Man nav programmētāja izglītības. Es neesmu strādājis IT uzņēmumā un nevarētu no galvas uzrakstīt pat nelielu programmu. Toties man bija ideja izveidot meklēšanas sistēmu, kas palīdzētu atrast sludinājumu pēc parastā cilvēku valodā uzdota jautājuma, nevis precīzi aizpildītiem filtriem. Piemēram, cilvēks ieraksta: «Man vajag diskus BMW.» Cilvēkam doma ir saprotama, bet datoram šāds teikums ir gandrīz ļaunprātība. Kādam BMW? Kādi diski? Kāds izmērs? Tikai diski vai komplekts ar riepām? Kurā kategorijā meklēt? Un ko darīt, ja nākamais cilvēks meklē nevis BMW diskus, bet bērnu autosēdeklīti? Sākumā šķiet, ka visu var atrisināt ar kategorijām, filtriem un pogām. Tad parādās pirmais izņēmums, pēc tam otrais un vēl pieci. Diezgan ātri kļūst skaidrs, ka cilvēku valodu ar dažiem desmitiem pogu vienā kastītē neieliksi.
Te sākās mans eksperiments ar mākslīgo intelektu. No malas programmēšana šodien reizēm izskatās gandrīz aizdomīgi vienkārša. Pasaki mākslīgajam intelektam, ko vēlies, un tas uzrakstīs kodu. Dažreiz tiešām uzraksta. Interesantākā daļa sākas, kad šo kodu palaiž. Manā gadījumā vairākkārt atkārtojās viena un tā pati situācija. Izskaidroju, kas jāizdara, mākslīgais intelekts piedāvā risinājumu, kods izskatās pārliecinoši, paskaidrojums arī. Viss it kā ir loģiski. Taču, palaižot programmu, kaut kas nestrādā.
Sāc pārbaudīt, mēģināt saprast notiekošo un uzdot jautājumus. Beigās pats nonāc līdz pretrunai. Ja šeit izdarīsim A, nākamajā solī vairs nevarēs notikt B, jo B izmanto C. Izskaidro to mākslīgajam intelektam, un atbilde ir gandrīz apbrīnojama: «Jā, tieši tā. Jums taisnība.» Šajā brīdī rodas pavisam normāls jautājums. Ja tev tagad tas šķiet tik pašsaprotami, kur tu biji pirms piecām minūtēm?
Izrādās, tā nav tikai mana problēma. 2025. gada «Stack Overflow» izstrādātāju aptaujā uz jautājumu par problēmām darbā ar mākslīgā intelekta rīkiem atbildēja 31 476 cilvēki. No viņiem 66% norādīja uz risinājumiem, kas ir gandrīz pareizi, tomēr ne līdz galam. Savukārt 45% atzīmēja, ka mākslīgā intelekta ģenerēta koda atkļūdošana mēdz prasīt vairāk laika. Citā tās pašas aptaujas jautājumā mākslīgā intelekta rīku rezultātu precizitātei neuzticējās 46% respondentu, bet uzticējās 33%. Pilnīgi aplamu atbildi reizēm var pamanīt uzreiz. Daudz bīstamāks ir kods, kas izskatās pareizs, palaižas, kaut ko dara un tikai vienā konkrētā situācijā sāk uzvesties citādi, nekā paredzēts. Cilvēkam, kurš programmēšanu nepārzina, tieši šī vieta var kļūt par slazdu.
Varētu secināt, ka bez programmētāja tāpat nekas nesanāk. Taču arī tā būtu pārāk vienkārša atbilde. ETH Zürich pētnieki 2026. gadā publicēja pētījumu par prasmēm, kas palīdz veidot nelielas grafiskas tīmekļa lietotnes, kodu pašam neredzot un nerediģējot. Simts augstskolu studentu programmas aprakstīja dabiskā valodā, pārbaudīja rezultātu un ar nākamajiem norādījumiem to uzlaboja. Rezultātus prognozēja gan rakstītprasme, gan zināšanas datorzinātnēs. Datorzinātņu zināšanas izrādījās spēcīgāks rādītājs un saglabāja statistiski nozīmīgu saistību arī pēc tam, kad aprēķinos tika ņemtas vērā vispārējās spriešanas spējas.
Tomēr nosaukt pētījuma dalībniekus par pilnīgiem iesācējiem būtu nepareizi. Visi bija pabeiguši vismaz ievadkursu datorzinātnēs, iepriekš izmantojuši lielos valodas modeļus programmēšanas uzdevumos un prata angļu valodu vismaz C1 līmenī. Pētījums parāda, ka nelielas lietotnes var izveidot, pašam tieši nerakstot kodu, taču priekšzināšanām joprojām ir nozīme. Durvis ir atvērušās, bet kāpnes aiz tām nekur nav pazudušas.
