- Νέα μελέτη δείχνει ότι οι προγραμματιστές με AI assistants ολοκληρώνουν εργασίες πιο γρήγορα, αλλά αποδίδουν χειρότερα σε τεστ κατανόησης.
- Το μεγαλύτερο «κενό» εμφανίστηκε στο debugging (εντοπισμός/διόρθωση σφαλμάτων).
- Η καλύτερη χρήση φαίνεται να είναι η AI ως εργαλείο μάθησης (εξηγήσεις/ερωτήσεις), όχι ως πλήρης αντικαταστάτης.
Η «σκοτεινή πλευρά» της παραγωγικότητας με AI
Τα εργαλεία τεχνητής νοημοσύνης υπόσχονται υψηλότερη αποδοτικότητα στην ανάπτυξη λογισμικού. Ένας από τους παρόχους είναι η Anthropic με το Claude Code. Η εταιρεία εξέτασε ποιο θα μπορούσε να είναι το «τίμημα» αυτής της παραγωγικότητας.
Σε ένα ελεγχόμενο πείραμα με 52 προγραμματιστές, φάνηκε ότι όσοι βασίζονται στην AI όταν μαθαίνουν νέες προγραμματιστικές δεξιότητες, τα πηγαίνουν σημαντικά χειρότερα σε τεστ κατανόησης.
Με άλλα λόγια, με την ανάθεση στην AI ο προγραμματιστής δεν γίνεται πιο έξυπνος ως προς το αντικείμενο.
Η έρευνα εξετάζει ειδικά τη μάθηση νέων δεξιοτήτων με AI (όχι μόνο την ταχύτητα εκτέλεσης γνωστών εργασιών).
Πείραμα: εκμάθηση της Python βιβλιοθήκης Trio
Οι συμμετέχοντες κλήθηκαν να μάθουν μια βιβλιοθήκη Python με όνομα Trio, την οποία δεν γνώριζαν πριν. Μία ομάδα μπορούσε να χρησιμοποιήσει AI assistant, ενώ η άλλη έπρεπε να γράψει κώδικα χειροκίνητα. Στο τέλος, όλοι έδωσαν ένα τεστ πάνω στις έννοιες που χρησιμοποιήθηκαν.
Αποτελέσματα: χαμηλότερη κατανόηση στην ομάδα AI
Το αποτέλεσμα ήταν σαφές: η ομάδα AI έφτασε κατά μέσο όρο το 50% των διαθέσιμων μονάδων, ενώ η ομάδα ελέγχου έφτασε το 67%. Η διαφορά αντιστοιχεί σε σχεδόν δύο βαθμίδες. Το κενό ήταν ιδιαίτερα έντονο σε εργασίες debugging, δηλαδή στον εντοπισμό και τη διόρθωση σφαλμάτων.
Πίνακας: Σύγκριση επίδοσης στο τεστ
| Ομάδα | Μέσο σκορ | Ερμηνεία |
|---|---|---|
| Με AI assistant | 50% | Χαμηλότερη κατανόηση εννοιών, μεγαλύτερο πρόβλημα στο debugging |
| Χωρίς AI (χειροκίνητα) | 67% | Καλύτερη κατανόηση και πιο ισχυρή απόδοση σε τεστ |
Η διαφορά 50% vs 67% αντιστοιχεί σε σχεδόν δύο βαθμίδες επίδοσης, με μεγαλύτερη υστέρηση στο debugging.
Πώς χρησιμοποιούν οι άνθρωποι τους AI assistants στην πράξη
Οι ερευνητές ανέλυσαν καταγραφές οθόνης και εντόπισαν διαφορετικά μοτίβα χρήσης:
- Ορισμένοι προγραμματιστές ανέθεταν ολόκληρη τη δημιουργία κώδικα στην AI και είχαν τα χειρότερα αποτελέσματα στο τεστ. Δούλεψαν μεν πιο γρήγορα, αλλά έμαθαν λιγότερα.
- Άλλοι ξεκίνησαν αυτόνομα, αλλά όλο και περισσότερο βασίζονταν στην AI.
- Κάποιοι χρησιμοποιούσαν τον assistant κυρίως για debugging, χωρίς να κατανοούν πραγματικά την αιτία των σφαλμάτων.
