Aby som získal pochopenie z prvej ruky o vplyve AI na životný cyklus vývoja softvéru (SDLC), rozhodol som sa spustiť experiment. chcel som sa pokúsiť napísať pomerne zložitý systém od začiatku pomocou AI. Nechcel som aplikáciu "Hello World" alebo inú aplikáciu "To Do"; chcel som niečo realistické, niečo, čo by sa mohlo použiť v rozsahu, ako by sme budovali vo svete podnikov. Výsledkom je - zábavný projekt, ktorý spája moju vášeň pre technológiu a voľne žijúce živočíchy. Under The Hedge Experiment priniesol niekoľko kľúčových zistení, ktoré potvrdzujú a pridávajú praktický kontext k širším trendom v odvetví: 
 
 
 
 
 
 Je AI robí vývojárov rýchlejšími alebo len horšími? vykonal som experiment, aby som zistil. "Stability Tax": Objavte skryté náklady na vysokorýchlostnú generáciu kódu AI a prečo to poháňa technický dlh. Vibe Coding je mŕtvy: Zistite, prečo generovanie kódu prostredníctvom prirodzených jazykových príkazov zvyšuje bar pre zvládnutie vývojárov, nie ho znižuje. Paradox dôvery: Prečo 90% vývojárov používa AI, ale 30% nedôveruje riadku kódu, ktorý píše. The Bricklayer vs. The Site Foreman: Nový model pre úlohu vývojára vo veku AI. The Project: Under The Hedge Výsledky hľadania pre: under the hedge Rozhodol som sa vybudovať komunitnú platformu na zdieľanie a objavovanie stretnutí s voľne žijúcimi živočíchmi - v podstate Instagram / Strava pre voľne žijúce živočíchy. Aby ste získali predstavu o rozsahu projektu, zahŕňa: 
 
 
 
 
 
 
 