Savā projektā to sāku pamanīt diezgan ātri. Sākumā galvenais jautājums bija, kā panākt, lai programma strādā. Pēc kāda laika jautājumi kļuva daudz konkrētāki. No kurienes šī vērtība tiek paņemta? Ja mainīsim šo funkciju, ko tas izmainīs citās kategorijās? Kāpēc šo vispār uzticam mākslīgajam intelektam, ja to drošāk var izdarīt parasts kods? Vai pirms izmaiņu veikšanas nevaram vispirms pārbaudīt vairākus atšķirīgus scenārijus? Es no tā nekļūstu par profesionālu programmētāju, taču pamazām sāku saprast sistēmu, kuru pats būvēju. Līdz ar to mainās arī saruna ar mākslīgo intelektu.
To labi parāda vēl viens ETH Zürich un uzņēmuma «LogicStar.ai» pētnieku eksperiments. Viņi izmantoja 200 programmēšanas uzdevumus, kuros aprakstītā problēma kodā jau bija novērsta, un deva tos programmēšanas aģentiem. Pareizā rīcība šādā situācijā būtu diezgan neinteresanta: pārbaudīt kodu un secināt, ka neko labot nevajag. Taču aģentiem ar šo garlaicīgo variantu neveicās. Atkarībā no modeļa un izmantotās sistēmas tie nevajadzīgas izmaiņas strādājošā kodā veica 35–65% gadījumu. Pat labākais pareizās atturēšanās rādītājs nepārsniedza 67%.
Kad instrukcijā skaidri norādīja, ka vispirms jāpārbauda, vai problēma vēl pastāv, un neko nedrīkst mainīt, ja tā jau novērsta, rezultāti būtiski uzlabojās. Piemēram, vienam no modeļiem pareizās atturēšanās rādītājs pieauga no 60,5% līdz 88,5%. Tomēr arī šim uzlabojumam bija sava cena. Uzdevumos, kuros problēma bija novērsta tikai daļēji, tā pati instrukcija mudināja aģentus biežāk nedarīt neko arī tad, kad labojums vēl bija vajadzīgs.
Šis eksperiments parāda, cik liela nozīme ir cilvēka dotajām instrukcijām un tam, vai sistēmai vispār ir atstāta iespēja secināt, ka šoreiz labāk neko nedarīt. Ja saki «salabo», sistēma meklē, ko salabot. Labs inženieris pirms skrūvgrieža paņemšanas droši vien vispirms pārbaudītu, vai kaut kas vispār ir salūzis. Tieši šeit sāk iezīmēties robeža starp koda ģenerēšanu un programmas būvēšanu.
NBER darba dokumenta jaunākajā, 2026. gada septembrī pārskatītajā versijā izmantoti dati par vairāk nekā 500 000 «GitHub» izstrādātāju, kā arī informācija par viņu mākslīgā intelekta rīku izmantošanu. Sākotnējie rezultāti izskatās iespaidīgi. Autoru aplēsē komitu jeb kodā reģistrēto izmaiņu skaita kumulatīvais pieaugums pēc autonomo programmēšanas aģentu ieviešanas sasniedza aptuveni 240%. Taču, aplūkojot citus izstrādes rezultātus, aina kļuva pieticīgāka. Projektu skaitam aplēstais efekts saruka līdz 80%, bet reāli publicētām programmatūras versijām līdz 30%.
Mākslīgais intelekts var palīdzēt saražot ievērojami vairāk koda, taču starp uzrakstītu kodu un programmu, kuru kāds patiešām var lietot, joprojām atrodas pārskatīšana, integrācija, pārbaudes, kļūdu novēršana, drošība, lietotāju uzvedība un cilvēks, kuram beigās jāizlemj, vai uzbūvētais vispār atbilst sākotnējai iecerei. Kodu iespējams saražot daudz ātrāk, bet ceļš līdz gatavam produktam acīmredzot nav paātrinājies tikpat strauji.
Piesardzība vajadzīga arī tad, kad dzirdam apgalvojumus par to, cik reižu mākslīgais intelekts padara programmētāju ātrāku. METR 2026. gada 17. februāra pētniecības piezīmē analizēti 5305 «Claude Code» sarunu pieraksti, kurus viena mēneša laikā bija radījuši septiņi organizācijas tehniskie darbinieki. Modelim lika novērtēt, cik ilgi katrs uzdevums būtu prasījis pieredzējušam programmatūras izstrādātājam bez mākslīgā intelekta palīdzības, un šo aplēsi salīdzināja ar faktiski patērēto laiku. Aprēķinātais laika ietaupījuma koeficients dažādiem darbiniekiem svārstījās aptuveni no 1,5 līdz 13 reizēm.
