तो, आखिर AI ऐप्स हैं कहाँ?

 (answer.ai)
14 पॉइंट द्वारा GN⁺ 2026-03-25 | 4 टिप्पणियां | WhatsApp पर शेयर करें
  • AI कोडिंग टूल्स ने प्रोडक्टिविटी को बहुत बढ़ा दिया है, इस दावे के विपरीत, नए सॉफ़्टवेयर में विस्फोटक बढ़ोतरी देखी नहीं गई
  • PyPI डेटा के विश्लेषण के अनुसार, ChatGPT के बाद भी कुल पैकेज निर्माण की गति में कोई बदलाव नहीं
  • AI-संबंधित लोकप्रिय पैकेजों में ही अपडेट की आवृत्ति 2 गुना से अधिक बढ़ी, जबकि non-AI पैकेजों ने पहले जैसा रुझान बनाए रखा
  • इस तरह की एकाग्रता को AI तकनीक से समग्र प्रोडक्टिविटी वृद्धि की बजाय फंडिंग और ध्यान के संकेंद्रण के प्रभाव के रूप में समझा जाता है
  • नतीजतन, generative AI का असर पूरे डेवलपमेंट इकोसिस्टम के विस्तार की बजाय AI क्षेत्र के भीतर गतिविधि के संकेंद्रण के रूप में दिखता है

AI युग में सॉफ़्टवेयर प्रोडक्टिविटी का विश्लेषण

  • AI कोडिंग टूल्स ने प्रोडक्टिविटी को कई गुना बढ़ा दिया है, इस दावे के बावजूद, वास्तव में नए सॉफ़्टवेयर में विस्फोटक बढ़ोतरी देखी नहीं गई
  • Python पैकेज रिपॉज़िटरी PyPI के डेटा के माध्यम से AI अपनाने के बाद के पैकेज निर्माण और अपडेट रुझानों का विश्लेषण किया गया
  • नतीजे में, AI-संबंधित लोकप्रिय पैकेजों में ही अपडेट की आवृत्ति तेज़ी से बढ़ी, जबकि पूरे इकोसिस्टम में कोई स्पष्ट बदलाव नहीं दिखा
  • यह घटना AI तकनीक की अपनी प्रोडक्टिविटी वृद्धि से अधिक फंडिंग और ध्यान के संकेंद्रण का परिणाम दिखाई देती है

पैकेज संख्या का विश्लेषण

  • PyPI पर कुल पैकेजों की संख्या में लगातार घातीय वृद्धि देखी गई, लेकिन ChatGPT के लॉन्च के समय कोई स्पष्ट बदलाव नहीं था
    • हर महीने नए पैकेजों की संख्या लगभग 5,000 से 15,000 के बीच बदलती रही
    • 2020 के बाद के कुछ spikes spam और malware के प्रवाह के कारण थे
  • यदि AI ने डेवलपर प्रोडक्टिविटी बढ़ाई होती, तो पैकेजों की संख्या में तेज़ उछाल दिखना चाहिए था, लेकिन डेटा में ऐसा नहीं है

पैकेज अपडेट आवृत्ति का विश्लेषण

  • केवल पैकेज निर्माण की तुलना में मेंटेन किए जा रहे पैकेजों की अपडेट आवृत्ति को अधिक अर्थपूर्ण संकेतक माना गया
    • दिसंबर 2025 के आधार पर सबसे अधिक डाउनलोड किए गए 15,000 पैकेजों का विश्लेषण किया गया
    • हर पैकेज को उसके निर्माण वर्ष के अनुसार समूहित कर, वर्ष-आधारित cohort की median अपडेट आवृत्ति को ट्रैक किया गया
  • ChatGPT के बाद बने पैकेजों में पहले वर्ष में औसतन 13 अपडेट दिखे, जो 2014 में बने पैकेजों के 6 अपडेट से अधिक है
    • लेकिन यह रुझान 2019 से ही ऊपर जा रहा था, और संभव है कि इसका प्रभाव GitHub Actions जैसे CI टूल्स के प्रसार से आया हो
  • सभी cohorts में जैसे-जैसे पैकेज पुराने होते गए, अपडेट आवृत्ति घटती गई
    • AI टूल्स का उपयोग पुराने पैकेजों के मेंटेनेंस की आवृत्ति नहीं बढ़ाता