 AI-powered Analysis: Používatelia nahrajú fotografie a systém používa Gemini na automatickú identifikáciu druhov, popisovanie správania a priradenie "výhody záujmu" na základe povedomia o tom, čo sa deje v obraze a na mieste, kde bolo zhotovené. Komplexné geopriestorové údaje: interaktívne mapy, geohashing pre sledovanie polohy a presné extrakcie súradníc z údajov EXIF. Vysoko výkonná dátová vrstva: škálovateľný a rýchlo sa rozširujúci dizajn jednej tabuľky v systéme AWS DynamoDB na spracovanie zložitých vzorcov prístupu k údajom s latenciou sub-milisekúnd. Rozšíriteľná multimediálna infraštruktúra: Robustná multimediálna zložka využívajúca AWS CloudFront na efektívne vyrovnávanie a poskytovanie obrázkov a videí s vysokým rozlíšením používateľom na celom svete. Sociálny graf: Kompletný systém sledovania (sledovanie používateľov, druhov, miest alebo hashtagov), komentáre a aktivity. Gamifikácia: Umiestnite leaderboards na zapojenie miestnych obyvateľov. Enterprise Security: Zabezpečte auth cez AWS Cognito, ovládacie prvky ochrany osobných údajov a nástroje na moderovanie. Môžete to skontrolovať tu: https://www.underthehedge.com The Industry Context Kontext priemyslu Predtým, než sa podelím o to, čo som našiel pri vývoji Under The Hedge, mali by sme posúdiť, čo hovorí zvyšok priemyslu na základe štúdií z posledných pár rokov. Ako sa dostávame do konca roku 2025, rozprávanie o AI-podporovanom vývoji sa vyvinulo z jednoduchého „rýchlosti“ do viac nuančnej reality. Správa DORA (DevOps Research and Assessment) z roku 2025 definuje túto éru jediným silným konceptom: AI je zosilňovač. Throughput vs. Stability Údaje z roku 2025 odhaľujú zásadný posun v porovnaní s predchádzajúcimi rokmi.V roku 2024 predbežné údaje naznačovali, že AI môže skutočne spomaliť doručenie.Avšak správa DORA z roku 2025 potvrdzuje, že tímy sa prispôsobili: prijatie AI je teraz pozitívne korelované so zvýšeným objemom doručenia. Správa potvrdzuje, že keď sa prijatie AI zvyšuje, stabilita doručovania naďalej klesá. Trenie pri generovaní kódu sa znížilo na takmer nulu, čo vytvára nárast objemu kódu, ktorý prekonáva procesy testovania a preskúmania. Vibe Coding Bug Spike Táto nestabilita je potvrdená externými štúdiami. Výskum spoločnosti Uplevel v roku 2024 zistil, že zatiaľ čo vývojári sa cítia produktívnejší, miera chýb sa zvýšila o 41% v AI-podporovaných požiadavkách na ťahanie. To sa zhoduje s fenoménom "vibe kódovania" - generovanie kódu prostredníctvom prirodzených jazykových výzvy bez hlbokého pochopenia základnej syntaxe. The Trust Paradox Napriek tomu, že 90% vývojárov teraz používa nástroje AI, zostáva významný „paradox dôvery“. Správa DORA 2025 zdôrazňuje, že 30% profesionálov stále má malú alebo žiadnu dôveru v kód, ktorý generuje AI. Používame nástroje, ale sme opatrní - zaobchádzame s AI ako s "mladším stážistom", ktorý si vyžaduje neustály dohľad. Code Churn and Technical Debt Najhoršie dôkazy týkajúce sa kvality kódu pochádzajú z správy o kvalite kódu AI Copilot od spoločnosti GitClear z roku 2025.Analyzujúc 211 miliónov riadkov kódu, identifikovali v roku 2024 „sporný míľnik“: prvýkrát v histórii objem riadkov „Kopírovať/Pastovať“ (12,3 %) prekročil objem „Premeniť“ alebo prepracovať riadky (9,5 %). Správa podrobne opisuje 8-násobný nárast duplicitných blokov kódu a prudký nárast "churn", kódu, ktorý je napísaný a potom revidovaný alebo odstránený v priebehu dvoch týždňov.To naznačuje, že umelá inteligencia podporuje kultúru "len pre písanie", kde vývojári považujú za jednoduchšie generovať nové, opakujúce sa bloky kódu namiesto refaktorovania existujúcej logiky, aby bola modulárna. Security Risks Analýza spoločnosti Veracode z roku 2025 zistila, že 45% vzoriek kódu generovaného umelou inteligenciou obsahovalo nebezpečné zraniteľnosti, pričom jazyky ako Java zaznamenali mieru bezpečnosti až 29%. So what do these studies tell us? Údaje maľujú jasný obraz: AI pôsobí ako multiplikátor. Zosilňuje rýchlosť, ale ak nie je riadená správne, tiež zosilňuje chyby, technický dlh a bezpečnostné chyby. What my Experiment Taught Me Čo ma naučil môj experiment Moje vybrané nástroje boli Gemini pre architektúru / plánovanie a Cursor pre implementáciu. v Cursore som použil režim agenta s modelom nastaveným na auto. Stavebné bolo očarujúce cvičenie, ktoré potvrdilo zistenia odvetvia a zdôraznilo praktický, ľudský prvok AI-podporovaného vývoja. Under The Hedge The Velocity Multiplier Multiplikátor rýchlosti Zatiaľ čo som nezachovával prísne časové záznamy, odhadujem, že by som mohol implementovať celý tento systém - pomerne komplexnú platformu podnikového rozsahu - za menej ako mesiac práce na plný úväzok (približne 9-5, 5 dní týždenne). Najväčší osobný vplyv pre mňa, ktorý hovorí možno viac o motivácii ako o čistej rýchlosti, bola konštantná spätná väzba.V minulých osobných projektoch som sa často zablúdil do malých, komplikovaných detailov, čo vedie k vyhoreniu.Pomocou týchto nástrojov som mohol implementovať kompletnú, komplexnú funkčnosť - ako je celý systém sociálneho krmiva - v čase, ktorý trval na spustenie kúpeľa môjho syna.Rýchly pokrok a okamžité výsledky sú silnými endorfínovými hitmi, udržiavaním motivácie vysokou. The "Stability Tax" in Practice Daň z príjmov v praxi Moja skúsenosť tiež potvrdila rastúce obavy odvetvia o "daň stability" - pokles stability doručovania v dôsledku zvýšeného objemu kódu. zistil som, že AI robí dobre definované, izolované úlohy výnimočne dobre; budovanie komplexných mapových komponentov alebo sofistikovaných mediálnych UI bolo vykonané v sekundách, úlohy, ktoré by mi zvyčajne trvali dni alebo dokonca týždne. 
 
