Linear-ийн судалгаа: AI агентууд PR-ийн тоог 3 дахин нэмсэн ч хөгжүүлэлт яагаад УДААШРАВ?

Сүүлийн үед хиймэл оюуны кодинг агентууд (Claude Code, Cursor, Codex зэрэг) хөгжүүлэгчдийн өдөр тутмын ажилд хэрхэн нөлөөлж байгаа талаар том сэдэв өрнөж байна. Хүн бүр л "код бичих хурд 10 дахин нэмэгдлээ" хэмээн ярьж байгаа ч төслийн бодит хүргэлтийн хурд яагаад хүссэн хэмжээнд хүрэхгүй байна вэ?

Төсөл удирдлагын хамгийн алдартай платформ болох Linear өөрийн төлбөртэй хэрэглэгчдийн 2025 болон 2026 оны ажлын орчны (workspaces) нэгтгэсэн өгөгдлийг задлан шинжилж, цочирдом үр дүнг танилцууллаа.

Тоон баримт: Агентуудын тэсрэлт ба бодит байдал

Linear-ийн тайланд дурдсанаар:

Issue үүсгэлт: Хоёр жилийн өмнө нийт бүртгэгдсэн Issue-ийн 0.1%-д ч хүрэхгүй хувийг AI үүсгэдэг байсан бол өнөөдөр нийт үүсгэгдэж буй даалгавруудын бараг 50% (тал хувь)-ийг AI автоматаар бичиж байна.
PR-ийн тоо 3 дахин өссөн: AI агент ашигладаг инженерчлэлийн багуудын долоо хоног тутмын Pull Request (PR)-ийн дундаж тоо 21-ээс 65 болж үсрэнгүй өсчээ. (Харин агент ашигладаггүй уламжлалт багуудын хувьд 8-10 PR дээр тогтвортой байсан).
Гэтэл эцсийн үр дүн: Бүтээгдэхүүнийг анх санаа гарахаас үйлдвэрлэлд (production) гаргах хүртэлх нийт хөгжүүлэлтийн хугацаа (Total Product Development Time) БУУРААГҮЙ, харин ч ӨССӨН байна.

Өөрөөр хэлбэл, кодын багтаамж, PR-ийн тоо эрс нэмэгдсэн ч багууд өмнөхөөсөө хурдан биш, харин ч удаан ship хийж байна.

Яагаад хөгжүүлэлт удаашрав? (Шинэ төрлийн гацаанууд)

Код бичих үйл явц хямд, хурдан болсон ч инженерийн бүтээмжид дараах 3 том "галзуу" саад бий болжээ:

1. PR Review ба Merging гацаа (Review Bottleneck)

Агентууд хэдхэн минутын дотор хэдэн зуун мөртэй PR үүсгэж чадаж байгаа ч тэдгээрийг хянаж, баталгаажуулах хүний тархины хурд хэвээрээ л байна. Багийн ахлах хөгжүүлэгчид код бичихээс илүүтэй өдөржингөө агентуудын үүсгэсэн PR-ийн логик алдаа, edge case-ийг шүүхэд бүх цагаа барж эхлэв.

2. Issue Triage болон зохион байгуулалтын дарамт

AI-аар үүсгэгдсэн даалгавар, issue-үүдийг ангилах, давхардлыг арилгах (triage), эрэмбэлэхэд зарцуулах инженерүүдийн цаг 17%-иар өссөн байна. Өөрөөр хэлбэл, AI их ажил "үүсгэж", хүмүүс түүнийг нь цэвэрлэх гэж будилж байна.

3. "Хуурамч бүрэн бүтэн байдал" (Shallow Completeness)

Агентууд синтексийн хувьд ямар ч алдаагүй, test case-үүд нь ногоон асдаг код бичдэг ч төслийн урт хугацааны архитектур, бизнес логик, домэйны гүнзгий нарийн уялдааг бүрэн ойлгодоггүй. Үүний улмаас integration үед нуугдмал алдаанууд гарч, debugging хийх хугацааг 2-3 дахин сунгадаг байна.

Эдийн засгийн "Jevons Paradox" код дээр биеллээ олов

Эдийн засагт нөөцийн зарцуулалт илүү үр ашигтай болоход тухайн нөөцийн эрэлт огцом нэмэгдэж, нийт зарцуулалт нь өсдөг "Жэвонсын парадокс" гэж бий.

Программ хангамжид энэ нь яг давтагдаж байна. Код бичих зардал тэг рүү тэмүүлэх тусам багууд илүү их код, илүү их feature, илүү олон туршилтын PR үүсгэж, эцэст нь өөрсдийн үүсгэсэн кодын "нууранд" живж байна.

"Долоо хоногт гаргах PR-ийнхээ тоог 3 дахин нэмсэн ч эцсийн бүтээгдэхүүнээ зах зээлд гаргах хугацаа нь уртассан багийг хурдан баг гэж нэрлэхгүй." — Linear тайлангаас

Инженерүүд болон Tech Lead-үүд үүнээс юу сурах вэ?

Энэхүү судалгаа нь AI хэрэгслүүдийг үгүйсгэж байгаа хэрэг биш юм. Харин бид хөгжүүлэлтийн процессын тухай ойлголтоо өөрчлөх цаг болсныг илтгэж байна:

Код бичих нь бүтээмжийн хэмжүүр биш болсон: Багийн хурдыг хэдэн PR гаргаснаар биш, хэр бага кодоор хамгийн зөв асуудлыг хурдан шийдэж production-д гаргаснаар хэмжих хэрэгтэй.
SDLC (Software Development Life Cycle)-ээ шинэчлэх: AI-д код бичүүлэхээс өмнө архитектурын дизайн болон систем хоорондын интеграцийн шаардлагыг маш тодорхой зааж өгөх шаардлагатай.
Review процессортоо AI ашиглах: Зөвхөн код бичихэд биш, PR review, security analysis, архитектурын зөрчлийг шалгах автоматизацид хөрөнгө оруулах нь хүний review-ийн гацааг арилгах цорын ганц гарц юм.

Хөгжүүлэгчийн хамгийн том чадвар одоо код "шидэх" биш, харин системийн том зургийг харж, AI-ийн бүтээсэн дуу чимээн дундаас үнэ цэнтэйг нь шүүж удирдах чадвар болон хувирч байна.

Эх сурвалж: [Linear aggregated engineering workspace report & AIToolsRecap (August 2026)]