AI-संबंधित पैकेजों में असामान्य पैटर्न

  • पैकेज विवरण के आधार पर AI-संबंधित होने या न होने का वर्गीकरण करने पर, स्पष्ट बदलाव केवल AI-संबंधित पैकेजों में दिखा
    • 2023 में बने AI-संबंधित पैकेजों में पहले वर्ष median 20 अपडेट रहे, जो non-AI पैकेजों के लगभग 2 गुना थे
  • AI से असंबंधित पैकेज पहले जैसा धीमा और क्रमिक वृद्धि रुझान बनाए रहे
    • इसलिए गतिविधि में केंद्रित बढ़ोतरी केवल AI-संबंधित प्रोजेक्ट्स में पुष्टि हुई

लोकप्रियता कारकों से संबंध

  • यह जांचने के लिए कि AI-संबंधित पैकेजों की ऊँची अपडेट आवृत्ति सिर्फ लोकप्रियता का प्रभाव तो नहीं है,
    शीर्ष 15,000 पैकेजों को डाउनलोड के आधार पर शीर्ष 7,500 और निचले 7,500 में विभाजित किया गया
  • नतीजतन, अपडेट आवृत्ति में तेज़ उछाल केवल लोकप्रिय AI पैकेजों में दिखा
    • ChatGPT के बाद लोकप्रिय AI पैकेजों में सालाना 21~26 अपडेट रहे, जबकि लोकप्रिय non-AI पैकेज लगभग 10 अपडेट के स्तर पर बने रहे
    • यह कम लोकप्रिय AI पैकेजों से भी कहीं अधिक था

समेकित अवलोकन

  1. पैकेज निर्माण की गति में ChatGPT के बाद भी कोई स्पष्ट बढ़ोतरी नहीं
  2. कुल अपडेट आवृत्ति धीरे-धीरे बढ़ी, लेकिन यह रुझान AI से पहले से जारी था
  3. लोकप्रिय AI-संबंधित पैकेजों में ही 2 गुना से अधिक अपडेट आवृत्ति वृद्धि देखी गई

व्याख्या और परिकल्पनाएँ

  • इस बात का कोई सबूत नहीं कि AI ने समग्र डेवलपर प्रोडक्टिविटी को विस्फोटक रूप से बढ़ा दिया है

    • कुल मिलाकर नए पैकेजों या अपडेट्स में तेज़ उछाल का अभाव
    • यह संभव है कि कुछ डेवलपर्स AI का उपयोग कर तेज़ी से डेवलप कर रहे हों, लेकिन उनकी संख्या या प्रभाव सीमित है
    • AI का उपयोग करने वाला सॉफ़्टवेयर स्वयं सक्रिय रूप से विकसित हो रहा है
    • खासकर लोकप्रिय AI-संबंधित पैकेजों में केंद्रित गतिविधि दिखती है

दो परिकल्पनाएँ

  • AI skill issue: AI टूल्स बनाने वाले लोग वही हैं जो AI का सबसे प्रभावी उपयोग करना जानते हैं, इसलिए AI पैकेजों में प्रोडक्टिविटी लाभ अधिक दिखता है। लेकिन केवल skill से सिर्फ लोकप्रिय AI पैकेजों में संकेंद्रण की व्याख्या करना कठिन है
  • फंडिंग और hype: AI क्षेत्र में भारी निवेश और ध्यान आने से अधिक लोग अधिक काम कर रहे हैं, जिससे पैकेज निर्माण और अपडेट बढ़े
    • cohort के आकार में बदलाव इसे समर्थन देते हैं: 2021 cohort में non-AI बनाम AI अनुपात 6:1 (1,211 vs 185) था, जो 2024 में 2:1 से कम (727 vs 423) हो गया
    • डेवलपर्स अतिमानवीय नहीं बने; बल्कि AI के प्रति अत्यधिक उत्साह फंडिंग में बदला, जिसने AI पैकेजों के निर्माण और पुनरावृत्ति की गति बढ़ा दी
  • केवल डेटा के आधार पर यह तय करना संभव नहीं कि इन दो प्रभावों में कौन-सा बड़ा है

निष्कर्ष

  • generative AI क्रांति का दृश्य प्रभाव पूरे सॉफ़्टवेयर प्रोडक्टिविटी विस्फोट के रूप में नहीं,
    बल्कि AI इकोसिस्टम के भीतर केंद्रित गतिविधि वृद्धि के रूप में दिखता है
  • PyPI डेटा के आधार पर देखें तो AI ने हर डेवलपर को अतिमानवीय नहीं बनाया,
    बल्कि AI-संबंधित प्रोजेक्ट्स में फंडिंग और प्रयास के संकेंद्रण का परिणाम दिखाया है

