ค้นพบความสนใจของคุณ ไปด้วยกัน

ดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

ค้นพบความสนใจของคุณ ไปด้วยกันดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

AI เขียนโค้ดเร็วขึ้น แต่ภาระตรวจทานและแก้ไขกำลังตามมา

AI เขียนโค้ดเร็วขึ้น แต่ภาระตรวจทานและแก้ไขกำลังตามมา
ความสนใจ|เพิ่มประสิทธิภาพงานด้วย AI

โค้ดเพิ่มเร็ว แต่คอขวดขยับไปอยู่ที่การทำความเข้าใจ

AI เขียนโค้ดคือการใช้ปัญญาประดิษฐ์สร้างหรือปรับแก้คำสั่งที่ใช้พัฒนาซอฟต์แวร์ โดยช่วยให้นักพัฒนาเปลี่ยนแนวคิดเป็นโค้ดได้เร็วขึ้น แต่ไม่ได้รับประกันว่าโค้ดนั้นจะเข้าใจง่าย ตรวจสอบได้ หรือดูแลต่อได้ดีในระยะยาว นี่คือประเด็นที่ทีมซอฟต์แวร์ควรมองให้ชัดก่อนนับจำนวนบรรทัดที่ผลิตได้

เป็นเวลานานที่วงการพัฒนาซอฟต์แวร์มองว่าการเขียนโค้ดคือคอขวดหลัก เมื่อ AI coding agent สร้างโค้ดได้ในเวลาอันสั้น งานหนักจึงย้ายไปสู่การอ่านว่าโค้ดทำอะไร เชื่อมกับระบบเดิมอย่างไร และจะแก้บั๊กตรงไหน ยิ่งโค้ดสะสมมาก การทำซ้ำและการเปลี่ยนแปลงหลายชั้นก็ยิ่งทำให้โครงสร้างพันกัน จนวิศวกรต้องใช้เวลาแกะก่อนจะกล้าปรับ

สัญญาณหนึ่งคือ แม้เขียนโค้ดได้ง่ายขึ้น ผู้นำฝ่ายวิศวกรรม 79% ระบุว่ารอบการส่งมอบซอฟต์แวร์ไม่ได้เร็วขึ้นตามไปด้วย ผลนี้ชี้ว่าเวลาเขียนที่ลดลงไม่ได้แปลว่าคุณค่าถึงมือผู้ใช้เร็วขึ้นโดยอัตโนมัติ ความเร็วมีความหมายก็ต่อเมื่อทีมยังอธิบาย ตรวจสอบ และรับผิดชอบต่อสิ่งที่สร้างได้

AI เขียนโค้ดเร็วขึ้น แต่ภาระตรวจทานและแก้ไขกำลังตามมา

เวลาที่ประหยัดได้อาจกลายเป็นคิวตรวจงาน

งานศึกษาที่เผยแพร่โดยหน่วยงานวิจัยของมูลนิธิลินุกซ์และได้รับการสนับสนุนจากเรดแฮตพบว่า เครื่องมือปัญญาประดิษฐ์ช่วยลดเวลาเขียนโค้ดได้ราวครึ่งหนึ่ง แต่ผู้ดูแลโครงการโอเพนซอร์สต้องรับแรงกดดันด้านการตรวจสอบเพิ่มขึ้น ขณะเดียวกัน 59% ของผู้ดูแลเห็นว่าจำนวนผลงานที่ส่งเข้ามาเพิ่มขึ้น และสัดส่วนนี้อยู่ที่ 69% ในโครงการขนาดใหญ่

ปริมาณที่เพิ่มไม่ได้รับประกันคุณภาพโค้ด: ผู้ดูแลประเมินว่าประมาณ 25% ของคำขอรวมโค้ดมีคุณภาพต่ำ และตัวเลขในโครงการใหญ่เพิ่มเป็น 31% อย่างไรก็ดี ผลไม่ได้มีแต่ด้านลบ ผู้ตอบแบบสอบถามบางส่วนใช้เวลาที่ประหยัดได้จัดการหนี้ทางเทคนิค พัฒนาความสามารถใหม่ หรือสร้างฟังก์ชันเพิ่มเติม ประเด็นจึงไม่ใช่การปฏิเสธ AI แต่คือการไม่ผลักงานคัดกรองทั้งหมดให้ผู้ดูแลรับภาระ

การตรวจทานโค้ด AI ต้องเป็นส่วนหนึ่งของเวลาพัฒนา ไม่ใช่งานแถมที่คาดหวังให้วิศวกรทำโดยไม่คิดต้นทุน งานศึกษาหนึ่งที่วิเคราะห์โครงการโอเพนซอร์สหลายพันโครงการพบว่า นักพัฒนามีประสบการณ์ใช้เวลาตรวจโค้ดที่ AI สร้างมากขึ้น ขณะที่ผลงานการเขียนโค้ดของตนเองลดลงเกือบ 20% หากองค์กรนับเฉพาะงานที่สร้างเพิ่ม ภาระที่ซ่อนอยู่ก็จะหายไปจากตัวชี้วัด

