What Do Developers Want From AI?
Статья IEEE Software по данным Google о том, чего разработчики ждут от AI-инструментов: какие сценарии они ставят в приоритет, какие требования выдвигают к качеству подсказок и что из этого следует для платформенных команд.
Практика чтения для этого источника ещё не опубликована
Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.
Открыть оригиналПосле самостоятельного разбора
Видео и редакционные разборы открываются после практики и помогают сверить ход мысли.
RIMS #9
What Do Developers Want From AI?
Разбор статьи из серии Human-centric approach to developer productivity: чего разработчики ждут от AI, где он помогает в реальном workflow и как меняется роль инженера при росте автоматизации.
Рубрика
#DevEx
Фокус
Developer expectations from AI
Формат
Research review
Основа главы
Telegram пост #2987
Ключевые тезисы разбора и практические выводы по статье.
Основа главы
Telegram пост #2987
Ключевые тезисы разбора и практические выводы по статье.
Летом 2024 года статья What Do Developers Want From AI? предложила человеко-ориентированный взгляд на внедрение AI в разработку. Вместо вопроса "что может модель" авторы ставят вопрос "что действительно нужно инженеру в его ежедневной работе".
Whitepaper
What Do Developers Want From AI?
Публикация IEEE Software (2024).
Whitepaper
What Do Developers Want From AI?
Публикация IEEE Software (2024).
Серия
Human-centric approach to developer productivity
Предыдущий материал серии, на который опирается эта работа.
Серия
Human-centric approach to developer productivity
Предыдущий материал серии, на который опирается эта работа.
С чего обычно начинается разговор про AI в разработке
- Повышают ли AI-инструменты скорость написания кода?
- Улучшают ли они качество результата?
- Помогают ли находить более креативные инженерные решения?
Что разработчики хотят от AI-инструментов
- AI должен экономить время и когнитивную энергию разработчика в ежедневных задачах.
- Рутинные операции важно автоматизировать, чтобы освобождать фокус для сложных и творческих задач.
- Ценность AI измеряется не только скоростью, но и тем, насколько он поддерживает реальный рабочий процесс инженера.
Главные зоны фрикции (по данным Google)
Технический долг
Legacy-код и накопленные компромиссы съедают время команд и снижают эффект от любых локальных AI-улучшений.
Плохая или отсутствующая документация
Инженеры тратят ресурсы на поиск контекста; AI особенно полезен, когда помогает быстрее восстанавливать знания о системе.
Сложность освоения новых платформ и технологий
Порог входа в новые инструменты остается заметным bottleneck; AI может сокращать time-to-first-impact.
Три типа эволюции AI (аналогия с автоиндустрией)
1) Улучшение существующих возможностей
Авто: Усилитель руля, ABS
Dev/AI: Code completion и точечные подсказки
AI усиливает уже существующие действия разработчика, не меняя фундаментально его роль в процессе.
2) Расширение возможностей
Авто: Камера заднего вида, контроль слепых зон
Dev/AI: Code review suggestions, AI-чат в IDE
Появляются новые формы поддержки, которые раньше были недоступны или дороги в ручном исполнении.
3) Делегирование возможностей
Авто: Lane keeping, auto-braking, advanced cruise control
Dev/AI: Автооткат проблемных релизов, автоудаление dead code, генерация тестов
Часть решений передается системе с минимальным human-in-the-loop в заранее оговоренных сценариях.
Что нужно для успешного внедрения AI
- Учитывать скептицизм и сопротивление со стороны разработчиков, а не игнорировать их как "проблему adoption".
- Подготовить инфраструктуру: интеграции, наблюдаемость, процессы обратной связи и quality-контроль.
- Обеспечить безопасный и справедливый доступ к AI-инструментам для разных команд и ролей.
- Держать фокус на целях разработчиков и результатах их работы, а не только на технических возможностях моделей.
Связанные главы
RIMS #8 - Measuring developer goals
Контекст человеко-ориентированного подхода к метрикам и инженерным целям.
RIMS #10 - Measuring Developer Experience With a Longitudinal Survey
Продолжение темы: как системно измерять DevEx через повторяющиеся survey-циклы.
RIMS #11 - Measuring AI Code Assistants and Agents
Практический слой: как оценивать adoption/utilization/impact AI-инструментов.
Ключевая мысль статьи: AI даёт устойчивый эффект там, где он снижает рутину, поддерживает цели разработчиков и встраивается в инженерную систему, а не внедряется как изолированная "магическая" функция.