השפעת קידוד עם בינה מלאכותית גנרטיבית על ה"חוב הטכנולוגי"

מאת: אדוארד אנדרסון, ג'פרי פארקר ובורקו טאן 

מקור: MIT Sloan Management Review

---

בינה מלאכותית גנרטיבית יכולה לשפר את פרודוקטיביות הקידוד - אך רק כאשר היא מיושמת בצורה מושכלת. בשימוש לא זהיר, היא עלולה לפגוע במדרגיות, לערער את יציבות המערכות ולהותיר חברות במצב גרוע יותר.

בינה מלאכותית גנרטיבית צומחת באופן מהיר בכל תחומי הידע, וגם בפיתוח תוכנה. GPT-4.1 של OpenAI מתמקד במידה רבה בשיפור יכולות קידוד והוא צועד לקראת אוטומציה מלאה. ארגונים המאמצים כלים אלה מצפים לרווחים משמעותיים.

מחקרים מוקדמים תומך באופטימיות הזו GitHub, דיווח כי מתכנתים המשתמשים ב-Copilot הם עד 55% יותר פרודוקטיביים, ו-McKinsey מצאה כי מפתחים יכולים להשלים משימות עד פי שניים מהר יותר בעזרת סיוע של בינה מלאכותית גנרטיבית.

אבל לאינדיקטורים החיוביים הללו ישנה הסתייגות משמעותית. המחקרים נערכו בסביבות מבוקרות שבהן מתכנתים השלימו משימות מבודדות - ולא בסביבות אמיתיות, שבהן יש לבנות תוכנה על גבי מערכות קיימות ומורכבות. כאשר השימוש בקוד שנוצר על ידי בינה מלאכותית מורחב במהירות או מיושם בסביבות עבודה מדור קודם, (Legacy) הסיכונים גדולים בהרבה וקשים בהרבה לניהול.

מדוע חוב טכני גדל מהר יותר בעזרת בינה מלאכותית

כאשר ארגון מפתח במהירות תוכנה חדשה למערכות קיימות, הוא עלול ליצור ללא כוונה תלויות אשר מגדילות את החוב הטכנולוגי שלו - כלומר, העלות של עבודה טכנולוגית נוספת שתידרש בעתיד כדי לטפל בקיצורי דרך שננקטו ותיקונים מהירים שבוצעו במהלך הפיתוח. חוב טכנולוגי הוא הבטן ה"רכה" של הטכנולוגיה הדיגיטלית. זהו קוד COBOL בן 40 שנים ומעלה שלא תועד או עודכן כראוי.

הצטברות החוב הטכנולוגי גורמת למחזורי פיתוח איטיים יותר, מורכבות מוגברת ופגיעויות אבטחה, שעלולים להוביל לכשלים במערכת.

עלות החוב הטכנולוגי בארה"ב מוערכת בלפחות 2.4 טריליון דולר. למרות תג המחיר הגבוה הזה, רוב הארגונים אינם נותנים עדיפות לטיפול בחוב הטכנולוגי, כאשר הרוב מקצים פחות מ-20% מתקציב הטכנולוגיה שלהם לפירעון חובות טכנולוגיים. לעתים קרובות "מכניסים" את עלות ניהול החובות הטכנולוגיים לסעיף התחזוקה בתקציב, משום שההנהלה כמעט ולא מאשרת עלות ייעודית לכך.

מערכות מדור קודם נוטות לשאת חובות חבויים; הוספת שכבות של קוד שנוצר על ידי בינה מלאכותית על גביהן יוצרת תלות סבוכה נוספת.

אפשר לחשוב על חוב טכנולוגי בדומה לחוב פיננסי. ה"קרן" היא העבודה הדרושה למודרניזציה ושינוי הקוד; ה"ריבית" היא מס המורכבות המתמשכת של התחזוקה, המסבכת את הרחבת הפונקציונליות בהתאם לצרכים משתנים ומעלה את הסיכון לכישלון.

