AI-translated from English; not yet reviewed by a fluent editor.

# একটি প্রতিষ্ঠানভিত্তিক গবেষণায় এআই কোডিং এজেন্ট কোডের উৎপাদন বাড়িয়েছে, তবে সম্পন্ন কাজ পিছিয়ে ছিল

> হার্ভার্ডের একটি কার্যপত্রে ৭১৮টি প্রতিষ্ঠানে কোডিং এজেন্ট গ্রহণের সঙ্গে বেশি কোড ও দীর্ঘতর পুল রিকোয়েস্ট পর্যালোচনার সম্পর্ক পাওয়া গেছে, তবে সমাধান হওয়া কাজে উল্লেখযোগ্য বৃদ্ধি দেখা যায়নি।

By BIG CHANGE Editorial

Published: 2026-10-10T00:19:01.727Z
Updated: 2026-10-10T00:19:01.727Z
Canonical: https://bigchange.ai/blog/ai-coding-agents-review-output-study

![Two colleagues discuss a software change beside a monitor turned away from view.](https://bigchange.ai/api/media/file/hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE

হার্ভার্ডের একটি [কার্যপত্র](https://fion.ac/jellyfish.pdf) উৎপাদনশীলতা নিয়ে একটি প্রচলিত দাবির কার্যকর পরীক্ষা দেয়: এআই দিয়ে বেশি কোড লেখা মানে আরও বেশি সফটওয়্যার সরবরাহ হওয়া উচিত। Jellyfish প্রকৌশল বিশ্লেষণ প্ল্যাটফর্ম ব্যবহারকারী ৭১৮টি প্রতিষ্ঠানে Fiona Chen ও James Stratton অনুমান করেছেন, কোডিং এজেন্ট গ্রহণের পর সক্রিয় কর্মীপ্রতি কোডের লাইন ৩০%, কমিট ২০% এবং পুল রিকোয়েস্ট ২৩% বেড়েছে। সম্পন্ন Jira সমস্যা ও এপিকের তাঁদের পরিমাপে পরিসংখ্যানগতভাবে উল্লেখযোগ্য বৃদ্ধি দেখা যায়নি। গবেষণাপত্রটির বর্তমান সংস্করণের তারিখ ৪ আগস্ট ২০২৬; কাজের ঘটনা-সংক্রান্ত ডেটা মার্চ ২০২৬-এ শেষ হয়েছে।

এই অমিল প্রকৌশল নেতাদের জন্য গুরুত্বপূর্ণ, কারণ একটি পুল রিকোয়েস্ট পর্যালোচনা, পরীক্ষা ও সম্ভাব্য সংশোধনের সারিতে প্রবেশ করে। একই গবেষণায় এজেন্ট গ্রহণের পর পুল রিকোয়েস্ট জমা দেওয়া থেকে মার্জ হওয়া পর্যন্ত অতিবাহিত সময় আনুমানিক ৪৯% বেড়েছে। পরিবর্তনের অনুরোধ আরও সাধারণ হয়েছে এবং প্রতি পুল রিকোয়েস্টে মন্তব্য বেড়েছে। এসব ফল বেশি পর্যালোচনা-চাপ নির্দেশ করে, তবে প্রতিটি এজেন্ট-লেখা পরিবর্তন খারাপ তা দেখায় না বা পরিমাপ করা ত্রুটির হারও নির্ধারণ করে না।

