AI pisze kod, ale czy Twoja infrastruktura może nadążyć?

Przeżywamy jeden z najdziwniejszych zwrotów w historii inżynierii oprogramowania. Przez dziesięciolecia celem było dążenie do determinizmu; budowanie systemów, które zachowują się w ten sam sposób za każdym razem. Teraz warstwujemy na tym fundamencie agentów AI, generujących kod w alarmującej skali i prędkości. I szczerze mówiąc? Większość naszej infrastruktury nie została zbudowana z myślą o tym.

Przez lata pracowałem nad narzędziami DevOps, współautorem badań i pomagałem zespołom inżynierskim osiągnąć najwyższe wyniki. To, co teraz widzę w przypadku rozwoju napędzanego przez AI, to coś więcej niż tylko ewolucja. To ujawnia każdą słabość w naszych istniejących przepływach pracy.

Problem jest już tutaj

Badanie z 2025 roku GitClear wykazało, że prawie 7% commitów zawiera teraz kod wygenerowany przez AI. Ich wcześniejsza analiza 153 milionów linii zmienionego kodu ujawniła koszt: “code churn” – kod przepisany lub usunięty w ciągu dwóch tygodni – podwoił się do 2024 roku w porównaniu z bazami przed-AI.

Wpływ na bezpieczeństwo jest równie wyraźny. Niedawna analiza 80 wyselekcjonowanych zadań programistycznych na ponad 100 dużych modelach językowych wykazała, że kod wygenerowany przez AI wprowadza luki w zabezpieczeniach w 45% przypadków. Rzeczywisty wpływ? Co piąty CISO teraz zgłasza poważne incydenty bezpośrednio spowodowane przez kod wygenerowany przez AI.

Zyski ze względu na szybkość są realne, ale tak samo są koszty stabilności.

Efekt amplifikacji

Jedną rzeczą, którą nauczyłem się, jest to, że AI amplifikuje wszystko. Jeśli masz dobre praktyki, AI robi je lepszymi i szybszymi. Jeśli Twoje procesy są nieładne, AI nasila ten bałagan. To odbija się w wzorcu, który pojawia się rok w rok w rocznych raportach DevOps DORA: mniej zmiennych prowadzi do lepszych wyników. Zespoły, które odnoszą sukcesy, standaryzują się na mniej systemów operacyjnych, mniej języków programowania, mniej sposobów robienia rzeczy. Celowo redukują złożoność.

Agenci AI podążają za tym samym wzorcem. Daj im spójne środowisko, w którym Python oznacza tę samą wersję na każdym komputerze deweloperskim, gdzie zależności są zablokowane i śledzone, i będą się wyróżniać. Zmuszaj ich do nawigowania 17 różnych konfiguracji, każdej z subtelnymi różnicami, i będziesz spalał tokeny, próbując rozwiązać środowiskowe dziwactwa zamiast rozwiązywać prawdziwe problemy.

Paradoks determinizmu

To tworzy fascynującą napięcie. Przez lata, nauka komputerowa dążyła do determinizmu jako ostatecznego celu. Teraz uruchamiamy probabilistyczne obciążenia, modele AI, które literalnie nie mogą gwarantować tego samego wyjścia dwa razy, na systemach zaprojektowanych dla przewidywalności.

Moja odpowiedź? Zachowaj tak wiele warstw stosu, jak to możliwe, na poziomie deterministycznym. Jeśli możesz utrzymać 80% swojej infrastruktury na poziomie deterministycznym, Twoi agenci AI mają mniej zmiennych do zarządzania. Nie spędzają kontekstowych okienek na “Dlaczego ta zależność nie została zainstalowana?” lub “Spróbuję ponownie tego polecenia kompilacji”. Są skupieni na prawdziwej pracy, o którą prosisz ich.

Pomyśl o tym: kiedy agent próbuje skompilować coś i natywne powiązania nie udają się, ponieważ ImageMagick nie jest zainstalowany, to jest to token-kosztowny objazd. Jeśli Twoje środowisko już zawiera wszystko, co potrzebne (kompilatory, biblioteki, pełne drzewo zależności aż do libc), agent po prostu działa. Żadnych debugowań, żadnych prób i błędów, po prostu postęp.

Specyfikacja i walidacja są kluczem

To, co staje się jasne, to fakt, że rozwój napędzany przez AI zmusza nas do myślenia bardziej o dwóch historycznie niedocenianych umiejętnościach: specyfikacji i walidacji. Musisz wyrazić, co tak naprawdę budujesz, i musisz mieć solidne sposoby, aby to potwierdzić.

