AI dalam Pengembangan Perangkat Lunak: Antara Produktivitas Dorongan dan Krisis Keyakinan – Pengetahuan Baru dari Penelitian dan Praktek

Integrasi AI ke dalam rekayasa perangkat lunak bukan lagi topik masa depan – ini adalah kenyataan di banyak perusahaan. Dengan diperkenalkannya alat -alat Genai seperti GitHub Copilot atau ChatGpt, bidang tegangan baru dibuat: keuntungan produktivitas di satu sisi, kesenjangan dalam kepercayaan dan risiko sistemik di sisi lain. Pada saat yang sama, AI tidak hanya mengubah cara kode dibuat, tetapi juga persyaratan untuk verifikasi dan validasi (V&V). Metode V&V klasik mencapai batasnya ketika kode yang dihasilkan AI tidak sepenuhnya dapat dimengerti atau referensi berhalusinasi. Kebutuhan untuk membangun sistem kontrol baru menjadi jelas dalam beberapa penelitian.

Pada Oktober 2024, dalam sebuah artikel blog kami sudah melihat peluang dan tantangan AI generatif dalam pengembangan perangkat lunak. Setahun kemudian, ternyata banyak ramalan telah dikonfirmasi, beberapa risiko menjadi lebih jelas – dan pertanyaan baru telah ditambahkan. Studi saat ini dan pengalaman praktis, yang kami ringkas di bawah ini, memberikan wawasan yang realistis tentang keadaan. Dalam artikel ini kami mencerminkan temuan sentral dari studi dan diskusi saat ini, termasuk “keadaan pengembangan perangkat lunak bantuan AI” oleh Googlees DevHAIps Rpenelitian dan Atim ssessment (Dora), “Memeriksa penggunaan dan dampak asisten kode AI pada produktivitas dan pengalaman pengembang di perusahaan” oleh IBM dan sejumlah penelitian internasional. Tujuannya adalah untuk memahami efek AI tidak hanya secara lokal, tetapi dalam konteks platform, proses, dan budaya.

Dari Efisiensi ke Ketidakstabilan: Penelitian apa yang dikatakan produktivitas AI

Banyak penelitian menunjukkan: AI dapat secara signifikan meningkatkan produktivitas pengembang individu. Tapi ini lokal Keuntungan Produktivitas Jangan secara otomatis menghasilkan hasil yang lebih baik di tingkat sistem. Data Dora bahkan menunjukkan peningkatan Stabilitas pengiriman Di sana – meskipun kecepatan lebih tinggi. Ini menunjukkan: tanpa fondasi hilir yang stabil, misalnya Arsitektur, kualitas platform dan tata kelolamenghapus manfaatnya. AI bertindak sebagai penguat – tetapi hanya jika organisasi disiapkan untuk itu.

Gunakan dan percaya pada kode berbasis AI

Studi DORA menunjukkan bahwa 30 % pengembang memiliki sedikit atau tidak ada kepercayaan pada kode yang dihasilkan AI. SO -disebut Anda memiliki agendi mana AI bertindak secara mandiri, jarang digunakan – 61 % dari responden sepenuhnya melakukannya tanpa itu. Ini bertepatan dengan pengetahuan dari “kolaborasi manusia-AI dalam pengembangan perangkat lunak: studi metode campuran tentang penggunaan pengembang github copilot dan chatgpt”: pengembang menggunakan AI yang didominasi refleksif, bukan delegatif-lebih dalam arti mitra sparring, alih-alih melakukan tugas lengkap. Ketika pengembang mengerjakan tugas -tugas di mana mereka harus membuat keputusan atau menafsirkan konten, AI hanya membantu terbatas – interaksi seringkali masih bergelombang. Integrasi dan perkakas IDE harus dapat dikonfigurasi sedemikian rupa sehingga pengembang dapat mempengaruhi perilaku AI dengan cara yang ditargetkan-ini memperkuat kepercayaan dan meningkatkan kerja sama.

Tantangan Budaya dan bidang etika ketegangan

Mati Kerjasama Mensch-Ki membawa pertanyaan budaya dan etika baru. Studi seperti Dora menunjukkan risiko – misalnya bahwa pengetahuan spesialis dapat hilang (Deskilling), peran yang ada jatuh (Perpindahan pekerjaan) atau AI secara khusus digunakan untuk tujuan berbahaya (Penggunaan berbahaya). Pengembang kalah visibilitasJika AI melakukan pekerjaannya – ini dapat menyebabkan frustrasi dan kehilangan identitas.

Solusinya meliputi:

• Format pendampingan seperti ‘Ulasan Ai Pair‘, di mana pengembang berpengalaman memeriksa hasil AI
• Metode untuk visualisasi Kontribusi individu untuk menciptakan transparansi
• Strategi kotak pasirdi mana kode yang dihasilkan AI diuji sebelum digunakan.

