AI కొన్ని పనులను డెవలపర్లు త్వరగా పూర్తిచేయడానికి సహాయపడుతోంది. దాని వల్ల ఎక్కువ సాఫ్ట్వేర్ వస్తుందా, తక్కువ ఉద్యోగాలు ఉంటాయా, లేదా ఇంజినీరింగ్ సిబ్బంది స్వభావమే మారుతుందా అన్నది కోడింగ్ వాతావరణం వెలుపల తీసుకునే నిర్ణయాలపై ఆధారపడి ఉంటుంది.
40 మంది ఉన్న సాఫ్ట్వేర్ ఇంజినీరింగ్ టీమ్కు మీరు నాయకత్వం వహిస్తున్నారని ఊహించండి.
ఉత్పత్తి రోడ్మ్యాప్ పెద్దది, శ్రద్ధ కోసం ఎదురుచూస్తున్న కస్టమర్ అభ్యర్థనలు ఉన్నాయి, నిర్వహణ అవసరమైన పాత సిస్టమ్లు ఉన్నాయి. టీమ్ సౌకర్యంగా చేయగలిగిన దానికంటే పని ఎక్కువగా ఉంది.
అప్పుడు AI కోడింగ్ టూల్స్ ప్రభావం చూపడం మొదలుపెడతాయి. సాధారణ మార్పులకు తక్కువ సమయం పడుతుంది. డెవలపర్లు టెస్ట్లను సిద్ధం చేయగలరు, తెలియని కోడ్ను పరిశీలించగలరు, కొన్ని ఇంప్లిమెంటేషన్ పనులను త్వరగా పూర్తిచేయగలరు.
మొదట ఈ మెరుగుదల స్పష్టమైన లాభంలా కనిపిస్తుంది.
తర్వాత ఎవరో సంభాషణను మార్చే ఒక ప్రశ్న అడుగుతారు.
ఇప్పుడు 40 మంది ఇంజినీర్లు ఎక్కువ సాధించగలిగితే, కంపెనీకి ఇంకా మొత్తం 40 మంది అవసరమా?
ఇది సహేతుకమైన వ్యాపార ప్రశ్న. కంపెనీలు ఎప్పుడూ సామర్థ్యం పెంచుకోవడానికి టెక్నాలజీలో పెట్టుబడి పెడుతూ వచ్చాయి, కొన్నిసార్లు దాని అర్థం శ్రామిక ఖర్చును తగ్గించడమే.
కానీ ప్రధానంగా కోడింగ్ ఉత్పాదకత సంఖ్య ఆధారంగా టీమ్ను తగ్గించే ఏ నిర్ణయాన్నైనా నేను ప్రశ్నిస్తాను. ఇంజినీరింగ్ ఉద్యోగాలకు ఆటోమేషన్ నుండి రక్షణ ఉందని కాదు, కానీ ఆ సంఖ్య కంపెనీ ఇంకా పూర్తిచేయాల్సిన పని గురించి యాజమాన్యానికి చాలా తక్కువ చెబుతుంది.
ఉత్పాదకత కొలత వెనుక ఒక పెద్ద వ్యాపార నిర్ణయం దాగి ఉంది.
ఉత్పాదకత సంఖ్యలకు సందర్భం కావాలి
2026 నవంబర్లో, పరిశోధన సంస్థ METR, Anthropic లో AI సహాయంతో జరిగిన పరిశోధన, అభివృద్ధిపై ఒక స్వతంత్ర అంచనాను ప్రచురించింది.
AI సామర్థ్య బెంచ్మార్క్లలో Anthropic మెరుగుదల రేటు ఒక ముందటి కాలంతో పోలిస్తే సుమారు 1.9 రెట్లు వేగవంతమైందని పరిశోధకులు అంచనా వేశారు. కారణాల గురించి గణనీయమైన అనిశ్చితిని అంగీకరిస్తూనే, AI ఒక ప్రధాన దోహదకారి అయి ఉండవచ్చని వారు భావించారు. ఆధారాలలోని ముఖ్యమైన భాగాలు గోప్యంగా లేదా తొలగించబడి ఉన్నాయి.
ఇది ముఖ్యమైన ఫలితం, అయితే ఇది వ్యక్తిగత ఇంజినీర్ల ఉత్పాదకతను కాకుండా AI సామర్థ్యాలలో పురోగతి రేటును కొలిచింది.
METR యొక్క 2026 నవంబర్ అంచనా కొలత పద్ధతిని, దాని పరిమితులను వివరిస్తుంది.
