आपका AI अभी-अभी बड़े पैमाने पर तकनीकी ऋण (technical debt) उत्पन्न कर दिया।
AI को आपके कोडबेस को बेहतर बनाना था। इसने उसे और खराब कर दिया।
वर्जन कंट्रोल के आविष्कार के बाद पहली बार, टीमें तेज़ी से शिप कर रही हैं और ज़्यादा तोड़ रही हैं।
AI इंजीनियरिंग टीमों के लिए तीन काम करता है। यह कोड तेज़ी से लिखता है। यह दोषों को पहले पकड़ता है। यह ऐसी चीज़ें बनाता है जो आपकी मौजूदा टीम अकेली नहीं बना सकती।
उद्योग ने सब कुछ पहले वाले पर दाँव लगा दिया। गति। ज़्यादा कोड, तेज़ी से।
किसी ने नहीं पूछा कि क्या होता है जब आप उस टीम के आउटपुट को 3x कर देते हैं जो पहले से ही अपने आधे कोडबेस को नहीं समझती थी।
स्रोत: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
मैंने यह पहले भी देखा है। हम सभी ने देखा है।
1990 के दशक के अंत में, एंटरप्राइज़ Java ने "write-once-run-anywhere" का वादा किया। कंपनियों ने पूरी उत्पाद लाइनें इस पर दाँव लगा दीं। J2EE, EJBs, मिडलवेयर स्टैक।
2005 तक, औसत एंटरप्राइज़ Java ऐप में बटन का रंग बदलने के लिए 6 पैकेजों में 14 फ़ाइलों की आवश्यकता होती थी। Martin Fowler ने इसे "एंटरप्राइज़ रोग" कहा। कंपनियाँ शिप नहीं कर पाती थीं। वे ऐसा कोई व्यक्ति नहीं रख सकती थीं जो सिस्टम को समझता हो। वे रीराइट नहीं कर सकती थीं क्योंकि वे दस्तावेज़ नहीं बना सकती थीं कि पुराना सिस्टम क्या करता था।
इसे ठीक करने में एक दशक लगा। हल्के फ्रेमवर्क। TDD। CI। Agile। उद्योग को प्रौद्योगिकी के आसपास प्रबंधन परत को फिर से बनाना पड़ा।
AI वही काम एक संकुचित समयरेखा पर कर रहा है।
हमने हर डेवलपर को प्रति दिन हज़ारों लाइन कोड उत्पन्न करने की क्षमता दी। जिस डेवलपर ने इसे प्रॉम्प्ट किया, वह यह नहीं समझा सकता कि इसने क्या बनाया। जिस रिव्यूअर ने इसे मंज़ूरी दी, उसने इसे पढ़ा नहीं। और अगला डेवलपर जो इसे विरासत में लेगा, वह इसे ब्लैक बॉक्स की तरह मानेगा, क्योंकि यह वैसा ही है।
मैंने इसे ब्राउनफ़ील्ड कोडबेस और ग्रीनफ़ील्ड डेमो दोनों में देखा है। वे उसी तरह टूटते हैं।
यहाँ 5 विफलता मोड हैं जो हम विभिन्न परियोजनाओं में देखते हैं।
वास्तविक कोडबेस पर AI के 5 विफलता मोड
1. AI-जनित वॉल्यूम नया "उस पर बल फेंकना" है।
हर CTO ने Cursor सीटें खरीदीं। हर बोर्ड ने ROI माँगा। हाइप साइकिल ने एक वर्ष से भी कम समय में अपना पूरा कोर्स चला लिया।
लेकिन अधिक कोड कभी समस्या नहीं था।
Fortune 500 की 70% कंपनियाँ अभी भी बीस वर्ष से अधिक पुराने सॉफ्टवेयर चला रही हैं। वे कोडबेस धीमे नहीं हैं क्योंकि डेवलपर बहुत धीमे टाइप करते हैं। वे धीमे हैं क्योंकि कंपनी में कोई भी जीवित व्यक्ति कोड में एनकोड किए गए सभी व्यावसायिक नियमों को नहीं समझता।
उस कोडबेस तक AI एजेंट की पहुँच दें। यह काम करने वाला कोड तैयार करेगा जो टेस्ट पास करता है और उन अनुबंधों का उल्लंघन करता है जिनका किसी ने दस्तावेज़ीकरण नहीं किया।
DORA की 2026 रिपोर्ट: AI उपकरण साफ ग्रीनफ़ील्ड कार्यों पर 35-40% लाभ देते हैं। ब्राउनफ़ील्ड पर, वही उपकरण, 10% या उससे कम। 4x का अंतर।
अड़चन समझ थी। AI ने इसे और खराब कर दिया।
2. समझ ऋण (comprehension debt) नया तकनीकी ऋण है।
