Η Agentic AI αλλάζει τον τρόπο ανάπτυξης λογισμικού σύμφωνα με AMD και Anthropic

Η ανάπτυξη λογισμικού περνά σταδιακά από τους AI assistants σε συστήματα που μπορούν να αναλαμβάνουν μεγαλύτερα κομμάτια μιας εργασίας αυτόνομα.

Σε επεισόδιο του podcast Advanced Insights της AMD, ο Mark Papermaster, CTO και Executive Vice President της AMD, συζητά με τον Boris Cherny, δημιουργό και επικεφαλής του Claude Code στην Anthropic, για το πώς η agentic AI αλλάζει τον τρόπο με τον οποίο δημιουργείται λογισμικό.

Από το autocomplete στους αυτόνομους agents

Τα πρώτα εργαλεία AI για προγραμματιστές επικεντρώνονταν κυρίως στο autocomplete: ο developer έγραφε κώδικα και το μοντέλο πρότεινε τις επόμενες γραμμές.
Η επόμενη φάση είναι αρκετά διαφορετική.
Οι AI agents μπορούν πλέον να αναλαμβάνουν μεγαλύτερες εργασίες, να εξετάζουν ένα codebase, να χρησιμοποιούν εργαλεία, να γράφουν και να διορθώνουν κώδικα και να συνεργάζονται με άλλους agents μέσα στην ίδια ροή εργασίας.
Οι Papermaster και Cherny περιγράφουν αυτή τη μετάβαση ως εξέλιξη από το απλό autocomplete προς αυτόνομα multi-agent workflows.

Ο developer γίνεται περισσότερο orchestrator

Αυτό αλλάζει και τον ρόλο του μηχανικού λογισμικού.
Ο developer δεν χρειάζεται απαραίτητα να γράφει ο ίδιος κάθε γραμμή κώδικα. Αντίθετα, μπορεί να αναθέτει εργασίες σε διαφορετικούς agents, να καθορίζει στόχους και περιορισμούς και στη συνέχεια να ελέγχει τα αποτελέσματά τους.
Η AMD περιγράφει τους μηχανικούς ως orchestrators ολοένα πιο ικανών AI agents.
Ο Boris Cherny χρησιμοποιεί μάλιστα την έκφραση «one-person armies» για να περιγράψει ανθρώπους που, με τη βοήθεια πολλών agents, μπορούν να μεταφέρουν μια ιδέα πολύ πιο γρήγορα από τη σύλληψη μέχρι την υλοποίηση.
Η αλλαγή αυτή δεν σημαίνει ότι η τεχνική γνώση παύει να είναι σημαντική. Αντίθετα, μεταφέρει μεγαλύτερο μέρος της αξίας στην ικανότητα του μηχανικού να καταλαβαίνει το πρόβλημα, να σχεδιάζει σωστά τη λύση και να αξιολογεί αν αυτό που παρήγαγε το AI είναι πραγματικά σωστό.

Το verification γίνεται κρίσιμο

Όσο περισσότερη αυτονομία αποκτούν οι agents, τόσο σημαντικότερος γίνεται ο έλεγχος των αποτελεσμάτων τους.
Η συζήτηση δίνει ιδιαίτερη έμφαση στην εμπιστοσύνη και την επαλήθευση, καθώς ένας agent μπορεί στο μέλλον να εργάζεται όχι μόνο για λίγα λεπτά αλλά για ώρες, ημέρες ή ακόμη μεγαλύτερα χρονικά διαστήματα.
Σε ένα τέτοιο περιβάλλον, ο άνθρωπος δεν μπορεί απλώς να αποδέχεται αυτόματα ό,τι παράγει το AI.
Χρειάζονται tests, code review, έλεγχος των αποφάσεων που πήρε ο agent και σαφείς μηχανισμοί ώστε να γνωρίζουμε πότε και γιατί μια αυτοματοποιημένη διαδικασία απέτυχε.

Αλλάζει και η κουλτούρα των engineering teams

Η αλλαγή δεν αφορά μόνο τα εργαλεία.
Οι Papermaster και Cherny συζητούν επίσης τις αλλαγές που απαιτούνται στην ηγεσία και στην κουλτούρα των engineering οργανισμών.
Χαρακτηριστικά όπως η περιέργεια, η προσαρμοστικότητα και η ικανότητα δημιουργίας καλών ιδεών αποκτούν μεγαλύτερη σημασία όταν μεγάλο μέρος της εκτέλεσης μπορεί να μεταφερθεί σε AI agents.
Αυτό δημιουργεί μια ενδιαφέρουσα αντιστροφή.
Αν η παραγωγή κώδικα γίνει πολύ φθηνότερη και ταχύτερη, το βασικό εμπόδιο μπορεί να μην είναι πλέον το πόσο γρήγορα μπορεί μια ομάδα να γράψει software.
Μπορεί να είναι το πόσο γρήγορα μπορεί να βρει τις σωστές ιδέες, να πάρει τις σωστές αποφάσεις και να τις μετατρέψει σε ασφαλή και χρήσιμα προϊόντα.

Περισσότερο AI σημαίνει και περισσότερη υπολογιστική ισχύ

Υπάρχει όμως και μια δεύτερη πλευρά σε αυτή την εξέλιξη.
Agents που λειτουργούν για μεγάλα χρονικά διαστήματα, εκτελούν εργαλεία και συνεργάζονται μεταξύ τους χρειάζονται σημαντικά περισσότερους υπολογιστικούς πόρους από ένα απλό AI autocomplete.
Η AMD επισημαίνει ότι η υπολογιστική ισχύς που απαιτείται για agents μεγάλης διάρκειας αποτελεί σημαντικό μέρος της νέας αυτής αρχιτεκτονικής λογισμικού.
Και αυτό εξηγεί γιατί εταιρείες όπως η AMD ενδιαφέρονται τόσο έντονα για την agentic AI: αν οι agents γίνουν βασικό κομμάτι της καθημερινής ανάπτυξης λογισμικού, η ζήτηση για AI compute μπορεί να αυξηθεί δραματικά.

Τι σημαίνει αυτό για τον developer

Η σημαντικότερη αλλαγή ίσως δεν είναι ότι το AI γράφει περισσότερο κώδικα.
Είναι ότι αλλάζει το επίπεδο στο οποίο εργάζεται ο άνθρωπος.
Από το:
«γράψε αυτή τη function»
πηγαίνουμε σταδιακά στο:
«αυτό είναι το πρόβλημα, αυτοί είναι οι περιορισμοί, σχεδίασε τη λύση, υλοποίησέ την, δοκίμασέ την και δείξε μου τι έκανες».
Ο developer παραμένει μέσα στη διαδικασία, αλλά ο ρόλος του μετακινείται όλο και περισσότερο από την εκτέλεση προς τον σχεδιασμό, τον συντονισμό, την αξιολόγηση και τη λήψη αποφάσεων.
Η agentic AI, επομένως, δεν αλλάζει μόνο τον τρόπο που γράφεται ο κώδικας.
Αρχίζει να αλλάζει τον ίδιο τον τρόπο με τον οποίο οργανώνεται η ανάπτυξη λογισμικού.

Βίντεο: AMD