సాఫ్ట్వేర్ డెవలపర్లపై జరిగిన అధ్యయనాలు వేరే కోణాన్ని అందిస్తాయి.
4,867 మంది డెవలపర్లు పాల్గొన్న మూడు రాండమైజ్డ్ ఫీల్డ్ ప్రయోగాలలో, AI కోడింగ్ సహాయం పూర్తయిన పనులను సుమారు 26% పెంచిందని తేలింది. METR చేసిన మరో రాండమైజ్డ్ అధ్యయనంలో, అనుభవజ్ఞులైన ఓపెన్-సోర్స్ డెవలపర్లకు, 2025 ఆరంభంలోని AI టూల్స్తో పరీక్షించిన ఆ నిర్దిష్ట పనులు పూర్తిచేయడానికి 19% ఎక్కువ సమయం పట్టిందని తేలింది.
ఈ ఫలితాలు వేర్వేరు పని వాతావరణాలు, టూల్స్, పనుల నుండి వచ్చాయి. వీటిని ఒకే సార్వత్రిక మెరుగుదలకు పోటీ అంచనాలుగా చూడకూడదు.
మూలాలు: డెవలపర్ ఫీల్డ్ ప్రయోగాలు, METR యొక్క అనుభవజ్ఞులైన డెవలపర్ల అధ్యయనం.
ప్రతి అధ్యయనం ఏమి కొలిచింది, ఎక్కడ కొలిచింది, దేనిని వదిలేసింది అన్నది ఈ పట్టిక చూపిస్తుంది.
| అధ్యయనం | ఏమి కొలిచారు | సందర్భం | ఇది ఏమి చూపదు |
|---|---|---|---|
| Anthropic లో AI సహాయ R&D పై METR అంచనా (2026 నవంబర్ 5) | AI సామర్థ్య బెంచ్మార్క్లలో మెరుగుదల రేటు, ముందటి కాలంతో పోలిస్తే సుమారు 1.9 రెట్లు వేగం (95% అంతరం 1.5 నుండి 2.8 రెట్లు), స్పష్టంగా నిర్వచించిన పనులకు | Anthropic సొంత AI పరిశోధన, అభివృద్ధి. అత్యంత సమాచారప్రదమని METR భావించిన ఆధారాలలో చాలా భాగాన్ని Anthropic తొలగించిందని METR చెప్పింది | వ్యక్తిగత ఇంజినీర్లు ఎంత వేగంగా పనిచేస్తారో. వ్యక్తిగత వేగ అంచనాలు త్వరణం రేట్లకు సరిపోలవని METR చెబుతోంది |
| మూడు రాండమైజ్డ్ ఫీల్డ్ ప్రయోగాలు (2025 జూన్ నాటి పత్రం) | పూర్తయిన పనులు, AI కోడింగ్ అసిస్టెంట్ వాడిన డెవలపర్లకు సుమారు 26% ఎక్కువ (ప్రామాణిక దోషం 10.3%) | Microsoft, Accenture, ఒక Fortune 100 కంపెనీలోని 4,867 మంది డెవలపర్లు, వారి సాధారణ పని సమయంలో | అందించిన ఉత్పత్తి, కస్టమర్ విలువ లేదా headcount. ప్రతి ప్రయోగంలో గందరగోళం (noise) ఉందని పత్రం చెబుతోంది |
| METR అనుభవజ్ఞులైన డెవలపర్ల అధ్యయనం (2025 జూలై) | నిజమైన ఇష్యూలు పూర్తిచేయడానికి పట్టిన సమయం. AI టూల్స్ అనుమతించినప్పుడు పనులకు 19% ఎక్కువ సమయం పట్టింది | 16 మంది అనుభవజ్ఞులైన ఓపెన్-సోర్స్ డెవలపర్లు, 246 ఇష్యూలు, 2025 ఆరంభంలోని AI టూల్స్ | నేటి టూల్స్. 2026 ఫిబ్రవరిలో METR తన కొత్త డేటాను ప్రస్తుత ప్రభావానికి నమ్మదగని సంకేతంగా పేర్కొని, డెవలపర్లు 2025 ఆరంభంలో కంటే ఇప్పుడు బహుశా ఎక్కువ వేగం పొందుతున్నారని చెప్పింది |
| NBER Writing Code vs. Shipping Code (2026 సెప్టెంబర్ సవరణ) | స్వయంప్రతిపత్తి కోడింగ్ ఏజెంట్లతో ముడిపడి ఉన్న సుమారు 240% ఎక్కువ commits, 80% ఎక్కువ ప్రాజెక్టులు, 30% ఎక్కువ releases, ఒక matched event study లో | 500,000 కంటే ఎక్కువ మంది GitHub డెవలపర్లు | కస్టమర్ విలువ. పరిశీలించిన మార్కెట్ప్లేస్లలో మొత్తం వినియోగం పెరగలేదు, commits కంటే releases ఎందుకు తక్కువగా పెరిగాయో అధ్యయనం నిర్ధారించదు |
అధ్యయనాలు “మరింత లోతుగా” విభాగం కింద జాబితా చేయబడ్డాయి. మూడవ వరుసలోని గమనికకు మూలం METR యొక్క 2026 ఫిబ్రవరి అప్డేట్. వరుసలు వేర్వేరు విషయాలను కొలుస్తాయి, కాబట్టి శాతాలను పోల్చలేము.