Juga tantangan etis – misalnya Tanggung jawab, transparansi dan bias -Harus ditangani secara aktif (Letter of the Art on Human-AI dalam Rekayasa Perangkat Lunak: Dampak, Tantangan Etis, dan Evolusi Akademik). Contoh ketegangan adalah peningkatan tanggung jawab perangkat lunak yang mengembangkan perangkat lunak saat menggunakan AI generatif dan kebutuhan akan struktur tanggung jawab yang jelas ditekankan. Masalah utama adalah kurangnya pemahaman keputusan yang dibuat oleh AI. Pada saat yang sama, ada risiko bahwa dalam kasus penggunaan model suara besar yang tidak dikendalikan atau tidak bertanggung jawab, bias akan dimasukkan dan diperkuat dalam produk perangkat lunak.

Kualitas Platform dan Manajemen Aliran Nilai (VSM) sebagai kunci

Lebih banyak kode melalui AI tidak menyelesaikan bottleneck dalam sistem. Ini juga menunjukkan analisis Dora. Kendala sistem tetap ada jika platform tidak dimaksudkan sebagai produk dan dilengkapi dengan tata kelola yang jelas. Nilai Manajemen Saat Ini (Manajemen Aliran Nilai) menjadi faktor keberhasilan yang menentukan: hanya jika Seluruh proses – dari konsep pertama hingga pengiriman – Transparan, perusahaan dapat secara khusus mengenali bottleneck dan melakukan perbaikan. Tanpa ikhtisar dari seluruh proses pengembangan ini, banyak kegiatan dapat tampak tidak terkoordinasi dan mengalami apa pun alih -alih mengerjakan tujuan yang jelas. Sangat penting bahwa banyak organisasi memperkenalkan alat AI, tetapi tidak mengadaptasi saluran pipa pengiriman mereka. Pagar yang hilang, integrasi CI/CD yang tidak memadai dan kurangnya cakupan uji berarti bahwa output yang dihasilkan AI tidak divalidasi dengan andal. Itu platform Jadi jangan hanya perlu Pastikan kualitas teknistapi juga di sini Mengatur kolaborasi antara orang dan AI.

Ubah metrik: dari pengukuran output ke indikator V&V dari efektivitas individu

Diskusi tentang metrik berubah. Selama 2024 »Produktivitas“Fokusnya adalah pada 2025”Efektivitas individu«Fokus. Studi seperti »memeriksa penggunaan dan dampak asisten kode AI pada produktivitas dan pengalaman pengembang di perusahaan« (IBM) dan »tantangan dan peluang untuk AI generatif dalam rekayasa perangkat lunak: pandangan manajerial« Tunjukkan: Efek AI berbeda secara individual dan bergantung pada konteks. Akibatnya, metrik seharusnya tidak hanya mengukur produktivitas, tetapi juga harus mencakup indikator yang melakukan aksi untuk efektivitas individu, kemajuan pembelajaran, kualitas pengambilan keputusan, kerja sama dengan AI dan pengaruh pada kualitas produk: metrik output klasik tidak cukup untuk menangkap efek AI.

Outlook: AI kontinu dan peran baru untuk penggunaan AI yang berkelanjutan

Dora menggambarkan KI sebagai “normal baru” dalam pengembangan perangkat lunak. Organisasi harus AI kontinu Menyesuaikan – yaitu tentang integrasi berkelanjutan dan evaluasi AI dalam proses Anda. Peran baru seperti »AI Orchestrator«Ecise yang tidak hanya merancang teknologi, tetapi juga budaya dan tata kelola. Dalam studi “AI dalam siklus pengembangan perangkat lunak”, kombinasi yang seimbang dari otomatisasi AI dan keahlian manusia dicari untuk membuat pengembangan perangkat lunak menjadi efisien, aman dan transparan di era sistem cerdas. Dalam makalah »AI-drive inovasi dalam rekayasa perangkat lunak: tinjauan praktik saat ini dan arah masa depan«, juga ditekankan: Ki bahkan dapat membahayakan tanpa berpusat pengguna.

Kecepatan AI bekerja membutuhkan adaptasi dari proses V&V-baik secara teknis maupun budaya. Arsitektur, pipa CI/CD dan proses peninjauan harus dirancang sedemikian rupa sehingga mereka dapat dengan andal memeriksa output yang dihasilkan AI tanpa membuat noda boneka baru. Di sini juga, peran »ai pair review« sangat relevan sebagai ritual pendampingan: pengembang senior bertanggung jawab atas validasi kode yang dihasilkan AI, sementara pengembang junior belajar cara bekerja dengan aman dan efektif dengan AI.

Peran baru ini tidak hanya menyertai V&V secara teknis, tetapi juga secara organisasi: Manusia tetap menjadi pusat-bahkan dalam proses pengembangan berbasis AI.

AI hanya sukses dengan orang, proses dan budaya

Keberhasilan AI karena itu tidak hanya bergantung pada teknologi, tetapi juga pada orang, proses dan budaya. Tuas terpenting adalah itu Pusat Pengguna – Tanpa mereka, AI tetap menjadi alat tanpa efek.

Catatan: Transparansi penting bagi kami: untuk posting blog ini kami telah memilih beberapa studi saat ini dan contoh praktis. Namun, artikel ini tidak meningkatkan gambaran yang lengkap dan sistematis dari seluruh situasi penelitian.