בעוד שחלק מהחובות הם בלתי נמנעים, יישום קוד שנוצר על ידי בינה מלאכותית דומה לעתים קרובות להלוואה בריבית גבוהה בהרבה. הבעיה עם בינה מלאכותית היא שהיא לא יכולה לראות את התמונה הגדולה וכתוצאה מכך נוצרות כפילויות בקוד, בעיות אינטגרציה, חוסר מודעות להקשר ובעיות רבות אחרות שמגיעות עם קידוד עם בינה מלאכותית.

ואכן, כאשר GitClear ניתח מיליוני שורות קוד בין השנים 2020 ל-2024, הוא חשף עלייה של פי שמונה בבלוקים של קוד כפול ועלייה כפולה בנטישת קוד – אלה שני מדדים של ירידה באיכות הקוד. דו"ח "2024 Accelerate State of DevOps" של צוות המחקר וההערכה של DevOps של גוגל מצא כי עלייה של 25% בשימוש בבינה מלאכותית משפרת את סקירת הקוד והתיעוד, אך מביאה לירידה של 7.2% ביציבות המסירה. לכן, מה שנראה כהתקדמות מהירה היום עלול להפוך למכשולים יקרים מחר.

הוספת קוד שנוצר על ידי בינה מלאכותית לסביבות עבודה השונות מגדילה את הסיכונים הללו. מערכות מדור קודם נוטות לשאת חוב נסתר; הוספת קוד שנוצר על ידי בינה מלאכותית על גביהן יוצרת תלות סבוכה נוספת שמאטה את הפיתוח העתידי ומערערת את היציבות של המערכות עוד יותר.

בינה מלאכותית לא יכולה לראות איך נראה בסיס הקוד המקורי, ולכן היא לא יכולה לדבוק באופן שבו הדברים נעשו. מודלים עתידיים של בינה מלאכותית עשויים להיות מסוגלים לנתח בסיסי קוד שלמים ולעזור לפתור בעיות אלו, אך לעת עתה, עבודה בסביבות עבודה השונות מגדילה את הסבירות שקוד שנוצר על ידי בינה מלאכותית יחמיר את החוב הטכנולוגי.

ארגונים חייבים להתייחס לנטייה של כלי בינה מלאכותית להגדיל את החוב הטכני כסיכון אסטרטגי, ולא רק כמטרד תפעולי.

מתי בטוח (יחסית) להשתמש בבינה מלאכותית גנרטיבית לקידוד

הסיכונים הפוטנציאליים לא אומרים שחברות צריכות תמיד להימנע משימוש בבינה מלאכותית גנרטיבית לקידוד. בהקשרים הנכונים, כמו יצירת אב טיפוס מהירה של מוצרים חדשים בסביבה חדשה, קוד שנוצר על ידי בינה מלאכותית יכול לספק יתרון מהירות אמיתי. במקרים אלה, קוד בשלב מוקדם ככל הנראה ידרוש תיקונים משמעותיים בכל מקרה, מה שיהפוך את החוב הטכנולוגי לזול יותר.

אבל כאשר המדרגיות היא בראש סדר העדיפויות, או בסביבות מרובות מערכות מדור קודם, יש לשלב קוד שנוצר על ידי בינה מלאכותית בזהירות רבה. שני גורמים משפיעים מאוד על רמת הסיכון:

• סביבת הפיתוח: פרויקטים ללא קוד מדור קודם, כרוכים בסיכון נמוך יותר. פרויקטים של משןלבים עם מערכות לגאסי פגיעים הרבה יותר להצטברות חובות נסתרים.

• כישורי הנדסת תוכנה: מפתחי תוכנה בעלי כישורים נמוכים נוטים יותר לתת לחוב הטכנולוגי שנוצר על ידי בינה מלאכותית לצמוח ככדור שלג. מפתחים מיומנים יותר מצוידים טוב יותר לזהות פגמים ארכיטקטוניים ולמתן החוב הטכנולוגי לפני שהוא מתפשט. מהנדס זוטר יכול לכתוב מהר כמו מהנדס בכיר, אבל אין לו את התחושה הקוגניטיבית של מה שהוא עושה... או אילו בעיות הוא גורם... או אפילו אם זה רעיון טוב לעשות את מה שהוא עושה.

