TL;DR: Τα κέρδη παραγωγικότητας από την ανάπτυξη με υποστήριξη AI είναι πραγματικά, αλλά στενότερα από ό,τι υποδηλώνουν οι τίτλοι, και συνοδεύονται από ένα αυξανόμενο κόστος που οι περισσότερες ομάδες μηχανικών δεν μετρούν ακόμη.
Η έρευνα DORA της Google διαπίστωσε ότι η αυξημένη υιοθέτηση AI συσχετίζεται με μείωση 7,2% στην σταθερότητα παράδοσης λογισμικού. Η ανάλυση της GitClear σε 211 εκατομμύρια γραμμές κώδικα διαπίστωσε ότι η ανάπτυξη με υποστήριξη AI παράγει περισσότερο διπλότυπο κώδικα, λιγότερο refactoring και υψηλότερα ποσοστά churn χρόνο με το χρόνο.
Μια τυχαιοποιημένη ελεγχόμενη δοκιμή METR διαπίστωσε ότι οι έμπειροι developers που χρησιμοποιούσαν εργαλεία AI χρειάστηκαν 19% περισσότερο χρόνο για να ολοκληρώσουν εργασίες από εκείνους που εργάζονταν χωρίς αυτά, ενώ πίστευαν ότι κινούνταν ταχύτερα.
Τίποτα από αυτά δεν σημαίνει ότι η ανάπτυξη με υποστήριξη AI είναι λάθος. Σημαίνει ότι ο τρόπος που οι περισσότερες ομάδες τη χρησιμοποιούν είναι λάθος. Αυτό το άρθρο εξηγεί τι συμβαίνει δομικά στην πραγματικότητα, και γιατί επιδεινώνεται.
Η Ψευδαίσθηση της Ταχύτητας
Η αφήγηση γύρω από την ανάπτυξη με υποστήριξη AI ήταν σχεδόν ομοιόμορφα αισιόδοξη. Οι developers παραδίδουν features ταχύτερα. Η συχνότητα των commits αυξάνεται. Ο όγκος των pull requests ανεβαίνει. Κάθε ορατή μέτρηση παραγωγικότητας φαίνεται να βελτιώνεται. Για τις ομάδες ηγεσίας που δεν είναι ενσωματωμένες στη ροή εργασίας μηχανικής, το συμπέρασμα είναι προφανές: το AI λειτουργεί.
Το πρόβλημα είναι ότι οι μετρήσεις που παρακολουθούν οι περισσότεροι οργανισμοί για την ανάπτυξη λογισμικού - γραμμές κώδικα, συχνότητα deployments, παραγωγή features - μετρούν τη δραστηριότητα της ανάπτυξης, όχι την ποιότητα αυτού που κατασκευάζεται. Και το χάσμα μεταξύ αυτών των δύο είναι εκεί όπου ζει το technical debt.
Το technical debt, ως έννοια, δεν είναι καινούργιο. Ο Ward Cunningham επινόησε τον όρο το 1992 για να περιγράψει το μακροπρόθεσμο κόστος της λήψης συντομεύσεων στην ποιότητα του κώδικα για την τήρηση βραχυπρόθεσμων χρονοδιαγραμμάτων παράδοσης. Η διατύπωσή του ήταν ακριβής: κάθε λεπτό που δαπανάται σε κώδικα που δεν είναι ακριβώς σωστός, υπολογίζεται ως τόκος για αυτό το χρέος.
Ολόκληροι οργανισμοί μηχανικών μπορούν να παραλύσουν υπό το βάρος του χρέους. Το καινούργιο είναι η ταχύτητα με την οποία η ανάπτυξη με υποστήριξη AI μπορεί να συσσωρεύσει αυτό το χρέος, και οι συγκεκριμένοι τρόποι με τους οποίους ο κώδικας που παράγεται από AI δημιουργεί δομικά προβλήματα που είναι ποιοτικά διαφορετικά από το technical debt προηγούμενων εποχών ανάπτυξης.
Η έρευνα της McKinsey Digital για το technical debt, συνθέτοντας δεδομένα έρευνας από 50 CIOs χρηματοοικονομικών υπηρεσιών και εταιρειών τεχνολογίας, περιγράφει το φαινόμενο με οικονομικούς όρους: το technical debt είναι η εκτός ισολογισμού συσσώρευση όλης της τεχνολογικής εργασίας που πρέπει να κάνει μια εταιρεία στο μέλλον.
Εκτιμάται ότι το tech debt ανέρχεται στο 20 έως 40% της αξίας ολόκληρων των τεχνολογικών περιουσιακών στοιχείων πριν από την απόσβεση, και ότι το 30% των CIOs που συμμετείχαν στην έρευνα πίστευαν ότι πάνω από το 20% του τεχνολογικού τους προϋπολογισμού, που υποτίθεται ότι προοριζόταν για νέα προϊόντα, εκτρέπονταν για την επίλυση υφιστάμενου χρέους.
Η ευρύτερη ανάλυση της McKinsey σε 220 εταιρείες σε πέντε γεωγραφικές περιοχές και επτά τομείς διαπίστωσε ότι οι εταιρείες στο 80ό εκατοστημόριο για το Tech Debt Score είχαν αύξηση εσόδων 20% υψηλότερη από εκείνες στο κατώτερο 20ό εκατοστημόριο. Το technical debt δεν είναι απλώς μια ενόχληση μηχανικής. Είναι μια μεταβλητή απόδοσης της επιχείρησης.
