أدوات ترميز الذكاء الاصطناعى قد لا تسرع كل مطور ، كما تظهر الدراسة

تم تحويل سير عمل مهندس البرمجيات في السنوات الأخيرة من خلال تدفق أدوات ترميز الذكاء الاصطناعى مثل المؤشر و Github Copilot ، والتي تعد بتعزيز الإنتاجية عن طريق كتابة خطوط الكود تلقائيًا ، وتثبيت الأخطاء ، وتغييرات الاختبار. يتم تشغيل الأدوات بنماذج الذكاء الاصطناعى من Openai و Google DeepMind و Hothropic و XAI التي زادت من أدائها بسرعة في مجموعة من الاختبارات الهندسية للبرامج في السنوات الأخيرة.

ومع ذلك ، أ دراسة جديدة تنشر يوم الخميس من قبل مجموعة أبحاث الذكاء الاصطناعى غير الربحية إلى المدى الذي تعزز فيه أدوات ترميز الذكاء الاصطناعى اليوم الإنتاجية للمطورين ذوي الخبرة.

أجرت Metr تجربة عشوائية محكومة لهذه الدراسة من خلال توظيف 16 من مطوري المصدر ذوي الخبرة وجعلهم يكملون 246 مهمة حقيقية على مستودعات الكود الكبيرة التي يساهمون فيها بانتظام. قام الباحثون بتعيين ما يقرب من نصف تلك المهام بشكل عشوائي على أنها “AI-lebored” ، مما يمنح المطورين إذنًا لاستخدام أدوات ترميز الذكاء الاصطناعية الحديثة مثل Cursor Pro ، في حين أن النصف الآخر من المهام يمنع استخدام أدوات الذكاء الاصطناعي.

قبل الانتهاء من المهام المخصصة لهم ، توقع المطورون أن استخدام أدوات ترميز الذكاء الاصطناعى من شأنه أن يقلل من وقت الانتهاء بنسبة 24 ٪. لم يكن هذا هو الحال.

وقال الباحثون: “من المثير للدهشة ، أن نجد أن السماح للمنظمة العفوبية يزيد فعليًا من وقت الانتهاء بنسبة 19 ٪ – المطورين أبطأ عند استخدام أدوات الذكاء الاصطناعى”.

والجدير بالذكر أن 56 ٪ فقط من المطورين في الدراسة لديهم خبرة في استخدام المؤشر ، وهي أداة الذكاء الاصطناعى الرئيسية المقدمة في الدراسة. في حين أن جميع المطورين (94 ٪) تقريبًا لديهم خبرة في استخدام بعض LLMs المستندة إلى الويب في سير عمل الترميز الخاص بهم ، كانت هذه الدراسة هي المرة الأولى التي يستخدم فيها بعض المؤشر على وجه التحديد. يلاحظ الباحثون أن المطورين قد تم تدريبهم على استخدام المؤشر استعدادًا للدراسة.

ومع ذلك ، فإن نتائج Metr تثير أسئلة حول مكاسب الإنتاجية العالمية المفترضة التي وعدت بها أدوات ترميز الذكاء الاصطناعي في عام 2025. بناءً على الدراسة ، لا ينبغي للمطورين أن يفترضوا أن أدوات ترميز الذكاء الاصطناعى – على وجه التحديد ما يُعرف باسم “المبرمجيين” – سيسرع على الفور سير عملهم.

يشير باحثو METR إلى بعض الأسباب المحتملة التي تجعل الذكاء الاصطناعى تباطؤ المطورين بدلاً من تسريعهم: يقضي المطورون المزيد من الوقت في دفع الذكاء الاصطناعي وينتظرون الاستجابة عند استخدام المبرمجين في الأناقة بدلاً من الترميز فعليًا. يميل الذكاء الاصطناعي أيضًا إلى الكفاح في قواعد التعليمات البرمجية الكبيرة والمعقدة ، والتي استخدمها هذا الاختبار.

يحرص مؤلفو الدراسة على عدم استخلاص أي استنتاجات قوية من هذه النتائج ، مشيرين صراحة أنهم لا يعتقدون أن أنظمة الذكاء الاصطناعى تفشل حاليًا في تسريع العديد من مطوري البرامج أو معظمها. آخر دراسات واسعة النطاق لقد أظهرت أن أدوات ترميز الذكاء الاصطناعى تقوم بتسريع مهندس البرمجيات.

يلاحظ المؤلفون أيضًا أن تقدم الذكاء الاصطناعي كان كبيرًا في السنوات الأخيرة وأنهم لن يتوقعوا نفس النتائج حتى بعد ثلاثة أشهر من الآن. لقد وجد Metr أيضًا أن أدوات ترميز الذكاء الاصطناعى قد حسنت بشكل كبير من قدرتها على مجمع كامل ، مهام الأفق الطويل في السنوات الأخيرة.

ومع ذلك ، يقدم البحث سببًا آخر لتكون متشككًا في المكاسب الموعودة لأدوات ترميز الذكاء الاصطناعي. أظهرت دراسات أخرى أن أدوات ترميز الذكاء الاصطناعى اليوم يمكنها تقديم الأخطاء وفي بعض الحالات ، ثغرات الأمن.