Zauważyłem coś interesującego: ludzie z doświadczeniem w zarządzaniu produktem lub inżynierii produktu często są bardziej skuteczni z agentami AI. Są już przeszkoleni do myślenia w kategoriach wymagań, kryteriów sukcesu i kompromisów. Są komfortowi, pytając “Dlaczego podjąłeś tę decyzję?” i dostosowując się do uzasadnienia.

Walidacja, wiedza, czy rzecz jest naprawdę poprawna, zawsze była najtrudniejszym problemem w inżynierii oprogramowania. Kontrola jakości była zbrodniczo niedoceniana przez dziesięciolecia, a jednak jest to najtrudniejsza część: określenie, czy oprogramowanie rozwiązuje rzeczywistą potrzebę użytkownika. AI nie rozwiązuje tego. Jeśli cokolwiek, to jeszcze bardziej to utrwala, ponieważ teraz walidujesz probabilistyczne dane wyjściowe przeciwko deterministycznym wymaganiom.

Ufaj, ale weryfikuj (i kontroluj)

Jest sentyment, który zaczynam akceptować: powinniśmy założyć, że kod wygenerowany przez AI jest wrogi, dopóki nie zostanie udowodnione inaczej. Nie dlatego, że AI jest złowrogie, ale dlatego, że po prostu nie wiemy. Nie możemy przeglądać każdej linii, kiedy agenci generują tysiące linii dziennie.

To oznacza przesunięcie punktów kontrolnych. Jeśli nie możemy bronić wszystkiego w czasie rozwoju, potrzebujemy silniejszych kontroli w czasie wykonywania. Operatorzy, zespoły SRE, zespoły platformowe, czy ktoś inny odpowiedzialny za produkcję, potrzebują lepszej widoczności tego, co się wykonywać, pełnego śledzenia zależności i jasnej proweniencji dla każdego artefaktu.

To jest miejsce, w którym odtwarzalność staje się niezbędna. Kiedy możesz matematycznie udowodnić, że artefakt, który przetestowałeś lokalnie, jest identyczny z tym, co się wykonywać w produkcji – te same dane wejściowe, te same dane wyjściowe, te same zamknięcia zależności – możesz zacząć podejmować inteligentne decyzje. Może nie musisz ponownie uruchamiać testów jednostkowych w CI, jeśli już je uruchomiłeś lokalnie i nic się nie zmieniło. Może możesz mapować pokrycie testowe na zmiany kodu i pominąć nieistotne zestawy testowe.

Co dalej

Jesteśmy na punkcie zwrotnym. Zespoły, które już miały dobre praktyki, widzą ogromne zyski produktywności z AI. Zespoły, które miały trudności, teraz mają trudności szybciej.

Infrastruktura, która napędza rozwój napędzany przez AI, musi być zbudowana z myślą o odtwarzalności od samego początku. Nie jest to dodane później za pomocą skanujących narzędzi i audytów, ale wbudowane w to, jak deweloperzy pracują od pierwszego dnia. Kiedy Twoje środowisko developerskie jest identyczne na Mac i Linux, kiedy każda zależność jest śledzona i zablokowana, kiedy masz pełną proweniencję dla każdego artefaktu, agenci AI stają się mnożnikami siły zamiast generatorami chaosu.

Oto mój największy совет dla zespołów, które próbują odnieść sukces w erze AI:

• Standaryzuj bezwzględnie. Mniej zmiennych koreluje z lepszą wydajnością. Zablokuj swój stos technologiczny, wymuś spójne środowiska na wszystkich platformach i wyeliminuj dryf konfiguracji, zanim AI go nasili. Jeśli niezgodności wersji Python powodują problemy teraz, spowodują 10-krotnie więcej problemów, kiedy AI będzie generować kod na dużą skalę.

• Wbuduj walidację w swój przepływ pracy, a nie na końcu. Z AI generującym kod szybciej, niż ludzie mogą go przeglądać, nie możesz polegać tylko na recenzji kodu. Wdrożenie automatycznego testowania, które waliduje nie tylko, czy kod działa, ale czy rozwiązuje rzeczywiste wymaganie. Zrób swoją linię CI/CD swoją siecią bezpieczeństwa, z silnymi bramkami w czasie wykonywania dla wdrożeń produkcyjnych.

• Zainwestuj w odtwarzalność jako infrastrukturę. Traktuj spójność środowiska jako pierwszorzędny problem infrastruktury. Kiedy możesz matematycznie udowodnić, że Twoje środowisko lokalne, środowisko CI i środowisko produkcyjne są identyczne, eliminujesz całą klasę problemów “działa na moim komputerze”. Ten deterministyczny fundament pozwala Ci bezpiecznie warstwować probabilistyczne obciążenia AI.

Pytanie nie brzmi, czy AI będzie pisać większość naszego kodu. Już to robi dla wielu zespołów. Pytanie brzmi, czy nasza infrastruktura może nadążyć.