Η ανάπτυξη με υποστήριξη AI, όταν αναπτύσσεται χωρίς την κατάλληλη διακυβέρνηση, επιταχύνει τη συσσώρευση χρέους με ρυθμό που κάνει την προηγούμενη εποχή της γρήγορης αλλά ακατάστατης ανάπτυξης να φαίνεται μετρημένη συγκριτικά.
Τι δείχνει πραγματικά η έρευνα
Το εύρημα της DORA για το οποίο κανείς δεν μιλάει
Το πρόγραμμα DORA (DevOps Research and Assessment) της Google αποτελεί το χρυσό πρότυπο για τη μέτρηση της απόδοσης παράδοσης λογισμικού για πάνω από μια δεκαετία. Η ετήσια έκθεσή του βασίζεται σε δεδομένα έρευνας από δεκάδες χιλιάδες προγραμματιστές και ηγέτες μηχανικής παγκοσμίως, και οι μετρήσεις του - συχνότητα αναπτύξεων, χρόνος παράδοσης για αλλαγές, ποσοστό αποτυχίας αλλαγών, μέσος χρόνος αποκατάστασης - έχουν γίνει το σημείο αναφοράς του κλάδου.
Η έκθεση DORA του 2024, η οποία διερεύνησε περίπου 39.000 ερωτηθέντες, επιβεβαίωσε ότι η υιοθέτηση της AI είναι ευρέως διαδεδομένη: το 75,9% των ερωτηθέντων βασίζονται στην AI για τουλάχιστον μέρος των αρμοδιοτήτων ανάπτυξής τους. Επιβεβαίωσε επίσης ότι οι μεμονωμένοι προγραμματιστές αισθάνονται πιο παραγωγικοί, με περισσότερο από το ένα τρίτο να αναφέρει μέτριες έως ακραίες αυξήσεις παραγωγικότητας από τη χρήση της AI. Στη συνέχεια ήρθε το εύρημα που αντέκρουσε την καθιερωμένη άποψη.
Μια αύξηση 25% στην υιοθέτηση της AI συσχετίστηκε με μείωση 1,5% στην απόδοση παράδοσης και μείωση 7,2% στη σταθερότητα παράδοσης. Περισσότερος κώδικας γραφόταν. Πιο γρήγορα. Αλλά η αξιοπιστία της παράδοσης λογισμικού μειωνόταν. Τα συστήματα που λάμβαναν κώδικα πιο γρήγορα παρουσίαζαν επίσης βλάβες πιο συχνά.
Η έκθεση DORA του 2025 επικαιροποίησε αυτή την εικόνα. Η απόδοση βελτιώθηκε, οι ομάδες φάνηκε να μαθαίνουν πώς να ενσωματώνουν την AI πιο αποτελεσματικά στις ροές εργασίας τους. Αλλά η αρνητική σχέση μεταξύ της υιοθέτησης της AI και της σταθερότητας παράδοσης παρέμεινε.
Η διατύπωση των ερευνητών της DORA είναι ακριβής και αξίζει να γίνει κατανοητή:
Η AI επιταχύνει την ανάπτυξη λογισμικού, αλλά αυτή η επιτάχυνση μπορεί να αποκαλύψει αδυναμίες σε μεταγενέστερα στάδια. Χωρίς ισχυρά συστήματα ελέγχου, ισχυρές αυτοματοποιημένες δοκιμές, ώριμες πρακτικές ελέγχου εκδόσεων, γρήγορους βρόχους ανάδρασης, μια αύξηση στον όγκο των αλλαγών οδηγεί σε αστάθεια.
Η επίπτωση είναι δομική. Η AI δεν επιδεινώνει τις κακές πρακτικές ανάπτυξης με τον τρόπο που ένας ταχύτερος εργαζόμενος κάνει λάθη πιο συχνά. Τις επιδεινώνει με τον τρόπο που μια ταχύτερη γραμμή συναρμολόγησης με ανεπαρκή έλεγχο ποιότητας παράγει ελαττώματα σε μεγάλη κλίμακα. Η ταχύτητα είναι πραγματική. Όπως και αυτό που κρύβει η ταχύτητα.
Τα δεδομένα ποιότητας κώδικα
Η GitClear, μια πλατφόρμα ανάλυσης προγραμματιστών που ταξινομεί και αναλύει δεδομένα αλλαγών κώδικα από το 2020, δημοσίευσε δύο συνεχόμενα χρόνια έρευνας σχετικά με το πώς οι βοηθοί κωδικοποίησης AI αλλάζουν τη σύνθεση, όχι μόνο τον όγκο, του κώδικα που γράφεται.
Η έρευνά τους το 2024 ανέλυσε 153 εκατομμύρια αλλαγμένες γραμμές κώδικα από τον Ιανουάριο του 2020 έως τον Δεκέμβριο του 2023. Η έρευνά τους το 2025 επέκτεινε αυτό σε 211 εκατομμύρια γραμμές έως το 2024. Το συνδυασμένο σύνολο δεδομένων είναι η μεγαλύτερη γνωστή δομημένη βάση δεδομένων αλλαγών κώδικα που χρησιμοποιείται για την αξιολόγηση διαφορών ποιότητας κώδικα σε ολόκληρο τον κλάδο.
