An AI industry of more than $1 trillion that can’t ship any functional production code Një industri AI me më shumë se 1 trilion dollarë që nuk mund të dërgojë asnjë kod të prodhimit funksional Nëse jeni të shqetësuar për të ashtuquajturën apokalips të AI që të gjithë vazhdojnë të pikëllojnë, konsideroni këtë: pasi kemi djegur qindra miliardë dollarë, ne ende nuk mund të dërgojmë kod të besueshëm me lodrat e AI që na janë shitur. ) të (Shih këtu për më shumë detaje në shpërthimin e flluskës së AI Numëro njoftimet e “shpërthimit”. Numëro premtimet e CEO. Tani numëro rrëmujën: një rritje eksponenciale e kodit të mbeturinave, e nxitur nga (jo, jo “hallucinacione”, kjo është marketing, jo shkencë) që askush nuk e ka rregulluar në të vërtetë. same four errors Pastaj do të ecim përmes shembujve të vërtetë, të verifikueshëm, kështu që ju mund t'i gjeni ato menjëherë në kodin tuaj të gjeneruar nga AI. A janë ata me të vërtetë kaq vendimtarë? anije të hapura katër gabime të njëjta. Google tërhiqet katër gabime të njëjta. Antropologjia e zbuluar katër gabime të njëjta. Microsoft tërhiqet Në çdo gjë - nuk ka surprizë atje, apo jo? GPT-5 Gemini 2.5 Claude Sonnet 4.5 Copilot 
 
 Çdo lansim vjen me fanfare AGI.Dhe brenda ditëve, historitë grumbullohen: kod spageti i ngatërruar, vrima të freskëta të sigurisë dhe e njëjta linjë e trishtuar – kodi i AI duket i zgjuar, sillet budallaqe dhe ende ka nevojë për njerëz për të pastruar rrëmujën. Çdo lansim vjen me fanfare AGI.Dhe brenda ditëve, historitë grumbullohen: kod spageti i ngatërruar, vrima të freskëta të sigurisë dhe e njëjta linjë e trishtuar – kodi i AI duket i zgjuar, sillet budallaqe dhe ende ka nevojë për njerëz për të pastruar rrëmujën. Numrat janë dhimbshëm tronditëse 
 
 
 
 
 Tregtia afatshkurtër është rritur me rreth 100% krahasuar me vitin 2021. Zhvilluesit që përdorin AI shkruajnë 40% më shumë dobësi të sigurisë Zhvilluesit me përvojë janë 19% më të ngadaltë me mjetet e AI Inxhinierët në një grup të përzgjedhur të kompanive të rëndësishme refuzojnë rreth 70% të sugjerimeve të kodit të AI. Trëndafili në 100% Trëndafili në 100% 40% më shumë vulnerabilitete të sigurisë 40% më shumë vulnerabilitete të sigurisë 19% më e ulët 19% më e ulët Me mjetet e Rreth 70% të refuzuar Rreth 70% të refuzuar Shumë kompani po bastnin gjithçka mbi premtimin e “10x produktivitetit”, një pamundësi matematike që tani është gati të krijojë një krizë ndryshe nga çdo gjë që industria e softuerit ka parë ndonjëherë. Ne nuk po ndërtojmë të ardhmen më shpejt, ne po ndërtojmë Në shkallë të paprecedentë, me besim të paprecedentë dhe verbëri të paprecedentë ndaj katastrofës që po krijojmë. Here’s what’s really happening: tomorrow’s minus two trillion dollars of code Më lejoni t’ju tregoj se si këto Ata po e shndërrojnë bazën globale të kodit në një katastrofë të padurueshme. Dhe nëse jeni një inxhinier softueri, bëhuni gati, së shpejti kutia juaj e postës do të jetë e mbushur me email-e të neveritshme nga kompanitë duke lutur për ekipe të plota inxhinierike për të shpëtuar bazat e tyre të thyer të kodit. Four Horsemen of Bad Code Po, do të shihni pse kompanitë së shpejti do të Pas marrjes së batutës së fantazisë desperately rehiring the same human programmers they replaced “Nuk do të kemi nevojë për programues brenda disa muajve” “Nuk do të kemi nevojë për programues brenda disa muajve” Katër kalorësit që hipin mbi ton kodin e mbeturinave Siç u përmend, katër gabimet që shihni në grafikun e mësipërm tani plagosin shumicën e kodit të gjeneruar nga AI. Kompanitë i patch ata me shpejtësi të plotë, por katastrofa është vetëm duke u vonuar. herët a vonë, ata do të duhet të pranojnë të vërtetën - kodi i AI do të duhet të trajtohet për atë që është me të vërtetë: Jo në automatizëm. autocomplete on steroids Për të kuptuar shkallën e shkatërrimit që këto gabime janë duke shkaktuar, ne duhet t'i klasifikojmë ato në dy kategori. të gjithë e dinë; dy të tjerët janë , i lindur nga mekanika e vetë AI-së, për të cilat askush nuk flet. , një buzzword shpikur për marketing, jo inxhinieri. classic statistical errors new cognitive errors “Hallucinacione” Dy gabimet klasike që e dinë të gjithë Type II Errors : The “Obvious” Mistakes Gjërat e thjeshta shkuan gabimisht.Linteri rrotulloi sytë e tij. What it means (in code): # AI generates (wrong parameter use; forgot to apply discount)
def calculate_discount(price, customer_id, discount_rate):
    return price * discount_rate  # Oops—no discount applied