संबंधित पढ़ाई

4 टिप्पणियां

 
eoeoe 2026-03-31

अभी के लिए, डेवलपमेंट में एंट्री बैरियर का कम होना ही सबसे बड़ा innovation लगता है।
 
wahihi 2026-03-26

अजीब तर्क है.. lol. मैंने chatGPT के बाद, दूसरे domain development में AI का बहुत ज़्यादा इस्तेमाल किया है... जो काम पहले नामुमकिन थे, या जिनके लिए करीब 10 अनुभवी लोगों की ज़रूरत पड़ती, वे अब मैं अकेले कर रहा हूँ... क्या यही innovation नहीं है?
 
summerpicnic 2026-04-01

क्या आपको ऐसी इनोवेशन पसंद नहीं है? ऐसा लग रहा है जैसे इसे लगभग प्रेस रिलीज़ के स्तर पर फैलाया जा रहा है, लगता है इसमें कोई निहित स्वार्थ जुड़े हैं।
 
GN⁺ 2026-03-25
Hacker News की राय

  • आजकल किसी idea को prototype stage तक ले जाना सच में बहुत आसान हो गया है
    लेकिन उसे वास्तविक service के रूप में लॉन्च करने के लिए अब भी उबाऊ software engineering की ज़रूरत पड़ती है
    मैंने बहुत लोगों को “मैं खुद code लिखकर business बनाऊँगा” वाले trend के पीछे जाते देखा है, लेकिन वास्तव में launch तक पहुँचने वाले बहुत कम दिखे
    आखिरकार आखिरी चरण ही ज़्यादातर समय और मेहनत खा जाता है

    • सही है। लेकिन ज़्यादातर मामलों में इतना ही काफ़ी होता है
      किसी app का उपयोगी होना ज़रूरी नहीं कि वह public के लिए रिलीज़ भी किया जाए
      अगर मकसद मेरे, मेरे आसपास के लोगों, या team की समस्या हल करना है, तो वह ‘आखिरी चरण’ बेकार की बर्बादी है
      बाज़ार के products समस्या-समाधान नहीं, बल्कि पैसा कमाने के tools हैं
      AI ने ‘समस्या हल करने’ की लागत बहुत घटाई है, लेकिन ‘productize’ करने की लागत उतनी नहीं घटी
      इसलिए products कम दिखने का मतलब यह नहीं कि problem-solving कम हो रही है
    • मैंने AI code से बने software के साथ बहुत काम किया है, और महसूस होता है कि debugging की समझ धीरे-धीरे कमज़ोर पड़ रही है
      यह खतरनाक है। क्योंकि समस्या की जड़ तक पहुँचने की क्षमता घटती जाती है
      AI शुरुआती 80% तेज़ी से बना देता है, लेकिन quality संदिग्ध रहती है
      आखिर में यह trial-and-error development को बढ़ावा देता है, और अनुभवी developers को यह approach पसंद नहीं आती
    • मैंने भी personal projects में बिल्कुल यही महसूस किया
      Claude से feature design करवाओ तो बढ़िया spec निकलती है, और coding agent 80% तक अच्छा काम कर देता है
      लेकिन आखिरी 20% में उससे कहीं ज़्यादा समय लगता है
      इस बीच नए feature ideas जमा होते जाते हैं, और endless backlog व बेचैनी पैदा होती है
      सच तो यह है कि किसी ने मुझसे यह माँगा भी नहीं था, मैंने खुद पर यह दबाव बना लिया
    • software engineering सिर्फ coding नहीं है
      यह requirements gathering, design, approval, infra setup, code writing, testing, deployment, monitoring तक चलने वाली लंबी प्रक्रिया है
      AI इनमें से 4-5 चरण, यानी infra और code writing वाले हिस्से को तेज़ कर सकता है
      लेकिन बाकी अब भी इंसानों का क्षेत्र है
    • आजकल तो यह मज़ाक चल पड़ा है कि “पहले 90% में 90% समय लगता है, और आखिरी 10% में बाकी 90,000,000%”

  • PyPI के top 15,000 packages से AI के असर को मापना सही तरीका नहीं है
    इसके बजाय iOS app registrations में 24% बढ़ोतरी वाला आँकड़ा ज़्यादा मायने रखता है
    Appfigures Explorer के मुताबिक 2025 में 5.57 लाख नए apps आए, जो 2016 के बाद पहली बार इतनी बड़ी बढ़त थी
    जब AI काफ़ी practical हुआ (दिसंबर 2025, Opus 4.5 और Codex launch) उसके बाद development productivity तेज़ी से बढ़ी