## বড় পরিবর্তন

- **কী বদলেছে:**এই প্রতিষ্ঠান-স্তরের গবেষণায় কোডিং এজেন্ট গ্রহণের সঙ্গে কোডিং কার্যকলাপ উল্লেখযোগ্যভাবে বৃদ্ধি এবং পুল রিকোয়েস্টের আরও কঠোর পর্যালোচনা একই সময়ে দেখা গেছে, কিন্তু সমাধান হওয়া সমস্যা বা এপিকে পরিসংখ্যানগতভাবে উল্লেখযোগ্য বৃদ্ধি দেখা যায়নি।
- **কেন গুরুত্বপূর্ণ:**কোডের লাইন, কমিট ও পুল রিকোয়েস্ট উৎপাদন প্রক্রিয়ায় প্রবেশ করা কাজ পরিমাপ করে। সমাধান হওয়া কাজ পরবর্তী পর্যায়ের একটি মাপ। শুধু কোডের পরিমাণ দিয়ে এজেন্ট বিচার করলে পর্যালোচনায় আসা চাপটি দলটির চোখ এড়াতে পারে।
- **যা নজরে রাখবেন:**প্রতিষ্ঠানগুলো পর্যালোচনার সক্ষমতা বাড়াতে পারে কি না এবং পরবর্তী ডেটায় সম্পন্ন কাজের বৃদ্ধি দেখা যায় কি না। এই কার্যপত্র মার্চ ২০২৬ পর্যন্ত প্রাথমিক গ্রহণ অনুসরণ করে; দীর্ঘমেয়াদি প্রভাব নির্ধারণ করতে পারে না।

## সহকারী ও এজেন্টের অনুমান ভিন্ন ছিল

লেখকেরা *সহকারী*, যারা ডেভেলপার কাজ করার সময় কোডের পরামর্শ দেয়, সেই *এজেন্ট*দের থেকে আলাদা করেছেন, যারা উচ্চ-স্তরের কাজ নিয়ে ডেভেলপারের অনুমোদনের আগে একাধিক ধাপ সম্পন্ন করতে পারে। GitHub Copilot ও Cursor-এর ব্যবসায়িক লাইসেন্স সক্রিয়করণের মাধ্যমে তাঁরা সহকারী গ্রহণ মাপেন। এজেন্টের ক্ষেত্রে Claude Code ব্যবহারের তথ্যের সঙ্গে বট অ্যাকাউন্ট এবং কমিট বা পুল রিকোয়েস্টে টুলের স্বাক্ষরের মতো সংকেত যুক্ত করেন। কিছু ব্যক্তিগত ব্যবহার বা সমন্বিত নয় এমন টুল এই পরিমাপের বাইরে থাকতে পারে। এজেন্টের অনুমান আগের সহকারী-গ্রহণের সময়ের তুলনায় এজেন্ট গ্রহণের সঙ্গে যুক্ত অতিরিক্ত সম্পর্ক; এটি এজেন্ট ব্যবহারকারী প্রতিটি ব্যক্তির জন্য অনুমান নয়।

সহকারীর ফল ছোট ছিল: কোডের লাইন আনুমানিক ১২%, কমিট ৯% এবং পুল রিকোয়েস্ট ৫% বেড়েছে। গবেষণাপত্রের প্রধান অনুমানে শুধু কমিটের ফল পরিসংখ্যানগতভাবে উল্লেখযোগ্য ছিল। এজেন্ট গ্রহণে কোডিং-কার্যকলাপের তিনটি মাপেই উল্লেখযোগ্য বৃদ্ধি দেখা গেছে। একটি কমিট কোডের হালনাগাদ নথিবদ্ধ করে; একটি পুল রিকোয়েস্ট পরিবর্তন পর্যালোচনার জন্য জমা দেয়। কোনোটিই প্রমাণ করে না যে কোনো বৈশিষ্ট্য ব্যবহারকারীদের কাছে পৌঁছেছে। গবেষণাপত্রটি সমাধান হওয়া Jira সমস্যা ও বড় এপিককে পরবর্তী পর্যায়ের উৎপাদন-মাপ হিসেবে ব্যবহার করে, সেই অনুসৃত কর্মপ্রবাহের ভিত্তিতে যেখানে দলগুলো পর্যালোচনা, পরীক্ষা ও স্থাপনার পর কাজ সম্পন্ন হিসেবে চিহ্নিত করে। Jira-র অবস্থা সরবরাহের একটি পরোক্ষ মাপই থাকে, ব্যবহারকারীরা কী পেয়েছেন তার স্বতন্ত্র পরিমাপ নয়।