AI เขียนโค้ดเร็วขึ้น แต่ภาระตรวจทานและแก้ไขกำลังตามมา

แม้แต่ TODO ที่คนอ่านข้ามได้ ก็อาจพาเอเจนต์ออกนอกเรื่อง

คอมเมนต์เก่าในไฟล์อาจดูไม่มีพิษภัยสำหรับคน แต่เอเจนต์อาจตีความเป็นคำสั่งให้ลงมือ งานวิเคราะห์ร่องรอยการทำงานจากวิศวกรหลายพันคนและขั้นตอนของเอเจนต์รวมกว่าร้อยล้านขั้นพบว่า 13% ของเซสชันเผชิญข้อความอ้างถึงบั๊ก เช่น TODO หรือ FIXME ที่ฝังอยู่ในโค้ด

เอเจนต์ลงมือทำต่อใน 6% ของกรณีที่พบข้อความเหล่านี้ และมากกว่า 4 ใน 5 ของการลงมือดังกล่าวเกิดขึ้นโดยนักพัฒนาไม่ได้สั่ง ผลคือเอเจนต์อาจเสียเวลาไล่ตามบั๊กที่ปิดไปแล้ว ขยายขอบเขตงาน หรือใช้โทเคนและเวลารอเพิ่ม ตัวเลขจากการศึกษาระบุว่าขั้นตอนเพิ่ม 70% จำนวนโทเคนเพิ่ม 77% และเวลารอเพิ่ม 105% ในงานที่ได้รับผลกระทบ

นี่ไม่ใช่ข้อบกพร่องของโมเดลเพียงอย่างเดียว แต่เป็นปัญหาการดูแลคลังโค้ดด้วย เอกสารไม่อัปเดต ข้อกำหนดล้าสมัย และ TODO ที่ไม่มีเจ้าของ ล้วนกลายเป็นบริบทชวนสับสน การลดสิ่งรบกวนจึงช่วยทั้งคนและ AI agent มีรายงานว่าเครื่องมือหนึ่งลบการอ้างอิงที่ล้าสมัยได้หลายพันรายการในช่วงหกเดือน โดยผู้ตรวจสอบที่เป็นมนุษย์ยอมรับผลงาน 95%

เมื่อบั๊กหลุดถึงระบบจริง ผู้ใช้ทั่วไปอาจพบข้อมูลผิด ระบบการเงินคำนวณค่าคลาดเคลื่อน หรือบริการเครือข่ายหยุดชะงัก ตัวอย่างที่เตือนใจคือเหตุขัดข้องของผู้ควบคุมการจราจรทางอากาศแห่งชาติของสหราชอาณาจักร ซึ่งเกิดจากข้อบกพร่องในซอฟต์แวร์เดิมและนำไปสู่การยกเลิกเที่ยวบิน 2,000 เที่ยวกับความวุ่นวายต่อเนื่องหลายวัน

วัดผลิตภาพจากซอฟต์แวร์ที่ดูแลต่อได้ ไม่ใช่จากบรรทัดโค้ด

ผลิตภาพนักพัฒนาไม่ควรถูกย่อให้เหลือจำนวนโค้ดหรือความเร็วในการพิมพ์ หากทีมส่งมอบได้เร็วแต่ต้องใช้เวลามากขึ้นไล่บั๊ก ทำความเข้าใจการเปลี่ยนแปลง และรับมือเหตุขัดข้อง ผลได้สุทธิอาจน้อยกว่าที่ภาพรวมการสร้างโค้ดบอกไว้ งานที่ซับซ้อนยิ่งต้องอาศัยวิจารณญาณของคน และเป็นจุดที่การตรวจสอบกับการแก้ไขอาจกินเวลาจนกลบประโยชน์จากการสร้างอัตโนมัติ

องค์กรควรติดตามทั้งคุณภาพของการเปลี่ยนแปลง เวลาที่ใช้ตรวจและแก้ อัตราบั๊กที่หลุด ตลอดจนความสามารถในการบำรุงรักษาระบบ ไม่ใช่ดูจำนวนงานที่ AI ทำได้อย่างเดียว แนวทางนี้ยังทำให้ทีมเห็นว่าควรลงทุนกับการทดสอบ เอกสาร และผู้ดูแลโครงการตรงไหน แทนการเพิ่มกำลังผลิตโค้ดโดยไม่เพิ่มกำลังตรวจ

ข้อสรุปไม่ใช่ว่า AI เขียนโค้ดไม่มีประโยชน์ แต่ความเร็วในการสร้างเป็นเพียงจุดเริ่มต้น ซอฟต์แวร์จะก้าวหน้าเมื่อทีมเข้าใจสิ่งที่สร้าง ตรวจพบปัญหาได้ และดูแลระบบให้เชื่อถือได้ตลอดเวลา หากเครื่องมือช่วยงานเหล่านี้ควบคู่กับการเขียนโค้ดได้จริง AI จึงจะเพิ่มผลิตภาพ ไม่ใช่เพียงเพิ่มปริมาณงานที่คนอื่นต้องตามเก็บ

AI เขียนโค้ดเร็วขึ้น แต่ภาระตรวจทานและแก้ไขกำลังตามมา

ZestBuy ได้รับค่าคอมมิชชั่นเมื่อคุณช้อปผ่านลิงก์ของเรา โดยคุณไม่ต้องจ่ายเพิ่ม

You May Also Like

Comments
พูดอะไรบางอย่าง...
ยังไม่มีความคิดเห็น มาเป็นคนแรกที่แบ่งปันความคิดเห็นของคุณ!