Programowanie wspierane przez AI nie jest już sportem mniejszości: około 90% zawodowych programistów używa narzędzi AI, spędzając z nimi medianowo dwie godziny dziennie, a najnowszy raport programu badawczego DORA pokazuje, że ponad 80% deklaruje wzrost produktywności. Na poziomie jednostki efekt jest spektakularny: badania mierzą około 21% więcej ukończonych zadań i niemal dwukrotnie więcej scalonych pull requestów.
Gdzie znika ta prędkość
Po oddaleniu obrazu do skali organizacji wykres się spłaszcza: metryki dostarczania całych zespołów często ledwie drgają. Dane o jakości kodu podpowiadają dlaczego. Udział kodu kopiowanego wzrósł z 8,3% do ponad 12% zmienianych linii, a refaktoryzacja zapadła się z około jednej czwartej wszystkich zmian do poniżej 10%. Jednocześnie niezawodność to najczęstszy produkcyjny problem według ponad połowy decydentów. Generowanie przyspieszyło; przeglądy, integracja, testy i zaufanie nie. Pozostawiona sama sobie przepustowość AI zamienia się w kolejki do code review i dług techniczny, a nie w wydane funkcje.
Mnożnikiem jest dyscyplina
- Utrzymaj poprzeczkę code review i zabezpiecz na nie zasoby: jeśli liczba PR-ów się podwaja, przepustowość przeglądów i narzędzia muszą podwoić się razem z nią; inaczej rachunek po cichu płaci jakość.
- Niech sędzią będą testy i bramki CI: kod pisany przez AI scala się na tych samych dowodach co ludzki, najlepiej z testami generowanymi i utwardzanymi w pierwszej kolejności.
- Planuj refaktoryzację celowo: dane mówią, że sama z siebie już się nie wydarzy, więc uczyń z niej jawną, cykliczną pozycję.
- Mierz dostarczanie, nie aktywność: lead time, wskaźnik nieudanych zmian i czas przywrócenia; po nich oceniaj adopcję AI, nie po liczbie zadań.
To właśnie luka, w której spędzamy większość czasu doradczego: wpinanie przyspieszenia AI w system dostarczania (przeglądy, testy, obserwowalność) tak, by prędkość docierała na produkcję, zamiast piętrzyć się przed nią.