এজেন্টের ক্ষেত্রে সমাধান হওয়া সমস্যার আনুমানিক বৃদ্ধি ছিল কর্মী-মাসপ্রতি ০.১২, যেখানে ভিত্তিমাত্রা ৩.৬৭; মানক ত্রুটি ০.১৭। ফলটি পরিসংখ্যানগতভাবে শূন্য থেকে আলাদা নয়। এপিক সম্পন্ন হওয়ার ক্ষেত্রেও উল্লেখযোগ্য পরিবর্তন দেখা যায়নি। লেখকেরা জানান, তাঁদের আস্থার ব্যবধান অধ্যয়নকালে সমস্যা সম্পন্ন হওয়ার বৃদ্ধি ভিত্তিমাত্রার গড়ের ১২%-এর বেশি হওয়ার সম্ভাবনা বাদ দেয়। এটি “এজেন্ট কোনো উপযোগী সফটওয়্যার তৈরি করে না” বলার চেয়ে সীমিত একটি ফল: সামান্য উন্নতি সম্ভব, আর সমস্যার সংখ্যা মূল্য বা গুণগত মানের সব পরিবর্তন ধরতে পারে না। লেখকেরা পূর্বানুমিত কাজের দৈর্ঘ্যের মাপ দিয়ে সমস্যার আকার বদলেছিল কি না পরীক্ষা করেন এবং নমুনায় এমন বদলের প্রমাণ পাননি।

## পর্যালোচকদের কাছে আরও কাজ পৌঁছেছে

পর্যালোচনার মাপগুলো উৎপাদনের ব্যবধানের একটি সম্ভাব্য প্রক্রিয়া দেখায়। এজেন্ট গ্রহণের পর পুল রিকোয়েস্ট জমা থেকে মার্জ পর্যন্ত সময় ভিত্তিমাত্রা ৭.০৩ দিনের তুলনায় আনুমানিক আরও ৩.৪৫ দিন বেড়েছে, অর্থাৎ ৪৯% বৃদ্ধি। এটি পর্যালোচনা প্রক্রিয়ার ক্যালেন্ডার সময়, কোনো ব্যক্তির সক্রিয় পর্যালোচনার মিনিটের স্টপওয়াচ-পরিমাপ নয়। আনুষ্ঠানিক পরিবর্তনের অনুরোধ পাওয়া পুল রিকোয়েস্টের অংশ ১৩% ভিত্তিমাত্রা থেকে প্রায় ১২ শতাংশ-পয়েন্ট বেড়েছে; প্রতি অনুরোধে মন্তব্য ১.৬৬ ভিত্তিমাত্রা থেকে ০.৫৮ বেড়েছে, অর্থাৎ ৩৫%। মাসে অন্তত একটি পুল রিকোয়েস্ট পর্যালোচনা করা কর্মীর অংশ ২৯% ভিত্তিমাত্রা থেকে প্রায় চার শতাংশ-পয়েন্ট বেড়েছে, আপেক্ষিক বৃদ্ধি ১৪%। তুলনীয় সহকারী-অনুমানে পর্যালোচনার সময়কাল, পরিবর্তনের অনুরোধ বা মন্তব্যে উল্লেখযোগ্য বৃদ্ধি দেখা যায়নি।

