Η ανάγκη αναδιάρθρωσης του κώδικα που παράγεται από AI

Η εμπειρία χρήσης εργαλείων AI στην ανάπτυξη λογισμικού

Οι χρήστες των εργαλείων Claude, Supermaven και Cursor δηλώνουν πολύ πιο συχνά ότι έχουν θετική εμπειρία σε σχέση με τους χρήστες άλλων εργαλείων ανάπτυξης που βασίζονται σε AI. Αντίθετα, οι χρήστες των Google Gemini, JetBrains AI και Meta’s Llama είναι λιγότερο πιθανό να αναφέρουν θετική εμπειρία με αυτές τις τεχνολογίες.

Αυτά είναι μερικά από τα ευρήματα που αποκαλύπτονται στην έκθεση “The 2025 State of Web Dev AI”. Η μελέτη υποδεικνύει επίσης ότι οι ψευδαισθήσεις, οι ανακρίβειες, η έλλειψη συμφραζομένων και η γενικά χαμηλή ποιότητα κώδικα αποτελούν ιδιαίτερες προκλήσεις κατά τη χρήση βοηθών κωδικοποίησης AI και άλλων εργαλείων ανάπτυξης που επικεντρώνονται στο AI.

Στατιστικά και τάσεις στην υιοθέτηση του AI

Η έκθεση βασίζεται σε περισσότερες από 4.000 απαντήσεις που συλλέχθηκαν τον Φεβρουάριο και τον Μάρτιο. Οι ερωτηθέντες ήταν κυρίως web developers που είχαν προηγουμένως συμμετάσχει σε έρευνα για το JavaScript, το React και άλλα θέματα, διεξαχθείσα από τον Sacha Greif και την ομάδα Devographics. Εκτός από τις πληροφορίες για την υιοθέτηση του AI και τις προκλήσεις, εδώ είναι μερικά από τα πιο σημαντικά ευρήματα:

• Το AI είναι αναπόσπαστο μέρος της ροής εργασίας των προγραμματιστών. Το 59% συμφωνεί με αυτή τη δήλωση, σε σύγκριση με το 26% που διαφωνεί.
• Τα εργαλεία AI αυξάνουν την παραγωγικότητα. Το 59% συμφωνεί με αυτή τη δήλωση, σε σύγκριση με το 20% που διαφωνεί.
• Τα εργαλεία AI χρησιμοποιούνται τακτικά. Το 69% χρησιμοποιεί εργαλεία AI για τη δημιουργία ή την αναδιάρθρωση κώδικα τουλάχιστον μερικές φορές την εβδομάδα.
• Η κωδικοποίηση με AI βρίσκεται ακόμα σε αρχικά στάδια. Το 69% των ερωτηθέντων δήλωσε ότι λιγότερο από το 25% του κώδικα που παράγουν είναι γεννημένος από AI. Όταν ρωτήθηκαν για τον τύπο κώδικα που παράγουν με AI, το 80% ανέφερε βοηθητικές συναρτήσεις, το 57% frontend components, το 51% δημιουργία τεκμηρίωσης και σχόλια, και το 50% ανέφερε δοκιμές.
• Ο κώδικας που παράγεται από AI απαιτεί αναδιάρθρωση. Το 76% των προγραμματιστών πρέπει να ξαναγράψει ή να αναδιαρθρώσει τουλάχιστον το μισό από τον παραγόμενο κώδικα πριν είναι έτοιμος για χρήση. Κακή αναγνωσιμότητα, μετονομασία μεταβλητών, υπερβολική επανάληψη και κώδικας που δεν λειτουργεί ήταν οι λόγοι που αναφέρθηκαν για την ανάγκη αναδιάρθρωσης.

Μοντέλα, βοηθοί κωδικοποίησης και IDEs

Στις ερωτήσεις της έρευνας, κάθε συγκεκριμένη τεχνολογία ή εργαλείο AI περιλαμβανόταν μόνο σε μία κατηγορία, παρόλο που υπάρχει επικάλυψη στη λειτουργικότητα. Δεν αποτελεί έκπληξη ότι το 91% των ερωτηθέντων έχει χρησιμοποιήσει το ChatGPT, με το GitHub Copilot (71%), το Claude (57%) και το Google Gemini (55%) να παρουσιάζουν επίσης ισχυρή υιοθέτηση.

Οι χρήστες του Claude είναι πιο πιθανό να είναι ικανοποιημένοι σε σχέση με τους χρήστες άλλων μεγάλων παικτών, με το 65% να αισθάνεται θετικά για την προσφορά. Σημειώστε ότι η ερώτηση για τη θετική/αρνητική διάθεση δεν ήταν υποχρεωτική· αν ήταν, αυτό το στατιστικό θα ήταν ακόμη πιο εντυπωσιακό.

Προκλήσεις και σημεία πόνου

Οι συμμετέχοντες στην έρευνα ρωτήθηκαν για τα σημεία πόνου που σχετίζονται με τη χρήση διαφορετικών τύπων AI για ανάπτυξη. Διάφορα είδη ζητημάτων εντοπίστηκαν χρησιμοποιώντας λέξεις-κλειδιά μέσω τόσο αυτοματοποίησης όσο και χειροκίνητης επεξεργασίας δεδομένων. Οι ψευδαισθήσεις και οι ανακρίβειες ήταν οι πιο συχνές προκλήσεις που αναφέρθηκαν κατά τη χρήση μοντέλων AI και βοηθών κωδικοποίησης.

Οι προκλήσεις που σχετίζονται με τους περιορισμούς συμφραζομένων και μνήμης αναφέρθηκαν πιο συχνά από τους συμμετέχοντες που χρησιμοποιούν IDEs ή επεξεργαστές που επικεντρώνονται στο AI. Το ζήτημα κατατάχθηκε στη δεύτερη θέση τόσο για τα μοντέλα όσο και για τους βοηθούς κωδικοποίησης. Υπήρξαν επίσης παράπονα για παρεμβατικές προτάσεις κατά τη χρήση τόσο βοηθών κωδικοποίησης όσο και IDEs.

Η ποιότητα του κώδικα και οι προκλήσεις της παραγωγής

Η χαμηλή ποιότητα είναι η πιο κοινή πρόκληση κατά τη χρήση αυτών των εργαλείων για τη δημιουργία κώδικα. Για παράδειγμα, ένας ερωτηθέντας έγραψε: «Όλος ο κώδικας που έχω δοκιμάσει να παραχθεί από AI δημιουργεί ένα μεγάλο σύνολο μη διαχειρίσιμου και μη δοκιμάσιμου κώδικα που μπορεί να λειτουργεί τη στιγμή που δίνεται για την συγκεκριμένη ερμηνεία που είχε το AI εκείνη τη στιγμή. Δεν έχω δει ποτέ κώδικα από AI που να ήταν έστω και ελάχιστα κοντά σε κάτι που θα μπορούσε να σταλεί σε παραγωγή.»