Ilgus metus viena patraukliausių programavimo dalių buvo labai paprasta: gauni problemą, kelioms valandoms panyri į kodą, supranti sistemą, randi klaidą ir ją išsprendi. Rezultatas matomas, o tarp problemos ir sprendimo yra aiški tavo paties darbo grandinė.
Agentinis programavimas šią patirtį keičia. Vietoje kelių valandų rašymo galima paprašyti AI suplanuoti pakeitimą, redaguoti dešimtis failų, parašyti testus ir pasiūlyti pataisymus. Žmogui vis dažniau lieka suformuluoti užduotį, stebėti procesą, tikrinti rezultatą ir taisyti tai, ko modelis nesuprato.
Techniškai tai gali būti pažanga. Tačiau dalis viešai apie savo darbą kalbančių programuotojų sako, kad tokia darbo forma jiems teikia mažiau pasitenkinimo nei tiesioginis problemų sprendimas ir kodo rašymas. Šie pasakojimai nėra reprezentatyvus visos profesijos tyrimas, bet jie iškelia klausimą, kurio dabartiniai našumo duomenys beveik neatsako: kaip agentinis programavimas keičia ne tik darbo greitį, bet ir paties darbo patirtį?
Esmė
Esmė
AI spartina programavimą, bet keičia ir patį darbą. Ką tyrimai rodo apie našumą, kontrolę, kodo kokybę ir naujus programuotojų vaidmenis.
- AI naudojimas auga greičiau nei pasitikėjimas juo 2025 m. Stack Overflow apklausoje 84 proc. respondentų teigė naudojantys arba planuojantys naudoti AI kūrimo procese, tačiau daugiau programuotojų AI atsakymais nepasitikėjo nei pasitikėjo.
- Didžiausia problema – ne visiškai blogas, o beveik geras kodas 66 proc. apklaustų kūrėjų erzino AI sprendimai, kurie atrodo beveik teisingi, o 45 proc. nurodė, kad AI sugeneruoto kodo derinimas gali užimti daugiau laiko.
- Našumo tyrimai kol kas neduoda vieno atsakymo Vienuose darbuose AI siejamas su didesniu našumu, tačiau METR eksperimentas su patyrusiais atvirojo kodo kūrėjais 2025 m. užfiksavo net sulėtėjimą. Naujesni duomenys jau leidžia įtarti pagerėjimą, bet patys tyrėjai juos vertina atsargiai.
- Programuotojo darbas gali slinkti nuo kūrimo prie kontrolės Kuo daugiau kodo pagamina agentai, tuo svarbesni tampa reikalavimų formulavimas, architektūra, testavimas, peržiūra ir gebėjimas suprasti, kada įtikinamai atrodantis rezultatas iš tikrųjų yra blogas.
AI naudojimas auga, bet entuziazmas neauga kartu
Čia galima aiškiai atskirti pavienes kūrėjų istorijas nuo platesnio vaizdo. Jos gali iliustruoti naują darbo patirtį, tačiau negali parodyti, kaip jaučiasi visa programuotojų bendruomenė. Didesnės apklausos patikimiau atskleidžia kitą įtampą – AI naudojimas auga greičiau nei pasitikėjimas jo rezultatais.
2025 m. Stack Overflow Developer Survey duomenimis, 84 proc. respondentų jau naudojo arba planavo naudoti AI įrankius programinės įrangos kūrime. Tarp profesionalių programuotojų 51 proc. juos naudojo kasdien.
Tačiau palankus požiūris į AI per metus smuko. 2023 ir 2024 m. jį palankiai vertino daugiau kaip 70 proc. respondentų, o 2025 m. – apie 60 proc.
Dar ryškesnis pasitikėjimo skirtumas. AI sugeneruotų atsakymų tikslumu nepasitikėjo 46 proc. kūrėjų, o pasitikėjo 33 proc. Vos 3 proc. teigė jais labai pasitikintys.
Tai svarbus paradoksas: įrankis tampa įprasta darbo dalimi net tada, kai žmogus žino, kad jo rezultatą būtina tikrinti.
