Flux’s AI-kodgenereringsverklighetskontroll visar att företagens kodhastighet springer förbi synligheten

Flux’s nya AI-kodgenereringsverklighetskontroll-rapport, som bygger på oberoende forskning genomförd av Dimensional Research, visar att AI-genererad kod har gått långt bortom experiment och in i mainstream-företagsprogramvaruutveckling. Enkäten bland 309 ingenjörsledare och praktiker på fem kontinenter fann att 44,7% av organisationerna redan har AI-genererad kod som körs i produktion, medan ytterligare 35,0% använder AI för att skriva kod men ännu inte har levererat den.

AI-genererad kod har blivit standard, men förtroendet har inte kommit ikapp

Rapporten gör det tydligt att debatten inte längre handlar om huruvida ingenjörsteam kommer att använda AI för att skriva kod. Den förändringen har redan skett. Den viktigaste frågan är om organisationer kan förstå, granska, säkra och styra den växande mängden kod som AI hjälper till att producera.

Bara en liten andel av respondenterna står fortfarande på sidlinjen. Medan 44,7% har AI-genererad kod i produktion och 35,0% använder den utanför produktion, planerar ytterligare 16,2% att använda AI-genererad kod inom de närmaste 12 månaderna, och 4,2% planerar att göra det senare. I praktiken tyder rapporten på att en nästan universell antagande är på väg, men förtroendet för distributionen är fortfarande ojämnt.

Den tvekan är inte rotad i en brist på produktivitet. Den är rotad i synlighet. Flux beskriver problemet som en “AI-synlighetsgap”: team kan nu generera kod snabbare än de kan försäkra sig om att inspektera, kontextualisera och kontrollera den.

AI används först för lågriskigt, repetitivt arbete

Den starkaste antagandet sker i områden där mönster är förutsägbara och fel är lättare att innesluta. Enligt rapporten använder ingenjörsteam AI-genererad kod oftast för dokumentation vid 68,7%, enhetstestning vid 65,9% och enkla funktioner vid 57,7%. Kodgranskning dyker också upp vid 57,7%, medan 50,4% av respondenterna säger att AI används för att skapa nya funktioner.

Den fördelningen är avslöjande. Organisationer överlämnar inte blindt över kärnarkitektur eller affärskritiska arbetsflöden. De börjar med repetitiva, strukturerade uppgifter där AI kan minska tråkigt arbete och förbättra hastighet utan att omedelbart introducera stor affärsrisk.

Produktivitetsvinster är verkliga. Bland nuvarande användare av AI-genererad kod rapporterar 67,1% ökad produktivitet, 61,8% snabbare prototyper, 58,5% bättre dokumentation och 48,4% minskade utvecklingskostnader. Men rapporten visar också ett gap mellan förväntan och verklighet när det gäller kvalitet. Medan 47,6% av icke-användare förväntar sig att AI-genererad kod minskar felen, säger bara 34,6% av nuvarande användare att de faktiskt ser färre fel.

Flaskhalsen har flyttats från att skriva kod till att granska kod

AI har gjort kodskapandet enklare, men det har också flyttat mer tryck på granskning, testning och riskhantering. Nästan 80% av respondenterna tillbringar minst 10% av sin tid på kodgranskning, och ungefär en av tio tillbringar 41% eller mer av sin tid med att granska kod.

Detta är viktigt eftersom AI-genererad kod förändrar takten i programvaruutvecklingen. Mer kod kan produceras, pull-förfrågningar kan öka i volym och granskare kan ha mindre sammanhang om hur eller varför något skapades. Rapporten visar att de största utmaningarna när det gäller att förstå förändringar i kodbasen inkluderar komplex kod vid 53,7%, olika utvecklingsteam som använder olika tillvägagångssätt vid 46,3%, dålig dokumentation vid 43,0% och stora mängder förändringar vid 37,9%.

Detta är där risken blir mer än teoretisk. När de tillfrågades vilka vecka-till-vecka-förändringar som är svårast att upptäcka, pekade respondenterna på säkerhetsproblem vid 49,2%, beroendeförändringar vid 47,7% och prestandapåverkan vid 44,1%. Dessa är inte oväsentliga problem; de är exakt de typer av förändringar som kan skapa produktionsincidenter, efterlevnadsexponering eller långsiktig teknisk skuld.

AI-genererad kod är inte tydligt bättre eller sämre, men den är annorlunda

En av de mer intressanta resultaten är att respondenterna är splittrade när det gäller om AI-genererad kod skapar fler problem än mänsklig skriven kod. 32,9% säger att AI-genererad kod skapar något eller betydligt fler problem, medan 33,4% säger att den skapar något eller betydligt färre problem, och 29,7% säger att den skapar ungefär samma antal problem.

