Az AI felgyorsítja a kódolást, majd lelassítja a fejlesztőcsapatokat
Az AI-kódolási eszközök rövid távon jelentősen növelhetik a fejlesztési sebességet, hosszabb távon azonban összetettebbé tehetik a kódot. Egy Carnegie Mellon University által vizsgált 807 nyílt forráskódú projektben a Cursor használata után három hónappal már nem látszott tartós sebességnövekedés.
- A Cursor használata az első hónapban 281 százalékkal növelte a hozzáadott kódsorok számát.
- A harmadik hónapra a fejlesztési sebesség már nem különbözött a kontrollcsoportétól.
- Az AI-val támogatott projektek kódja körülbelül 9 százalékkal nehezebben olvasható volt.
- A kódkomplexitás megduplázódása nagyjából kétharmaddal csökkentette a későbbi fejlesztési sebességet.
- A szerzők több kontextust, memóriát, korlátozást és előzetes mérnöki tervezést javasolnak.
Nagy lendület az első hetekben
A Pure Storage blogján 2026. augusztus 28-án megjelent elemzés egy Carnegie Mellon Universityhez köthető kutatás eredményeit ismerteti. A tanulmány 807 olyan GitHub-projektet vizsgált, amely 2024 januárja és 2025 márciusa között kezdte használni a Cursort, majd ezeket 1380, hasonló programozási nyelvet és aktivitási pályát mutató projekttel hasonlította össze.
A Cursor bevezetését a kutatók a tárolókban megjelenő konfigurációs fájlok alapján azonosították. Az első hónapban a hozzáadott kódsorok száma 281 százalékkal nőtt a hasonló, kontrollként használt projektekhez képest, a commitok száma pedig 55 százalékkal emelkedett. A második hónapban a különbség 48 százalékra, illetve 14 százalékra csökkent. A harmadik hónapra a Cursor használói statisztikailag már nem különböztek a kontrollcsoporttól.
A sebességnövekedés ára a komplexitás
A vizsgálat szerint a teljes, bevezetés utáni időszakban a hozzáadott kódsorok száma átlagosan 28,6 százalékkal volt magasabb, a commitok számánál viszont nem mutatkozott szignifikáns átlagos hatás. A sebességelőny így lényegében az első nyolc hétre koncentrálódott.
A szerzők szerint a lassulás egyik oka a kód összetettebbé válása. A tanulmány modelljei alapján egy kódbázis komplexitásának megduplázódása nagyjából kétharmaddal csökkenti a későbbi fejlesztési sebességet. Az AI-val támogatott projektek kódja azonos növekedési ütem és kódmennyiség mellett körülbelül 9 százalékkal nehezebben olvashatónak bizonyult.
Az automatikus kódellenőrzések 29,7 százalékkal több problémát jeleztek, miközben a kód olvashatóságának nehézségét mérő érték 40,7 százalékkal magasabb volt. Az elemzés szerint a több jelzés elsősorban abból következett, hogy a projektek gyorsabban növekedtek. A fő különbség a komplexebb kód lett.
A kutatás korlátai és a javasolt megoldás
A kutatók nem a fejlesztők önbevallására támaszkodtak, hanem a tárolók változásait mérték. Egy másik, 2025-ös kontrollált vizsgálat szerint a tapasztalt nyílt forráskódú fejlesztők nem voltak mérhetően gyorsabbak valós feladatokban AI-eszközök használatával, miközben annak érezték magukat.
A vizsgálat azt mutatta, hogy a tartósan és intenzíven Cursort használó projektekben minden hatás erősebb volt. Ugyanakkor a kontrollcsoportban nem lehetett kizárni más eszközök, például a Copilot vagy a ChatGPT használatát, ezért a kutatók szerint a mért hatások akár alul is becsülhetik a különbséget.
A Pure Storage blogjának álláspontja szerint a problémát két irányból kell kezelni. Az eszközöknek több kontextusra, memóriára és korlátozásra van szükségük. A fejlesztési folyamatban pedig a specifikációt és a tervezési dokumentumot a mérnököknek kell elkészíteniük, még az első kódsor megírása előtt.
Pure Storage: AI Made Us Faster. Then It Made Us Slower.