Τα ευρήματα και των δύο μελετών δείχνουν μια συνεπή κατεύθυνση. Η ανακύκλωση κώδικα (code churn), το ποσοστό των γραμμών που αναστράφηκαν ή ενημερώθηκαν λιγότερο από δύο εβδομάδες μετά τη συγγραφή τους, αυξήθηκε από 3,1% των αλλαγμένων γραμμών το 2020 σε 5,7% το 2024. Αυτό είναι το σαφέστερο σημάδι commits χαμηλής ποιότητας: κώδικας που γράφτηκε, συγχωνεύτηκε και στη συνέχεια χρειάστηκε άμεσα να διορθωθεί ή να αφαιρεθεί.
Το ποσοστό αναδιάρθρωσης (refactoring), μετρούμενο από τις "μετακινημένες γραμμές" (moved lines), κώδικα που μετακινήθηκε ως μέρος αναδιάρθρωσης, μειώθηκε από 24,1% των αλλαγμένων γραμμών το 2020 σε 9,5% το 2024. Η αναδιάρθρωση είναι ο τρόπος με τον οποίο οι έμπειροι μηχανικοί διατηρούν τις βάσεις κώδικα συντηρήσιμες με την πάροδο του χρόνου, εξάγοντας επαναχρησιμοποιήσιμες ενότητες, μειώνοντας την επανάληψη και βελτιώνοντας την αρχιτεκτονική. Η μείωσή της σηματοδοτεί ότι οι ροές εργασίας με τη βοήθεια AI επικεντρώνονται στην προσθήκη κώδικα αντί στην βελτίωση του υπάρχοντος κώδικα.
Το πιο εντυπωσιακό είναι τα δεδομένα σχετικά με την επανάληψη κώδικα (code duplication). Το ποσοστό των αντιγραμμένων/επικολλημένων γραμμών αυξήθηκε από 8,3% το 2020 σε 12,3% το 2024, μια σχετική αύξηση 48%. Το 2024, για πρώτη φορά στην ιστορία μετρήσεων της GitClear, οι αντιγραμμένες/επικολλημένες γραμμές ξεπέρασαν τις μετακινημένες (αναδιαρθρωμένες) γραμμές. Η εμφάνιση διπλών μπλοκ κώδικα αυξήθηκε περίπου δεκαπλάσια μεταξύ 2022 και 2024.
Η παρατήρηση της GitClear σε αυτό το σημείο είναι ακριβής:
Τα συστήματα προτάσεων κώδικα AI έχουν σχεδιαστεί για να προτείνουν την προσθήκη κώδικα, όχι για την ενημέρωση, μετακίνηση ή διαγραφή υπάρχοντος κώδικα. Το αποτέλεσμα είναι συστήματα που αναπτύσσονται με συσσώρευση αντί με αρχιτεκτονική βελτίωση, συσσωρεύοντας πλεονασμό και πολυπλοκότητα αντί να τα ενοποιούν.
Η σύνδεση με το χρέος είναι άμεση. Ο διπλότυπος κώδικας είναι κόστος συντήρησης: όταν πρέπει να γίνει μια αλλαγή, κάθε περίπτωση αυτού του κώδικα πρέπει να βρεθεί και να ενημερωθεί ξεχωριστά, αυξάνοντας τον κίνδυνο ασυνέπειας και σφαλμάτων.
Η μείωση της αναδιάρθρωσης σημαίνει ότι τα δομικά προβλήματα που συσσωρεύονται κατά τη διάρκεια ζωής μιας βάσης κώδικα δεν αντιμετωπίζονται. Η υψηλή ανακύκλωση σημαίνει ότι ο κώδικας γράφεται πολύ γρήγορα για να τον επαληθεύσουν οι προγραμματιστές πριν χρειαστεί να διορθωθεί.
Το Παράδοξο της Παραγωγικότητας
Τον Ιούλιο του 2025, η METR, ένας μη κερδοσκοπικός ερευνητικός οργανισμός που επικεντρώνεται στην αξιολόγηση των δυνατοτήτων της AI, δημοσίευσε την πιο αυστηρή ανεξάρτητη μελέτη για την παραγωγικότητα κωδικοποίησης AI που έχει διεξαχθεί μέχρι σήμερα. Η μελέτη χρησιμοποίησε ένα σχέδιο τυχαιοποιημένης ελεγχόμενης δοκιμής: 16 έμπειροι προγραμματιστές ανοιχτού κώδικα με μέσο όρο πέντε ετών εμπειρίας στα αντίστοιχα αποθετήριά τους, ολοκληρώνοντας 246 πραγματικές εργασίες παραγωγής που προέρχονταν από πραγματικές βάσεις κώδικα, με κάθε εργασία να ανατίθεται τυχαία σε συνθήκες επιτρεπόμενης ή μη επιτρεπόμενης AI.
Τα εργαλεία AI που χρησιμοποιήθηκαν ήταν τα τρέχοντα κατά τη στιγμή της μελέτης: Cursor Pro με Claude 3.5 και 3.7 Sonnet. Αυτά δεν ήταν μοντέλα του χθες. Οι προγραμματιστές δεν ήταν άπειροι με τα εργαλεία AI.
