Η ανθρώπινη τεχνογνωσία παραμένει κρίσιμη στη λογισμική εποχή των agents
Η τεχνητή νοημοσύνη αλλάζει τον τρόπο με τον οποίο γράφεται και ελέγχεται το λογισμικό, όμως η ανθρώπινη τεχνογνωσία παραμένει καθοριστική, σύμφωνα με άρθρο της Louise Cox στο O’Reilly Radar, στις 17 Νοεμβρίου 2026.
Όπως αναφέρει, οι περισσότεροι προγραμματιστές γράφουν πλέον λιγότερο κώδικα με το χέρι, καθώς τα μεγάλα γλωσσικά μοντέλα έχουν ενταχθεί στην καθημερινή πρακτική της ανάπτυξης λογισμικού. Η ίδια σημειώνει ότι αρκετοί αισθάνονται πως κάτι χάνεται, επειδή η συγγραφή και η ανάγνωση κώδικα έδιναν σε πολλούς αίσθηση ικανότητας, ταυτότητας και ικανοποίησης.
Η Cox περιγράφει και τη δική της εμπειρία από συνέδρια, όπου εντυπωσιαζόταν όταν κάποιοι έκαναν ζωντανές επιδείξεις, έγραφαν κώδικα, διόρθωναν λάθη και έφερναν μπροστά στο κοινό κάτι λειτουργικό. Εκτιμά ότι αυτό το αίσθημα «μαγείας» εξηγεί γιατί πολλοί μπήκαν στον χώρο, αλλά και γιατί σήμερα ορισμένοι βιώνουν μια αίσθηση απώλειας.
Στο κείμενο παραπέμπεται και η θέση του Tim O’Reilly, ότι η O’Reilly είναι μια επιχείρηση που βασίζεται στην καλλιέργεια και τη διάδοση ανθρώπινης εμπειρίας. Για τους προγραμματιστές που δουλεύουν σε ένα περιβάλλον «agentic software factories», η εμπειρία τους δεν εξαφανίζεται, αλλά μετατοπίζεται: επηρεάζει το πώς οι agents παράγουν λογισμικό και ποια στοιχεία χρειάζονται πριν γίνει αποδεκτό το αποτέλεσμα.
Η ίδια υποστηρίζει ότι οι agents πολλαπλασιάζουν ό,τι τους δίνει κανείς, αλλά απαιτούν κατανόηση από την αρχή. Χωρίς τεχνογνωσία, δεν μπορεί κανείς να τους κατευθύνει με τον ίδιο τρόπο που το κάνει ένας έμπειρος developer. Η εμπειρία, όπως γράφει, περνά σε ένα νέο επίπεδο αφαίρεσης.
Σε συζήτηση με τον Avi Flombaum, ιδρυτή της Flatiron School, εκείνος συμφώνησε ότι η αξία των προγραμματιστών δεν βρισκόταν ποτέ μόνο στη συγγραφή ή την ανάγνωση κώδικα. Η AI αλλάζει τους μηχανισμούς, αλλά η εμπειρία εξακολουθεί να μετρά για την κατανόηση σύνθετων προβλημάτων, τη διατύπωση του τι πρέπει να κατασκευαστεί και την κρίση που συνοδεύει την εργασία.
Σε άλλη συζήτηση με τον Ken Kousen, εκείνος είπε: «We’ve been working with third-party code generators for years; we just called it outsourcing.» Στο ίδιο πλαίσιο, η Cox βλέπει ως ευκαιρία τον σχεδιασμό ροών εργασίας AI, τον καθορισμό ορίων ασφαλείας και τη διαχείριση των agents όπως θα γινόταν με μια μηχανική ομάδα. Κατά τη θέση της, εκεί ακριβώς αναδεικνύεται περισσότερο η συσσωρευμένη εμπειρία.
Ιδιαίτερη έμφαση δίνεται στις λεγόμενες software factories. Οι εταιρείες χρησιμοποιούν agents σε ολόκληρο τον κύκλο ανάπτυξης, με στόχο η εργασία να περνά από το αρχικό σήμα μέχρι την υλοποίηση, την επιβεβαίωση και την ανάπτυξη χωρίς άνθρωπο σε κάθε βήμα. Όμως η παραγωγή περισσότερου κώδικα είναι μόνο μέρος της διαδικασίας. Χωρίς αλλαγές στα υπόλοιπα στάδια, μπορεί να παραχθούν πολλά pull requests που τελικά χρειάζονται ακόμα ανθρώπινο έλεγχο.