వ్యక్తిగత పనులకు మించి చూసినప్పుడు మరో తేడా కనిపిస్తుంది.
NBER వర్కింగ్ పేపర్ Writing Code vs. Shipping Code యొక్క 2026 సెప్టెంబర్ సవరణ, 500,000 కంటే ఎక్కువ మంది GitHub డెవలపర్ల కార్యకలాపాలను పరిశీలించింది.
Matched event study పద్ధతిని ఉపయోగించి, స్వయంప్రతిపత్తి కోడింగ్ ఏజెంట్ల వినియోగం సుమారు 240% ఎక్కువ commits తోనూ, 30% ఎక్కువ సాఫ్ట్వేర్ releases తోనూ ముడిపడి ఉందని పరిశోధకులు అంచనా వేశారు.
ఇవి సాఫ్ట్వేర్ ఉత్పత్తిని కొలిచే వేర్వేరు కొలతలు, పరస్పరం మార్చుకోగల ఉత్పాదకత శాతాలు కావు. Commit అంటే ఒక కోడ్ మార్పు నమోదు, release అంటే సాఫ్ట్వేర్ను అందించే తర్వాతి దశను సూచిస్తుంది. వీటిలో ఏదీ కస్టమర్ విలువను నేరుగా నిర్ధారించదు.
అయినప్పటికీ అంచనా వేసిన లాభాలలోని తేడా సమాచారప్రదమే. కోడింగ్ కార్యకలాపం ఎక్కువగా పెరిగినప్పుడు, పూర్తయిన releases లో పెరుగుదల చాలా తక్కువగా ఉందని ఇది చూపుతుంది.
ఆ పెరుగుదలలు ఎందుకు భిన్నంగా ఉన్నాయో అధ్యయనం ఖచ్చితంగా నిర్ధారించదు. రివ్యూ, టెస్టింగ్, ఇంటిగ్రేషన్, release సమన్వయం సాధ్యమైన అడ్డంకులు, సంస్థలు వీటిని తమ సొంత వాతావరణాలలో పరిశీలించాల్సి ఉంటుంది.
Writing Code vs. Shipping Code చదవండి.
ఇంజినీరింగ్ నాయకుడికి, ఏది కొలవదగినది అన్నది దీనితో మారుతుంది. ఒక టీమ్ ఎక్కువ కోడ్ను ఉత్పత్తి చేస్తూ ఉండవచ్చు, కానీ కస్టమర్లు నిజంగా వాడగల పనిని అదే నిష్పత్తిలో ఎక్కువగా పూర్తిచేయకపోవచ్చు.
ఉత్పాదకత బడ్జెట్లను, సిబ్బంది ప్రణాళికలను ప్రభావితం చేయడం మొదలుపెట్టినప్పుడు ఈ తేడా ముఖ్యమవుతుంది.
చిన్న టీమ్ కొన్నిసార్లు సరైన వ్యాపార నిర్ణయం కావచ్చు
ఒక పరిణతి చెందిన అంతర్గత అప్లికేషన్ను నిర్వహిస్తున్న సంస్థను పరిగణించండి.
దాని అవసరాలు నెమ్మదిగా మారుతాయి. ఇంజినీరింగ్ శ్రమలో ఎక్కువ భాగం నిర్వహణ, సాధారణ మెరుగుదలలు, కంప్లయన్స్ అప్డేట్లు, అప్పుడప్పుడు వచ్చే ప్రొడక్షన్ సమస్యలకు వెళ్తుంది. ఆ అప్లికేషన్ను విస్తరించే గణనీయమైన ప్రణాళికలు వ్యాపారానికి లేవు.
