AI-सहायित coding आपके काम को कैसे प्रभावित कर रही है?

• अगर आपने हाल में प्रोफेशनल coding काम में AI tools का इस्तेमाल किया है, तो कृपया अपना अनुभव साझा करें
  • आपने कौन-से tools इस्तेमाल किए?
  • क्या प्रभावी रहा, और क्यों?
  • किन मुश्किलों का सामना करना पड़ा, और आपने उन्हें कैसे हल किया? (अगर किया हो तो।)
• ताकि दूसरे लोग इन अनुभवों से सीख सकें, कृपया पर्याप्त संदर्भ (tech stack, project type, team size, experience level) भी साथ में बताएं
• लक्ष्य यह है कि मार्च 2026 की स्थिति के अनुसार AI-आधारित development की वास्तविक तस्वीर को बढ़ा-चढ़ाकर नहीं, बल्कि वस्तुनिष्ठ रूप से समझा जाए

---

Hacker News के जवाबों का सार

AI द्वारा बनाई गई documents और communication की समस्याएँ

• मैनेजर Claude से 50-पेज के design docs, PRD, slide decks बनवाकर "जल्दी review कर दो" कहकर भेजते हैं, लेकिन कई बार लेखक ने खुद भी उन्हें नहीं पढ़ा होता
• कुछ कर्मचारी लगातार slides बनाते रहते हैं, लेकिन ठोस सवालों के जवाब देने से बचते हैं
• जो DB performance issue पहले 30 मिनट में सुलझ जाता था (जैसे GSI जोड़ना), वह अब AI-जनित 37-पेज document (explanation, mitigation, plan, review, risk, deployment आदि) की वजह से एक हफ्ता ले लेता है
• AI-जनित content भेजने पर प्राप्तकर्ता भी उसे AI से summarize करता है — "AI से AI" communication का पैटर्न उभर रहा है
  • "concept → LLM expansion → LLM summary → recipient" की धारा में telephone game की तरह context और nuance खोने का खतरा है
• एक पक्ष low-quality content की बाढ़ ला दे और दूसरे से गंभीर review की उम्मीद करे, यह असंतुलित अपेक्षा और असभ्य व्यवहार माना गया
• एक freelance client ने AI से बहुत ही elaborate spec भेजी, जबकि असल में उसे 30-line की CSV table चाहिए थी

workplace में नकारात्मक अनुभव

• senior developers AI से सब कुछ करवाकर cleanup का काम junior developers पर डाल देते हैं
  • AI-जनित code main project की API design का पालन नहीं करता, और उसमें बेकार error handling व parsing code बहुत होता है
  • cleanup में एक हफ्ते से ज़्यादा लग गया, लेकिन मूल टीम तो लगभग तुरंत output दे सकती थी, इसलिए उल्टा काम और धीमा लगता है
• एक बड़ी public company ने एक साल के भीतर 100% AI-generated code का लक्ष्य रखा और इसका विरोध करने वाले हर स्तर के कर्मचारियों को निकाल दिया
• जिन संस्कृतियों में code quality से ज़्यादा feature launch speed को optimize किया जाता है, वहाँ quality work करने वाले engineers को "inefficient" माना जाता है
• एक team member ने कुछ हफ्ते पुराना code Claude में डालकर उसे पूरा हुआ काम बताकर जमा कर दिया, लेकिन उसमें business requirement की गलतियाँ और गंभीर bugs थे
• जहाँ AI का इस्तेमाल अनिवार्य है, वहाँ code review का बोझ बहुत बढ़ जाता है, और रोज़ाना हजारों lines वाले low-quality PRs देखने पड़ते हैं
  • एक टिप्पणी: "जो कुछ मुझे पसंद था वह सब छिन गया, और जो नापसंद था वही बचा"

FAANG और बड़े enterprise का अनुभव

• FAANG में काम करने वाले एक इंजीनियर: काम में कभी भी commit करने लायक output नहीं मिला, लेकिन personal projects में 10x speedup मिला
  • बड़े codebase के proprietary frameworks और libraries training data में नहीं होते, इसलिए model की visibility सीमित रहती है
  • टीम में सफलता के वास्तविक उदाहरण जानने वाला लगभग कोई नहीं
• Amazon engineer: Kiro (AWS का अपना tool) और Opus 4.6 का इस्तेमाल, काम में 2~4x और side business में 10x+ productivity gain
  • सिर्फ code writing ही नहीं, data analysis, debugging, deployment loop management में भी इस्तेमाल
  • जो feature पहले एक महीना लेती, वह अब 2 हफ्तों में बनती है — दोबारा कभी काम न आने वाली सूक्ष्म तकनीकें सीखने का समय बचना मुख्य लाभ है
• Amazon outage से जुड़ा मामला: रिपोर्ट किया गया AI code ban सही नहीं था; outage के दौरान AI-संबंधित केवल एक पुरानी internal wiki आधारित सलाह का मामला था
• Microsoft engineer: GitHub Copilot के जरिए unlimited Opus इस्तेमाल, काम तेज़ हुआ लेकिन expectations बहुत बढ़ गईं (2 हफ्ते का काम → 2 दिन की उम्मीद)
• बड़े enterprise R&D में: bug tracking और one-off logging code बनाने में सबसे ज़्यादा value, prototyping speed भी बहुत बढ़ी
  • लेकिन implementation cost घटने से "क्या बनाना है" की प्रतिस्पर्धा तेज़ हो गई है, इसलिए और तेज़ सोच व स्पष्ट निर्णय की ज़रूरत है

सकारात्मक अनुभव और productivity gains

• 10 साल अनुभव वाला engineer, छोटी टीम: 100K DAU consumer app को 3 लोगों ने बनाया और maintain किया; पहले 10 लोग चाहिए होते ऐसा लगता था
  • bug list नहीं, codebase को लगभग 2 लोग पूरी तरह समझते हैं, और refactoring की आवृत्ति बहुत बढ़ी
• Simon Willison: नवंबर 2025 के बाद से ज़्यादातर code agents से लिख रहे हैं, iPhone पर Claude Code से भी काम
  • जिन projects पर वर्षों से सिर्फ सोचते थे, उन्हें घंटों में बना लिया — solo developer की संभावनाओं का पैमाना बदल गया
  • Claude Code से Go app लिखते हुए osmosis learning के जरिए नई language सीखी
• अनुभवी freelancer: Claude Code के बाद Terraform में 95% accuracy, data processing project में 5x से ज़्यादा speed
  • "जो पहले नहीं कर सकता था वह अब कर सकता हूँ, जो मुश्किल था वह आसान हो गया, और जो आसान था वह और तेज़ व आसान हो गया"
• छोटी game studio: internal tools और workflow improvement में उपयोग, जितना काम idea के करीब होता है, AI coding उतनी प्रभावी होती है
• छोटे beer brewery के मालिक: bookkeeping automation (16 घंटे/महीना → 3 घंटे), production/sales reports, reward tracking app आदि 5 से अधिक internal tools बनाए

codebase समझने और debugging में उपयोग

• बड़े या legacy codebase में "इस table को छूने वाले functions कौन-कौन से हैं?" जैसे सवालों पर असरदार
• बड़े monolith की खोजबीन: "API endpoint authentication के कितने तरीके हैं?" — 5 मिनट में 4 तरीके खोजकर summarize कर दिए
• debugging: जटिल regex match क्यों नहीं हो रहा, stack trace analysis, log analysis में बेहतरीन
• अनजान codebase में onboarding का समय कई दिनों से घटकर मिनटों में
  • "भारत या पूर्वी यूरोप के सहकर्मी से पूछकर रातभर इंतज़ार" करने वाली प्रक्रिया को AI ने लगभग पूरी तरह बदल दिया

code quality और maintenance को लेकर चिंताएँ

• AI-generated code की आम समस्याएँ: अनावश्यक जटिलता, जरूरत से ज्यादा error handling, duplicate logic, मौजूदा functions का उपयोग न करना
• जिस code को maintain करना हो, उसे खुद लिखना लंबी अवधि में ज़्यादा तेज़ पड़ता है — बाद में AI code बदलते समय mental model नहीं होता
• एक मामले में Claude ने HTML sanitizer को custom regex से बदलने की कोशिश की — tests पास हुए, लेकिन security vulnerability पैदा हुई
• auth वाले API में ऐसा route जोड़ दिया गया जहाँ कोई भी नया API key PUT कर सकता था
• AI शायद ही कभी codebase complexity कम करने वाला proactive refactoring करती है; वह logic duplication, अनावश्यक abstraction और dependency cycles जोड़ती रहती है
• 200K LOC codebase का एक उदाहरण 99.5% AI से लिखा गया, लेकिन strict TDD और हर line की review उसकी पूर्वशर्त थी

skill degradation और मनोवैज्ञानिक प्रभाव

• "मैं अपनी आलसी प्रवृत्ति जानता हूँ, इसलिए skills कमजोर पड़ जाएँगी" — इस कारण कुछ लोग AI code generation बिल्कुल नहीं इस्तेमाल करते
  • एक सहकर्मी ने 6 महीने पहले AI dependency मान ली; छोड़ना चाहता है, लेकिन नशे की तरह हाथ फिर चला जाता है
  • एक junior developer पिछले एक साल में लगातार अधिक अजीब MR जमा कर रहा था; बाद में AI usage के संकेत मिले
• senior engineer: "मुझे पता है coding skill कमजोर हो रही है, लेकिन यकीन नहीं कि coding ही वह हिस्सा था जिसे मैं सबसे ज़्यादा enjoy करता था" — अब design और architecture पर ज़्यादा समय
• personal projects में AI से 10x तेज़ build करते हैं, लेकिन "यह मैंने नहीं बनाया" जैसी दूरी महसूस होती है और पूरा करने की motivation घट जाती है
• "AI वह हिस्सा अच्छा करती है जो मुझे पसंद था, और जिसे मैं नापसंद करता हूँ या जिससे थकता हूँ उसमें और समय लगता है" — कुल मिलाकर stress बढ़ता है
• 3 साल अनुभव वाला engineer: AI 90% कर सकती है, लेकिन बाकी 10% करने के लिए उस 90% का mental model चाहिए, और वह सीधे coding करके ही बनता है