# Should have been
def calculate_discount(price, customer_id, discount_rate):
    return price * (1 - discount_rate)  # Apply the discount properly
 Shembuj të tjerë që shihen shpesh në kodin e gjeneruar nga AI përfshijnë: 
 
 
 
 
 
 Mungesa e trajtimit të gabimeve (blloqet e provës / kapjes) Operatorët e gabuar (duke përdorur = në vend të == në kushte) Gabimet off-by-one në rrymë Emrat e gabuara të metodës (string.contains() në Python në vend të operatorit) një kohë të gjatë etj. Type II Errors (Logic/Causal): Wrong Business Logic, Perfect Syntax Shkon në mënyrë të përkryer; bën gjënë e gabuar; ose, për ta thënë më qartë, vjen magjepsës What it means (in code): right on time… at the wrong station. Rasti në pikë – dhe ju mund ta shkallëzoni këtë në biznesin tuaj: AI vuri re se 80% e përdoruesve premium në të dhënat e saj të trajnimit jetonin në qytetet e mëdha, kështu që ajo përfundoi gabimisht se Përcaktimi . city location shipping rates # AI generates (correlation != causation)
def determine_shipping_cost(user):
    # AI saw premium users often live in cities with free shipping
    if user.is_premium:
        return 0  # Free shipping for premium
    elif user.city in ['New York', 'Los Angeles']:
        return 0  # AI incorrectly learned cities get free shipping
    else:
        return 9.99

# Should have been based on actual business rules
def determine_shipping_cost(user, order_total):
    if order_total > 50 or user.is_premium:
        return 0
    return 9.99
 Dy gabimet e reja njohëse që askush nuk flet Dy gabimet e ardhshme janë kognitive në natyrë. Ju nuk do t'i gjeni ato në librat klasikë të probabilitetit. Ata duket se janë të lindur në sistemet e AI, duke dalë nga mënyra se si modelet moderne kompresojnë kuptimin dhe ngjiten konceptet së bashku gjatë trajnimit dhe gjenerimit. Ata dështojnë në mënyra të ndryshme: një si Përfaqësuesit e tjerë, si Mënyra se si kujtohen dhe adresohen kujtimet entanglement collisions Type III Errors (Spaghetti/Entanglement): When Everything Gets Tangled Kjo është çrregullimi i parë i vërtetë kognitiv. Pjesët e ndara të sistemit përfundojnë të ngjiten së bashku: tweak një email, dhe pagesat thyejnë; ndryshimi auth, dhe logging freaks jashtë. asgjë nuk funksionon në izolim, kështu që çdo korrigjim i vogël kthehet në një tur të plotë të bazës së kodit. Kjo është ajo që ndodh kur AI përzihet përfaqësimet dhe ju lë me një top gjigant të spagetit arkitektonik. # AI generates - everything tangled together
def process_user_action(user, action_type, data):
    # User validation, logging, auth, payment, and email ALL mixed
    if not user.is_authenticated:
        log_event("auth_failed", user.id)
        send_email(user.email, "Login attempt failed")
        return False
    