AI ఆ పనిలో కొంత భాగానికి అవసరమయ్యే సమయాన్ని నమ్మదగిన విధంగా తగ్గిస్తుందని అనుకోండి.
కాలక్రమేణా, సంస్థ అవే బాధ్యతలను తక్కువ ఇంజినీరింగ్ గంటలతో నెరవేర్చగలిగే అవకాశం ఉంది. యాజమాన్యం కాంట్రాక్టర్ ఖర్చును తగ్గించవచ్చు, ఉద్యోగులు వెళ్లిపోయినప్పుడు ఆ స్థానాలను భర్తీ చేయకుండా వదిలేయవచ్చు, లేదా బాధ్యతలను ఏకీకృతం చేయవచ్చు.
పెద్ద పునర్వ్యవస్థీకరణ ప్రకటన లేకుండానే టీమ్ చిన్నదిగా మారవచ్చు.
ఆర్కిటెక్చర్, సెక్యూరిటీ, కార్యాచరణ వివేచనకు ఇంకా మానవ శ్రద్ధ అవసరం కాబట్టి ఈ అవకాశాన్ని కొట్టిపారేయకూడదు. ఆ బాధ్యతలు సిబ్బంది తగ్గింపును ఎంత సురక్షితంగా చేయవచ్చో ప్రభావితం చేస్తాయి, కానీ అసలు టీమ్ పరిమాణం అవసరంగానే ఉంటుందని అవి హామీ ఇవ్వవు.
ఖర్చు తగ్గింపుకు ఆచరణాత్మక పరిమితి కూడా ఉంది. చిన్న టీమ్ ఇప్పటికీ ఊహించని వైఫల్యాలను, సంక్లిష్టమైన మార్పులను, ప్రొడక్షన్ జవాబుదారీతనాన్ని, అనుభవజ్ఞులైన ఉద్యోగులు వెళ్లిపోయినప్పుడు కొనసాగింపును నిర్వహించాలి.
ఆ ప్రమాదాలను అంగీకరించడాన్ని సమర్థించేంత నమ్మదగినదిగా ఈ సామర్థ్య లాభం ఉందా అని యాజమాన్యం నిర్ణయించాలి.
స్థిరమైన అవసరాలు, అదనపు అభివృద్ధికి పరిమిత డిమాండ్ ఉన్న సంస్థలకు, శ్రామిక అవసరాలను తగ్గించే వాదన సహేతుకమైనదే కావచ్చు.
తక్కువ అభివృద్ధి ఖర్చులు ఏది నిర్మించదగినదో కూడా మార్చగలవు
పెరుగుతున్న ఉత్పత్తి రోడ్మ్యాప్ ఉన్న కంపెనీ ముందు వేరే నిర్ణయం ఉంటుంది.
అభివృద్ధి చాలా ఖరీదైనందున కొన్ని ఆశాజనకమైన ప్రాజెక్టులు నిలిచిపోయి ఉండవచ్చు. టీమ్ తగినంత త్వరగా అందించలేని సామర్థ్యాలను కస్టమర్లు అడుగుతున్నారు, మరో ఇంజినీర్ల బృందాన్ని నియమిస్తే ఆర్థికంగా ఆకర్షణీయంగా ఉండదు.
AI ఆ లెక్కలను మార్చవచ్చు.
ఇంతకు ముందు నెలల తరబడి ఇంప్లిమెంటేషన్ అవసరమైన ఫీచర్ ఇప్పుడు భరించగలిగేదిగా మారవచ్చు. చిన్న ఉత్పత్తి ఆలోచనలను అంత ఎక్కువ ఇంజినీరింగ్ సామర్థ్యాన్ని కట్టబెట్టకుండానే పరీక్షించవచ్చు. పదేపదే వాయిదా పడిన మెరుగుదలలు సాధ్యమయ్యేవిగా మారవచ్చు.
ఆ పరిస్థితిలో, ఇంజినీరింగ్ టీమ్ను నిలుపుకోవడం దాని ఖర్చును తగ్గించడం కంటే ఎక్కువ విలువను సృష్టించవచ్చు.
అయితే ఒక షరతు ఉంది, అది AI టూల్ ఎంత సమర్థవంతమైనదనే దానితో పెద్దగా సంబంధం లేనిది.