শুধু এই মেটাডেটা থেকে পর্যালোচক কেন পরিবর্তন চেয়েছেন তা গবেষণাপত্রটি বলতে পারে না। বেশি জমা নির্দিষ্ট ধারণক্ষমতার পর্যালোচনা-সারিতে চাপ তৈরি করতে পারে; কোডের গুণমান বা পর্যালোচনার মানদণ্ড বদলালেও খুঁটিনাটি যাচাই বাড়তে পারে। লেখকেরা পুল রিকোয়েস্টের গড় আকারে উল্লেখযোগ্য বৃদ্ধি পাননি, যা অতিরিক্ত মন্তব্যের একটি সরল ব্যাখ্যাকে দুর্বল করে। তাঁরা কোডের বিষয়বস্তু পরীক্ষা করেননি বা এজেন্ট-তৈরি কাজে ত্রুটি সরাসরি গণনা করেননি। তাঁদের দুই-ধাপের উৎপাদন মডেল ব্যাখ্যা করে কীভাবে দ্রুত কোড লেখা এবং প্রতিটি খসড়ায় প্রয়োজনীয় পর্যালোচনার পরিবর্তন একসঙ্গে সম্পন্ন উৎপাদন সীমিত করতে পারে। মডেলটি পর্যবেক্ষণের ব্যাখ্যা; কোনো একটি প্রক্রিয়াকে আলাদা করে শনাক্ত করার স্বতন্ত্র পরীক্ষা নয়।

নমুনায় এআই পর্যালোচনা সরঞ্জামও ছড়িয়ে পড়েছিল: মার্চ ২০২৬ নাগাদ প্রায় ৮০% প্রতিষ্ঠান অন্তত একটি ব্যবহার করেছিল। তবু গবেষণাপত্রটি পর্যালোচনা মন্তব্যের ২৩.৩% এআই-এর বলে গণ্য করে এবং ১০.৮% পুল রিকোয়েস্টে অন্তত একটি এআই মন্তব্য পায়। তাই পর্যালোচনা সরঞ্জাম গ্রহণের অর্থ এসব প্রতিষ্ঠানে পর্যালোচনা স্বয়ংক্রিয় হয়ে গেছে—এমন নয়।

## গবেষণা নকশা কী প্রতিষ্ঠা করতে পারে

গবেষকেরা ২০২১ সালের জানুয়ারি থেকে ২০২৬ সালের মার্চ পর্যন্ত ৭১৮টি সম্মত Jellyfish গ্রাহক প্রতিষ্ঠানের প্রায় ৩০ কোটি কাজের ঘটনা বিশ্লেষণ করেন, যা ৭২৫,৯৩৮ কর্মীকে অন্তর্ভুক্ত করে। তাঁরা ধাপে ধাপে পার্থক্য-সহ-পার্থক্য নকশা ব্যবহার করে সহকারী বা এজেন্ট গ্রহণের আগে-পরে ফলের সঙ্গে পরে গ্রহণ করা বা তখনও গ্রহণ না করা প্রতিষ্ঠানগুলোর ফল তুলনা করেন। প্রতিষ্ঠান ও ক্যালেন্ডার-মাসের নিয়ন্ত্রণ কিছু স্থায়ী পার্থক্য ও অভিন্ন সময়গত প্রবণতা সামলায়। তবু অনুমান নির্ভর করে গ্রহণ না করলে প্রতিষ্ঠানগুলোর গতিপথ কতটা তুলনীয় হতো তার ওপর। বড় প্রতিষ্ঠান আগে গ্রহণ করেছে; অমাপা পরিবর্তন গ্রহণ এবং প্রকৌশল কাজ উভয়কেই প্রভাবিত করতে পারে। গবেষণাটি পর্যবেক্ষণমূলক; অনুমানগুলোকে এলোমেলোভাবে নির্ধারিত পরীক্ষা বা সব সফটওয়্যার দলের পূর্বাভাস হিসেবে পড়া উচিত নয়।

কর্মসংস্থানের ফলেও একই সতর্কতা দরকার। LinkedIn-সংযুক্ত মোট কর্মসংস্থান এবং প্রকৌশল কর্মসংস্থানের জন্য Jellyfish-এর সক্রিয় কর্মী ব্যবহার করে লেখকেরা পর্যবেক্ষিত সময়ে এজেন্ট গ্রহণের কারণে উল্লেখযোগ্য পরিবর্তন নির্ধারণ করতে পারেননি। দীর্ঘতর সমন্বয়ের পর নিয়োগ কী হবে বা বৃহত্তর শ্রমবাজারে কী ঘটবে, তা এ থেকে বোঝা যায় না।