Pavojingiausias gali būti „beveik teisingas“ kodas
Prastos AI išvesties problema dažnai nėra ta, kad ji akivaizdžiai absurdiška. Daug sunkesnis atvejis – kodas atrodo logiškas, kompiliuojasi, praeina dalį testų ir tik subtiliai neatitinka sistemos reikalavimų.
Stack Overflow apklausoje 66 proc. respondentų kaip problemą nurodė būtent tokius beveik teisingus AI sprendimus. 45 proc. teigė susidūrę su situacija, kai AI sugeneruoto kodo derinimas užima daugiau laiko.
Tai paaiškina, kodėl spartesnis kodo generavimas nebūtinai proporcingai sumažina darbo kiekį. Jei agentas per kelias minutes pakeičia 50 ar 200 failų, žmogui vis tiek tenka atsakyti už tai, kas bus sujungta į produkcinę sistemą.
Didelėje sistemoje klausimas tampa ne „ar AI moka parašyti kodą?“, o „ar žmogus dar gali patikimai patikrinti tokį kiekį sugeneruotų pakeitimų?“.
Ar AI iš tikrųjų spartina programuotojus? Atsakymas priklauso nuo užduoties
Intuityviai atrodo, kad atsakymas turėtų būti akivaizdus. Jei funkciją, kuriai anksčiau reikėjo kelių valandų, agentas parašo per kelias minutes, programuotojas turi tapti greitesnis.
Realybėje tai sunkiau išmatuoti.
2025 m. Stack Overflow apklausoje 52 proc. respondentų sutiko, kad AI įrankiai ar agentai teigiamai paveikė jų produktyvumą. Tai svarbus signalas, bet jis remiasi pačių kūrėjų vertinimu.
METR pabandė našumą patikrinti eksperimentu. 2025 m. tyrime 16 patyrusių atvirojo kodo programuotojų atliko 246 realias užduotis projektuose, kuriuos gerai pažinojo. Vienoms užduotims AI buvo leidžiamas, kitoms – ne.
Rezultatas nustebino: su tuometiniais AI įrankiais kūrėjai užduotis vidutiniškai atliko 19 proc. lėčiau. Dar įdomiau, kad patys jie manė, jog AI juos pagreitino.
Tačiau šio skaičiaus negalima paversti išvada, kad „AI lėtina programuotojus“. Patys METR tyrėjai pabrėžė, kad eksperimentas apėmė labai konkrečią grupę – patyrusius žmones, dirbančius su brandžiomis ir jiems gerai pažįstamomis kodų bazėmis.
2026 m. vasarį METR paskelbė naujo eksperimento atnaujinimą. Vėlesni įrankiai jau rodė ženklų, kad AI gali spartinti darbą, tačiau tyrėjai nustatė rimtų atrankos problemų: dalis stipriai AI naudojančių programuotojų paprasčiausiai nenorėjo dalyvauti eksperimente, kuriame dalį laiko turėtų dirbti be jo. Todėl patikimo vieno procento, kiek AI šiandien spartina programuotoją, kol kas nėra.
Darbas slenka nuo kodo rašymo prie jo priežiūros
Produktyvumas nėra vienintelis dalykas, kuris keičiasi. Keičiasi ir pati darbo forma.
Programuotojas, anksčiau gavęs užduotį, galėjo valandą ar dvi nuosekliai judėti per vieną problemą. Agentinis darbo modelis gali atrodyti kitaip: suformuluoti užduotį vienam agentui, kitam pavesti tyrimą, sulaukti atsakymo, patikrinti pakeitimus, pataisyti specifikaciją, paleisti testus, grįžti prie pirmojo agento.
Teoriškai vienu metu galima paleisti dar daugiau darbų. Tačiau žmogaus dėmesys nuo to nepadaugėja.
Dėl to daliai kūrėjų atsiranda naujas vaidmuo: jie rašo mažiau kodo, bet daugiau laiko praleidžia prižiūrėdami procesą, kurio išvesties tempas gali būti didesnis už jų pačių galimybę viską giliai suprasti.
