Một nghiên cứu gần đây đã tiết lộ sự khác biệt đáng kinh ngạc giữa cách các developer nghĩ về tác động của các công cụ coding AI đối với năng suất của họ và những gì thực sự xảy ra trong thực tế. Nghiên cứu phát hiện rằng các developer open-source có kinh nghiệm mất nhiều thời gian hơn 19% để hoàn thành các tác vụ khi sử dụng công cụ AI, nhưng họ lại tin rằng những công cụ này giúp họ nhanh hơn 20%.
Tóm tắt Kết quả Nghiên cứu
- Thay đổi năng suất thực tế: hoàn thành nhiệm vụ chậm hơn 19%
- Kỳ vọng của nhà phát triển trước nghiên cứu: nhanh hơn 24%
- Nhận thức của nhà phát triển sau nghiên cứu: nhanh hơn 20%
- Khoảng cách nhận thức tối đa: Chênh lệch lên đến 60% giữa niềm tin và thực tế
- Quy mô nghiên cứu: 16 nhà phát triển mã nguồn mở có kinh nghiệm
- Đặc điểm codebase: Các dự án lớn (hơn 1 triệu dòng code), đã được thiết lập
Vấn Đề Nhận Thức Và Thực Tế
Phát hiện gây chấn động nhất của nghiên cứu không chỉ là về thời gian hoàn thành chậm hơn. Mà là về việc các developer có thể sai lầm đến mức nào về hiệu suất của chính họ. Trước khi bắt đầu, các developer kỳ vọng AI sẽ tăng năng suất của họ 24%. Ngay cả sau khi hoàn thành các tác vụ chậm hơn, họ vẫn tin rằng AI đã giúp họ nhanh hơn 20%. Điều này thể hiện khoảng cách tiềm năng lên tới 60% giữa nhận thức và thực tế trong những trường hợp tệ nhất.
Các cuộc thảo luận cộng đồng làm nổi bật việc nhận thức sai lệch này có thể phổ biến đến mức nào. Nhiều developer báo cáo cảm thấy năng suất hơn với các công cụ AI, nhưng dữ liệu cho thấy cảm giác này không luôn phù hợp với kết quả thực tế. Khía cạnh tâm lý của hiện tượng này vượt ra ngoài coding - nó phản ánh cách mọi người thường đánh giá sai hiệu quả của các công cụ trong các lĩnh vực khác của cuộc sống.
Tại Sao Các Developer Có Kinh Nghiệm Lại Chậm Lại
Nghiên cứu tập trung vào các developer open-source có kinh nghiệm làm việc trên các dự án của riêng họ - những người hiểu rõ codebase của mình. Lý thuyết đằng sau việc họ chậm lại liên quan đến các mô hình tư duy. Những developer này đã dành nhiều năm xây dựng hiểu biết chi tiết về hệ thống của họ, nhưng các công cụ AI không thể truy cập hoặc sao chép những khung tư duy này.
Khi các developer cố gắng ủy thác công việc cho AI, họ phải đối mặt với một thách thức cơ bản. Họ phải dịch các mô hình tư duy phong phú của mình thành các prompt văn bản, điều này vừa chậm vừa mất mát thông tin. AI thiếu sự hiểu biết ngữ cảnh giúp các developer có kinh nghiệm hiệu quả trên các dự án quen thuộc.
Mặt Tích Cực Với Code Không Quen Thuộc
Tuy nhiên, cuộc thảo luận cộng đồng tiết lộ một câu chuyện khác đối với các developer làm việc trên các codebase không quen thuộc. Một số developer đã chia sẻ trải nghiệm về những cải thiện năng suất đáng kể khi sử dụng các công cụ AI trên các dự án mới hoặc framework mà họ chưa từng làm việc trước đây.
Trong vòng vài giờ, với sự giúp đỡ của Claude Code, tôi đã tạo ra một hệ thống thực sự tốt để sao chép dữ liệu từ staging sang local development. Điều mà tôi đã xây dựng trước đây trong các dự án khác, và tôi biết rằng làm thủ công sẽ mất một hoặc hai ngày đầy đủ.
Điều này cho thấy các công cụ AI có thể có giá trị nhất khi các developer thiếu các mô hình tư duy hiện có về các hệ thống họ đang làm việc. Trong môi trường doanh nghiệp nơi các developer thường kế thừa codebase từ các đồng nghiệp đã rời đi, các công cụ AI có thể mang lại lợi ích năng suất thực sự.
Hiệu quả của Công cụ AI theo Ngữ cảnh
- Hiệu quả nhất: Codebase không quen thuộc, dự án mới hoàn toàn, script một lần
- Kém hiệu quả nhất: Dự án quen thuộc mà các nhà phát triển có mô hình tư duy sâu sắc
- Kết quả hỗn hợp: Dự án phức tạp với yêu cầu ngữ cảnh ngày càng tăng
- Hạn chế chính: Khó khăn trong việc truyền tải các mô hình tư duy phong phú thông qua text prompts
Sự Đánh Đổi Trong Học Tập
Nghiên cứu đặt ra những câu hỏi quan trọng về phát triển kỹ năng dài hạn. Nếu giá trị chính của lập trình là xây dựng các mô hình tư duy về hệ thống, điều gì sẽ xảy ra khi chúng ta thuê ngoài công việc đó cho AI? Các developer sử dụng công cụ AI có thể hoàn thành các tác vụ ngay lập tức nhanh hơn trên code không quen thuộc, nhưng họ có thể bỏ lỡ cơ hội phát triển hiểu biết sâu sắc.
Điều này tạo ra một lựa chọn chiến lược cho các developer và tổ chức. Đối với các dự án ngắn hạn hoặc các tác vụ một lần, các công cụ AI có thể mang lại lợi ích rõ ràng. Đối với các dự án dài hạn nơi hiểu biết sâu về hệ thống quan trọng, những sự đánh đổi trở nên phức tạp hơn.
Hạn Chế Và Bối Cảnh
Nghiên cứu chỉ bao gồm 16 developer làm việc trên các codebase lớn, đã được thiết lập. Các nhà phê bình chỉ ra rằng những điều kiện này không đại diện cho tất cả các kịch bản phát triển phần mềm. Kết quả có thể không áp dụng cho các developer làm việc trên các dự án nhỏ hơn, codebase mới hơn, hoặc các loại tác vụ phát triển khác nhau.
Phản hồi cộng đồng cho thấy rằng các công cụ AI hoạt động tốt nhất cho các trường hợp sử dụng cụ thể: các dự án greenfield, script một lần, và khám phá ban đầu các codebase mới. Điều quan trọng dường như là khớp công cụ với đúng bối cảnh thay vì kỳ vợng những cải thiện năng suất toàn diện.
Nghiên cứu cung cấp dữ liệu có giá trị trong một lĩnh vực thường bị chi phối bởi các giai thoại và tuyên bố marketing. Trong khi các công cụ coding AI rõ ràng có vị trí của chúng, nghiên cứu cho thấy các developer nên suy nghĩ kỹ hơn về thời điểm và cách họ sử dụng chúng. Bài học lớn nhất có thể là về nhận thức bản thân - nếu các developer có thể sai 60% về năng suất của chính họ, có lẽ đã đến lúc dựa vào phép đo nhiều hơn trực giác khi đánh giá các công cụ mới.
Tham khảo: AI slows down open source developers. Peter Naur can teach us why.