[BIG CHANGE-এর আগের প্রতিবেদন](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) এআই কোডিং ও নির্ভরযোগ্য সরবরাহ নিয়ে একটি আলাদা প্রকৌশল বিবরণ পরীক্ষা করেছিল। এই গবেষণা বহু প্রতিষ্ঠানের চিত্র এবং কোডিং কার্যকলাপ, পর্যালোচনা ও সমাধান হওয়া কাজের পৃথক মাপ যোগ করে। ব্যবহারিক শিক্ষা হলো এজেন্ট মূল্যায়নের সময় এই ধাপগুলো একসঙ্গে অনুসরণ করা: দ্রুত প্রথম খসড়া পরের ধাপে অপেক্ষমাণ কাজের পরিমাণ বদলে দেয়, আর এই গবেষণাপত্রে এখনও সম্পন্ন সমস্যা বা প্রকল্পে তার সঙ্গে মেলে এমন বৃদ্ধি দেখা যায়নি।

## সূত্র ও আরও পড়ার জন্য

- [Fiona Chen এবং James Stratton، *Artificial Intelligence in the Firm: Bottlenecks in Software Production*](https://fion.ac/jellyfish.pdf): প্রধান কার্যপত্র, বর্তমান সংস্করণ ৪ আগস্ট ২০২৬। পদ্ধতি, চিত্র ও পরিশিষ্টে প্রতিবেদন করা অনুমান ও সীমাবদ্ধতার সমর্থন আছে; প্রতিষ্ঠান-স্তরের অন্তর্নিহিত ডেটা মালিকানাধীন ও সমষ্টিকৃত।
- [Ars Technica-র ৯ অক্টোবরের প্রতিবেদন](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): সমসাময়িক স্বাধীন বিবরণ, যা গবেষণাপত্রটির প্রতি দৃষ্টি আকর্ষণ করেছিল। ওপরের সংখ্যাগত ও পদ্ধতিগত দাবিগুলো মূল গবেষণাপত্রের সঙ্গে মিলিয়ে দেখা হয়েছে।
- [এআই কোডিং ও CI নিয়ে BIG CHANGE-এর আগের নিবন্ধ](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): আলাদা প্রকৌশল বিবরণের সম্পর্কিত প্রতিবেদন। সরবরাহের প্রশ্নে এটি প্রেক্ষাপট দেয়, এই গবেষণার ধারাবাহিকতা নয়।

## Sources

- [Artificial Intelligence in the Firm: Bottlenecks in Software Production](https://fion.ac/jellyfish.pdf) — হার্ভার্ডের চাকরির বাজারের জন্য ৭৮ পৃষ্ঠার প্রধান কার্যপত্র; কাজের ঘটনা মার্চ ২০২৬ পর্যন্ত, পদ্ধতি ও সংখ্যাগত অনুমানসহ। মালিকানাধীন ডেটা সমষ্টিকৃত ও পরিচয়মুক্ত করা হয়েছে।
- [Ars Technica: AI coding agents generate more code, but not more software](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — সমসাময়িক স্বাধীন প্রতিবেদন; আবিষ্কার ও প্রেক্ষাপট, গবেষণার দাবিগুলো মূল পত্রের সঙ্গে যাচাই করা হয়েছে।
- [BIG CHANGE: AI coding makes dependable delivery the next engineering challenge](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — এআই কোডিং ও নির্ভরযোগ্য সরবরাহ নিয়ে Linear-এর আলাদা প্রকৌশল বিবরণ সম্পর্কে BIG CHANGE-এর আগের প্রতিবেদন।