Το αποτέλεσμα: οι προγραμματιστές που χρησιμοποιούσαν εργαλεία AI χρειάστηκαν 19% περισσότερο χρόνο για να ολοκληρώσουν εργασίες από εκείνους που εργάζονταν χωρίς αυτά.
Το εύρημα της αντίληψης είναι τουλάχιστον εξίσου σημαντικό με το εύρημα της παραγωγικότητας. Πριν από τη μελέτη, οι προγραμματιστές προέβλεψαν ότι η AI θα μείωνε τον χρόνο ολοκλήρωσης των εργασιών τους κατά 24%. Μετά την ολοκλήρωση της μελέτης, αφού βίωσαν μια μετρήσιμη επιβράδυνση, εξακολουθούσαν να εκτιμούν ότι η AI τους είχε κάνει 20% πιο γρήγορους. Το χάσμα 43 ποσοστιαίων μονάδων μεταξύ αυτού που πίστευαν οι προγραμματιστές και αυτού που έδειξαν τα δεδομένα δεν ήταν σφάλμα μέτρησης. Ήταν μια συστηματική αναντιστοιχία μεταξύ της υποκειμενικής εμπειρίας και της αντικειμενικής απόδοσης.
Η ανάλυση των ερευνητών της METR για το γιατί η AI επιβράδυνε αυτούς τους προγραμματιστές είναι διδακτική. Οι προγραμματιστές στη μελέτη αφιέρωσαν σημαντικό χρόνο στην παροχή οδηγιών στην AI και στην αναμονή απαντήσεων, στην αναθεώρηση του παραγόμενου κώδικα πριν τον αποδεχτούν και στην επίλυση προβλημάτων που εισήγαγαν οι προτάσεις της AI.
Αποδέχτηκαν λιγότερο από το 44% των προτάσεων κώδικα που δημιουργήθηκαν από την AI, πράγμα που σημαίνει ότι περισσότερο από το μισό του χρόνου, η διαδικασία δημιουργίας, αναθεώρησης και απόρριψης μιας πρότασης ήταν πιο αργή από ό,τι θα ήταν η απευθείας συγγραφή του κώδικα.
Οι πολύπλοκες, ώριμες βάσεις κώδικα, αυτές που έχουν αναπτυχθεί και βελτιωθεί επί χρόνια, είναι ιδιαίτερα ακατάλληλα περιβάλλοντα για εργαλεία κωδικοποίησης AI, τα οποία λειτουργούν καλύτερα με σαφώς καθορισμένες, ελαφρές ως προς το πλαίσιο εργασίες, παρά με το είδος του βαθύ αρχιτεκτονικού πλαισίου που οι έμπειροι προγραμματιστές φέρουν υποσυνείδητα.
Το παράδοξο παραγωγικότητας που εντόπισε η METR είναι το εξής: η βοήθεια της AI φαίνεται ταχύτερη επειδή παράγει γρήγορα αποτελέσματα. Αλλά η παραγωγή αποτελεσμάτων και η ολοκλήρωση εργασίας ποιότητας παραγωγής δεν είναι το ίδιο πράγμα. Το χάσμα μεταξύ τους είναι εκεί όπου κρύβεται το κρυφό κόστος.
Γιατί το Τεχνικό Χρέος Ειδικά για την AI Συσσωρεύεται Διαφορετικά
Το τεχνικό χρέος ήταν πάντα ένα χαρακτηριστικό της ανάπτυξης λογισμικού. Αυτό που κάνει την ανάπτυξη με τη βοήθεια AI διαφορετική δεν είναι ότι δημιουργεί τεχνικό χρέος, αλλά ότι το δημιουργεί μέσω μηχανισμών που είναι πιο δύσκολο να εντοπιστούν και να διορθωθούν από τα παραδοσιακά πρότυπα χρέους.
Το παραδοσιακό τεχνικό χρέος συσσωρεύεται επειδή οι προγραμματιστές κάνουν σκόπιμες συντομεύσεις: επιλέγουν μια γρήγορη λύση αντί για μια σωστή για να τηρήσουν μια προθεσμία, αναβάλλουν την τεκμηρίωση, εφαρμόζουν μια προσωρινή λύση αντί να επανασχεδιάσουν μια διεπαφή. Αυτές οι αποφάσεις λαμβάνονται συνήθως συνειδητά, από προγραμματιστές που κατανοούν τι θυσιάζουν. Το χρέος είναι γνωστό, ακόμα κι αν παραμένει ανεπίλυτο.
Το τεχνικό χρέος με τη βοήθεια AI συσσωρεύεται διαφορετικά. Ο κώδικας που παράγει η AI είναι συχνά συντακτικά σωστός και λειτουργικά επαρκής μεμονωμένα. Περάσει την αρχική αναθεώρηση. Λειτουργεί στις δοκιμές.
Τα προβλήματα που δημιουργεί, αρχιτεκτονική ασυνέπεια, διπλή λογική, παραβιασμένες συμβάσεις, εξαρτήσεις που θα καταστούν μη συντηρήσιμες καθώς μεγαλώνει η βάση κώδικα, δεν είναι ορατά στο σημείο της δημιουργίας. Εμφανίζονται με την πάροδο του χρόνου, καθώς ο όγκος του κώδικα που παράγεται από την AI αυξάνεται και η απουσία αρχιτεκτονικής συνοχής γίνεται εμφανής.
