Hype wokół sztucznej inteligencji obiecywał rewolucję, w której AI przejmie rolę programistów i będzie samodzielnie tworzyć gotowe systemy IT. Rzeczywistość szybko zweryfikowała te prognozy. Coraz więcej ekspertów zwraca dziś uwagę, że entuzjazm związany z AI nie zawsze przekłada się na skalę rzeczywistych efektów jej wykorzystania, wskazuje w komentarzu eksperckim dla ISBtech Łukasz Wróbel, CBDO WEBCON.
Nie oznacza to, że sztuczna inteligencja nie ma potencjału, by zapoczątkować technologiczną zmianę – kluczowe jest jednak stosowanie jej tam, gdzie może przynieść realną wartość biznesową i świadome adresowanie istniejących ryzyk.
Początek globalnego boomu na AI można wiązać z 2022 rokiem, kiedy szeroko udostępniono ChatGPT. Od tego momentu oczekiwania wobec tej technologii zaczęły dynamicznie rosnąć. Z badania WEBCON wynika, że aż 76% polskich managerów uważa, że ich zespoły mogłyby pracować efektywniej dzięki zintegrowanym z systemami firmy narzędziom AI. Zjawisko zwiększającej się fali oczekiwań wobec sztucznej inteligencji zbiegło się z wyzwaniem, z którym branża IT mierzyła się od lat – rosnącym zapotrzebowaniem na aplikacje biznesowe przy jednoczesnym niedoborze programistów na rynku.
Wiele prognoz sugerowało, że AI może w znacznym stopniu rozwiązać ten problem, przejmując część pracy inżynierów oprogramowania. Kilka lat później wciąż nie widać potwierdzenia takiego scenariusza. Jak wskazuje Gartner, do 2027 roku nawet 50% firm, które redukcję zatrudnienia przypisywały wdrożeniom AI, będzie ponownie zatrudniać pracowników do zadań o podobnym charakterze. Z kolei badania CAST Software pokazują, że spłacenie obecnego światowego długu technologicznego wymagałoby około 61 miliardów dni roboczych pracy nad kodem. Skąd zatem rozbieżność między obietnicą a skalą efektów?
Lokalna optymalizacja w oderwaniu od architektury
Raport METR wskazuje, że software deweloperzy wykonywali swoje zadania o 19% dłużej, gdy pozwolono im korzystać z narzędzi AI. Natomiast CodeRabbit pokazuje, że podczas gdy liczba pull requestów wzrosła o 20% YoY dzięki wsparciu AI, to kod napisany przez sztuczną inteligencję okazał się generować blisko dwa razy tyle błędów. Problemy z logiką i poprawnością kodu były o 75% częstsze w pull requestach zgłaszanych przez AI. Te dane podsumowują wyzwania, które podkreślają dziś eksperci.
Jednym z kluczowych ograniczeń obecnych zastosowań sztucznej inteligencji w zakresie tworzenia oprogramowania jest fakt, że AI działa przede wszystkim na poziomie lokalnej optymalizacji. Narzędzia generatywne potrafią skutecznie rozwiązywać pojedyncze zadania programistyczne, jednak nie analizują systemu jako całości ani nie uwzględniają długoterminowych konsekwencji architektonicznych wprowadzanych zmian. W praktyce prowadzi to do powstawania kodu, który jest poprawny składniowo i spełnia bieżące wymagania, ale nie zawsze wpisuje się w spójną strategię budowy oprogramowania organizacji.
Obserwowanym zjawiskiem jest powielanie fragmentów logiki, rozjazd wzorców projektowych oraz tworzenie warstwy oprogramowania, która działa, lecz nie do końca wiadomo dlaczego – i jak będzie zachowywać się w przyszłości. W świecie IT mówi się w tym kontekście o „slop layer”, czyli warstwie niskiej jakości kodu generowanego przez
AI.
Vibe coding: strategia dla przedsiębiorstwa czy małego projektu?
Nieco ponad rok temu Andrej Karpathy – badacz AI i współzałożyciel OpenAI – napisał na platformie X o nowym sposobie tworzenia kodu. Nazwał go vibe codingiem, bo – jak stwierdził – programując z użyciem AI zupełnie zapomniał o kodzie, skupiając się wyłącznie na procesie twórczym.
Świat IT szybko przyjął to sformułowanie. Vibe coding opisuje sytuację, w której kod powstaje w wyniku „rozmowy” z AI. Użytkownik spisuje wymagania w formie prompta, a sztuczna inteligencja tworzy kod. Jak wynika z materiału opublikowanego na kanale YouTube Y Combinator, już jedna czwarta startupów z obecnej kohorty programu rozwija swoje produkty w oparciu o kod w przeważającej mierze generowany przez AI (w 85% lub więcej).
Istotą tego podejścia jest odejście od skrupulatnej analizy kodu linia po linii. Jeśli rozwiązanie nie działa lub nie kompiluje się poprawnie, użytkownik prosi model o poprawkę albo wkleja komunikat błędu i oczekuje nowej wersji.
Popularność vibe codingu rośnie, ale rosną też wątpliwości. Już sam Karpathy zwracał uwagę, że w takim modelu kod szybko wymyka się pełnemu zrozumieniu autora. Gdy model nie potrafi naprawić błędu, programista często go obchodzi albo wprowadza kolejne zmiany metodą prób i błędów – aż problem zniknie. Jak i dlaczego? To pozostaje tajemnicą.
Kto spłaci dług AI?
Największym ryzykiem związanym z AI pozostaje więc utrata architektonicznej spójności systemów IT. Niespójne wzorce projektowe czy utrudniona refaktoryzacja mogą w dłuższej perspektywie prowadzić do istotnego wzrostu kosztów utrzymania oprogramowania.
W praktyce oznacza to, że próba optymalizacji kosztów poprzez automatyzację tworzenia kodu może przełożyć się na budowę długu technologicznego, który organizacje będą musiały spłacić w kolejnych latach.
W kolejnej części: jak organizacje mogą korzystać z potencjału AI bez ryzyka utraty kontroli nad architekturą IT – i dlaczego odpowiedzią nie jest rezygnacja z tej technologii, lecz zmiana sposobu jej stosowania.
[…] Darmowy kod generowany przez AI może okazać się najdroższą decyzją IT […]