Могут ли разработчики принять “вайб-кодинг” без того, чтобы предприятие приняло технический долг AI?

Когда сооснователь OpenAI Андрей Карпати придумал термин “вайб-кодинг” на прошлой неделе, он поймал момент инфлексии: разработчики все чаще доверяют генеративному ИИ для создания кода, а сами сосредотачиваются на высокоуровневом руководстве и “едва ли трогают клавиатуру”.

Основные платформы LLM – GitHub Copilot, DeepSeek, OpenAI – меняют процесс разработки программного обеспечения, а Cursor最近 стал самой быстрорастущей компанией, достигшей отметки в 100 миллионов долларов годового дохода всего за год.

Технический долг, который, по оценкам, уже стоит бизнесу более 1,5 триллионов долларов в год в виде операционных и безопасных неэффективностей, не является чем-то новым. Но теперь предприятия сталкиваются с новой, и, по моему мнению, еще большей проблемой: техническим долгом ИИ – скрытым кризисом, вызванным неэффективным, неправильным и потенциально не安全ным кодом, сгенерированным ИИ.

Человеческое горлышко сместилось от кодирования к обзору кодовой базы

Опрос GitHub 2024 года показал, что почти все разработчики предприятий (97%) используют инструменты кодирования на основе генеративного ИИ, но только 38% разработчиков в США заявили, что их организация активно поощряет использование ИИ.

Разработчики любят использовать модели LLM для генерации кода, чтобы представить больше кода быстрее, а предприятия настроены на ускорение инноваций. Однако ручные обзоры и устаревшие инструменты не могут адаптироваться или масштабироваться для оптимизации и проверки миллионов строк кода, сгенерированного ИИ ежедневно.

С учетом этих рыночных сил традиционное управление и надзор могут сломаться, и когда они ломаются, непроверенный код проникает в стек предприятия.

Рост разработчиков, занимающихся “вайб-кодингом”, рискует существенно увеличить объем и стоимость технического долга, если организации не внедрят ограничители, которые сбалансируют скорость инноваций с технической проверкой.

Иллюзия скорости: когда ИИ обгоняет управление

Код, сгенерированный ИИ, не является по своей сути ошибочным – он просто непроверенный с достаточной скоростью и масштабом.

Рассмотрим данные: все модели LLM демонстрируют потерю модели (галлюцинацию). Недавний исследовательский документ, оценивающий качество генерации кода GitHub Copilot, нашел ошибку в 20%. Усиливая проблему, является огромный объем выходных данных ИИ. Один разработчик может использовать модель LLM для генерации 10 000 строк кода за несколько минут, опережая способность человеческих разработчиков оптимизировать и проверить его. Устаревшие статические анализаторы, предназначенные для человеческой логики, борются с вероятностными закономерностями выходных данных ИИ. В результате получаются раздутые счета за облачные вычисления из-за неэффективных алгоритмов, риски соблюдения нормативных требований из-за непроверенных зависимостей и критические сбои, скрывающиеся в производственных средах.

Наши сообщества, компании и критическая инфраструктура зависят от масштабируемого, устойчивого и безопасного программного обеспечения. Технический долг ИИ, проникающий в предприятие, может означать бизнес-риски… или хуже.

Возвращение контроля без уничтожения настроения

Решение не состоит в том, чтобы отказаться от генеративного ИИ для кодирования – оно состоит в том, чтобы разработчики также развертывали агентные системы ИИ в качестве массово-масштабируемых оптимизаторов и проверяющих кода. Агентная модель может использовать методы, такие как эволюционные алгоритмы, для итеративного усовершенствования кода на нескольких моделях LLM для оптимизации его для ключевых показателей производительности – таких как эффективность, скорость выполнения, использование памяти – и проверки его производительности и надежности в различных условиях.

Три принципа будут отделять предприятия, которые процветают с ИИ, от тех, кто будет тонуть в техническом долге, вызванном ИИ:

1. Масштабируемая проверка является неоспоримой: предприятия должны принять агентные системы ИИ, способные проверять и оптимизировать код, сгенерированный ИИ, в масштабе. Традиционные ручные обзоры и устаревшие инструменты недостаточны для обработки объема и сложности кода, производимого моделями LLM. Без масштабируемой проверки неэффективности, риски безопасности и риски соблюдения нормативных требований будут распространяться, подрывая бизнес-ценность.

2. Баланс скорости и управления: хотя ИИ ускоряет производство кода, управленческие рамки должны эволюционировать, чтобы идти в ногу. Организации должны внедрить ограничители, которые гарантируют, что код, сгенерированный ИИ, соответствует стандартам качества, безопасности и производительности, не подавляя инновации. Этот баланс имеет решающее значение для предотвращения того, чтобы иллюзия скорости не превратилась в дорогостоящую реальность технического долга.

3. Только ИИ может идти в ногу с ИИ: огромный объем и сложность кода, сгенерированного ИИ, требуют равно совершенных решений. Предприятия должны принять системы, управляемые ИИ, которые могут непрерывно анализировать, оптимизировать и проверять код в масштабе. Эти системы гарантируют, что скорость разработки, управляемой ИИ, не компрометирует качество, безопасность или производительность, обеспечивая устойчивые инновации без накопления технического долга.

Вайб-кодинг: не стоит увлекаться

Предприятия, которые откладывают действие по “вайб-кодингу”, в конечном итоге столкнутся с музыкой: эрозия маржи из-за неуправляемых облачных затрат, паралич инноваций, когда команды борются с отладкой хрупкого кода, технический долг и скрытые риски ошибок безопасности, введенных ИИ.

Путь вперед для разработчиков и предприятий заключается в том, чтобы признать, что только ИИ может оптимизировать и проверить ИИ в масштабе. Предоставляя разработчикам доступ к агентным инструментам проверки, они могут принять “вайб-кодинг” без того, чтобы предприятие подвергалось техническому долгу, сгенерированному ИИ. Как отмечает Карпати, потенциал кода, сгенерированного ИИ, является волнующим – даже опьяняющим. Но в разработке предприятий сначала должна быть проверка настроения новым эволюционным видом агентного ИИ.