Η έρευνα της Ox Security για τον κώδικα που παράγεται από την AI, που δημοσιεύτηκε τον Οκτώβριο του 2024, το χαρακτηρίζει ακριβώς αυτό. Ο κώδικας που παράγεται από την AI περιγράφεται ως εξαιρετικά λειτουργικός αλλά συστηματικά ελλιπής σε αρχιτεκτονική κρίση. Η ανάλυσή τους εντόπισε τρεις δομικούς φορείς μέσω των οποίων η AI δημιουργεί σύνθετο τεχνικό χρέος:
- Χάος στην έκδοση μοντέλων, καθώς τα εργαλεία κωδικοποίησης AI εξελίσσονται γρήγορα και ο κώδικας που γράφτηκε για μια έκδοση ενός μοντέλου ενδέχεται να μην ενσωματώνεται ομαλά με κώδικα που γράφτηκε για ένα άλλο.
- Διόγκωση παραγωγής κώδικα, καθώς τα εργαλεία AI βελτιστοποιούνται για την παραγωγή εύλογου κώδικα αντί για ελάχιστο κώδικα, παράγοντας όγκο έναντι οικονομίας.
- Οργανωτικός κατακερματισμός, καθώς ανεξάρτητες ομάδες υιοθετούν διαφορετικά εργαλεία και προσεγγίσεις AI χωρίς διακυβέρνηση, δημιουργώντας βάσεις κώδικα που αντικατοπτρίζουν πολλαπλά, ασυνεπή πρότυπα παραγωγής AI αντί για μια συνεκτική μηχανική φιλοσοφία.
Η δυναμική της συσσώρευσης είναι σημαντικό να γίνει κατανοητή. Κάθε ένας από αυτούς τους φορείς δημιουργεί μεμονωμένα προβλήματα συντηρησιμότητας. Μαζί, αλληλεπιδρούν με τρόπους που καθιστούν το χρέος εκθετικά πιο δύσκολο να αντιμετωπιστεί.
Το χάος στην έκδοση μοντέλων καθιστά τη διόγκωση της παραγωγής κώδικα πιο δύσκολο να εντοπιστεί επειδή η ασυνέπεια στη βάση κώδικα έχει πολλαπλές επεξηγηματικές πηγές. Ο οργανωτικός κατακερματισμός καθιστά και τα δύο πιο δύσκολο να αντιμετωπιστούν επειδή δεν υπάρχει ενιαία άποψη για τη θέση του τεχνικού χρέους της βάσης κώδικα.
Η έρευνα της McKinsey για το τεχνικό χρέος περιγράφει την τελική κατάσταση του ανεπίλυτου συσσωρευμένου χρέους ακριβώς μέσω ενός πραγματικού παραδείγματος: μια μεγάλη B2B επιχείρηση που εντόπισε δεκάδες πρωτοβουλίες εκσυγχρονισμού που αντιπροσώπευαν μια ευκαιρία επέκτασης περιθωρίου 2 δισεκατομμυρίων δολαρίων, μόνο για να ανακαλύψει ότι το 70% από αυτές εξαρτιόταν από τεχνολογία που θα κόστιζε 400 εκατομμύρια δολάρια για να εκσυγχρονιστεί, ένα ποσό τόσο πολύ μεγαλύτερο από τις προβλέψεις που η εταιρεία αναγκάστηκε να εγκαταλείψει εντελώς το 25% της δυνητικής επέκτασης περιθωρίου.
Το χρέος δεν είχε συσσωρευτεί λόγω ανικανότητας. Είχε συσσωρευτεί μέσω ετών λογικών, γρήγορων αποφάσεων που μεμονωμένα είχαν νόημα και συλλογικά έγιναν ένα δομικό όριο για την επιχείρηση.
Οι Μετρήσεις που Κρύβουν το Πρόβλημα
Ένας λόγος που το τεχνικό χρέος με τη βοήθεια AI συσσωρεύεται χωρίς έγκαιρη προειδοποίηση είναι ότι οι μετρήσεις που παρακολουθούν οι περισσότερες ομάδες προϊόντων και μηχανικών έχουν σχεδιαστεί για να μετρούν την απόδοση, όχι την δομική υγεία.
Η συχνότητα αναπτύξεων, η ταχύτητα χαρακτηριστικών, ο όγκος commits και τα ποσοστά ολοκλήρωσης sprints μετρούν όλα τη δραστηριότητα. Σε ένα περιβάλλον ανάπτυξης με τη βοήθεια AI, όλες αυτές οι μετρήσεις συνήθως βελτιώνονται βραχυπρόθεσμα, ακόμα και αν η δομική ποιότητα της βάσης κώδικα μειώνεται. Περισσότερος κώδικας παράγεται πιο γρήγορα. Περισσότερα χαρακτηριστικά κυκλοφορούν στην ώρα τους. Οι αριθμοί φαίνονται καλοί.
Οι μετρήσεις που αποκαλύπτουν το δομικό χρέος, ο ρυθμός αλλαγής κώδικα (code churn rate), η δραστηριότητα αναδιάρθρωσης (refactoring activity), η κάλυψη δοκιμών (test coverage), η κυκλωματική πολυπλοκότητα (cyclomatic complexity), η αρχιτεκτονική σύζευξη (architectural coupling), σπάνια βρίσκονται στον ίδιο πίνακα ελέγχου με τις μετρήσεις ταχύτητας, και σπάνια παρουσιάζονται στους ενδιαφερόμενους που λαμβάνουν αποφάσεις σχετικά με την υιοθέτηση εργαλείων AI και τον ρυθμό ανάπτυξης.
