AI-सहायित coding आपके काम को कैसे प्रभावित कर रही है?
(news.ycombinator.com)- 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
1 टिप्पणियां
Hacker News की राय
इन दिनों सबसे मुश्किल बात यह है कि मैनेजर Claude से 50-पेज के design docs या PRD बनवाकर “review कर दो” कहकर भेज देते हैं
कोई उन्हें पढ़ता नहीं, लेखक खुद भी उन्हें समझ नहीं पाता। कुछ कर्मचारी अंतहीन slide decks बना देते हैं और सवाल पूछो तो गोलमोल जवाब देते हैं
यहाँ तक कि जो लोग लंबे समय से code नहीं लिख रहे थे, वे भी AI की वजह से फिर से code suggest करने लगे हैं, और उनमें कई अजीब ideas होते हैं
मैं production code खुद हाथ से लिखता हूँ, और AI का इस्तेमाल सिर्फ bug review के लिए करता हूँ। simple load test scripts जैसी चीज़ें AI को दे देता हूँ
इसमें team culture का भी असर है, लेकिन AI की वजह से काम सच में नीरस और थका देने वाला हो गया है
मैं एक बड़ा feature implement कर रहा था, तभी सहकर्मियों ने मेरा पुराना code Claude में डालकर “final version” कहकर वापस लाया
नतीजे में business requirements गलत थीं और bug भरे पड़े थे। मेरे code को बेहतर बनाने की नीयत अच्छी थी, लेकिन “Claude इसे finish कर देगा” वाला रवैया अपमानजनक लगा
अब “मुझे नहीं पता” कहने की आज़ादी भी नहीं रही। एक prompt लिखो और जवाब आ जाता है, इसलिए backend developer को भी frontend तक उठाना पड़ता है
कंपनी में AI की वजह से काम अनंत cleanup work में बदल गया है
senior developers AI से बना code मुझे थमा देते हैं, और फिर उसे साफ़-सुधारने में मेरी जान निकलती है
उदाहरण के लिए, एक team के बनाए feature को main codebase में merge करना था, लेकिन API design बिल्कुल mismatch था और बेकार code का ढेर लगा था
आखिरकार एक हफ़्ते से ज़्यादा refactor करने में चला गया, और ऊपर से मैं ही धीमा दिखा
दूसरी तरफ, personal projects में AI की वजह से जल्दी experiment करने और सीखने में मज़ा आता है
लेकिन कंपनी में मुझे mid-level developers के गायब होने वाला future दिखता है। सिर्फ leaders और juniors बचेंगे, और बीच की layer धीरे-धीरे कम होती जाएगी
मैं AI का बिल्कुल इस्तेमाल नहीं करता। मुझे अपनी आलसी होने की शैली अच्छी तरह पता है, और मालूम है कि एक बार शुरू किया तो मेरी skill घटने लगेगी
मेरे एक सहकर्मी ने भी यह महसूस किया, इसलिए उसने code generation बंद कर दिया, लेकिन कहता है कि वह इतना आसान था कि addiction जैसा लगने लगा
एक और सहकर्मी ने AI code को maintenance के लिए अनुपयुक्त पाया, इसलिए छोड़ दिया। अब वह उसे सिर्फ सवाल पूछने के लिए इस्तेमाल करता है
एक junior की skill तो उल्टा पीछे चली गई। AI ने जो code structure बनाया था, वही साफ़ दिखाई देता है
जल्दी में होऊँ तो बस API reference के लिए थोड़ी देर देख लेता हूँ
लेकिन यह दावा कि AI से बने code का maintenance नहीं हो सकता, मुझे तार्किक नहीं लगता। पसंद न आए तो दोबारा generate कर लो
मैंने ऐसे cases भी देखे हैं जहाँ AI ने पूरा framework फिर से लिख दिया
engineer की असली value समझ में है। समझ के बिना automation, human capital का क्षय है
मैं Amazon में engineer हूँ, और internal Kiro harness और Opus 4.6 इस्तेमाल करता हूँ
productivity कंपनी में 2–4x और side projects में 10x से ज़्यादा बढ़ी है
पहले late hours काम करना पड़ता था, अब 9–5 में ही ज़्यादा features ship कर देता हूँ
AI सिर्फ simple coding में नहीं, बल्कि deployment automation, data analysis, debugging में भी उपयोगी है
उदाहरण के लिए, code बदलने के बाद gamma environment में deploy करना और CloudWatch logs से verify करना—यह loop AI खुद चला देता है
इसी वजह से 2 हफ़्तों में एक महीने भर के features पूरे कर लिए। यह बात समझ नहीं आती कि SWE सबसे पहले automate होंगे
LLM की limitations हैं, लेकिन अभी के level पर भी software engineering का परिदृश्य बदल रहा है
