Πώς μετράται η επίδραση της AI στην ταχύτητα παράδοσης λογισμικού

Η AI μπορεί να κάνει την ανάπτυξη λογισμικού πιο γρήγορη, αλλά το κρίσιμο ερώτημα είναι πόσο και με τι αντάλλαγμα, γράφει ο James Shore στο Successful Software, σε άρθρο που αναδημοσιεύεται στο O’Reilly Radar στις 4 Νοεμβρίου 2026.

Ο Shore εξετάζει πώς μπορεί να μετρηθεί η επίδραση της AI στην ταχύτητα παράδοσης και ξεκαθαρίζει από την αρχή ότι η ταχύτητα παράδοσης δεν είναι το ίδιο με την παραγωγικότητα.

Όπως αναφέρει, η ταχύτητα είναι μόνο ένα στοιχείο της παραγωγικότητας. Η δική του προσέγγιση τη συνδέει με την αξία που παράγεται σε σχέση με τα χρήματα που δαπανώνται. Με βάση αυτό, το βασικό ερώτημα δεν είναι απλώς αν η ομάδα τελειώνει πιο γρήγορα τη δουλειά της, αλλά αν τη φέρνει εις πέρας πιο γρήγορα.

Ο συγγραφέας επισημαίνει ότι δεν υπάρχει αντικειμενικό μέτρο για την ταχύτητα στην ανάπτυξη λογισμικού. Οι μετρικές όπως γραμμές κώδικα, pull requests, features, bugs, stories, velocity και story points δεν είναι συγκρίσιμες, γιατί διαφέρουν σε μέγεθος και δυσκολία ή εξαρτώνται από το τι ζητείται κάθε φορά.

Ούτε οι εκτιμήσεις αρκούν, σημειώνει. Αν μια ομάδα χάνει συνεχώς τις εκτιμήσεις της, αυτό δεν σημαίνει απαραίτητα ότι είναι αργή, αλλά ότι είναι υπερβολικά αισιόδοξη. Γι’ αυτό προτείνει να συγκρίνεται η κάθε ομάδα ή το κάθε άτομο με τον εαυτό του και όχι με άλλους.

Στο κείμενο παρουσιάζονται τέσσερις βασικές δυσκολίες στη μέτρηση. Πρώτον, οι εκτιμήσεις δεν είναι σταθερές και τα πραγματικά δεδομένα σχηματίζουν καμπύλη. Δεύτερον, οι άνθρωποι δουλεύουν διαφορετικά, άρα οι γενικευμένες συγκρίσεις προσθέτουν «θόρυβο» στα δεδομένα. Τρίτον, οι εκτιμήσεις αλλάζουν όταν κάποιος ξέρει ότι θα χρησιμοποιήσει AI. Τέταρτον, οι βελτιώσεις στην ταχύτητα μπορεί να οφείλονται και σε παράλληλες αλλαγές στη διαδικασία, όχι μόνο στην AI.

Για να περιοριστούν αυτοί οι παράγοντες, ο Shore προτείνει μια τυχαιοποιημένη ελεγχόμενη δοκιμή. Συγκεκριμένα, περιγράφει ένα σχέδιο με δύο προσεγγίσεις, μία με AI και μία χωρίς AI, οι οποίες πρέπει να είναι σαφώς ορισμένες και να έχουν προηγουμένως εξασκηθεί από τους συμμετέχοντες.

Για κάθε εργασία, οι συμμετέχοντες καταγράφουν πρώτα την εκτίμηση και στη συνέχεια η εργασία ανατίθεται τυχαία στη μία ή την άλλη προσέγγιση. Τα βασικά δεδομένα που θα συγκεντρωθούν είναι ο εκτιμώμενος χρόνος, ο πραγματικός χρόνος, ο τύπος της εργασίας και η δαπάνη. Ο συγγραφέας σημειώνει επίσης ότι πρέπει από πριν να έχει αποφασιστεί αν θα μετριέται ο ημερολογιακός χρόνος ή η προσπάθεια, καθώς και πώς θα αντιμετωπίζεται η παράλληλη εργασία.

Σύμφωνα με το άρθρο, η ανάλυση απαιτεί τη βοήθεια στατιστικού, ώστε τα δεδομένα κάθε ατόμου να συγκριθούν με τα δικά του χωρίς AI και στη συνέχεια να συνδυαστούν. Παράλληλα, τονίζεται ότι η αύξηση της ταχύτητας δεν ταυτίζεται με την παραγωγικότητα συνολικά, καθώς άλλες εργασίες μπορεί να περιορίζουν το συνολικό όφελος.

Ο Shore υποστηρίζει ότι η διαδικασία είναι πιο σύνθετη από το να μετρώνται απλώς τα pull requests, αλλά θεωρεί πως αξίζει τον κόπο, επειδή το κόστος και οι προσδοκίες γύρω από την AI είναι μεγάλα. Παραπέμπει επίσης σε μελέτη του METR, σύμφωνα με την οποία οι μηχανικοί υπερεκτίμησαν σχεδόν κατά 50% τα οφέλη ταχύτητας της AI.

Τονίζει τέλος ότι χωρίς μετρήσεις δεν μπορεί να φανεί τι πραγματικά κερδίζει μια ομάδα από την AI. Η ταχύτητα παράδοσης είναι μόνο ένα μέρος της εικόνας, ενώ στο επόμενο μέρος της σειράς του θα εξεταστούν οι ανεπιθύμητες συνέπειες.

Πηγή: oreilly.com.