Den splittringen tyder på att effekten av AI-genererad kod beror tungt på miljön runt den. AI-kod kan fungera bra när den kombineras med starka granskningspraxis, testtäckning, säkerhetsverktyg och styrning. Den kan skapa fler problem när organisationer antar den för hastighet utan att uppgradera systemen som används för att utvärdera utdata.

De negativa effekterna som rapporteras av organisationerna visar var friktionen uppstår. 41,1% anger minskade lärandemöjligheter för juniora utvecklare, 32,6% säger att AI-genererad kod inte levererar den begärda funktionen, 31,6% rapporterar oavsiktliga beroenden, 31,6% rapporterar säkerhetsrisker och 29,5% säger att AI-genererad kod kan vara svår att felsöka.

AI-kodrisken har flyttats bortom ingenjörskap

Rapporten visar också att AI-genererad kod inte längre bara är en fråga om ingenjörsledning. Den har blivit en företagsriskfråga.

Säkerhetsteam är den mest oroliga intressentgruppen, nämnd av 62,5% av respondenterna. Efterlevnad följer vid 51,5%, medan 46,9% nämner CTO eller CIO-ledning och 40,8% pekar på juridiska team. Oroen sträcker sig också till drift, QA, produktledning, VD, kundsupport och till och med marknadsföring.

Den utvidgade intressentkartan reflekterar en större förändring. När AI-genererad kod når produktion kan dess konsekvenser påverka dataskydd, kundupplevelse, säkerhetsläge, granskning och avtalsförpliktelser. Koden kan skrivas inom ingenjörsorganisationen, men risken är distribuerad över hela företaget.

Säkerhetsåtgärder blir en del av kärnproduktionsinfrastruktur

Företagen svarar redan genom att investera i nya säkerhetsåtgärder. Rapporten fann att 45,6% har investerat i kodkvalitetsanalysverktyg, 39,0% använder automatiserad kodgranskning, 38,5% har lagt till statisk applikationssäkerhetstestning, 35,9% har antagit programvarukompositionsanalys, 32,3% använder interaktiv applikationssäkerhetstestning och 31,3% har implementerat utbildningsklasser för specifika kodassistenter.

Processförändringar är också utbredda. 57,4% har infört policys som anger användningen av AI-genererad kod, 49,2% kräver utbildning på användning av AI-genererad kod, 45,1% har gjort kodgranskningar mer robusta och 40,5% har tilldelat fler utvecklare för att fokusera på kodgranskning.

Dessa investeringar sker inte i ett vakuum. Bara 3,6% av respondenterna säger att AI-introducerade problem aldrig når produktion. I kontrast säger 4,6% att de når produktion ofta, 30,3% säger ibland, 31,8% säger ibland och 23,6% säger sällan. Med andra ord, för de flesta organisationer som använder AI-genererad kod är produktionspåverkan redan en återkommande verklighet.

Nästa fas av AI-kodning kommer att handla om kontroll

Rapporten fångar också en paradox: många ingenjörsledare tror att AI kan hjälpa till att lösa den granskningsbörda som AI själv ökar. 64,9% av respondenterna tror att AI kan prestera bättre än människor i minst vissa aspekter av kodgranskning, medan 21,1% inte håller med och 14,0% har ingen åsikt.

Respondenterna ser AI som potentiellt starkare på att tillämpa enhetliga standarder och ge mer omfattande analys, båda vid 57,4%. De pekar också på att identifiera mönster över kodbasen vid 53,3%, snabbare feedback vid 51,8%, upptäcka fler problem vid 49,7% och 24/7-tillgänglighet vid 48,2%.

Det pekar på nästa stadium av företags AI-antagande i programvaruutveckling. AI kommer inte bara att skriva mer kod. Den kommer att användas alltmer för att inspektera, klassificera, prioritera och styra kodförändringar. Vinnarna kan inte vara de team som genererar mest kod, utan de team som bygger den tydligaste bilden av vad som har förändrats, var risken ackumuleras och vilka mänskliga beslut fortfarande spelar roll.

AI-kodgenereringsverklighetskontrollen visar den verkliga företagsutmaningen

Flux’s rapport pekar slutligen på en mer mogen fas av AI-antagande i ingenjörskap. Koden i sig är inte längre det hårda problemet. Det svårare problemet är synlighet, granskningskapacitet, styrning och förtroende.

AI-genererad kod är nu i produktion i nästan hälften av de tillfrågade organisationerna, men de stödjande systemen runt den är fortfarande på väg att komma ikapp. För ingenjörsledare är implikationen tydlig: AI-kodning kan accelerera utveckling, men bara om organisationer också kan skala säkerhetsåtgärder, sammanhang och ansvar som behövs för att hålla produktionsystem tillförlitliga. Som AI-kodgenereringsverklighetskontrollen gör klart, kommer framtiden för AI-assisterad programvaruutveckling att definieras mindre av hur mycket kod AI kan producera och mer av hur säkert företag kan förstå och leverera den.