    if action_type == "purchase":
        # Purchase logic mixed with user verification
        if user.email_verified and user.age > 18:
            payment = process_payment(data['amount'])
            log_event("purchase", user.id, payment.id)
            update_inventory(data['item_id'])
            send_email(user.email, "Purchase confirmed")
            update_user_points(user, data['amount'] * 10)
            check_fraud(payment)  # Why is fraud check AFTER payment?
            return payment
    
    elif action_type == "login":
        # Login mixed with analytics and recommendations
        update_last_login(user)
        log_event("login", user.id)
        recommendations = get_recommendations(user)  # Why here?
        send_email(user.email, "Welcome back!")  # Email on EVERY login?
        return {"success": True, "recommendations": recommendations}
 Summing up, you can’t: 
 
 
 
 
 Ndrysho logjikën e email-it pa ndikuar në pagesat Ndryshimi i autentifikimit pa thyer regjistrimin Përditësoni rrjedhën e blerjeve pa prekur verifikimin e përdoruesit Testimi i çdo komponenti në izolim Ky gabim shpjegon Kjo duhet të jetë plotësisht Sepse është thjesht e padurueshme. 100% increase in code Shkruar përsëri brenda dy javësh Shkruar përsëri brenda dy javësh Type IV Errors (Memory / Collision Cascades): Unrelated behaviors share the same “address” Siç u përmend, ju nuk do ta gjeni atë në librat e probabilitetit, por është, në fakt, duke u fshehur në kodin tuaj të gjeneruar nga AI. 
 
 Imazhi i thjeshtë i këtij gabimi: dy pallto në një shkop; njëri bie kur merr tjetrin. Imazhi i thjeshtë i këtij gabimi: dy pallto në një shkop; njëri bie kur merr tjetrin. Ajo shfaqet kur përfaqësimet e kompresuara vënë idetë e ndryshme shumë afër së bashku. Në kohën e zbatimit, kujtimi i njërit zgjon heshtur tjetrin. Ju rivendosni një fjalëkalim, dhe tag-et e pastrimit të llogarisë së bashku. Ju eksportoni të dhënat, dhe një pagesë e humbur shkon. Asgjë nuk duket e thyer në izolim, megjithatë efektet anësore vazhdojnë të shfaqen përsëri sepse modeli ruajti fqinjët në të njëjtin dollap mendor. # AI generates — password reset collides with account cleanup
def reset_password(user_email):
    user = find_user(email=user_email)
    if user:
        token = generate_reset_token()
        send_reset_email(user.email, token)
        
        # From a different flow, yet here we are
        if user.last_login < 30_days_ago:
            user.status = "inactive"
            cleanup_user_data(user)
        
        return token
    return None

# Another function unexpectedly handles payments
def export_user_data(user_id):
    data = get_user_data(user_id)
    
    # Payment processing in a data export—what could go wrong?
    if data.outstanding_balance > 0:
        process_payment(data.outstanding_balance)
    
    return create_export_file(data)
 Real-world echoes (reported in research): 
 
 
 
 
 Funksionet e kërkimit që modifikojnë rekordet DB Auth Flows që shkakton analytics “View” Endpoints që eksportojnë në logs API që përzihen operacione të shumëfishta jo të lidhura Qëllimi i korrigjimit është i qartë: jepni sjelljeve hapësira të veçanta të emrave dhe kufij të qartë, pastaj udhëzoni çdo gjë shtetërore përmes një rruge të dedikuar që mund të testoni vetë. 
 