प्रभावी workflow और best practices

• spec → plan → critique → plan improvement → implementation flow से सबसे अच्छी quality मिलती है
  • पहले Plan Mode, फिर implementation, और उसके बाद उसी model से code review भी (अलग session बेहतर)
• AGENTS.md / CLAUDE.md में coding style, patterns, निषेध आदि document करें — session खत्म होने पर update करें
• agent को self-debugging और verification capability दें: tests चलाना, logs देखना, screenshots verify करना आदि
• constraints पहले से साफ़ लिख दें ("केवल standard library, नया file नहीं, 50 lines के भीतर") तो output quality नाटकीय रूप से बेहतर होती है
• कई agents के बीच state file (mechanical ledger) चलाना: commits, tests, patch failures लिखें ताकि नई session memory पर नहीं बल्कि वास्तविक state से context rebuild करे
• Git worktree से कई काम parallel चलाते हुए context अलग रखा जा सकता है

non-technical roles और AI का विस्तार

• PM/operations director: बिना programmers वाली छोटी कंपनी में पिछले 1 साल में 12 internal tools बनाए, और development concepts बहुत तेज़ी से सीखे
• non-technical cofounder: functional prototype बना सकता है, लेकिन production-grade स्तर तक ले जाने के लिए engineer चाहिए — pair programming design document से ज़्यादा productive है
• non-technical manager द्वारा MS Copilot से बनाए ESRI Arcade code की debugging में 3 घंटे की pair session लगी — "AI debugging expert" एक नए billable role के रूप में उभर रहा है

domain के अनुसार प्रभाव का अंतर

• web/API development: A grade, architecture से लेकर package compatibility debugging तक पूरे stack में उपयोगी
• Unity/game development: C- grade, scene graph, component model और hardware-dependent behavior समझ नहीं पाती
• medical imaging: domain knowledge की कमी से असफल; performance optimization suggestions वास्तविक data पर पूरी तरह विफल
• Rust applications: greenfield Python/web में उपयोगी, लेकिन 100K LOC से कम के Rust apps में agent workflow अलाभकारी
• signal processing, embedded, HPC: hallucination की दर ऊँची, और external undocumented APIs पर लगभग बेकार
• C++ graph algorithms: परिणाम बहुत non-linear — या तो एक बार में सही, या पूरी तरह विफल; बीच का कुछ नहीं

industry outlook और चिंताएँ

• "5~7 साल में CEO/CFO स्तर का AI अंधविश्वास गंभीर talent shortage और salaries में 3x बढ़ोतरी लाएगा" जैसी राय
• "mid-level hollow out हो जाएगा, और दिशा तय करने, समन्वय करने व execute करने वाले कुछ senior लोग ही बचेंगे" — ऐसी चिंता
• AI recursive self-improvement चरण में प्रवेश कर रही है; 6 महीने बाद कहाँ होगी, अनुमान कठिन
• MIT paper में model width scaling की सीमाएँ दिखीं, साथ ही training data exhaustion और synthetic data quality degradation की समस्या
• "या तो सबकी नौकरी जाएगी, या बड़ा market collapse आएगा, या दोनों" — रोमांचक लेकिन चिंताजनक समय
• freelance market: लंबे रिश्तों पर आधारित freelancers को अभी धीमापन महसूस नहीं हुआ, लेकिन छोटे one-off काम AI से replace हो सकते हैं

AI का उपयोग न करने का विकल्प

• LLM से पहले भी एक सहकर्मी के automation tools थे, लेकिन AI मूर्ख junior को संभालने जैसा लगने लगा, इसलिए रुचि खत्म हो गई
• "यह किसी समस्या को हल नहीं करती, सिर्फ नई समस्याएँ लाती है" — अपने काम में AI के इस्तेमाल पर नीतिगत रोक
• robotics क्षेत्र: C++ और Python उपयोग; AI coding की कोशिश पर आधा-अधूरा कचरा ही मिला, और natural language में समझाना भी कष्टदायक
• खुद coding करने के दौरान code architecture और तकनीकी भविष्य के बारे में सोचना ऐसी मूल्यवान प्रक्रिया है जिसे सौंपा नहीं जा सकता