    • mature Python packages की तुलना में short-lived mobile apps को AI का फ़ायदा ज़्यादा मिलना स्वाभाविक है
      अब ज़माना Stack Overflow से पूछने का नहीं, LLM से पूछने का है
      docs तक access रखने वाला LLM 95% सवालों के जवाब दे सकता है
      Stack Overflow के लिए इस बदलाव को झेलना मुश्किल होगा
    • PyPI packages, AI impact मापने के लिए सही पैमाना नहीं हैं
      AI coding का इस्तेमाल अक्सर utility को कम करने या package के रूप में publish न किए गए internal tools के तौर पर होता है
    • app store में बेकार apps बढ़ जाने का कोई मतलब नहीं
      आर्थिक productivity में योगदान देने वाले useful apps लगभग नहीं के बराबर हैं
      AI energy और capital खर्च करता है, लेकिन असली फ़ायदा बहुत मामूली है
      आर्थिक नज़रिए से देखें तो AI boom एक ज़्यादा गरम bubble जैसा है

  • आजकल “YoloSwag” जैसे projects की भरमार है
    दावा होता है कि यह Rust में बना PyTorch का 1:1 implementation है, CPU usage 80% घटाता है, speed 300% बढ़ाता है, लेकिन असल में तुरंत crash हो जाता है
    tests सब fake(mock) से pass करवाए गए होते हैं, और code का आधा हिस्सा PyTorch bindings, आधा किसी अजीब API से बना हुआ राक्षस होता है
    developer खुद को “6 हफ्तों में quantum computing expert” बताने वाला एक पूर्व crypto बंदा निकला

    • यहाँ तक कि मज़ाक होने लगा है, “अगर तुरंत crash हो जाए तो वही असली Memory Safe है”
    • ऐसे लोगों को खुलकर छाँटना ज़रूरी है, तभी healthy development culture बनेगा
      ये लोग AI का इस्तेमाल खुद सीखने के लिए नहीं, सिर्फ दिखावा करने के लिए करते हैं
      जब तक यह culture नहीं बदलेगा, हम ऐसे ‘YoloSwag’ टाइप projects देखते रहेंगे

  • मैंने VSCode हटाकर अपना hyper-personal dashboard बना लिया
    news feed, issue management, markdown editor, calendar, AI button — सब कुछ एक ही screen पर संभालता हूँ
    लेकिन यह इतना ज़्यादा personalized है कि इसे share करने का कोई कारण नहीं

    • technical लोग ऐसे personal apps बना लेते हैं, लेकिन mass-market high-quality apps अब भी कम हैं
      ज़्यादातर नई services अभी भी LLM wrappers या AI tools तक सीमित हैं
    • AI की वजह से मैं भी “सिर्फ अपने लिए app” बहुत आसानी से बनाने लगा हूँ
      जैसे मैंने अपनी shopping habits के हिसाब से grocery app 20 मिनट में बना लिया
      यही hyper-personalized software अगला चरण है
    • मैं भी VSCode + Claude Code के आसपास कई projects मैनेज कर रहा हूँ, लेकिन interface धीरे-धीरे complex होता जा रहा है
      अगर तुम अपनी setup share करो, तो बहुत से builders को प्रेरणा मिल सकती है
    • workflow अलग हों तब भी ऐसी personalized setups प्रेरणादायक उदाहरण होती हैं

  • AI से बनी चीज़ें public न होने की वजह सीधी है
    ज़्यादातर चीज़ें personalized होती हैं, इसलिए उन्हें public करने की ज़रूरत नहीं पड़ती
    ऊपर से अब execution से ज़्यादा idea itself competitive advantage बन गया है, इसलिए लोग उसे share भी नहीं करते
    यह ऐसा दौर है जहाँ लगभग सभी के पास मिलती-जुलती capability है, तो हर कोई अपनी ज़रूरत की चीज़ जल्दी और सस्ते में बना सकता है
    इसलिए AI से बने outputs बहुत हैं, लेकिन दुनिया के सामने आने वाली चीज़ें कम होती जा रही हैं