GitClear ने 623 मिलियन कोड परिवर्तनों का विश्लेषण किया। 2023 से लीगेसी रिफैक्टरिंग में 74% की गिरावट आई है। AI उपकरण मौजूदा कोड का पुन: उपयोग करने के बजाय नया कोड उत्पन्न करते हैं। एक पासिंग टेस्ट। एक बंद टिकट। मौजूदा सिस्टम के खिलाफ कोई समेकन नहीं।
Google में Addy Osmani ने इसे comprehension debt नाम दिया: कोड कितना मौजूद है और कितना कोई भी मानव समझता है, के बीच का अंतर।
6 महीने पुराने कोडबेस पर, आप ठीक हो जाते हैं। 10 साल पुराने मोनोलिथ पर जिसमें अप्रलेखित एकीकरण और सैकड़ों फ़ाइलों में फैले व्यावसायिक नियम हों, आप ठीक नहीं होते।
तकनीकी ऋण वह कोड है जिसे आप जानते हैं कि बुरा है। समझ ऋण वह कोड है जिसका आप मूल्यांकन ही नहीं कर सकते। AI पहली तकनीक है जो दूसरे प्रकार को बड़े पैमाने पर उत्पन्न करती है।
3. समीक्षा थिएटर (review theater) नई रबर स्टाम्प है।
Faros AI के 22,000 डेवलपर डेटासेट में शून्य समीक्षा के साथ मर्ज किए गए PR में 31% की वृद्धि। माध्यिका समीक्षा समय 5x बढ़ गया क्योंकि समीक्षक वॉल्यूम के साथ गति नहीं रख सके।
अधिक आउटपुट, कम गुणवत्ता नियंत्रण, धीमा करने के लिए किसी को सशक्त नहीं किया गया। हमने यह संगठनात्मक पैटर्न AI के अस्तित्व में आने से पहले सौ बार देखा है। अब यह मशीन की गति से चलता है।
Anthropic ने पाया कि निष्क्रिय प्रतिनिधिमंडल के लिए AI का उपयोग करने वाले डेवलपर समझ परीक्षणों में 40% से नीचे स्कोर करते हैं। सक्रिय पूछताछ: 65%+। वही उपकरण। चर मानव था।
अधिकांश टीमें AI का उपयोग सोचने से बचने के लिए कर रही हैं। यह प्रोडक्शन में आपको पकड़ लेता है।
4. जो लोग सिस्टम को समझते हैं, उनके पास इसे AI को खिलाने का सबसे कम प्रोत्साहन है।
मैंने PE-समर्थित सॉफ्टवेयर कंपनी में इंजीनियरिंग प्रमुख से बात की जो लगभग $15M का राजस्व कमाती है। उनकी टीम ने आंतरिक रूप से Claude का उपयोग करने की कोशिश की। उनके शब्द: "इसने बहुत सारी बेवकूफी भरी चीज़ें कीं।"
वह सही है कि संदेह करते हैं।
फोर्ड ने अनुभवी इंजीनियरों को जाने दिया, इससे पहले कि उनका ज्ञान गुणवत्ता प्रणालियों को प्रशिक्षित कर सके। तीन साल और वारंटी लागत में अरबों डॉलर के बाद, उन्होंने 350 अनुभवी इंजीनियरों को फिर से काम पर रखा। उन इंजीनियरों ने AI को फिर से प्रशिक्षित किया। गुणवत्ता प्रक्रियाओं का पुनर्निर्माण किया। फोर्ड अब 16 वर्षों में पहली बार JD Power की 2026 प्रारंभिक गुणवत्ता अध्ययन में शीर्ष पर है।
उनके हार्डवेयर इंजीनियरिंग के VP: उन्होंने सोचा कि डिज़ाइन आवश्यकताओं को शामिल करने से एक उच्च गुणवत्ता वाला उत्पाद तैयार होगा। ऐसा नहीं हुआ। डोमेन विशेषज्ञता को पहले आना था।
जिन लोगों के पास संस्थागत ज्ञान है, उन्होंने दक्षता पहलों का पिछला दौर देखा है। वे जानते हैं कि प्रक्रिया के दस्तावेज़ीकरण के बाद क्या होता है। मध्ययुगीन गिल्ड उसी कारण से अपने तरीके गुप्त रखते थे।
5. जिस कोडबेस को AI की सबसे अधिक आवश्यकता है, वही वह स्थान है जहाँ AI सबसे खराब काम करता है।
मिड-मार्केट SaaS प्लेटफॉर्म। हेल्थकेयर सिस्टम। लॉजिस्टिक्स बैकएंड। वित्तीय सेवा उत्पाद जो वर्षों पहले छोड़ने वाले डेवलपर द्वारा बनाए गए थे।
इन कंपनियों के पास भुगतान करने वाले ग्राहक, वास्तविक राजस्व और संरक्षित करने लायक व्यावसायिक तर्क हैं। उनके पास AI को गति देने के लिए सबसे बड़ा सतह क्षेत्र है।
आज बेचा जाने वाला हर AI कोडिंग टूल मान लेता है कि कोडबेस साफ है, आर्किटेक्चर मॉड्यूलर है, डेवलपर एजेंट को पर्याप्त संदर्भ दे सकता है। यह धारणा एक 10-वर्षीय मोनोलिथ के अंदर टूट जाती है जिसमें अप्रलेखित एकीकरण और व्यावसायिक नियम हैं जिन्हें कोई नहीं जानता कि किसने लिखा।
Gartner के अनुसार, 74% AI पहल पायलट से आगे नहीं बढ़ती। मॉडल ठीक काम करता है। कोडबेस इसके लिए तैयार नहीं था।
वास्तव में इसे क्या ठीक करता है
हमने इसे एक वास्तविक परियोजना पर साबित किया। एक लीगेसी लॉजिस्टिक्स प्लेटफॉर्म पर दो इंजीनियर। 6 महीनों में 330 मर्ज किए गए PR। ~90% AI-जनित कोड। ग्राहक ने उन्हें अपनी सर्वश्रेष्ठ प्रदर्शन करने वाली टीम कहा। उन्हें दो बार विवेकाधीन बोनस मिला।
यह परिणाम तैयारी से आया, बेहतर मॉडल से नहीं। AI द्वारा कोड की एक लाइन को छूने से पहले तीन चीज़ें हुईं।
प्रॉम्प्ट करने से पहले दस्तावेज़ बनाएँ। हम इसे Step Zero कहते हैं। इससे पहले कि कोई AI एजेंट ब्राउनफ़ील्ड कोडबेस को छूए, आप मौजूदा कोड को स्कैन करते हैं, AI-पढ़ने योग्य दस्तावेज़ तैयार करते हैं, सिस्टम को उपकरणों के लिए सुपाठ्य बनाते हैं। एजेंट उस चीज़ के बारे में तर्क नहीं कर सकता जो वह देख नहीं सकता। फोर्ड का टर्नअराउंड यहीं से शुरू हुआ। वे उन लोगों को वापस लाए जो सिस्टम को समझते थे, उन्होंने जो जानते थे उसका दस्तावेज़ीकरण किया, और उसके बाद ही AI को फिर से प्रशिक्षित किया।
ज़ोन परिभाषित करें। 80/20/0। 80% बॉयलरप्लेट (CRUD, टेस्ट, कॉन्फ़िग, डॉक्स): AI स्वतंत्र रूप से उत्पन्न करता है। 20% व्यावसायिक तर्क और एकीकरण: कॉपायलट मोड, AI ड्राफ्ट करता है, इंजीनियर फिर से लिखता है। 0% प्रमाणीकरण, भुगतान, एन्क्रिप्शन, आर्किटेक्चर निर्णय: कोई AI इसे नहीं छूता। यह अनुशासन समझ ऋण को बढ़ने से रोकता है।
स्केल करने से पहले मापें। प्रति कमिट लागत। मॉडल उपयोग पैटर्न। कोड का AI प्रतिशत। हर टीम में DORA मीट्रिक्स। AI से पहले बेसलाइन। AI के बाद मापें। उस डेटा के बिना, आप उसी त्वरण व्हिपलैश में अंधी उड़ान भर रहे हैं जिसने Faros डेटासेट में 22,000 डेवलपर को प्रभावित किया।
यह कहाँ जा रहा है
Microsoft ने $2.5B प्रतिबद्ध किए। Amazon ने $1B प्रतिबद्ध किए। Anthropic ने $1.5B जुटाए। OpenAI ने $4B जुटाए। सभी एक ही समस्या पर लक्षित: AI को पहले से मौजूद कंपनियों के अंदर काम करने योग्य बनाना।
बाजार ने ग्रीनफ़ील्ड पर ध्यान केंद्रित किया क्योंकि डेमो बेहतर दिखते हैं। सबसे बड़ा इंजीनियरिंग प्रभाव उन कंपनियों से आएगा जिनके कोडबेस सबसे बदसूरत हैं, जिनके उत्पाद सबसे पुराने हैं, और जिनकी पाइपलाइनें किसी के भी LLM के बारे में सुनने से पहले बनाई गई थीं।
अड़चन मॉडल के नीचे की इंजीनियरिंग प्रणाली है।
P.S. Limestone Digital में हम यही करते हैं। हम AI-नेटिव इंजीनियरिंग टीमों को मौजूदा कोडबेस में एम्बेड करते हैं। Step Zero, ज़ोन अनुशासन, मापन बुनियादी ढाँचा। यदि आपका AI पायलट ब्राउनफ़ील्ड कोडबेस पर अटक गया है, तो मुझे DM करें।
संपर्क करें: limestonedigital.com