 
 Bloat and Duplication: AI dôsledne predvolene na najrýchlejšie riešenie, nie na to najlepšie, pokiaľ nie je výslovne povedané inak.To viedlo k neefektívnemu, napučanému kódu.Pri riešení ťažkého problému by často "brutálne silou" riešenie, implementovať viac redundantných kódových ciest v nádeji na vyriešenie problému. Smrť „DRY“ potvrdená: Často som pozoroval, že AI duplikuje celé časti kódu namiesto vytvárania opakovane použiteľných komponentov alebo pomocných metód. Toto je priamy dôkaz o kultúre „len písania“ zdôraznenej v správe GitClear, ktorá napája nárast kopírovaných/pasovaných riadkov a kódu.Ak by som zmenil jednoduchú dátovú zmluvu (napr. premenovanie databázovej vlastnosti), AI by sa často snažila udržať spätnú kompatibilitu zaobchádzaním so starými aj novými scenármi, čo by viedlo k zbytočnému výbuchu kódu. Nakoniec som musel udržať hlboké pochopenie systémov, aby sa zabezpečilo, že sa implementujú najlepšie postupy, čo potvrdzuje "Paradox dôvery", kde vývojári zaobchádzajú s AI ako s juniorským stážistom, ktorý si vyžaduje neustály dohľad. Security and Knowledge Gaps Bezpečnosť a medzery v znalostiach Bezpečnostné riziká, na ktoré poukazuje AI zriedkavo uprednostňovala bezpečnosť v predvolenom nastavení; musel som ho špecificky vyzvať, aby zvážil a implementoval vylepšenia zabezpečenia. Veracode Keď som sa pokúsil integrovať úplne nové Cognito Hosted UI, model sa značne snažil, uviazol v opakujúcich sa kruhoch kvôli nedostatku aktuálnych tréningových údajov. Ak by sa komponenty mali spojiť, mohol by som rýchlo viesť AI k správnemu riešeniu, zdôrazňujúc, že hlboké koncepčné porozumenie je stále prvoradé. Ako AI as a "Coaching Tool" AI ako „coachingový nástroj“ Napriek svojim nedostatkom sa AI ukázala ako skvelý nástroj na učenie. Ako nováčik do Next.js a AWS Amplify ma schopnosť získať pracovné prototypy rýchlo motivovala. Keď som narazil na funkcie, ktoré som nepochopil, použil som AI ako tréner a požiadal som ho, aby vysvetlil koncepty. Potom som krížovo odkazoval na generovaný kód s oficiálnou dokumentáciou, aby som zabezpečil dodržiavanie najlepších postupov. Aktívnym snahou pochopiť a potom viesť AI k lepším riešeniam som bol schopný výrazne urýchliť svoje učenie. How to Help AI Be a Better Code Companion Ako pomôcť AI stať sa lepším spoločníkom kódu Na zmiernenie "daň z stability" a maximalizáciu rýchlosti umelej inteligencie je nevyhnutný proaktívny, disciplinovaný prístup: 
 
 
 