Η έρευνα DORA 2024 της Google προσδιορίζει ρητά αυτή τη δυναμική ως "Υπόθεση Κενού" (Vacuum Hypothesis):
Το AI επιτρέπει στους προγραμματιστές να ολοκληρώνουν πολύτιμη εργασία πιο γρήγορα, αλλά αντί ο ανακτημένος χρόνος να κατευθύνεται σε αρχιτεκτονική εργασία υψηλότερης αξίας, απορροφάται από εργασίες χαμηλότερης αξίας, παράγοντας περισσότερο κώδικα, κυκλοφορώντας περισσότερα χαρακτηριστικά, γεμίζοντας τον διαθέσιμο χρόνο με παραγωγή αντί για ποιότητα.
Το αποτέλεσμα είναι ότι το κέρδος παραγωγικότητας από το AI δεν μεταφράζεται σε βελτιωμένη απόδοση παράδοσης σε επίπεδο συστήματος, επειδή η ατομική αύξηση ταχύτητας καταναλώνεται από το γενικό κόστος διαχείρισης αυτού που παράγει αυτή η ταχύτητα.
Η έκθεση "Cost of Poor Software Quality" του CISQ, η πιο ολοκληρωμένη θεσμική ποσοτικοποίηση του κόστους τεχνικού χρέους στις ΗΠΑ, εκτίμησε ότι η κακή ποιότητα λογισμικού κοστίζει στις αμερικανικές εταιρείες 2,41 τρισεκατομμύρια δολάρια ετησίως, με το κεφάλαιο του τεχνικού χρέους και μόνο να φτάνει τα 1,52 τρισεκατομμύρια δολάρια το 2022, αυξανόμενο κατά 14% ετησίως από το 2018.
Η ανάλυση της AlixPartners επιβεβαιώνει ότι έως το 2025, περίπου το 40% των προϋπολογισμών IT θα κατευθύνεται στη διατήρηση του υπάρχοντος τεχνικού χρέους αντί στην οικοδόμηση νέας αξίας. Αυτά είναι τα κόστη σε επίπεδο συστήματος των μετρήσεων σε ατομικό επίπεδο που φαίνονται καλές για αρκετό καιρό.
Πώς μοιάζει η Υπεύθυνη Ανάπτυξη με τη βοήθεια AI
Καμία από τις παραπάνω έρευνες δεν υποστηρίζει ότι τα εργαλεία κωδικοποίησης AI δεν πρέπει να χρησιμοποιούνται. Τα ευρήματα της DORA είναι σαφή ότι η AI έχει θετικές επιπτώσεις στην ικανοποίηση των μεμονωμένων προγραμματιστών, στην ποιότητα της τεκμηρίωσης και στην ταχύτητα αναθεώρησης κώδικα.
Οι ίδιοι οι συγγραφείς της μελέτης METR σημειώνουν ότι τα αποτελέσματά τους αντιπροσωπεύουν ένα στιγμιότυπο της AI στις αρχές του 2025 σε ένα συγκεκριμένο πλαίσιο, έμπειρους προγραμματιστές σε ώριμες, πολύπλοκες βάσεις κώδικα, και ότι τα αποτελέσματα θα διαφέρουν ανάλογα με τον τύπο εργασίας, την πολυπλοκότητα της βάσης κώδικα και το επίπεδο εμπειρίας του προγραμματιστή. Η έρευνα της GitClear είναι μια έκκληση για πειθαρχία στη μέτρηση, όχι μια έκκληση για απόρριψη των εργαλείων AI.
Αυτό που υποστηρίζει η έρευνα, συλλογικά, είναι ότι τα εργαλεία κωδικοποίησης AI απαιτούν διακυβέρνηση, το ίδιο είδος σκόπιμης διαχείρισης που απαιτεί κάθε ισχυρός επιταχυντής όταν εισάγεται σε ένα πολύπλοκο σύστημα.
Η πρώτη αρχή διακυβέρνησης είναι η μέτρηση αυτού που πραγματικά έχει σημασία. Η ταχύτητα παράδοσης και η απόδοση χαρακτηριστικών είναι απαραίτητες μετρήσεις, αλλά ανεπαρκείς. Οι ηγέτες μηχανικής που υιοθετούν εργαλεία κωδικοποίησης AI χωρίς να παρακολουθούν ταυτόχρονα τον ρυθμό αλλαγής κώδικα, τη δραστηριότητα αναδιάρθρωσης, την κάλυψη δοκιμών, την αρχιτεκτονική σύζευξη και την επικράτηση διπλού κώδικα, μετρούν την εισροή στη δημιουργία τεχνικού χρέους χωρίς να μετρούν το ίδιο το χρέος.
Η σύσταση της McKinsey, η αντιμετώπιση του τεχνικού χρέους ως επιχειρηματικό ζήτημα με ιδιοκτησία P&L και όχι ως πρόβλημα τεχνολογικής διαχείρισης, εφαρμόζεται με ιδιαίτερη δύναμη σε περιβάλλοντα ανάπτυξης με τη βοήθεια AI, όπου ο ρυθμός δημιουργίας χρέους έχει επιταχυνθεί.