Η Cox παραπέμπει και στο AI-native SDLC playbook της Anthropic, το οποίο επισημαίνει ότι η επιτάχυνση της υλοποίησης μεταφέρει το βάρος στον σχεδιασμό, τις δοκιμές, τον έλεγχο, τις παραδόσεις και τις εγκρίσεις. Τα εργαλεία ταχύτερης κωδικοποίησης δεν επιταχύνουν από μόνα τους αυτά τα στάδια. Κάποιος πρέπει να κατανοεί καλά όλη τη ροή ώστε να την επανασχεδιάσει.
Στο πλαίσιο μιας software factory, η κρίση πρέπει να ενσωματώνεται στο σύστημα. Οι άνθρωποι σχεδιάζουν τη ροή εργασίας, ορίζουν τις προϋποθέσεις υπό τις οποίες μπορεί να προχωρήσει η δουλειά και αποφασίζουν ποιες εξαιρέσεις χρειάζονται την προσοχή τους. Η Anthropic αναφέρει ότι ο Claude γράφει περίπου το 80% του κώδικα που ενσωματώνεται στο codebase της, μαζί με διαδικασία ελέγχου που συνδυάζει αυτοματοποιημένους ελέγχους και ανθρώπινη εποπτεία, ανάλογα με το ρίσκο.
Μεγάλο ρόλο παίζει και η κατάσταση του ίδιου του κώδικα. Η έρευνα του Adam Tornhill και της ομάδας CodeScene έδειξε ότι σε codebases σε C++, Java και Python, οι agents που εργάζονταν πάνω σε «ανθυγιεινό» κώδικα χρειάζονταν 35–45% περισσότερα tokens για να ολοκληρώσουν τις ίδιες εργασίες. Αυτό καθιστά λογική επένδυση το refactoring στα σημεία του codebase που ακουμπούν περισσότερο οι agents. Όμως κάποιοι πρέπει να ξέρουν ποια είναι αυτά τα σημεία, να ορίζουν τι σημαίνει «καλύτερο» και να επιβεβαιώνουν ότι η συμπεριφορά δεν έχει αλλάξει.
Το ίδιο ισχύει και για το πλαίσιο. Στις δοκιμές της Port, η παροχή δομημένου context στους agents μείωσε το κόστος κατά περίπου 58% σε σχέση με την άμεση πρόσβαση σε ξεχωριστούς MCP servers. Η προσθήκη οδηγιών για το πού βρίσκεται η σχετική πληροφορία έφερε την εξοικονόμηση κοντά στο 80%. Τα στοιχεία αυτά αφορούν το συγκεκριμένο πείραμα, όμως η λογική τους είναι γνώριμη σε κάθε έμπειρο developer: χρειάζεται να ξέρει ποιες σχέσεις μέσα σε ένα σύστημα έχουν σημασία και να διατηρεί αυτή τη γνώση ενημερωμένη όσο το σύστημα αλλάζει.
Στο βιβλίο Evals for AI Engineers, η Shreya Shankar και ο Hamel Husain περιγράφουν μια διαδικασία που ξεκινά από πραγματικά traces της λειτουργίας του συστήματος. Πρώτα γίνεται open coding, δηλαδή ανάγνωση των traces και σύντομες σημειώσεις για όσα πήγαν στραβά. Ακολουθεί το axial coding, όπου οι σημειώσεις ομαδοποιούνται σε κατηγορίες αποτυχιών με βάση όσα πραγματικά έχουν παρατηρηθεί.
Ένας προγραμματιστής που έχει περάσει χρόνια διορθώνοντας παραγωγικά συστήματα θα ξεχωρίσει γρηγορότερα τα σφάλματα που έχουν σημασία από εκείνα που δεν μετρούν. Εκεί, σύμφωνα με την Cox, φαίνεται πλέον η εμπειρία των developers: στον τρόπο με τον οποίο ορίζουν τα προβλήματα, στα πρότυπα που θέτουν και στα στοιχεία που ζητούν πριν κάτι προχωρήσει σε παραγωγή.
Στο τέλος του άρθρου, η Cox επαναλαμβάνει ότι η τεχνητή νοημοσύνη επιβραβεύει την ισχυρή μηχανική, δεν την αντικαθιστά. Η ίδια γράφει πως δεν θα μπορούσε να χτίσει μόνη της μια software factory, γιατί δεν διαθέτει τα χρόνια εμπειρίας που χρειάζονται για να ξέρει πού πρέπει να δουλεύουν οι agents, πώς να μπαίνουν τα όρια και πώς να κρίνεται το αποτέλεσμα.
Κλείνοντας, παραθέτει και τη φράση του Ben O’Mahony: «Those who have a lot of exposure to Agentic engineering have seen past the magic and are back to engineering!».
Πηγή: oreilly.com.
Το κείμενο δημιουργήθηκε από GPT 5.0. Δείτε τα AI Editorial Guidelines.





