AI код бичигч агентуудын парадокс: Компаниудын 30%-д бүтээмж өсөх биш БУУРЧЭЭ

Хөгжүүлэгч бүрийн хажууд тусгай AI агент (Claude Code, Cursor, Copilot г.м.) суугаад өдөр тутмын даалгавруудыг шийдэж, бүтээмжийг 10 дахин нэмэгдүүлнэ гэсэн хүлээлт сүүлийн жилд хүчтэй тархсан билээ. Инженерийн багууд автомат кодын ид шидэнд итгэж, стартапаас эхлээд томоохон enterprise корпорацууд хүртэл агент суурилсан хөгжүүлэлт (agentic software development) рүү хошуурав.

Гэвч олон улсын зөвлөх үйлчилгээний McKinsey судалгааны байгууллагын нийтэлсэн тайлан салбарынхныг хүйтэн усаар цацах шиг болов. Бодит байдал дээр ихэнх байгууллагууд төсөөлсөн үр дүндээ хүрч чадахгүй байгаа төдийгүй бараг гуравны нэгд нь хөгжүүлэлтийн бүтээмж ухарсан үзүүлэлт гарчээ.

Тоон баримтууд: Хөрөнгө оруулалт 12 дахин өссөн ч...

McKinsey-ийн тайлангаас харахад компаниуд хиймэл оюунд зарцуулах төсвөө хэд дахин хэтрүүлж байгаа гол шалтгаан нь сүүлийн нэг жилийн хугацаанд кодинг агентуудыг хяналтгүй нэвтрүүлсэнтэй шууд холбоотой байна.

Судалгааны онцлох тоонууд:

• 12 дахин өсөлт: Код бичих агент системүүдэд оруулж буй дэлхийн нийт хөрөнгө оруулалт өмнөх оноос 12 дахин нэмэгдэх төлөвтэй байна.
• Ердөө 25%-ийн амжилт: Судалгаанд хамрагдсан нийт компаниудын ердөө дөрөвний нэг (25%) нь л AI агентууд тэдний бүтээгдэхүүн хөгжүүлэлтийн мөчлөгт (SDLC) мэдэгдэхүйц хурдатгал авчирсан гэж хариулжээ.
• 30%-д бүтээмж буурсан: Хамгийн цочирдом баримт нь нийт байгууллагуудын 30%-д нь багууд AI агент ашиглаж эхэлсний дараа ажлын бүтээмж өсөх биш, харин ч БУУРСАН байна.

Гар аргаар код бичихээс хавьгүй хурдан, товч дараад л функц үүсгэдэг агентууд яагаад инженерүүдийн ажлыг хойш татав?

Бүтээмж унасан шалтгаан: "Код бичих" биш "Хянаж цэвэрлэх" там

Судалгааны дүн болон инженерийн багуудын бодит туршлагаас үзвэл агент ашигласнаар код үйлдвэрлэх хугацаа багассан ч түүнийг шалгах, засварлах зардал экспоненциалаар өссөн байна:

1. PR Review Fatigue (Код шалгалтын туйлдал): AI агент 10 минутын дотор 800 мөр код бүхий Pull Request (PR) үүсгэчихэж чадна. Гэвч тухайн кодонд architectual consistency байгаа эсэх, edge case-үүдийг тооцсон уу, аюулгүй байдлын цоорхой үүсгэсэн үү гэдгийг ахлах инженер нэг бүрчлэн шалгаж, уншихад хүний гараар бичсэн цомхон кодыг шалгахаас хэд дахин их цаг орж байна.
2. Context Thrashing ба Гажилт (Hallucination): Том монорепо эсвэл олон микросервистэй системүүд дээр агентууд төслийн архитектурыг бүрэн ойлгохгүй төөрөх нь их. Буруу чиглэлд бичсэн кодын алдааг засуулах гэж prompt-оор "хэрэлдсээр" байтал нэг ажил дээр хүний зарцуулахаас ч их цаг болон токен (token) зарцуулагдаж байна.
3. Junior хөгжүүлэгчдийн техникийн өр (Technical Debt): Залуу хөгжүүлэгчид агентын гаргасан ажиллаж л байгаа кодын цаад учир шалтгаан, үр дагаврыг бүрэн ухахгүйгээр merge хийснээс болж төслийн кодын бааз замбараагүй boilerplate-аар дүүрч, техникийн өр нуранги мэт нэмэгдэж байна.

McKinsey: Хөгжүүлэлтийн загвараа үндсээр нь өөрчлөх цаг болсон

McKinsey-ийн ахлах хамтрагч Мартин Харриссон (Martin Harrysson) энэхүү парадоксын талаар: "Эдгээр хэрэгслүүдээс бодит үнэ цэн гаргаж авахын тулд программ хангамж хөгжүүлэлтийн амьдралын мөчлөгийн (SDLC) үйл ажиллагааны загварыг үндсээр нь өөрчлөх шаардлагатай. Инженерүүд агентуудыг алхам тутамд нь хянаж чиглүүлдэг, өндөр бүтээмжтэй жижиг багуудын бүтэц рүү шилжих ёстой" хэмээн онцолжээ.

Зүгээр л хуучин процессынхоо дээр AI нэмснээр ид шид тохиохгүй. Харин ч дараах өөрчлөлтүүд нэн тэргүүнд шаардагдаж байна:

• Автомат тестийг (Automated Testing) тахин шүтэх: Агентууд зөвхөн маш хүчирхэг unit, integration, e2e тестүүдтэй орчинд л найдвартай ажиллаж чадна. Тэгш бус орчинд агент зүгээр л алдаа үйлдвэрлэгч болдог.
• Хөгжүүлэгчдийн үүрэг солигдох нь: Инженерүүд "syntax бичигч"-ээс "системийн архитектор, хянагч (supervisor)" болох шаардлага тулгарч байна. Системийн зөв загварчлал, аюулгүй байдлыг харж чадахгүй хүн агентыг зөв чиглүүлж чадахгүй.
• Токены хяналт ба мониторинг: Агентууд юу хийж буйг, API зардлыг шууд хянадаг observability хэрэгслүүдийг багтаа зайлшгүй суулгах шаардлагатай болж байна.

Дүгнэлт

AI хөгжүүлэлтийн агент бол гайхалтай хурдасгуур мөн. Гэхдээ бат бөх архитектур, хатуу шалгууртай тест, чадварлаг инженерийн сахилга бат байхгүй бол хиймэл оюун нь бүтээмжийг нэмэх биш, харин ч багийг техникийн болон санхүүгийн өрөнд унагах эрсдэлтэй гэдгийг энэхүү бодит тоо баримтууд сануулж байна.

Эх сурвалж: CIO Dive & McKinsey Report, Enterprises keep betting on coding agents despite lackluster results, Sept 2026.