AI στον προγραμματισμό: Περισσότερος κώδικας, αλλά πότε γίνεται προϊόν;
Ένας προγραμματιστής ζητά από έναν AI agent να προσθέσει μια λειτουργία. Λίγο αργότερα, τα αρχεία έχουν αλλάξει και ο κώδικας περιμένει έλεγχο. Στην οθόνη, η δουλειά φαίνεται σχεδόν τελειωμένη. Για την ομάδα που πρέπει να τον ενσωματώσει, όμως, παραμένει ένα ουσιαστικό ερώτημα: λειτουργεί σωστά μέσα στο πραγματικό προϊόν;
Αυτή η απόσταση ανάμεσα στη συγγραφή και την παράδοση βρίσκεται στο επίκεντρο μελέτης που παρουσίασε το Ars Technica στις 9 Οκτωβρίου. Το εύρημα είναι πιο σύνθετο από μια απλή ετυμηγορία υπέρ ή κατά της τεχνητής νοημοσύνης: η αύξηση της δραστηριότητας στον κώδικα δεν συνοδεύεται αναγκαστικά από ανάλογη αύξηση στο ολοκληρωμένο λογισμικό. Ars Technica
Τι μέτρησε η έρευνα
Οι Fiona Chen και James Stratton, του Harvard, ανέλυσαν περίπου 300 εκατομμύρια καταγεγραμμένες ενέργειες εργασίας από 718 επιχειρήσεις, μέσω της πλατφόρμας Jellyfish. Τα δεδομένα φτάνουν έως τον Μάρτιο του 2026. Η διαθέσιμη έκδοση, με ημερομηνία 4 Αυγούστου, είναι ερευνητική εργασία υπό εξέλιξη· δεν παρουσιάζεται ως δημοσίευση σε επιστημονικό περιοδικό με αξιολόγηση από ομοτίμους.
Μετά την υιοθέτηση AI agents, οι ερευνητές εκτιμούν αύξηση 30% στις γραμμές κώδικα, 20% στις καταχωρίσεις αλλαγών και 23% στα αιτήματα ενσωμάτωσης κώδικα. Δεν εντοπίζουν, όμως, στατιστικά σημαντική αύξηση στην ολοκλήρωση εργασιών και μεγαλύτερων έργων που παρακολουθούνται στο Jira. Παράλληλα, ο χρόνος από την υποβολή μιας αλλαγής έως την ενσωμάτωσή της αυξάνεται κατά 49%. Πρωτογενής μελέτη
Το τελευταίο ποσοστό χρειάζεται προσοχή. Περιγράφει τη διάρκεια μιας διαδικασίας, συμπεριλαμβανομένης της αναμονής. Δεν σημαίνει ότι κάθε προγραμματιστής αφιέρωσε 49% περισσότερες ώρες διαβάζοντας κώδικα.
Η γραμμή κώδικα δεν είναι μονάδα αξίας
Για κάποιον εκτός του επαγγέλματος, περισσότερος κώδικας μπορεί να ακούγεται σαν περισσότερη δουλειά που ολοκληρώθηκε. Στην πράξη, η σχέση είναι πολύ λιγότερο ευθύγραμμη.
Ας υποθέσουμε ότι μια εφαρμογή χρειάζεται καλύτερη αναζήτηση. Μία λύση μπορεί να προσθέτει εκατοντάδες γραμμές και νέες εξαρτήσεις. Μια άλλη μπορεί να διορθώνει τον τρόπο με τον οποίο χρησιμοποιείται μια υπάρχουσα λειτουργία. Η δεύτερη ενδέχεται να είναι μικρότερη, ευκολότερη στη συντήρηση και εξίσου αποτελεσματική για τον χρήστη.
Αντίστοιχα, ένα pull request —η πρόταση να ενσωματωθούν συγκεκριμένες αλλαγές στο κοινό έργο— αποτελεί ενδιάμεσο βήμα. Δεν εγγυάται ότι η νέα δυνατότητα είναι έτοιμη για χρήση.