Trīspadsmit reizes ātrāk izklausās lieliski. Tomēr pašā pētniecības piezīmē šis skaitlis raksturots kā aptuvena augšējā robeža, nevis kopējās produktivitātes mērījums. Cilvēki mākslīgo intelektu biežāk izmanto uzdevumiem, kuros sagaida no tā palīdzību. Daļa ar mākslīgo intelektu paveikto uzdevumu bez tā vispār netiktu veikti. Turklāt laiks, kas būtu nepieciešams darbam bez mākslīgā intelekta, netika izmērīts praksē. To aplēsa cits modelis, un šīs metodes pārbaude bija ierobežota. Tādēļ apgalvojums, ka uzdevums izdarīts desmit reižu ātrāk, vēl nepierāda, ka cilvēks radījis desmit reižu vairāk vērtības.
Būtu ērti šajā vietā novilkt svītru un pateikt, ko mākslīgais intelekts programmēšanā spēj un ko nespēj. Problēma ir tāda, ka šāds apgalvojums noveco gandrīz rakstīšanas laikā. 2026. gada 10. septembrī «OpenAI» publiskā beta versijā palaida «Agents API». Tas ļauj uzturēt noturīgas darba sesijas, izpildīt kodu un rediģēt failus izolētā vidē, pieslēgt ārējus rīkus un MCP serverus, turpināt darbu pēc pārtraukuma un sadalīt uzdevumus apakšaģentiem. Savukārt 29. septembrī šim API pievienoja iespēju darboties «OpenAI» uzturētā pārlūkā. Starp abiem paziņojumiem pagāja tikai 19 dienas.
Tāpēc apgalvojums, ka mākslīgais intelekts kaut ko nespēj, šobrīd ir diezgan riskants. Precīzāk būtu teikt, ka 2026. gada oktobrī, izmantojot pašlaik pieejamos rīkus, es sastapos ar konkrētu robežu. Vai tā pati robeža būs pēc pusgada, nezinu. Dažos gadījumos nav pat droši, ka tā paliks turpat līdz nākamajam mēnesim.
Ko tad atbildēt cilvēkam, kurš neprot programmēt, bet vēlas izveidot īstu programmu? Manuprāt, viņš var tikt pārsteidzoši tālu. Cilvēks ar ideju un bez naudas izstrādātāju komandai šodien var uzbūvēt prototipu, savienot sistēmas, izveidot lietotāja saskarni, strādāt ar API, meklēt kļūdas, mainīt arhitektūru un pārbaudīt risinājumu, pats gandrīz nerakstot kodu. Pirms dažiem gadiem jau tas vien būtu izklausījies neticami.
Tomēr kaut kur šajā procesā parādās cita prasība. Ir jāprot pateikt mākslīgajam intelektam, ko darīt, pēc tam jāspēj pamanīt, ka tas kaut ko izdarījis nepareizi, un reizēm pašam jāierauga problēma, kuru sistēma nav pamanījusi. Turklāt pēc problēmas izskaidrošanas mākslīgais intelekts, visticamāk, ļoti pieklājīgi paziņos, ka tagad viss ir pilnīgi skaidrs.
Tieši tas man pašam bija lielākais pārsteigums. Es sāku ar domu, ka mākslīgais intelekts man mācīs, kā uztaisīt programmu. Tagad arvien biežāk strīdos ar to, jo piedāvātais risinājums pēc diviem soļiem radīs nākamo problēmu. Agrāk slieksnis bija skaidrs. Lai uzbūvētu programmu, bija jāprot rakstīt kodu. Tagad var sākt arī bez tā, bet domāt tavā vietā pagaidām neviens nav atcēlis. Un varbūt tieši tur šobrīd atrodas robeža starp skaistu demonstrāciju un programmu, kuru var iedot citam cilvēkam un cerēt, ka tā tiešām strādās.
Rakstā aprakstītie praktiskie novērojumi balstīti autora pieredzē, veidojot savu programmatūras projektu ar mākslīgā intelekta palīdzību. Tie nav zinātniska eksperimenta rezultāti.
Avoti.
Stack Overflow izstrādātāju aptauja.
Pētījums par AI programmēšanu.
Ekonomikas zinātniskais pētījums.
Nav komentāru:
Ierakstīt komentāru