అదనపు సాఫ్ట్వేర్ కస్టమర్లకు లేదా వ్యాపారానికి నిజంగా విలువైన సమస్యలను పరిష్కరించాలి.
సాఫ్ట్వేర్ ఉత్పత్తి కార్యకలాపం ఎక్కువైనా, తాను పరిశీలించిన అప్లికేషన్ మార్కెట్ప్లేస్లలో మొత్తం వినియోగం దానికి తగినట్లుగా పెరగలేదని NBER పరిశోధన కనుగొంది. కొత్త అప్లికేషన్లకు విలువ లేదని ఇది నిర్ధారించదు, కానీ సరఫరా ఎక్కువైతే అదే స్థాయి డిమాండ్ వస్తుందని అనుకోవడం పట్ల హెచ్చరిస్తుంది.
తీరని కస్టమర్ అవసరాలు విలువైనవిగా ఉన్న కంపెనీ అభివృద్ధిని విస్తరించడం వల్ల లాభపడవచ్చు. ఇంప్లిమెంటేషన్ చౌకైనా, ఇంకా ఎక్కువ నిర్మించడానికి మరో కంపెనీకి వాణిజ్య కారణం తక్కువగా ఉండవచ్చు.
తేడా వ్యాపారానికి అందుబాటులో ఉన్న అవకాశంలో ఉంది.
మొదటి ఉద్యోగ ప్రభావం తక్కువ ఖాళీలు కావచ్చు
శ్రామిక మార్పులను తరచుగా లేఆఫ్ ప్రకటనల ద్వారా అంచనా వేస్తారు. ఆ సంఖ్యలు ముఖ్యమైనవే, కానీ ఇంజినీరింగ్ సంస్థల లోపల జరుగుతున్న ప్రతిదాన్నీ అవి పట్టుకోలేవు.
ప్రతి సంవత్సరం కొంతమంది గ్రాడ్యుయేట్లను నియమించుకునే టీమ్ను ఊహించండి. దాని ప్రస్తుత ఇంజినీర్లు AI సహాయంతో ఎక్కువ పని పూర్తిచేయడం మొదలుపెడతారు, యాజమాన్యం తదుపరి జూనియర్ నియామకాల రౌండ్ను వాయిదా వేయాలని నిర్ణయిస్తుంది.
ఎవరూ తమ ప్రస్తుత ఉద్యోగాన్ని కోల్పోలేదు. టీమ్ headcount స్థిరంగానే ఉండవచ్చు.
అయితే వృత్తిలోకి ప్రవేశించాలనుకునే వ్యక్తికి ఆ అవకాశం మాయమైంది.
Indeed Hiring Lab యొక్క 2026 జూలై విశ్లేషణ సంబంధిత సందర్భాన్ని అందిస్తుంది. అమెరికాలో సాఫ్ట్వేర్ అభివృద్ధి ఉద్యోగ ప్రకటనలు 2025 ఫిబ్రవరి చివరి నుండి దాదాపు 15% పెరిగాయి, కానీ 2025 మే నుండి 2026 మే మధ్య పెరుగుదలలో 71% సీనియర్ స్థానాల నుండి వచ్చింది.
ఇది ప్రకటించిన అవకాశాలలో మార్పు, యజమానులు అనుభవజ్ఞులైన ఇంజినీర్లకు ప్రాధాన్యం ఇవ్వడానికి AI కారణమని రుజువు కాదు.
Indeed Hiring Lab విశ్లేషణ మూల గణాంకాలను, పోలిక కాలాలను అందిస్తుంది.
ChatGPT పరిచయం తర్వాత కోడింగ్ ఎక్కువగా ఉండే వృత్తులలో ఉపాధి వృద్ధి నెమ్మదించిందని Federal Reserve పరిశోధకులు కూడా నమోదు చేశారు. మొత్తం ఉపాధి గురించి ఇతర ఆధారాలు మరింత భరోసా ఇచ్చేవిగా ఉన్నాయి. ChatGPT ప్రారంభమైన రెండు సంవత్సరాల తర్వాత సంపాదనలపై లేదా నమోదైన పని గంటలపై 2% కంటే ఎక్కువ గుర్తించదగిన ప్రభావాలు లేవని డానిష్ అడ్మినిస్ట్రేటివ్ డేటా అధ్యయనం కనుగొంది, అదే సమయంలో U.S. Bureau of Labor Statistics 2035 వరకు సాఫ్ట్వేర్ అభివృద్ధికి సంబంధించిన ఉపాధిలో వృద్ధి కొనసాగుతుందని అంచనా వేస్తోంది.