Γι’ αυτό έχει σημασία ποιον δείκτη επιλέγει μια εταιρεία. Ο αριθμός των αλλαγών δείχνει δραστηριότητα. Η αξία για τον πελάτη απαιτεί διαφορετικές ερωτήσεις: μειώθηκαν τα σφάλματα; Έγινε ευκολότερη μια συναλλαγή; Παραδόθηκε μια λειτουργία που πράγματι χρειαζόταν;
Ο έλεγχος είναι μέρος της ανάπτυξης
Σκεφτείτε μια υποθετική αλλαγή στη διαδικασία πληρωμών ενός ηλεκτρονικού καταστήματος. Ο κώδικας μπορεί να εκτελείται και να περνά τις βασικές δοκιμές. Χρειάζεται, ωστόσο, να εξεταστεί τι συμβαίνει όταν η σύνδεση διακοπεί, όταν ο πελάτης πατήσει δύο φορές το κουμπί ή όταν μια εξωτερική υπηρεσία αργήσει να απαντήσει.
Ο έλεγχος αφορά και τις σχέσεις με το υπόλοιπο σύστημα. Μια τοπικά σωστή αλλαγή μπορεί να παραβιάζει μια παραδοχή που χρησιμοποιείται αλλού. Και μια λύση που λειτουργεί σήμερα μπορεί να δυσκολεύει υπερβολικά την επόμενη αλλαγή.
Αυτές οι περιπτώσεις εξηγούν γιατί η ταχύτητα συγγραφής δεν αρκεί ως μέτρο επιτυχίας. Αν μια ομάδα παράγει προτάσεις αλλαγών γρηγορότερα από όσο μπορεί να τις αξιολογήσει, δημιουργεί περισσότερη εκκρεμή εργασία. Το κόστος εμφανίζεται αργότερα, όταν χρειάζεται να ξεκαθαριστεί τι μπορεί να προχωρήσει.
Μπορεί μια δεύτερη AI να κάνει τον έλεγχο;
Ήδη υπάρχουν εργαλεία που αναλαμβάνουν αυτή τη δουλειά. Το GitHub Copilot code review, για παράδειγμα, εξετάζει αλλαγές και προτείνει διορθώσεις. Η ύπαρξή του δείχνει ότι η αυτοματοποίηση επεκτείνεται πέρα από τη συγγραφή. Τεκμηρίωση GitHub
Η ίδια η GitHub επισημαίνει, πάντως, δύο περιορισμούς: το σύστημα μπορεί να χάσει πραγματικά προβλήματα, ειδικά σε μεγάλες ή σύνθετες αλλαγές, και μπορεί να υποδείξει προβλήματα που δεν υπάρχουν. Συνιστά συμπληρωματικό ανθρώπινο έλεγχο και αξιολόγηση των προτάσεων πριν εφαρμοστούν. GitHub: περιορισμοί και υπεύθυνη χρήση
Επομένως, το ερώτημα για μια επιχείρηση δεν είναι απλώς αν διαθέτει AI reviewer. Είναι αν ο συγκεκριμένος reviewer μειώνει τις χρήσιμες εργατοώρες ελέγχου χωρίς να αφήνει περισσότερα σφάλματα να περάσουν. Περισσότερα αυτόματα σχόλια δεν αποτελούν από μόνα τους ένδειξη καλύτερης ποιότητας.
Γιατί οι έρευνες δεν δίνουν μία απάντηση
Η εικόνα αλλάζει ανάλογα με το έργο, τους ανθρώπους και τα εργαλεία. Σε τυχαιοποιημένο πείραμα της METR με 16 έμπειρους συντηρητές έργων ανοικτού κώδικα και 246 εργασίες, τα εργαλεία των αρχών του 2025 αύξησαν τον χρόνο ολοκλήρωσης κατά 19%. Οι συμμετέχοντες εργάζονταν σε μεγάλα έργα που γνώριζαν ήδη καλά. Μελέτη METR
Δεν είναι σωστό να μεταφέρουμε αυτό το ποσοστό αυτούσιο στο σήμερα. Τον Φεβρουάριο του 2026, η METR εξήγησε ότι η νεότερη έρευνά της αντιμετώπιζε προβλήματα επιλογής συμμετεχόντων: αρκετοί δεν ήθελαν να εργαστούν χωρίς AI. Η οργάνωση θεωρούσε πιθανότερη τη μεγαλύτερη επιτάχυνση με τα νεότερα εργαλεία, αλλά δεν μπορούσε να μετρήσει αξιόπιστα το μέγεθός της. Ενημέρωση METR
Υπάρχουν και θετικά αποτελέσματα. Ερευνητική προδημοσίευση στο arXiv, βασισμένη σε πείραμα με 96 μηχανικούς της Google, εκτίμησε περίπου 21% μικρότερο χρόνο σε συγκεκριμένη εργασία. Οι συγγραφείς προειδοποιούν ότι το αποτέλεσμα δεν γενικεύεται αυτόματα σε άλλα εργαλεία και περιβάλλοντα. Μελέτη για τους μηχανικούς της Google
Αυτά τα ευρήματα δεν είναι αναγκαστικά αντιφατικά. Η επιτάχυνση ενός συγκεκριμένου βήματος και η ταχύτερη παράδοση ενός ολόκληρου προϊόντος είναι διαφορετικά ερευνητικά ερωτήματα.