    • लेकिन यह दावा अब भी वैध है कि AI ने software engineering की nature बदल दी है
      personal projects नहीं, बल्कि industry-wide change दिखाने वाला evidence चाहिए
    • open source में एक अजीब वैचारिक माहौल बन गया है कि “AI से बना सब कुछ कचरा है”
      उसके कारण genuine contributions भी दब रही हैं
      low-quality AI code निश्चित ही समस्या है, लेकिन उसी वजह से सब कुछ खारिज कर देना समाधान नहीं
      review और testing ठीक से न करने वाली culture उससे भी बड़ी समस्या है

  • AI app का शुरुआती 90% आसानी से बना देता है, लेकिन आखिरी 10% को और भी मुश्किल बना देता है
    codebase बड़ा हो चुका होता है, लेकिन अपनापन और समझ गायब रहती है, इसलिए ज़्यादातर लोग यहीं हार मान लेते हैं

    • मैंने भी AI के साथ greenfield app पर प्रयोग किया, और चार समस्याएँ सामने आईं
      1. चीज़ें इतनी तेज़ बढ़ीं कि planning टूट गई
      2. बारीक errors बहुत थे
      3. runtime security issues और गलत assumptions बहुत थे
      4. structural mistakes की वजह से refactoring मुश्किल हो गई
        अंत में AI चाहे तेज़ी से बना दे, quality और security के traps बहुत हैं
    • “पहले 90% में 90% समय, आखिरी 10% में बाकी 90% समय” वाला मज़ाक अब भी लागू होता है
    • Comprehension Debt जैसी अवधारणा की तरह, बिना समझे जमा होता code एक बढ़ता हुआ कर्ज़ बन जाता है
    • आखिरी 10% पहले भी कठिन था, लेकिन AI की वजह से यह और मानसिक रूप से थकाने वाला हो गया है
    • AI code लिखता है तो feature scope लगातार बढ़ते रहने की प्रवृत्ति भी आ जाती है

  • मौजूदा AI boom dot-com bubble की याद दिलाता है
    2000 के शुरुआती दौर की तरह कई कंपनियाँ इस भ्रम में पैसा जला रही हैं कि “बस AI लगा दो”
    दूसरी तरफ कुछ कंपनियाँ चुपचाप AI अपनाकर कामकाज की efficiency बढ़ा रही हैं

    • यह वैसा ही लगता है जैसे FrontPage या DreamWeaver से websites बनाने का दौर था
      आखिर में ज़्यादातर चीज़ें support tools ही बनकर रहेंगी, और पूरी तरह automated apps बहुत कम होंगे

  • PyPI package count से AI के असर को मापना गलत approach है
    असली productivity gains private repos, internal tools, single-purpose apps में हो रहे हैं
    मैंने भी AI से 6 हफ्तों में offline support, Stripe payments, SEO pages वाला web app बना लिया
    पहले यही काम 6 महीने ले लेता
    ऐसे results dataset में नहीं दिखते, लेकिन productivity gain साफ़ है

    • यहाँ तक कि मज़ाक होता है, “क्या यह comment भी AI ने लिखा है, या फिर तुमने इतना ज़्यादा इस्तेमाल किया है कि बोलने का अंदाज़ वैसा हो गया है?”

  • मैंने भी आजकल libraries का इस्तेमाल कम कर दिया है
    AI की वजह से सीधे API calls संभालना ज़्यादा आसान हो गया है
    package publish करना असल में open source project चलाने जैसा है, और वह बहुत थकाऊ काम है
    maintenance burden और reward imbalance की वजह से लोग उससे बचते हैं
    दुनिया में पहले से ही बहुत libraries हैं, और सच में अच्छी चीज़ों की तरफ consolidation होना बुरा नहीं
    अब बहुत developers “project level” नहीं बल्कि commit level पर AI का इस्तेमाल करते हैं

  • PyPI से AI के असर को मापना बहुत short-sighted है
    इसके बजाय GitHub Octoverse 2025 report देखें, तो
    users की संख्या और open source contributions दोनों साफ़ तौर पर ऊपर जाती curve दिखाते हैं
    2025 के हिसाब से, कुल contributions का 81.5% private repositories में हुआ, जबकि public repositories सिर्फ 63% पर थीं

    • लेकिन यह कहना कि “Claude Code तो मई 2025 में आया, अभी तो मार्च है” असल में goalpost shift करना है
      Cursor, Copilot जैसे कई tools पहले से मौजूद थे, और सबको innovation कहा गया था
      अगर AI सच में code deployment को 10 गुना तेज़ बनाता, तो विस्फोटक नतीजे अब तक साफ़ दिखने चाहिए थे