Η δεύτερη αρχή είναι η διάκριση του πού η βοήθεια AI πραγματικά βοηθάει. Το εύρημα της μελέτης METR ότι οι έμπειροι προγραμματιστές σε πολύπλοκες, ώριμες βάσεις κώδικα επιβραδύνθηκαν από τη βοήθεια AI δεν σημαίνει ότι η AI δεν παρέχει καμία αξία. Σημαίνει ότι η AI παρέχει διαφορετική αξία σε διαφορετικά πλαίσια. Η βοήθεια AI είναι πιο αποτελεσματική σε καλά καθορισμένες, ελαφριές σε πλαίσιο εργασίες:
- Δημιουργία boilerplate
- Σκαλωσιά δοκιμών
- Τεκμηρίωση
- Επεξήγηση κώδικα
- Εφαρμογή ρουτίνας μοτίβων
Είναι λιγότερο αποτελεσματική, και πιο πιθανό να δημιουργήσει χρέος, σε εργασίες που απαιτούν βαθιά αρχιτεκτονική κρίση:
- Σχεδιασμός μοντέλων δεδομένων
- Καθιέρωση ορίων υπηρεσιών
- Αναδιάρθρωση υπαρχόντων συστημάτων
- Δημιουργία έναντι πολύπλοκων άρρητων συμβάσεων που υπάρχουν στη βάση κώδικα και όχι σε ένα prompt
Η τρίτη αρχή είναι η διατήρηση της αναδιάρθρωσης ως δραστηριότητα μηχανικής πρώτης τάξης. Τα δεδομένα της GitClear δείχνουν ότι η μείωση της δραστηριότητας αναδιάρθρωσης είναι η πιο δομικά σημαντική αλλαγή που σχετίζεται με την ανάπτυξη με τη βοήθεια AI. Η αναδιάρθρωση είναι ο τρόπος με τον οποίο οι βάσεις κώδικα παραμένουν συντηρήσιμες με την πάροδο του χρόνου.
Εάν τα εργαλεία AI δημιουργούν κώδικα πιο γρήγορα, αλλά ο εξοικονομημένος χρόνος δεν επανεπενδύεται σε αρχιτεκτονική βελτίωση, η βάση κώδικα θα αυξηθεί σε όγκο ενώ θα μειωθεί σε συνοχή. Οι μηχανικές κουλτούρες που προϋπολογίζουν ρητά χρόνο για αναδιάρθρωση και μετρούν τη δραστηριότητα αναδιάρθρωσης ως ένδειξη της υγείας της μηχανικής, χτίζουν ένα δομικό αντίβαρο στις δυναμικές δημιουργίας χρέους της παραγωγής κώδικα AI.
Η τέταρτη αρχή είναι η πειθαρχία στην αναθεώρηση κώδικα σε κλίμακα. Το πλεονέκτημα ταχύτητας της ανάπτυξης με τη βοήθεια AI υπονομεύεται εν μέρει από την ανεπαρκή αναθεώρηση του κώδικα που παράγεται από AI, καθώς το εύρημα της μελέτης METR ότι οι προγραμματιστές αποδέχτηκαν λιγότερο από το 44% των προτάσεων AI υποδηλώνει ότι το κόστος αναθεώρησης είναι ήδη σημαντικό. Αλλά η απάντηση δεν είναι η μείωση της αυστηρότητας της αναθεώρησης για τη διατήρηση της ταχύτητας.
Είναι η ανάπτυξη πρακτικών αναθεώρησης βαθμονομημένων στις συγκεκριμένες λειτουργικές αστοχίες του κώδικα που παράγεται από AI:
- Αρχιτεκτονική ασυνέπεια
- Έλλειψη χειρισμού σφαλμάτων
- Ευπάθειες ασφαλείας
- Παραβιάσεις υφιστάμενων συμβάσεων
Η έρευνα DORA της Google προσδιορίζει συγκεκριμένα τους ισχυρούς μηχανισμούς δοκιμών και τα μικρά μεγέθη παρτίδων ως τις πρακτικές που επιτρέπουν στην ανάπτυξη με δυνατότητα AI να βελτιώνει αντί να υποβαθμίζει τη σταθερότητα παράδοσης. Η πειθαρχία αναθεώρησης και οι μικρές παρτίδες είναι η ίδια αρχή: καθιστώντας τον όγκο αλλαγών διαχειρίσιμο, ώστε να μπορεί να επαληθευτεί η ποιότητά του.
Η πέμπτη αρχή είναι η διακυβέρνηση σε οργανωτικό επίπεδο, όχι μόνο σε επίπεδο ομάδας. Ο προσδιορισμός του οργανωτικού κατακερματισμού από την Ox Security ως φορέα χρέους είναι ένα πρόβλημα ομάδας προϊόντος, όχι ένα πρόβλημα μηχανικής. Όταν ανεξάρτητες ομάδες υιοθετούν διαφορετικά εργαλεία AI, διαφορετικές προσεγγίσεις προτροπής και διαφορετικές συμβάσεις παραγωγής κώδικα χωρίς συντονισμό, το αποτέλεσμα είναι μια βάση κώδικα που αντικατοπτρίζει πολλαπλά ασυνεπή μοτίβα παραγωγής AI αντί για μια συνεκτική φιλοσοφία μηχανικής.