 Po, unë e di, dhe unë gjithashtu ndjej dhimbjen për të rishikuar diçka që ne kemi bërë manualisht më parë dhe më mirë. Po, unë e di, dhe unë gjithashtu ndjej dhimbjen për të rishikuar diçka që ne kemi bërë manualisht më parë dhe më mirë. Si ndikojnë këto gabime në software-in e prodhimit? Grafiku 3 më sipër tregon gabimet më të zakonshme të raportuara nga zhvilluesit në mbarë botën dhe se si ato përputhen me katër llojet e gabimeve (tre prej të cilave kanë më shumë rëndësi në praktikë). Grafiku 2 më sipër dhe Grafiku 4 më poshtë tregojnë se çfarë ndodh me të vërtetë kur zhvilluesit sjellin asistentët e AI në rrjedhën e punës. , Llojet e gabimeve I-II janë kapur kryesisht nga njerëzit ose mjetet. Ju merrni një goditje modeste të produktivitetit - typos squashed, importet fikse, mirëmbajtja e zakonshme e shtëpisë. autocomplete on steroids Pastaj vijnë - spaghettizimi dhe përplasje semantike. Kjo është kur rrotat dalin jashtë. Konceptet ngatërrohen në module, përgjegjësitë fshihen, dhe ndihmësit "të padëmshëm" fillojnë të keqpërdorin kuptimin. Rezultati? Kodi i brishtë që dështon integrimin, reziston testimit dhe mbush kostot e mirëmbajtjes. Shumë ekipe përfundimisht mësojnë se është më shpejt - dhe më e sigurt - për të shkatërruar pjesët e gjeneruara nga AI se sa për t'i patch ato përgjithmonë. Types III–IV Dhe sigurisht, ju mund të shihni qartë se si ëndrra e “10× automatizimit” është varrosur, ajo e ka kthyer plotësisht ROI-në dhe na kujton se, nga viti 2025, automatizimi i vërtetë i gjenerimit të kodit, dhe çdo fitim i konsiderueshëm i produktivitetit për zhvilluesit njerëzorë, mbeten asgjë më shumë se një fantazi e largët, epike. Pra, për ta përmbledhur: si një zhvillues softuerësh, ju nuk keni nevojë të panikoni çdo herë që disa postera të vijnë me një vaj të ri gjarpërish “kodi i AI-së”.Siç tregon Grafiku 4 më lart, i vetmi goditje e vërtetë e ROI-së është i vogël, dhe shfaqet vetëm kur përdorni AI për gjërat e mërzitshme, me rrezik të ulët që janë të lehta për të diff, lint, dhe rrokulliset. Nuk është a . power-autocomplete robot engineer 
 
 
 
 
 
 Boilerplate / scaffolding: trajtues CRUD, DTOs, tela Testimi i ngjyrave: shkopinj, teste të drejtuara nga tabela, të dhënat e fiksimit Redaktime mekanike: refaktorë të përsëritur; rename/move ops Përmbajtje e lehtë: docs/comments, regexes, SQL të thjeshtë, templates migration Menaxhimi i shtëpisë: sugjerimet e linjave / formatit; config & YAML snippets Këtu është lajmi i mirë për çdo zhvillues që ndihet paksa i pashpresë: e gjithë fantazia “10× me AI” është tashmë në kolaps në prodhim. për të zhbllokuar spaghetti, për të rregulluar logjikën dhe për të rindërtuar sistemet që në fakt punojnë. kështu që vazhdoni të niveloni aftësitë tuaja. ekuipazhet e pastrimit janë duke u formuar, dhe gjeni çfarë, yup, real programmers — lots of them — you’re on the call list. Notë Post Lexuesit e tregimeve tona të kaluara tashmë e dinë se ekziston antidot – Por, natyrisht, kjo do të thotë ngadalësim, ri-lidhje të sistemit, dhe duke pranuar se hype nuk është hulumtim.Do të duhet vite, pa dyshim, nëse dikush vë frenat dhe fillon të bëjë më shumë shkencë në heshtje dhe më pak marketing. Një kurë e vërtetë matematike për plagën e katër gabimeve Një kurë e vërtetë matematike për plagën e katër gabimeve

Keep Reading: The Real Tech Narrative continues here

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

Kompanitë së shpejti do të detyrohen të rekrutojnë programues të vërtetë njerëzorë dhe të ndalojnë djegien e parave në AI

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps