Sztuczna inteligencja coraz mocniej wchodzi do codziennej pracy – zwłaszcza w branży technologicznej. Wcześniejsze analizy pokazywały, że AI potrafi przyspieszyć wykonywanie niektórych zadań nawet o 80%. Pojawia się jednak pytanie: czy większa produktywność nie odbywa się kosztem rozwoju umiejętności?
- AI może znacząco zwiększać produktywność – w niektórych zadaniach nawet o 80%, zwłaszcza gdy pracujemy na znanych już kompetencjach.
- Podczas nauki nowych narzędzi AI może obniżać poziom zrozumienia – w badaniu programiści korzystający z AI uzyskali o 17% niższe wyniki w teście.
- Największy spadek dotyczył umiejętności debugowania, czyli wykrywania i rozumienia błędów w kodzie.
- Sposób korzystania z AI ma kluczowe znaczenie – osoby, które zadawały pytania i analizowały odpowiedzi, uczyły się skuteczniej niż te, które delegowały całe zadanie modelowi.
Najnowsze badanie przeprowadzone wśród programistów sprawdziło, jak korzystanie z AI wpływa na naukę nowych narzędzi oraz zrozumienie tworzonego kodu. Wyniki pokazują, że sprawa jest bardziej złożona, niż mogłoby się wydawać.
AI przyspiesza pracę, ale nie zawsze sprzyja nauce
W badaniu wzięło udział 52 programistów (głównie na początku kariery), którzy regularnie pracowali w Pythonie. Uczestnicy mieli nauczyć się nowej biblioteki (Trio) i wykonać dwa zadania programistyczne. Część z nich mogła korzystać z asystenta AI, pozostali pisali kod samodzielnie.
Rezultaty były interesujące:
- Grupa korzystająca z AI ukończyła zadania średnio około 2 minuty szybciej (różnica nie była istotna statystycznie).
- W teście sprawdzającym zrozumienie materiału grupa AI uzyskała średnio 50% poprawnych odpowiedzi.
- Grupa bez AI osiągnęła 67%.
- Oznacza to spadek wyników o 17% przy korzystaniu z AI.
Największe różnice dotyczyły zadań z zakresu debugowania, czyli wykrywania i rozumienia błędów w kodzie. To szczególnie ważna umiejętność w świecie, w którym coraz więcej kodu generują modele językowe.
Co dokładnie mierzono?
Test sprawdzał cztery kluczowe obszary kompetencji:
- Debugowanie – wykrywanie i diagnozowanie błędów.
- Czytanie kodu – rozumienie, co robi dany fragment programu.
- Pisanie kodu – wybór właściwego podejścia i implementacja rozwiązania.
- Zrozumienie koncepcji – znajomość zasad działania biblioteki i wzorców projektowych.
Badacze skupili się przede wszystkim na debugowaniu, czytaniu kodu i rozumieniu koncepcji – czyli kompetencjach niezbędnych do kontrolowania kodu tworzonego przez AI.
Sposób korzystania z AI ma kluczowe znaczenie
Najciekawszy wniosek nie dotyczy samego faktu używania AI, lecz tego, jak była używana.
Uczestnicy, którzy:
- zadawali pytania wyjaśniające,
- prosili o wytłumaczenie wygenerowanego kodu,
- łączyli generowanie kodu z próbą jego zrozumienia,
osiągali znacznie lepsze wyniki niż ci, którzy po prostu delegowali całe zadanie do modelu.
Najniższe wyniki mieli uczestnicy, którzy:
- w pełni polegali na AI przy pisaniu kodu,
- oddawali modelowi także debugowanie,
- ograniczali własne zaangażowanie poznawcze.
Ich średnie wyniki w teście spadały poniżej 40%.
Z kolei osoby, które traktowały AI jako narzędzie wspierające zrozumienie – a nie zastępujące myślenie – osiągały wyniki na poziomie 65% i wyższym.
Dlaczego to ma znaczenie?
W środowisku, w którym rośnie udział kodu generowanego przez AI, człowiek nadal odpowiada za:
- wykrywanie błędów,
- weryfikację poprawności działania,
- nadzór nad systemami używanymi w krytycznych zastosowaniach.
Jeśli rozwój umiejętności – zwłaszcza u młodszych inżynierów – zostanie zahamowany przez nadmierne poleganie na AI, może to w dłuższej perspektywie osłabić zdolność zespołów do kontrolowania tworzonych systemów.
Produktywność kontra kompetencje?
Wcześniejsze badania tej samej organizacji pokazywały, że AI potrafi znacząco przyspieszać realizację zadań – nawet o 80%. Różnica polega jednak na tym, że tam analizowano pracę nad zadaniami, w których uczestnicy mieli już rozwinięte kompetencje.
Obecne badanie dotyczyło nauki czegoś nowego. Możliwe więc, że:
- AI zwiększa produktywność w dobrze znanych obszarach,
- ale może utrudniać przyswajanie nowych umiejętności.
To hipoteza, która wymaga dalszych analiz – zwłaszcza długoterminowych.
Wnioski dla firm i pracowników
Badanie sugeruje, że wdrażanie AI w organizacjach powinno być przemyślane. Nie chodzi o to, by ograniczać dostęp do narzędzi, ale by:
- promować tryby pracy nastawione na naukę,
- zachęcać do zadawania pytań i analizowania odpowiedzi AI,
- projektować narzędzia wspierające zrozumienie, a nie tylko szybkość działania.
Wysiłek poznawczy – nawet frustrujący – jest częścią procesu uczenia się. Jeśli AI całkowicie go zastąpi, krótkoterminowy zysk może oznaczać długoterminową stratę.
W świecie pracy wspomaganej przez AI produktywność ma znaczenie. Jednak równie istotne pozostaje systematyczne budowanie kompetencji, które pozwolą tę technologię skutecznie kontrolować i rozwijać.