Όλες αυτές οι υποομάδες έπιασαν μέσους όρους κάτω από 40%.
Πίνακας: Μοτίβα χρήσης AI και συσχέτιση με κατανόηση
| Μοτίβο χρήσης | Τυπική συμπεριφορά | Τάση στα αποτελέσματα |
|---|---|---|
| Πλήρης ανάθεση στην AI | Η AI γράφει σχεδόν όλο τον κώδικα | Χειρότερη κατανόηση/χαμηλά σκορ |
| Σταδιακή εξάρτηση | Ξεκινά manual, μετά ζητά όλο και περισσότερα | Κάτω από ~40% κατά μέσο όρο |
| AI για debugging χωρίς κατανόηση | Διορθώνει «συμπτώματα», όχι αιτίες | Κάτω από ~40% κατά μέσο όρο |
Ποιοι τα πήγαν καλύτερα: AI ως εργαλείο μάθησης
Πιο επιτυχημένοι ήταν όσοι χρησιμοποίησαν την AI ως εργαλείο εκμάθησης. Έβαζαν την AI να παράγει κώδικα, αλλά στη συνέχεια έκαναν διευκρινιστικές ερωτήσεις για να κατανοήσουν τη λογική. Ή ζητούσαν εξηγήσεις μαζί με τον κώδικα.
Υπήρξε επίσης ομάδα που έκανε μόνο εννοιολογικές ερωτήσεις και έγραφε μόνη της τον κώδικα — όχι μόνο τα πήγε καλά στο τεστ, αλλά ήταν και σχετικά γρήγορη.
Ο χρόνος που κερδίζεται μπορεί να είναι μικρότερος απ’ όσο νομίζουμε
Το όφελος χρόνου από την AI ήταν μικρότερο από το αναμενόμενο. Η ομάδα AI ολοκλήρωσε τις εργασίες κατά μέσο όρο περίπου δύο λεπτά νωρίτερα, κάτι που δεν ήταν στατιστικά σημαντικό.
Κάποιοι συμμετέχοντες ξόδεψαν έως και 11 λεπτά — δηλαδή 30% του διαθέσιμου χρόνου — απλώς για να διατυπώνουν ερωτήματα (prompts) προς τον assistant.
Το prompting έχει «κρυφό κόστος»: αν απαιτεί πολλή ώρα, η καθαρή παραγωγικότητα μπορεί να μη βελτιώνεται, ενώ η κατανόηση να μειώνεται.
Παραγωγικότητα vs χτίσιμο δεξιοτήτων
Τα ευρήματα θέτουν ερωτήματα για το πώς πρέπει να ενσωματώνεται η AI στις ροές εργασίας. Προηγούμενες έρευνες της Anthropic έδειχναν ότι η AI μπορεί να επιταχύνει ορισμένες εργασίες έως και 80%.
Η νέα μελέτη υποδηλώνει ότι τέτοια κέρδη μπορεί να εμφανίζονται κυρίως όταν ο χρήστης ήδη κατέχει τη δεξιότητα.
Στην εκμάθηση νέων δεξιοτήτων, η εικόνα μπορεί να είναι διαφορετική: όποιος βασίζεται υπερβολικά στην AI, ίσως να μην αναπτύξει τις ικανότητες που θα χρειαστεί αργότερα για να ελέγχει και να επικυρώνει AI-generated κώδικα — και έτσι να μην γίνει καλός προγραμματιστής.
Αυτοκριτική στο σχεδιασμό της μελέτης
Οι ερευνητές τονίζουν ότι τα αποτελέσματα είναι προκαταρκτικά. Το δείγμα ήταν μικρό και το τεστ έγινε λίγο μετά την εργασία κωδικοποίησης. Το αν οι διαφορές που μετρήθηκαν θα έχουν μακροπρόθεσμες επιπτώσεις στην ανάπτυξη δεξιοτήτων παραμένει ανοιχτό.
Παρόλα αυτά, για εταιρείες και junior developers προκύπτουν προκλήσεις: αν οι νεότεροι προγραμματιστές εκπαιδεύονται λιγότερο καλά, αργότερα μπορεί να δυσκολευτούν να ελέγχουν επαρκώς κώδικα γραμμένο από AI.