Google Cloud DORA tyrimai šį pokytį apibūdina ne kaip paprastą automatikos pergalę. 2025 m. DORA ataskaitoje AI vadinamas stiprintuvu: jis gali sustiprinti gerai veikiančios organizacijos pranašumus, bet taip pat padidinti jau egzistuojančias problemas.
2026 m. paskelbtoje DORA analizėje pažymima, kad AI paspartintas pradinis kodo kūrimas gali perkelti dalį sutaupyto laiko į auditavimą ir tikrinimą. Organizacijos gali pristatyti daugiau pakeitimų, bet nepakankamai stiprus testavimas, per dideli pakeitimų paketai ar silpni procesai kartu gali didinti nestabilumą.
Kodėl kai kuriems kūrėjams greitesnis darbas gali atrodyti mažiau prasmingas
Šią dalį reikia vertinti atsargiau nei produktyvumo ar pasitikėjimo duomenis. Viešuose kūrėjų vaizdo įrašuose ir diskusijose pasikartojantys pasakojimai apie sumažėjusį pasitenkinimą yra iliustracinė, o ne reprezentatyvi medžiaga. Iš jų negalima spręsti, kad taip jaučiasi dauguma programuotojų.
Vis dėlto šios istorijos išryškina kelis galimus mechanizmus, kuriuos ateityje būtų verta tirti sistemingiau.
Pirmasis – sumažėjęs tiesioginio meistriškumo jausmas. Sudėtingos klaidos suradimas ar sistemos suprojektavimas pats savaime gali būti atlygis. Kai didelę sprendimo dalį pateikia modelis, rezultatas lieka, bet kelias iki jo pasikeičia.
Antrasis – atsakomybės ir kontrolės neatitikimas. AI gali pagaminti daugiau kodo, nei žmogus pats spėtų parašyti, tačiau atsakomybė už klaidas dažniausiai niekur nedingsta. Greitesnė gamyba gali reikšti ir daugiau medžiagos, kurią reikia suprasti.
Trečiasis – galintys keistis produktyvumo lūkesčiai. Jei organizacija mato, kad viena užduotis teoriškai gali būti atlikta greičiau, sutaupytas laikas gali virsti papildomomis užduotimis. Tačiau kiek plačiai tai vyksta ir kaip tai veikia programuotojų savijautą, dabartiniai duomenys dar neleidžia patikimai pasakyti.
Taigi tas pats įrankis vienam programuotojui gali pašalinti nuobodų darbą, o kitam – perimti būtent tą darbo dalį, kurią jis labiausiai mėgo.
Jei AI gali parašyti kodą, kam dar reikia mokėti programuoti?
Čia agentinio programavimo paradoksas tampa ypač ryškus. Kuo daugiau kodo parašo AI, tuo lengviau atrodo pradėti. Tačiau kartu gali didėti patirties vertė vertinant, ar sugeneruotas sprendimas apskritai yra geras.
Žmogus, nežinantis sistemos architektūros, duomenų bazių, saugumo ar konkretaus karkaso principų, gali gauti veikiantį prototipą. Problema gali pasirodyti tik projektui išaugus: netinkamas duomenų modelis, perteklinės priklausomybės, sunkiai prižiūrima architektūra, našumo problemos ar saugumo spragos.
Todėl „human in the loop“ nėra vien gražus AI eros terminas. Produkcinėje programinėje įrangoje žmogui vis dar reikia suprasti, ką agentas pakeitė, kokias prielaidas padarė ir kaip įrodyti, kad rezultatas teisingas.
Stack Overflow apklausa tai atspindi gana tiesiogiai: net hipotetinėje ateityje, kur AI galėtų atlikti daugumą programavimo užduočių, dažniausia priežastis kreiptis į kitą žmogų būtų nepasitikėjimas AI atsakymu.