 
 Podrobné predplánovanie je kľúčové: Použite nástroje ako Gemini (s využitím svojej hlbokej výskumnej funkcie) na vytvorenie podrobných špecifikácií, architektonických diagramov a projektových dokumentov pred začatím implementácie.  Instead of relying on the AI to spontaneously generate quality code, we must proactively instruct it to maintain standards. This includes designing regular, specific prompts focused on:
 
 Explicitly Enforce Quality Gates: 
 
 
 
 Identifying security improvements. Identifying performance issues or potential optimisations. Identifying duplicated or redundant code. Využite AI pre zabezpečenie kvality: Použite AI na spätnú analýzu generovaného kódu a identifikujte oblasti na refakciu alebo zlepšenie, úlohu, ktorú môže vykonať oveľa rýchlejšie ako manuálna ľudská recenzia. Použitie umelej inteligencie pre celý SDLC: Mali by sme nasadiť umelú inteligenciu na písanie a sebahodnotenie projektových dokumentov funkcií, epík a jednotlivých úloh a kľúčové je napísať komplexné testovacie plány a automatizované testy na zachytenie jemných logických chýb spojených s "vibe kódovaním". Conclusion: The End of "Vibe Coding" Takže, mali by sme prestať používať AI pre vývoj softvéru? Odstúpenie od umelej inteligencie by bolo ignorovanie najväčšieho pákového bodu pre inžiniersku produktivitu, akú sme za desaťročia videli. Dokázal mi, že jeden vývojár, vyzbrojený týmito nástrojmi, môže kopať oveľa nad ich hmotnosť, čo prináša architektúru podnikovej triedy v zlomku času. Absolutely not. Under The Hedge Doba slepého optimizmu sa však musí skončiť. „Sugar Rush“ generácie jednoduchého kódu sa skončil a „Stability Tax“ sa blíži. Údaje a moja vlastná skúsenosť sa zhodujú na jednej, nevyhnutnej pravde: AI lowers the barrier to entry, but it raises the bar for mastery. Vzhľadom k tomu, že AI predvolene nafúkne kódy a zavedie jemné neistoty, ľudský vývojár je kritickejší ako kedykoľvek predtým. Naše hodnoty sa menia úplne na Prechádzame od toho, aby sme boli kamienkami, k tomu, aby sme boli tvorcami lokalít. syntax Semantika, architektúra a kontrola kvality Ak budeme zaobchádzať s AI ako s kúzelným prútom, ktorý nás zbavuje potreby pochopiť základnú technológiu, utopíme sa v mori technického dlhu, „spochybných“ vzorov kopírovania a bezpečnostných zraniteľností. ale ak budeme zaobchádzať s AI ako s neúnavným, brilantným, ale občas bezohľadným juniorským stážistom - jedným, ktorý vyžaduje prísne špecifikácie, neustálu revíziu kódu a architektonické usmernenie - môžeme dosiahnuť neuveriteľné veci. Cesta dopredu nie je prestať používať nástroje. je zastaviť "vibe kódovanie" a začať Musíme používať umelú inteligenciu nielen na písanie kódu, ale aj na to, aby sme ho vyzvali, otestovali a zdokonalili. inžinierstvo Budúcnosť patrí tým, ktorí dokážu ovládnuť rýchlosť, len by som chcel, aby môj experiment viedol k budovaniu niečoho, čo by mi zarobilo veľa peňazí namiesto toho, aby som len sledoval holuby! Ďakujem za prečítanie, pozrite si moje ďalšie myšlienky na denoise.digital.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Decode the Tech Noise

Read My Stories

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Vytvoril som aplikáciu podnikového rozsahu s AI. Tu je to, čo bolo správne - a nesprávne

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

16 Best Sklearn Datasets for Building Machine Learning Models

112 Stories To Learn About Hackernoon Community

Mutmut: a Python mutation testing system

When Blood Told

16 Best Sklearn Datasets for Building Machine Learning Models

112 Stories To Learn About Hackernoon Community

Mutmut: a Python mutation testing system

When Blood Told

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps