Markdown edition

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

# Kayang magsulat ng code ng AI. Sino ang matututo kung paano ito ayusin?

> Maaaring matapos ang coding task bago pa maunawaan ng gumawa ang sistema. May dalawang eksperimento na nagbubukas ng praktikal na tanong para sa mga team: paano matututo ang mga baguhang developer na magpaliwanag, mag-diagnose at umangkop sa trabahong tinulungan ng AI?

By BIG CHANGE Editorial

Published: 2026-09-22T16:40:55.934Z
Updated: 2026-09-22T16:40:55.934Z
Canonical: https://bigchange.ai/blog/ai-coding-skills-learning-apprenticeship

![An automated arm assembles abstract interlocking modules while a junior developer studies orange pathways inside an opened module.](https://bigchange.ai/api/media/file/ai-coding-learning-apprenticeship-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Automation can deliver a finished implementation before a newcomer has traced how it works. This conceptual scene represents the need to build understanding alongside AI-assisted output; it is not a product interface, study result or forecast of inevitable deskilling.

Maaaring hilingin ng baguhang developer sa AI assistant na gumamit ng hindi pamilyar na library, makakuha ng gumaganang code at magpatuloy sa susunod na gawain. Maaaring handa na ang feature bago pa maunawaan ng developer kung bakit ito gumagana. Mahalaga ito sa susunod na pumalya ang code, magbago ang rekisito o kailangang magpasya kung ligtas ang pag-aayos ng assistant.

Inilahad ng software engineer na si Alexandru Nedelcu ang pangambang ito sa isang sanaysay noong [Setyembre 22](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you). Ikinatwiran niya na nahuhubog ang paghatol ng mga developer sa pagbabasa ng code, paggawa ng mga pasiya at pagharap sa mga pagkakamali. Opinyon niya, hindi naobserbahang pagbabago sa industriya, ang prediksiyon niyang may ilang kumpanyang mag-aanunsiyo ng patakarang nagbabawal sa AI. Nagbigay ang hiwalay na eksperimentong inilathala noong Enero ng mas makitid at masusubok na anyo sa tanong tungkol sa pagkatuto: ano ang naunawaan agad ng mga programmer matapos tapusin ang gawaing tinulungan ng AI? [Salaysay ng pananaliksik ng Anthropic](https://www.anthropic.com/research/AI-assistance-coding-skills)

## Ang malaking pagbabago

- **Ano ang nagbago:** Pinadadali ng AI ang pagsusumite ng kumpletong software kahit hindi napag-aralan ang lohika nito. Maaari itong magbigay ng implementasyon bago makapagsanay ang baguhan sa mga pasiyang kailangan para ipaliwanag o ayusin iyon.
- **Bakit ito mahalaga:** Maaaring dumami ang nagagawang output ng mga manager ngayon habang humihina ang landas para maging eksperto sa pag-diagnose ng susunod na aberya ang mga baguhang kawani. Pinakamalubha ang panganib kapag gumagamit ang gawain ng mga konseptong hindi pamilyar; maaari pa ring makatulong ang tulong sa mga pamilyar na gawain.
- **Ano ang dapat bantayan:** Maaaring simulang ituring ng mga team na bahagi ng paghahatid ng trabaho ang pagkatuto at maglaan ng oras para ipaliwanag, i-diagnose at iakma ang trabahong tinulungan ng AI. Kung gagawin nila ito, maaaring gantimpalaan ng mga pagsusulit sa pagkuha at produkto sa coding ang naipakitang pagkaunawa kasabay ng bilis.

## Magkaibang resulta ang pagtatapos ng gawain at pagkatuto ng kasanayan

Sa [isang randomized na pag-aaral sa 52 programmer](https://arxiv.org/abs/2601.20245), gumamit ang mga kalahok ng hindi pamilyar na Python library na Trio para tapusin ang dalawang coding task. May AI assistant sa coding environment ang kalahati; wala naman ang kalahati. Alam nilang susundan ito ng pagsusulit. Sinubok sa pagsusulit ang mga konsepto, pagbabasa ng code at pag-debug kaagad pagkatapos ng gawain.