हालाँकि AI से बने low-quality code की बाढ़ चिंता की बात है
मैं FAANG में काम करता हूँ। नौकरी के काम में AI लगभग किसी काम का नहीं है
design docs summarize करना या code search तक ही ठीक है। मुझे कभी वास्तव में काम करने वाला commit नहीं मिला
आसपास भी किसी को इसे सफलतापूर्वक इस्तेमाल करते नहीं देखा।
लेकिन personal projects में छोटे नए tasks पर यह वाकई 10x तेज़ है
शायद इसलिए क्योंकि कंपनी का codebase बहुत बड़ा और जटिल है
95% बिल्कुल सही काम करती हैं, और जहाँ दिक्कत होगी वह भी पहले से अंदाज़ा लगाया जा सकता है।
एक बार सहकर्मी ने data sampling माँगी तो मैंने उसी समय हल कर दिया।
जो काम पहले घंटों लेते थे, वे अब बातचीत के दौरान ही पूरे हो जाते हैं।
जो पहले नहीं कर पाता था वह अब कर लेता हूँ, जो मुश्किल था वह आसान हो गया, और जो आसान था वह और तेज़ हो गया
prototype बनाना तेज़ हो गया है, और LLM ने कभी API design flaws भी पकड़ लिए
लेकिन बहुत तेज़ code generation review speed से आगे निकल जाती है, इसलिए छोटे-छोटे हिस्सों में generate करना ही कुंजी है
tests बदलने या external build errors track करने में भी बड़ी मदद मिलती है
लंबे समय बाद इतने मज़े से काम किया है, लेकिन साथ ही job insecurity भी बहुत है
इसलिए inaccurate results आना स्वाभाविक है
मैं एक बड़ी tech company में काम करता हूँ, और codebase बहुत विशाल और जटिल है
शुरू में AI से हिचक थी, लेकिन अब code navigation और structure समझने में यह बहुत मददगार लगता है
पहले जिन analyses में कई दिन लगते थे, वे AI कर देता है।
code generation का उपयोग ज़्यादातर boilerplate कम करने के लिए करता हूँ। quality कम होती है, लेकिन सब कुछ हाथ से लिखने से थोड़ा तेज़ है
personal projects में ज़्यादा फर्क नहीं, लेकिन ChatGPT से बात करते हुए सोच को व्यवस्थित करना अच्छा लगता है
आख़िर में इंसान का context समझना और verify करना ही सबसे ज़रूरी है
मैंने लंबे समय तक freelancer के रूप में काम किया है, लेकिन AI से productivity में लगभग कोई मदद नहीं मिली
client को देने वाले code की review करो तो हमेशा अनावश्यक complexity, performance issues, maintenance risk मिलते हैं
हाँ, simple automation tasks में कुछ काम आता है, लेकिन कुल मिलाकर हाथ से करना ही बेहतर पड़ता है
अगर जल्दी खत्म कर दो तो लोग quality पर शक करते हैं, ऊपर से model usage cost भी खुद उठानी पड़ती है
आख़िर में पूरा दिन terminal से लड़ते-लड़ते निकलता है। हाँ, सुंदर TUI बहुत बन रहे हैं
मेरे लिए AI फायदे से ज़्यादा नुकसान कर रहा है
code review या search में यह अच्छा है, लेकिन असली coding में हमेशा दोबारा लिखना पड़ता है
output ऐसा लगता है जैसे कोई छात्र सिर्फ exam पास करने के लिए code लिख रहा हो
हर बार “शायद इस बार ठीक होगा” सोचकर कोशिश करता हूँ, लेकिन आखिर में समय बर्बाद होता है। एहसास कुछ JavaScript framework trend जैसा है
सवाल यह है कि code quality सच में कितनी ज़रूरी है।
अगर modularity पर्याप्त हो, तो low-quality module को बस दोबारा generate किया जा सकता है
इसी वजह से और डर लगता है। शायद सच में हम जल्द replace होने वाले हैं
हैरानी की बात है कि HN का माहौल AI को लेकर इतना निराशावादी है
मैं 10 साल का engineer हूँ, और Twitter पर जो कहा जा रहा है उसका आधा सच है
हमारी team सिर्फ 3 लोगों की है और 100k DAU app maintain कर रही है। पहले यह काम 10 लोगों का था
bug list भी नहीं है, और code quality हाथ से लिखे code से बदतर नहीं है
refactoring की frequency उल्टा बढ़ी है, और speed विस्फोटक है। मैं सच में बहुत संतुष्ट हूँ
हाँ, अभी खतरा यह है कि code बस जुड़ता ही जाए और complexity फट पड़े
फिर भी 6 महीने बाद सब पूरी तरह अलग हो सकता है। अभी यह रोमांचक भी है और डरावना भी
लेकिन जितनी छोटी team, उतनी ही AI से विस्फोटक productivity दिख रही है