Lời hứa rất đơn giản: các công cụ AI coding sẽ xử lý những việc nhàm chán, giải phóng các lập trình viên để tập trung vào công việc sáng tạo, chiến lược. Thay vào đó, ngày càng nhiều bằng chứng cho thấy những công cụ này đang tạo ra các vấn đề mới trong khi thất bại trong việc mang lại những cải thiện năng suất như quảng cáo.
Các nghiên cứu gần đây tiết lộ sự ngắt kết đáng lo ngại giữa cảm nhận của các lập trình viên về công cụ AI và tác động thực tế của chúng lên năng suất. Trong khi 75% lập trình viên báo cáo cảm thấy năng suất hơn với sự hỗ trợ AI, các phép đo ở cấp độ hệ thống lại kể một câu chuyện hoàn toàn khác.
Thực tế đằng sau những con số
Một nghiên cứu toàn diện về các lập trình viên phần mềm có kinh nghiệm cho thấy những người sử dụng công cụ AI mất nhiều thời gian hơn 19% để hoàn thành nhiệm vụ so với làm việc không có sự hỗ trợ AI. Điều đáng chú ý hơn, các lập trình viên ước tính họ nhanh hơn 20% với AI - hoàn toàn sai về mức độ năng suất của chính họ.
Báo cáo DORA 2024, được coi là tiêu chuẩn vàng để đo lường hiệu suất phân phối phần mềm, tiết lộ những phát hiện tương tự. Việc tăng 25% trong việc áp dụng AI tương quan với việc giảm 1.5% thông lượng phân phối và giảm 7.2% tính ổn định phân phối. Các nhà nghiên cứu lưu ý rằng các cá nhân báo cáo dành ít thời gian hơn cho công việc có giá trị khi việc áp dụng AI tăng lên - hoàn toàn ngược lại với những gì các công cụ này hứa hẹn.
Kết quả Nghiên cứu về Năng suất AI:
- Các nhà phát triển sử dụng công cụ AI: hoàn thành nhiệm vụ chậm hơn 19%
- Nhận thức chủ quan của nhà phát triển: nhanh hơn 20% (không chính xác)
- Tăng 25% việc áp dụng AI → giảm 1,5% thông lượng phân phối
- Tăng 25% việc áp dụng AI → giảm 7,2% tính ổn định phân phối
- 75% nhà phát triển báo cáo cảm thấy hiệu quả hơn mặc dù hiệu suất cấp hệ thống giảm
Gánh nặng nhận thức ẩn giấu
Sự ngắt kết bắt nguồn từ một thay đổi cơ bản trong cách các lập trình viên sử dụng năng lượng tinh thần của họ. Thay vì viết code từ đầu, các lập trình viên giờ đây tạo ra các lời nhắc, xem xét đầu ra AI về độ chính xác, và sửa các vấn đề định dạng. Thay vì tiến hành nghiên cứu trực tiếp, họ kiểm tra thực tế các bản tóm tắt AI và tham chiếu chéo các nguồn mà họ không hoàn toàn tin tưởng.
Điều này tạo ra cái mà các nhà nghiên cứu mô tả là một loại gánh nặng nhận thức mới - nỗ lực liên tục cần thiết để lọc và xác thực các đầu ra AI. Các lập trình viên về cơ bản đã đánh đổi công việc triển khai lấy kiểm soát chất lượng, và kiểm soát chất lượng tỏ ra kiệt sức về mặt tinh thần theo những cách mà ngành công nghiệp chưa nhận ra đầy đủ.
Cuộc thảo luận cộng đồng tiết lộ các ví dụ thực tế về gánh nặng này. Các nhóm phát triển báo cáo nhận được các pull request với hàng trăm thay đổi mà người gửi không thể giải thích, dẫn đến các phản hồi như Tôi không biết, Claude đã làm điều đó khi được hỏi về các quyết định thiết kế. Những người xem xét code thấy mình dành nhiều thời gian hơn đáng kể để hiểu code do AI tạo ra so với trước đây họ dành cho các bài nộp do con người viết.
