; Ορισμένοι υποστηρίζουν ότι οι προγραμματιστές μπορούν απλώς να χρησιμοποιούν πράκτορες AI για να κάνουν την επίπονη εργασία της διόρθωσης του κώδικα τόσο γρήγορα όσο τον παράγει το AI. Ωστόσο, ακόμη και οι δημιουργοί αυτών των εργαλείων παραδέχονται ότι, αν και οι πράκτορες μπορούν να εργαστούν αυτόνομα, η ικανότητά τους κυμαίνεται αυτή τη στιγμή μεταξύ ενός αρχάριου και ενός μεσαίου επιπέδου προγραμματιστή, ανάλογα με την εργασία. Συνεπώς, δεν πρόκειται για μια λύση όπου μπορεί κανείς απλώς να αναθέσει το έργο και να το ξεχάσει.
Οι ερευνητές προτείνουν μια πιο ανθρώπινη προσέγγιση. Οι προγραμματιστές θα πρέπει να γνωρίζουν ποιες εργασίες κάνει καλά το AI και ποιες όχι, τόσο βαθιά όσο γνωρίζουν τις αγαπημένες τους γλώσσες προγραμματισμού. Χρειάζονται ισχυρά συστήματα διασφάλισης ποιότητας σχεδιασμένα για AI και είναι υποχρεωμένοι να ελέγχουν προσεκτικά τη δουλειά της τεχνητής νοημοσύνης σαν να επρόκειτο για έναν αρχάριο προγραμματιστή.
Στο μεταξύ, οι άνθρωποι θα πρέπει να συνεχίσουν να αναλαμβάνουν το έργο της γενικής εποπτείας, όπως η αρχιτεκτονική του λογισμικού και ο σχεδιασμός της ασφάλειας.