ఈ మూలాలు వేర్వేరు జనాభాలను, కాలాలను, ఫలితాలను పరిశీలిస్తాయి. AI వల్ల ఇంజినీరింగ్ ఉద్యోగాల నష్టానికి సార్వత్రిక కారణ అంచనాను వీటిలో ఏదీ నిర్ధారించదు.
మూలాలు: Federal Reserve ఉపాధి పరిశోధన, డానిష్ లేబర్ మార్కెట్ అధ్యయనం, BLS ఆక్యుపేషనల్ ఔట్లుక్.
శ్రామికుల కూర్పులో క్రమంగా వచ్చే మార్పు అవకాశంపై శ్రద్ధ అవసరం.
ఒక కంపెనీ అనుభవజ్ఞులైన ఇంజినీర్లను కొనసాగిస్తూనే, కెరీర్ ప్రారంభంలో ఉన్నవారిని తక్కువగా నియమించవచ్చు. వృత్తిలోకి ప్రవేశించే అవకాశాలు తగ్గుతున్నా, దాని నివేదిత headcount సాపేక్షంగా మారకుండా ఉండవచ్చు.
ఆ ఫలితం ఎంత విస్తృతంగా మారుతుందో అందుబాటులో ఉన్న ఆధారాలు నిర్ధారించవు. అయినా భవిష్యత్ ఇంజినీరింగ్ సామర్థ్యాన్ని ప్రణాళిక చేసుకునే నాయకులకు ఇది ఒక ముఖ్యమైన అవకాశమే.
లీడర్షిప్ సమావేశంలో నేను ప్రశ్నించే నిర్ణయం
అసలు 40 మంది టీమ్ దగ్గరికి తిరిగి వెళ్దాం.
AI వినియోగం మొదలైన కొన్ని నెలల తర్వాత, ఎంపిక చేసిన ఇంప్లిమెంటేషన్ పనులకు ఇప్పుడు 30% తక్కువ సమయం పడుతోందని దాని ఇంజినీరింగ్ మేనేజర్ నివేదిస్తారు.
అప్పుడు ఒక ప్రతిపాదన వస్తుంది: ఇంజినీరింగ్ బడ్జెట్ను అదే శాతం తగ్గించాలి.
ఆ లెక్కను నేను వెంటనే ప్రశ్నిస్తాను.
ఒక ఫీచర్ను అందించడానికి అయ్యే శ్రమలో ఇంప్లిమెంటేషన్ ఇంతకు ముందు సగం అనుకోండి. అదే ఇంప్లిమెంటేషన్ పనికి ఇప్పుడు సుమారు 30% తక్కువ సమయం పడితే, ఇతర కార్యకలాపాలు మారవని అనుకుంటే, నేరుగా వచ్చే ఆదా అసలు మొత్తం శ్రమలో సుమారు 15% అవుతుంది.
ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం
AI కి ముందు, ఒక ఫీచర్ను అందించడానికి అయ్యే శ్రమ 100 శాతం ఉన్న ఒక బార్గా చూపబడింది: ఇంప్లిమెంటేషన్ దానిలో సగం, మిగతావన్నీ మిగిలిన సగం.
AI తర్వాత, ఇంప్లిమెంటేషన్కు 30 శాతం తక్కువ సమయం పడుతుంది, కాబట్టి అది అసలు మొత్తంలో 50 శాతం నుండి సుమారు 35 శాతానికి తగ్గుతుంది. మిగతావన్నీ 50 శాతంగానే ఉంటాయి, కాబట్టి బార్ సుమారు 85 శాతం వరకు ఉంటుంది, చుక్కల బ్లాక్ సుమారు 15 శాతం ఆదాను సూచిస్తుంది.
మిగతావన్నీ అంటే టెస్టింగ్, ఇంటిగ్రేషన్, ఆర్కిటెక్చర్ నిర్ణయాలు, కార్యాచరణ సమీక్ష. ఈ ఉదాహరణలో అవి మారవు, releases ఎంత వేగమవుతాయో అవి పరిమితం చేయవచ్చు. ఇది వ్యాసంలోని ఉదాహరణకు ఒక చిత్రణ, కొలిచిన డేటా కాదు.
ఇది ఇప్పటికే మొత్తం టీమ్ పనిభారంలో 30% తగ్గింపుకు చాలా భిన్నమైనది.