Οι εταιρείες που το διαχειρίζονται καλά είναι αυτές που έχουν καθιερώσει σαφείς πολιτικές χρήσης AI, έχουν ορίσει ποια εργαλεία επιτρέπονται και πώς πρέπει να χρησιμοποιούνται, και έχουν δημιουργήσει ορατότητα στα πρότυπα υιοθέτησης AI σε όλες τις ομάδες μηχανικής, αντιμετωπίζοντας την υιοθέτηση AI ως οργανωτικό μετασχηματισμό και όχι ως συλλογή μεμονωμένων επιλογών προγραμματιστών.
Το Παράθυρο Ευκαιρίας για να το Κάνουμε Σωστά
Η έρευνα της McKinsey σε εταιρείες που βρίσκονται στο κατώτερο 20ο εκατοστημόριο όσον αφορά το Tech Debt Score τους, διαπίστωσε ότι είναι 40% πιο πιθανό να έχουν ημιτελείς ή ακυρωμένες προσπάθειες εκσυγχρονισμού IT από εκείνες που βρίσκονται σε καλύτερη θέση.
Το χρέος που συσσωρεύεται κατά τη διάρκεια μιας περιόδου ταχείας, ανεξέλεγκτης υιοθέτησης AI δεν γίνεται ορατό μέχρι η ομάδα να προσπαθήσει να δημιουργήσει κάτι σημαντικό πάνω σε αυτό, οπότε οι επιλογές είναι δαπανηρές, διασπαστικές ή και τα δύο.
Η έκθεση DORA 2025 πλαισιώνει την πορεία προς τα εμπρός με ακρίβεια:
Η αξία του AI ξεκλειδώνεται όχι από τα ίδια τα εργαλεία, αλλά από τις περιβάλλουσες τεχνικές πρακτικές και το πολιτιστικό περιβάλλον. Το Platform engineering, η ωριμότητα των αυτοματοποιημένων δοκιμών, τα μικρά μεγέθη παρτίδων, οι γρήγοροι βρόχοι ανατροφοδότησης, αυτές είναι οι πρακτικές που επιτρέπουν στο AI να επιταχύνει την ανάπτυξη χωρίς να υποβαθμίζει τη σταθερότητα. Χωρίς αυτές, το AI επιταχύνει την ανάπτυξη και εκθέτει τις αδυναμίες που υπήρχαν πάντα.
Οι ηγέτες μηχανικής και προϊόντων που αναπτύσσουν εργαλεία κωδικοποίησης AI το 2026 λαμβάνουν αποφάσεις που θα καθορίσουν τη δομική υγεία των κωδικών τους το 2028 και μετά.
Το χρέος που δημιουργείται τώρα είναι αόρατο στις μετρήσεις που παρακολουθούν οι περισσότεροι οργανισμοί, γι' αυτό ακριβώς συσσωρεύεται ανεξέλεγκτα. Οι οργανισμοί που θα είναι σε θέση να κινηθούν γρήγορα σε κλίμακα σε δύο χρόνια δεν είναι αυτοί που παράγουν τον περισσότερο κώδικα σήμερα. Είναι αυτοί που χτίζουν πλαίσια μέτρησης και διακυβέρνησης σήμερα, τα οποία επιτρέπουν στα γνήσια οφέλη παραγωγικότητας του AI να συσσωρεύονται χωρίς ταυτόχρονα να δημιουργούν ένα ανώτατο όριο χρέους σε ό,τι θέλουν να κάνουν στη συνέχεια.
Πόροι
- Google Cloud, "Accelerate State of DevOps Report 2024", DORA Research Programme: cloud.google.com
- Google Cloud, "Accelerate State of DevOps Report 2025", DORA Research Programme: cloud.google.com
- Joel Becker et al. (METR), "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity", arXiv, July 2025: arxiv.org
- METR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (blog post and methodology summary), July 2025: metr.org
- William Harding & Matthew Kloster (GitClear), "Coding on Copilot: 2023 Data Suggests Downward Pressure on Code Quality", GitClear Research, January 2024: gitclear.com
- William Harding (GitClear), "AI Copilot Code Quality: 2025 Data Suggests 4x Growth in Code Clones", GitClear Research, February 2025: gitclear.com
- Sven Blumberg, Rahul Das et al. (McKinsey Digital), "Demystifying Digital Dark Matter: A New Standard to Tame Technical Debt", McKinsey, June 2022: mckinsey.com
- Aamer Baig, Sven Blumberg et al. (McKinsey Digital), "Breaking Technical Debt's Vicious Cycle to Modernize Your Business", McKinsey, April 2023: mckinsey.com
- Vishal Dalal, Krish Krishnakanthan et al. (McKinsey Digital), "Tech Debt: Reclaiming Tech Equity", McKinsey, October 2020: mckinsey.com
- Consortium for Information & Software Quality (CISQ), "The Cost of Poor Software Quality in the US: A 2022 Report", co-sponsored by the Object Management Group and the Software Engineering Institute at Carnegie Mellon University: it-cisq.org
- Ox Security, "Army of Juniors: The AI Code Security Crisis", October 2024: ox.security
- AlixPartners, "Can AI Solve the Rising Costs of Technical Debt?", October 2024: alixpartners.com
- Gartner, "Reduce and Manage Technical Debt" (topic overview and research): gartner.com