Kai kurie aukštesnio lygio įgūdžiai gali tapti svarbesni
Tai nereiškia, kad sintaksė, bibliotekos ar programavimo kalbos staiga tampa nereikalingos. Tačiau vien gebėjimas greitai parašyti standartinę funkciją tampa mažiau išskirtinis, kai tą patį per kelias sekundes gali padaryti modelis.
Dėl to pagrįsta tikėtis didesnės reikšmės gebėjimams, kurių reikia AI darbui nukreipti ir patikrinti:
problemos formulavimui – suprasti, ką iš tikrųjų reikia išspręsti, o ne vien parašyti funkciją;
architektūrai – numatyti, kaip šiandienos sprendimas paveiks sistemą po metų;
testavimui ir verifikacijai – ne tik gauti žalią testų eilutę, bet suprasti, ar tikrinami teisingi dalykai;
domeno žinioms – išmanyti verslo, finansų, sveikatos, infrastruktūros ar kitos srities taisykles, kurių modelis gali nežinoti;
saugumui ir patikimumui – pastebėti riziką, kuri neveikiančiame prototipe dar nematoma;
produkto sprendimams – nuspręsti ne tik kaip funkciją pastatyti, bet ar jos apskritai reikia.
AI gali padėti kiekviename iš šių etapų. Tačiau šiandien dar per anksti skelbti, kad būtent toks įgūdžių persiskirstymas jau vienodai apibrėžia visą programuotojo profesiją.
Nebūtina rinktis tarp „viską rašau pats“ ir „viską daro agentas“
Viena naudingiausių iš programuotojų praktikos kylančių minčių yra paprasta: maksimalus AI naudojimas nebūtinai turi būti tikslas.
Jeigu keli vienu metu veikiantys agentai didina stresą ir mažina kontrolę, nėra jokios techninės taisyklės, reikalaujančios juos naudoti. Vienam kūrėjui efektyviausias gali būti penkių agentų procesas, kitam – vienas agentas ir viena užduotis vienu metu.
AI taip pat nebūtina patikėti įdomiausios darbo dalies. Jį galima naudoti rutininiams testams, dokumentacijai, migracijoms, pasikartojantiems pakeitimams ar jau suprastos sistemos refaktoringui, o naują architektūrą ar sudėtingą problemą pirmiausia spręsti pačiam.
Tai nėra nostalgija ar technologijų atmetimas. Tai darbo proceso projektavimas pagal realų žmogaus dėmesį, atsakomybę ir tai, kur AI iš tiesų suteikia daugiausia naudos.
Programavimas nedingsta – bet jo darbo pobūdis gali keistis
Kol kas duomenys nepagrindžia paprastos istorijos, kad AI „išsprendė programavimą“ arba kad programuotojai tapo nereikalingi. Jie rodo daug nepatogesnę tarpinę būseną.
AI jau pakankamai geras, kad smarkiai paveiktų dalį kasdienio darbo. Kartu jis dar nėra pakankamai patikimas, kad žmogus galėtų ramiai atsisakyti kontrolės. Todėl kūrėjai gauna ir neįprastai galingą įrankį, ir naują tikrinimo, koordinavimo bei atsakomybės sluoksnį.
Programuotojui, kuris profesiją pasirinko dėl malonumo pačiam kurti sistemas, toks pokytis gali jaustis kaip praradimas. Kitam žmogui, kuriam pats kodo rašymas visada buvo kliūtis tarp idėjos ir produkto, tai gali būti labai palankus laikotarpis.
Abu vertinimai gali būti teisingi tuo pačiu metu. Viena pagrįsta dabartinės krypties interpretacija yra ta, kad mažėjant standartinio kodo sukūrimo kainai didesnę reikšmę gali įgyti problemos formulavimas, architektūra, vertinimas ir atsakomybė už galutinį rezultatą. Tačiau dar per anksti tai vadinti galutinai įrodytu visos profesijos persitvarkymu. Aiškiausia kol kas viena: AI keičia ne tik tai, kaip greitai galima parašyti kodą, bet ir klausimus, kuriuos programuotojui tenka spręsti aplink patį kodą.
Komentarai