ఈ లెక్క సంస్థ releases ను త్వరగా అందించగలదా అన్నది ఇంకా చెప్పదు. టెస్టింగ్, ఇంటిగ్రేషన్, ఆర్కిటెక్చర్ నిర్ణయాలు, కార్యాచరణ సమీక్షలు ఆ మెరుగుదలను పరిమితం చేయవచ్చు.
తర్వాతి చర్చ ఉత్పత్తి రోడ్మ్యాప్ గురించి ఉండాలి.
టీమ్ ఇప్పుడు ఆర్థికంగా పరిష్కరించగల కస్టమర్ సమస్యలు ఉన్నాయా? ఆదా అయిన సామర్థ్యం నిర్వహణ బ్యాక్లాగ్లను తగ్గించగలదా లేదా విశ్వసనీయతను మెరుగుపరచగలదా? ముఖ్యమైన ఫీచర్లను ముందుగానే విడుదల చేస్తే కంపెనీకి ఎక్కువ లాభం కలుగుతుందా?
సమాధానం అవును అయితే, టీమ్ను తగ్గించడం వల్ల తక్షణ జీతాల ఆదా కంటే ఎక్కువ విలువైన అవకాశాన్ని వదులుకోవాల్సి రావచ్చు.
రోడ్మ్యాప్లో విలువైన అదనపు పని తక్కువగా ఉంటే, లెక్క మారుతుంది. మిగిలిన టీమ్ తాను నిర్వహించే సిస్టమ్లను సురక్షితంగా నడపగలిగితే, ఖర్చులు తగ్గించడానికి యాజమాన్యానికి సహేతుకమైన కారణం ఉండవచ్చు.
నాయకత్వ వివేచన ముఖ్యమయ్యేది ఇక్కడే.
సిబ్బంది నిర్ణయం, అందించిన ఫలితం, అందుబాటులో ఉన్న డిమాండ్, కార్యాచరణ ప్రమాదం, దీర్ఘకాలిక సామర్థ్యం అనే వాటి మదింపును అనుసరించాలి. ఆ సమాధానాలు కోడింగ్ టూల్ ఉత్పాదకత డ్యాష్బోర్డ్ ఇవ్వగలిగేవి కావు.
ఇంజినీర్లకు దీని పర్యవసానం
అదనపు సామర్థ్యాన్ని తమ యజమానులు వృద్ధికి వాడతారా, ఖర్చు తగ్గింపుకు వాడతారా అన్నది వ్యక్తిగత ఇంజినీర్ల నియంత్రణలో ఉండదు.
మిగిలిన విలువైన పనికి వారు ఎంత సమర్థవంతంగా తోడ్పడతారన్నదాన్ని మాత్రం వారు ప్రభావితం చేయగలరు.
AI టూల్స్ వాడటం నేర్చుకోవడం ఆ బాధ్యతలో భాగం. అవసరాలను అర్థం చేసుకోవడం, జనరేట్ అయిన కోడ్ను మదింపు చేయడం, ఆర్కిటెక్చర్ నిర్ణయాలు తీసుకోవడం, నమ్మదగిన సిస్టమ్లను అందించడం కోసం అవసరమైన వివేచనను పెంపొందించుకోవడం కూడా అంతే.
ఆ బాధ్యతలకు ఆటోమేషన్ నుండి శాశ్వత రక్షణ లేదు. వాటికి ఎంత మానవ శ్రమ అవసరమన్నది AI సామర్థ్యాలు మారుస్తూనే ఉంటాయి.
కాబట్టి ఉపయోగకరమైన కెరీర్ స్పందన, కోడ్ను ఎంత త్వరగా ఉత్పత్తి చేయగలరన్న దానిపై మాత్రమే పోటీ పడటం కాదు. ఫలితంగా వచ్చే సాఫ్ట్వేర్ పనిచేస్తుందో లేదో, విలువను సృష్టిస్తుందో లేదో నిర్ణయించే ఇంజినీరింగ్ నిర్ణయాలన్నింటిలో సమర్థులు కావడమే.
అది వృత్తిపరమైన అభివృద్ధికి ఒక దిశ, ఉద్యోగ భద్రతకు హామీ కాదు.
ఉత్పాదకత లాభం ఇంకా శ్రామిక వ్యూహం కాదు
సాంకేతికత నిజంగా మరింత సమర్థవంతంగా పనిచేయడానికి అనుమతించినప్పుడు కంపెనీలు ఇంజినీరింగ్ ఖర్చులను తగ్గించకూడదని నేను అనుకోను.