מנהלים צריכים לנקוט משנה זהירות כאשר מפתחים חסרי ניסיון מטמיעים קוד שנוצר על ידי בינה מלאכותית, או כאשר קוד כזה מוטמע בסביבה של מערכות לגאסי. כאשר שני גורמי הסיכון קיימים, עדיף להימנע לחלוטין מהטמעת קוד שנוצר על ידי בינה מלאכותית.

הפחתת "המס" של בינה מלאכותית על חוב טכנולגי

ארגונים חייבים להתייחס לנטייה של כלי בינה מלאכותית להגדיל את החוב הטכנולוגי כסיכון אסטרטגי, ולא רק כמטרד תפעולי. כדי לממש במלואה את ההבטחה של בינה מלאכותית גנרטרית, חברות חייבות לעשות את הדברים הבאים:

• פיתוח הנחיות ברורות לגבי מתי וכיצד להשתמש בכלי קידוד בסיוע בינה מלאכותית. 

חברות גדולות רבות (כולל מיקרוסופט, גוגל, מטה וסיילספורס) כבר קבעו מדיניות שימוש אחראית בבינה מלאכותית המבוססת על עקרונות אתיים כגון הוגנות, פרטיות והכלה. עם זאת, תרגום האידיאלים הגבוהים הללו להנחיות מעשיות יומיומיות לפיתוח תוכנה מוגברת בבינה מלאכותית הוא תהליך מתמשך. אנו צופים שהנחיות אלו יתרחבו בקרוב ויכללו שימוש בבינה מלאכותית לשיפור בסיסי קוד קיימים. ככל שיתפתחו כלי קידוד בסיוע בינה מלאכותית, התמודדות עם חוב טכנולוגי צפויה להפוך למקרה שימוש חשוב עבור הטכנולוגיה. כבר קיימות עדויות אמפיריות לשימוש הפוטנציאלי של בינה מלאכותית בתחזוקת קוד מדור קודם, אך הגדרה ברורה של משימות ושמירה על אדם מעודכן יהיו המפתח. ראוי לציין שמורגן סטנלי התנסה בגישה זו באמצעות כלי GenAI פנימי מכיוון שמודלים מוכנים עדיין אינם מסוגלים לטפל בתרגומי קוד מדור קודם בצורה יעילה.

• התייחסו לניהול חובות טכנולוגיים כאל עדיפות הנדסית, לא כאל מחשבה שלאחר מעשה

ישנן הנחיות רבות לניהול חובות טכניים . מה שחשוב ביותר הוא לשלב זאת בתהליכי עבודה יומיומיים ולא סתם לרוץ לתקן משהו כשהוא מתקלקל. אחרת, על פי המודל הכלכלי שלנו, הביצועים יראו עלייה קצרה בטווח הקצר, אך החוב הטכנולוגי יאפיל על שיפור זה בטווח הארוך.

• השקיעו בהכשרת מפתחים צעירים כדי שיוכלו להשתמש טוב יותר בכלי בינה מלאכותית מבלי ליצור חוב טכנולוגי מוגזם. 

• 
  

מספר חברות כבר החלו במאמצי שדרוג מיומנויות, באמצעות הכשרה פנימית או סדנאות חיצוניות. אך פיתוח היכולת להעריך את התפוקה שנוצרת על ידי בינה מלאכותית דורש גישה שונה. כאן הופכת חונכות לחיונית. סקירות קוד מסורתיות חייבות להתפתח. מפתחים בכירים צריכים לא רק להעריך את איכות הקוד, אלא גם לאמן חברי צוות צעירים בשימוש אחראי ויעיל בבינה מלאכותית. הדרכה מסוג זה יכולה לשמש גם כמעקה בטיחות מפני שחיקה של מיומנויות היסוד של מפתחי הדור הבא.

בינה מלאכותית גנרטיבית כאן כדי להישאר. אבל כמו כל כלי רב עוצמה, היא דורשת כבוד, משמעת ואסטרטגיה. ארגונים שממהרים קדימה בעיוורון מסתכנים בגילוי שהעלייה בפריון של היום באה על חשבון היכולת של מחר להתחרות.