- AI-आधारित coding tools तेज़ी से बढ़ रहे हैं, और कुछ व्यक्तिगत developers AI का उपयोग करके चौंकाने वाले नतीजे ला रहे हैं, लेकिन वास्तविक engineering teams में अक्सर असर बहुत सीमित रहता है
- नतीजों में अंतर के 2 कारण हैं: "Green-field vs बड़ा codebase", "single vs multi-player"
- इसलिए AI के लिए नए coding workflow और आगे की दिशा को इस तरह से अनुमानित किया गया है:
- कई कंपनियाँ और engineers hire कर रही हैं — खासकर अच्छी कंपनियाँ
- सबसे बड़ी चुनौती बड़े codebase हैं — यहीं वास्तव में value बनती है
- robot vs Iron Man — AI tools का दार्शनिक अंतर
- developer happiness optimization — कौन सा कठिन और उबाऊ काम AI संभाल सकता है?
- AI code tracking एक anti-pattern है — tracking के प्रलोभन में न पड़ें
नतीजों के अंतर के कारण
- Green-field vs बड़ा codebase
- ज़्यादातर AI tools नए projects (Green-field) के लिए optimized हैं
- पुराने codebase में इनकी उपयोगिता घट जाती है
- single player vs multi-player
- मौजूदा AI workflow single-player केंद्रित हैं
- टीम में collaboration के दौरान समस्याएँ आती हैं (merge conflict, जटिल context handling आदि)
> "AI workflow अकेले काम करने पर ठीक लगते हैं, लेकिन टीम में उपयोग करने पर टकराव बढ़ते हैं और वे अप्रभावी हो जाते हैं।"
बेहतरीन कंपनियाँ अधिक engineers hire कर रही हैं
- AI की प्रगति से engineer demand घट जाएगी, यह अनुमान गलत है
- AI से productivity बढ़ने पर, नतीजे में engineers की hiring बढ़ती है — इसे Jevons paradox कहा जा सकता है
-
AI अपनाने पर संगठनवार प्रतिक्रिया
- शीर्ष टीमें: AI अपनाने से productivity बढ़ती है → और engineers hire किए जाते हैं
- औसत टीमें: bureaucracy और coordination cost के कारण hiring में बदलाव नहीं
- निचली टीमें: तकनीक सिर्फ एक साधारण tool बनकर रह जाती है → लागत घटाने के लिए team downsizing
सबसे बड़ी समस्या बड़े codebase हैं
- AI algorithmic problems हल करने में शानदार है, लेकिन वास्तविक freelance काम में इसका प्रदर्शन कमजोर रहता है
- मुख्य कारण है context की कमी
- codebase में context पहुँचाने के तरीके:
- Fine-tuning → अनिश्चित और महंगा
- Context Window विस्तार → accuracy की गारंटी मुश्किल
- RAG (Retrieval-Augmented Generation) → फिलहाल सबसे आशाजनक
> अच्छा RAG AI coding tools को scale करने की कुंजी है
robot vs Iron Man: AI tools का दार्शनिक अंतर
- autonomous tools → स्वतंत्र agent की तरह काम करते हैं
- Slack में command मिलने पर अपने-आप PR submit कर देते हैं
- उदाहरण: Devin, Lindy
- augmented tools → इंसान काम को lead करता है और tool सहायक भूमिका निभाता है
- IDE में assistant tool की तरह उपयोग, अंतिम PR इंसान submit करता है
- उदाहरण: Augment, Cursor
-
कौन सी strategy अधिक फायदेमंद है?
- feedback loop → augmented tools अधिक तेज़ी से errors ठीक कर सकते हैं
- scalability → autonomous tools में organizational complexity बढ़ने का जोखिम
- human-centric approach → augmented tools इंसान को मजबूत करने की दिशा में आगे बढ़ते हैं
> "AI को Clone Wars नहीं, Avengers बनाने चाहिए"
developer happiness के लिए optimization
- सफल टीमें productivity नहीं बल्कि developer happiness पर ध्यान देती हैं
- AI का उपयोग सरल लेकिन थकाऊ कामों को कम करने पर केंद्रित होना चाहिए
- Toil जिसे AI हल कर सकता है
- 1) test automation
- AI test code लिख सकता है → boilerplate code का बोझ कम
- पहले से specification लिखने का लाभ बढ़ता है → TDD अपनाना आसान
- 2) documentation automation
- AI code comments और technical specifications लिख सकता है → documentation management का बोझ कम
- AI code structure और behavior समझा सकता है → लेकिन code लिखने का इरादा अब भी इंसान को समझाना होगा
- 3) code quality improvement
- code style और security vulnerabilities की जाँच संभव
- AI tools के उदाहरण: Augment, Packmind, Codacy
AI code tracking एक anti-pattern है
- अगर AI स्वायत्त रूप से काम करता है, तो performance tracking की ज़रूरत पड़ती है
- लेकिन यदि AI इंसान को augment कर रहा है, तो AI code और human code में भेद करना अर्थहीन है
- productivity और developer satisfaction पर ध्यान देना अधिक प्रभावी है
मुख्य निष्कर्ष
- AI अपनाने से engineer hiring बढ़ती है → Jevons paradox के कारण productivity बढ़ने पर hiring भी बढ़ती है
- AI का multi-player adoption ज़रूरी है → टीम collaboration को मजबूत करना होगा
- बड़े codebase की समस्या हल करनी होगी → context उपलब्ध कराना कुंजी है
- augmented tools autonomous tools से बेहतर हैं → इंसान lead करे, AI सहायक बने
- developer happiness optimization → productivity से अधिक happiness पर ज़ोर
- TDD की वापसी → AI test लिखने का बोझ कम करता है
- documentation का बोझ कम → AI code comments और technical specifications अपने-आप लिख सकता है
- code quality improvement → AI code style और security issues जाँच सकता है
- AI code tracking अर्थहीन है → नतीजों का मूल्यांकन कुल productivity और satisfaction से होना चाहिए
1 टिप्पणियां
मुझे पहले बिंदु से सहमत होना मुश्किल लगता है।
मैं यह बात बहुत महसूस करता हूँ। क्योंकि एक छोटी कंपनी में अच्छे इंजीनियरों को भर्ती करने की कोशिश कर रहा हूँ, लेकिन यह सच में आसान नहीं है।