కానీ ఆకట్టుకునే AI ఉత్పాదకత ఫలితం మాత్రమే సిబ్బంది నిర్ణయాన్ని సమర్థించడానికి సరిపోతుందని కూడా నేను అనుకోను.
ఈ ఎంపిక పర్యవసానాలు తదుపరి బడ్జెట్ చక్రానికి మించి ఉంటాయి. టీమ్ను తగ్గిస్తే డబ్బు ఆదా అవుతుంది, కానీ అదే సమయంలో జ్ఞానాన్ని కోల్పోవచ్చు, భవిష్యత్ సామర్థ్యాన్ని బలహీనపరచవచ్చు, లేదా నిర్మించడం భరించగలిగేదిగా మారిన ఉత్పత్తులను ఆలస్యం చేయవచ్చు. విలువైన పని లేకుండా అదే టీమ్ను కొనసాగించడం కూడా ఆటోమేటిగ్గా మంచిది కాదు.
ఈ ట్రేడ్-ఆఫ్ను నాయకులు స్పష్టంగా తీసుకోవాలి.
ప్రతి ఇంజినీరింగ్ పదవిని కాపాడటం లేదా AI ఆదా చేయగల ప్రతి గంటను తొలగించడం బాధ్యత కాదు. వ్యాపారానికి ఏ ఇంజినీరింగ్ సామర్థ్యం అవసరమో, ఆ సామర్థ్యం ఇప్పుడు ఏమి సాధించగలదో, ఆ విలువ పెట్టుబడిని సమర్థిస్తుందో లేదో నిర్ణయించడమే బాధ్యత.
ఉత్పాదకత బెంచ్మార్క్ తీసుకోలేని నిర్ణయం అదే.
మరింత లోతుగా
METR: Anthropic AI R&D Acceleration Assessment: AI సామర్థ్య పురోగతిపై, దాని కారణాల గురించిన అనిశ్చితిపై స్వతంత్ర అంచనా.
The Effects of Generative AI on High-Skilled Work: AI సహాయాన్ని, సాఫ్ట్వేర్ డెవలపర్ల పనుల పూర్తిని మదింపు చేసిన రాండమైజ్డ్ ఫీల్డ్ ప్రయోగాలు.
METR: Experienced Developer Productivity Study: ఉత్పాదకత పని, వాతావరణంపై ఎందుకు ఆధారపడుతుందో చూపే నియంత్రిత ఆధారాలు.
NBER: Writing Code vs. Shipping Code: కోడింగ్ కార్యకలాపాన్ని సాఫ్ట్వేర్ ఉత్పత్తి తర్వాతి దశలతో పోల్చే పరిశోధన.
Indeed Hiring Lab: AI and Job Postings: సీనియారిటీ వారీ మార్పులతో సహా సాఫ్ట్వేర్ అభివృద్ధి ఉద్యోగ ప్రకటనల విశ్లేషణ.
Federal Reserve: AI and Coder Employment: కోడింగ్ ఎక్కువగా ఉండే వృత్తులలో ఉపాధి ధోరణులపై, కారణ అనిశ్చితిపై పరిశోధన.
NBER: Still Waters, Rapid Currents: AI వినియోగం, సంపాదనలు, పని గంటలపై అడ్మినిస్ట్రేటివ్ లేబర్ మార్కెట్ ఆధారాలు.
U.S. Bureau of Labor Statistics: Software Developers: సాఫ్ట్వేర్ డెవలపర్లు, సంబంధిత వృత్తులకు అధికారిక ఉపాధి అంచనాలు.
సంబంధిత TechiesJournal పఠనం
AI ఖర్చు: టెక్నాలజీ కంపెనీలు మనుషులను, కంప్యూటింగ్ శక్తిని ఎలా పునరాలోచిస్తున్నాయి
జూనియర్ పనిని AI చేస్తే, తదుపరి తరం నిపుణులను ఎవరు తీర్చిదిద్దుతారు?
AI కోడ్ రాస్తుంది. ప్రొడక్షన్లో ఏం జరుగుతుందో ఎవరికి అర్థమవుతుంది?
పరిశోధన ముగింపు తేదీ: 2026 నవంబర్ 16. పరిశోధన కొలతలు, ఉపాధి పరిశీలనలు, రచయిత వ్యాఖ్యానాలు వ్యాసం అంతటా వేరువేరుగా చూపబడ్డాయి.