Τι δεν αποδεικνύει η νέα μελέτη
Η έρευνα των Chen και Stratton συγκρίνει επιχειρήσεις που υιοθέτησαν τα εργαλεία σε διαφορετικές χρονικές στιγμές. Δεν είναι τυχαιοποιημένο πείραμα. Η μέθοδός της προϋποθέτει ότι, χωρίς την υιοθέτηση, οι συγκρινόμενες ομάδες θα ακολουθούσαν παρόμοιες τάσεις. Μεθοδολογία της μελέτης
Επιπλέον, «δεν βρέθηκε στατιστικά σημαντική αύξηση» δεν σημαίνει «αποδείχθηκε ότι το όφελος είναι μηδενικό». Ούτε ένας συνολικός μέσος όρος περιγράφει κάθε ομάδα: μια εταιρεία που συντηρεί παλιό τραπεζικό λογισμικό αντιμετωπίζει διαφορετικές απαιτήσεις από μια μικρή ομάδα που δοκιμάζει ένα πρωτότυπο.
Το χρονικό όριο των δεδομένων επίσης μετρά. Η έρευνα δεν αξιολογεί όλες τις δυνατότητες των εργαλείων που κυκλοφορούν τον Οκτώβριο του 2026.
Τι αξίζει να αλλάξουν οι ομάδες
Η DORA, στο ερευνητικό της πρόγραμμα για το 2025, περιγράφει την AI ως παράγοντα που ενισχύει τα υπάρχοντα χαρακτηριστικά ενός οργανισμού. Καταγράφει βελτίωση στον ρυθμό παράδοσης, αλλά προειδοποιεί ότι η σταθερότητα μπορεί να επιβαρυνθεί όταν οι βασικές διαδικασίες είναι αδύναμες. DORA: απολογισμός 2025
Μια πρακτική συνέπεια είναι να αξιολογείται ολόκληρη η διαδρομή μιας αλλαγής. Πόσο γρήγορα γράφτηκε; Πόσο περίμενε για έλεγχο; Πόσες φορές επέστρεψε για διόρθωση; Προκάλεσε πρόβλημα μετά την κυκλοφορία;
Για μια μικρή ομάδα, χρήσιμο πείραμα θα ήταν να αναθέσει στην AI μια σαφώς ορισμένη κατηγορία εργασιών και να συγκρίνει το συνολικό αποτέλεσμα. Να συνυπολογίσει τη συνδρομή, τον έλεγχο και τις διορθώσεις, αντί να αρκεστεί στην εντύπωση ότι «γράφουμε πιο γρήγορα».
Η τελική δοκιμασία των coding agents βρίσκεται εκεί όπου τελειώνει η επίδειξη: σε ένα προϊόν που λειτουργεί αξιόπιστα και μπορεί να εξελιχθεί. Αν η AI βοηθά μια ομάδα να φτάσει εκεί νωρίτερα, η παραγωγικότητα έχει πράγματι αυξηθεί. Οι γραμμές κώδικα είναι μόνο ένα ίχνος της διαδρομής.
Πηγές
- Chen & Stratton — Artificial Intelligence in the Firm: Bottlenecks in Software Production, ερευνητική εργασία, έκδοση 4 Αυγούστου 2026.
- Ars Technica — AI coding agents generate more code, but not more software, 9 Οκτωβρίου 2026.
- METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.
- METR — We are Changing our Developer Productivity Experiment Design, 24 Φεβρουαρίου 2026.
- Paradis και συνεργάτες — How much does AI impact development speed? An enterprise-based randomized controlled trial, προδημοσίευση στο arXiv.
- GitHub — About GitHub Copilot code review.
- GitHub — Responsible use of agentic features, επίσημη τεκμηρίωση.
- DORA — DORA 2025: Year in review.