Οι managers πρέπει να αποφασίζουν συνειδητά πώς χρησιμοποιούνται τα AI tools και να διασφαλίζουν ότι οι εργαζόμενοι συνεχίζουν να μαθαίνουν.
Η μελέτη δημοσιεύτηκε ως preprint στο Arxiv και συντονίστηκε από τους Judy Hanwen Shen και Alex Tamkin.
Πως να χρησιμοποιείς AI χωρίς να «σβήνεις» την κατανόηση
Αν η ομάδα σου θέλει να αξιοποιήσει AI assistants (Claude, Copilot κ.λπ.) χωρίς να θυσιάσει το χτίσιμο δεξιοτήτων, χρειάζεται ένα απλό πλαίσιο: AI για επιτάχυνση σε γνωστές εργασίες και AI για καθοδήγηση σε νέες.
Το κρίσιμο είναι να αποφεύγεται η «μαύρη κουτί» παραγωγή κώδικα που περνά απευθείας σε PR χωρίς ουσιαστικό έλεγχο.
Κανόνας 3 επιπέδων (πρακτική ρουτίνα)
- Εξήγησε πριν γράψεις: Ζήτα από την AI να εξηγήσει έννοιες, APIs και ροές (π.χ. “τι είναι structured concurrency στο Trio;”).
- Γράψε εσύ τον βασικό σκελετό: Ξεκίνα με χειροκίνητο skeleton και ζήτα από την AI μόνο μικρά κομμάτια (helper functions, edge cases).
- Επαλήθευσε με τεστ και ερωτήσεις: Για κάθε AI αλλαγή, ρώτα “ποια υπόθεση κάνεις;”, “τι αποτυγχάνει αν…;”, “γράψε tests που σπάνε τον κώδικα”.
Συγκεκριμένες τεχνικές που αυξάνουν την κατανόηση
- Prompt για αιτιολόγηση: «Δώσε 2 εναλλακτικές λύσεις και πλεονεκτήματα/μειονεκτήματα».
- Debugging με “why-chain”: Αντί «διόρθωσέ το», ζήτα «εντόπισε την αιτία βήμα-βήμα και πρότεινε fix με εξήγηση».
- Διδασκαλία ανάποδα: Γράψε εσύ λύση και ζήτα από την AI να κάνει code review (να βρει corner cases, race conditions, λάθος assumptions).
Πίνακας: Στρατηγικές χρήσης AI και αναμενόμενη επίδραση
| Στρατηγική | Τι κερδίζεις | Τι ρισκάρεις |
|---|---|---|
| Πλήρης ανάθεση κώδικα | Ταχύτητα βραχυπρόθεσμα | Χαμηλή κατανόηση, αδύναμο debugging, δύσκολος έλεγχος AI code |
| AI ως tutor (εξηγήσεις/ερωτήσεις) | Καλύτερη μάθηση, εννοιολογική σαφήνεια | Θέλει πειθαρχία και χρόνο για σωστές ερωτήσεις |
| AI για tests & edge cases | Καλύτερη επαλήθευση, λιγότερα regressions | Ψευδής ασφάλεια αν τα tests είναι επιφανειακά |
Συστάσεις για managers και ομάδες (ιδίως με juniors)
Στις ομάδες με junior προγραμματιστές, βοηθά να μπουν «rails» που προστατεύουν την ανάπτυξη δεξιοτήτων:
- AI-allowed, αλλά με τεκμηρίωση: σε κάθε PR, σημείωσε τι παρήχθη από AI και ποια checks έγιναν (tests, lint, review).
- Υποχρεωτικά “explain back” σημεία: ο author να μπορεί να εξηγήσει 2–3 κρίσιμες επιλογές (π.χ. concurrency model, error handling).
- Συνεδρίες χωρίς AI για εκμάθηση νέων frameworks/βιβλιοθηκών, ώστε να χτίζεται «μνήμη» debugging.
Το ζητούμενο δεν είναι να «κοπεί» η AI, αλλά να χρησιμοποιηθεί με τρόπο που να αυξάνει την παραγωγικότητα χωρίς να αποδυναμώνει την κατανόηση — ειδικά όταν το αντικείμενο είναι καινούριο.