Hiệu ứng định luật Parkinson
Ngay cả khi các công cụ AI thực sự tiết kiệm thời gian, thời gian đó hiếm khi chuyển thành giảm khối lượng công việc. Những giờ tiết kiệm được điền bằng các cuộc họp bổ sung, quản lý nhiều công cụ AI, hoặc đảm nhận các dự án thêm. Điều này tuân theo phiên bản năng suất của định luật Parkinson - công việc mở rộng để lấp đầy thời gian có sẵn, bất kể cải thiện hiệu quả.
Bạn có được cải thiện hiệu quả 1.2x nhưng có 2x công việc.
Mô hình này phản ánh động lực nơi làm việc rộng hơn nơi những cải thiện năng suất mang lại lợi ích cho nhà tuyển dụng thông qua tăng sản lượng thay vì cho nhân viên thông qua giảm giờ làm hoặc căng thẳng.
Thách thức kiểm soát chất lượng
Cộng đồng báo cáo các xu hướng đáng lo ngại trong chất lượng code và hiểu biết. Các lập trình viên junior có thể đã vật lộn với các vấn đề để học hỏi giờ đây đang nộp các giải pháp do AI tạo ra mà họ không hiểu. Điều này tạo ra một khoảng cách kiến thức nguy hiểm nơi các lập trình viên trở nên phụ thuộc vào các công cụ mà họ không thể đánh giá đúng cách.
Các lập trình viên có kinh nghiệm lưu ý rằng code do AI tạo ra thường bao gồm sự phức tạp không cần thiết, các phần code không thể tiếp cận, hoặc các cấu hình mà không ai trong nhóm hiểu. Quá trình xem xét trở thành việc kiểm soát thiệt hại hơn là cải thiện hợp tác.
Các Vấn Đề Phổ Biến Trong Phát Triển AI:
- Pull request với hàng trăm thay đổi không được giải thích
- Các nhà phát triển không thể giải thích quyết định thiết kế mã do AI tạo ra
- Thời gian đánh giá mã tăng lên (trong một số trường hợp lên đến 9 lần)
- Các nhà phát triển junior nộp mã mà họ không hiểu
- Độ phức tạp không cần thiết và các phần mã không thể truy cập được
Tìm kiếm sự cân bằng trong kỷ nguyên AI
Giải pháp không phải là từ bỏ hoàn toàn các công cụ AI, mà là thay đổi cơ bản kỳ vọng xung quanh việc sử dụng chúng. Việc áp dụng thành công đòi hỏi coi AI như một đối tác hợp tác thay vì thay thế cho hiểu biết. Các lập trình viên sử dụng AI hiệu quả vẫn duy trì hiểu biết sâu sắc về code của họ và có thể giải thích từng dòng họ nộp.
Các tổ chức thấy kết quả tích cực từ các công cụ AI đầu tư vào các thay đổi bổ sung - quy trình mới, đào tạo, và cơ sở hạ tầng. Họ không chỉ đơn giản gắn AI vào các quy trình làm việc hiện có và mong đợi cải thiện ngay lập tức.
Giai đoạn hiện tại đại diện cho cái mà các nhà kinh tế gọi là đường cong J - giảm năng suất tạm thời theo sau bởi những cải thiện cuối cùng, nhưng chỉ sau các giai đoạn điều chỉnh đáng kể. Điều quan trọng là nhận ra rằng chúng ta có thể vẫn đang trong sự sụt giảm ban đầu đó, và điều đó bình thường cho bất kỳ quá trình chuyển đổi công nghệ lớn nào.
Bước đột phá năng suất thực sự có thể đến không từ việc sử dụng AI nhanh hơn, mà từ việc học khi nào không sử dụng nó. Đôi khi cách tiếp cận hiệu quả nhất vẫn là cách truyền thống - hiểu sâu các vấn đề và tạo ra các giải pháp với sự hiểu biết đầy đủ về ý nghĩa của chúng.
Tham khảo: AI promised efficiency. Instead, it's making us work harder.