50% ang karaniwang marka ng grupong gumamit ng AI, kumpara sa 67% ng grupong walang AI: agwat na 17 puntos porsiyento, hindi 17% na relatibong pagbaba. Pinakamalaki ang diperensiya sa mga tanong sa pag-debug. Humigit-kumulang dalawang minuto ang lamang ng grupong gumamit ng AI sa karaniwang oras ng pagtatapos, pero hindi makabuluhan sa estadistika ang agwat na iyon. Resulta ito ng maikling paggamit sa iisang library at agarang pagsusulit, hindi pagsukat sa karera ng mga developer o kalidad ng sistemang ginagamit sa produksyon. [Mga resulta at limitasyon ng mga mananaliksik](https://www.anthropic.com/research/AI-assistance-coding-skills)

Pinagmasdan din ng mga mananaliksik kung paano ginagamit ng mga kalahok ang assistant. Ipinasa lang ng ilan dito ang malaking bahagi ng coding at pag-debug; humingi naman ng paliwanag ang iba o sila mismo ang nag-aral ng mga konsepto. Karaniwang mas maganda ang marka ng mga mas aktibong paraan ng paggamit, pero tinukoy lamang ang maliliit na grupong ito pagkatapos ng pag-aaral. Sapalarang itinalaga ang mga kalahok sa akses sa AI, hindi sa isang partikular na paraan ng pakikipag-ugnayan dito. Maaaring makatulong sa nag-aaral ang paghingi ng paliwanag, pero hindi mapatutunayan ng pag-aaral na pinipigilan ng isang prompt o daloy ng trabaho ang agwat sa pagkatuto. [Pagsusuri ng mga interaksiyon sa papel](https://arxiv.org/html/2601.20245v2)

Madalas na natututo ang baguhan kung ano ang ipinagpapalagay ng isang library kapag may naganap na error. Kung sasagutin ng assistant ang unang implementasyon pati ang pag-aayos, maaaring mas kaunti sa mga palagay na iyon ang makita ng developer. Isa itong posibleng paliwanag sa agwat sa pag-debug.

## Mahalaga pa rin ang bilis, at nakadepende sa gawain ang sagot

Pinabilis din ng tulong ng AI ang coding sa ibang mga kundisyon. Sa [isang kontroladong eksperimento sa GitHub Copilot](https://arxiv.org/abs/2302.06590), inatasan ang 95 propesyonal na freelancer na bumuo ng HTTP server sa JavaScript. Sa mga nakatapos, umabot sa humigit-kumulang 71 minuto ang karaniwang oras ng grupong gumamit ng Copilot, kumpara sa humigit-kumulang 161 minuto sa control group, o 55.8% na bawas sa oras ng pagkumpleto. Hindi sinubok ng mga mananaliksik kung ano ang natutunan ng mga programmer pagkatapos. May malinaw na hangganan ang implementasyon sa gawaing iyon; hindi iyon pagpapakilala sa hindi pamilyar na library na sinusundan ng pagsusulit sa pagkaunawa.

Kapaki-pakinabang sa manager ang dalawang natuklasan. Kung gumagamit ng AI ang bihasang developer para matapos ang paulit-ulit na gawain, maaaring totoong may natitipid na oras. Kapag pagkatuto ng bagong sistema ang layunin, kailangang magkahiwalay na suriin ang bilis ng output at lalim ng pagkaunawa. Itatapon ng ganap na pagbabawal sa AI ang mga posibleng pakinabang nang hindi sinasagot kung paano matututo ang mga tao na mangasiwa sa trabaho.

Higit pa ang argumento ng sanaysay ni Nedelcu kaysa sa eksperimento. Ikinatwiran niya na nakikita lamang ang dali ng pagpapanatili pagkalipas ng mga buwan o taon at lumalawak ang karanasan kapag may pananagutan sa mga pagkakamali. Hindi sinusukat ng pag-aaral ang pangmatagalang dali ng pagpapanatili o ipinakikitang tuluyang tumitigil sa pagkatuto ang mga gumagamit ng AI. Praktikal ang hamon niya para sa mga organisasyon: kung palagiang ipinauubaya ng team ang mga gawaing nagsasanay, saan makukuha ng susunod na henerasyon ng mga tagaresolba ng problema ang pagsasanay na iyon? [Sanaysay ni Nedelcu](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)

## Hilingin sa nag-aaral na patunayan ang kaalaman matapos gumana ang code

Isang praktikal na hakbang ang bigyan ang baguhan ng gawaing tinulungan ng AI, saka hilingin sa kaniya ang maikling malayang pagsusuri bago ituring na matagumpay ang pagkatuto. Mungkahing pagsasanay namin ito, hindi interbensiyong sinubok ng alinman sa mga pag-aaral:

1. **Ipaliwanag:** Nang hindi nagtatanong sa assistant, ilarawan kung bakit gumagana ang hindi pamilyar na bahagi ng code, ano ang ipinagpapalagay nito at ano ang maaaring magpabagsak dito. Maaaring magtanong ang senior engineer ng isang karagdagang tanong na tuwirang nauugnay sa binagong code.
2. **Mag-diagnose:** Magpasok ng maliit at makatotohanang pagkasira sa ligtas na sangay ng test. Tukuyin sa nag-aaral ang sanhi at ipaliwanag kung aling obserbasyon ang nag-alis sa mapang-akit pero maling pag-aayos. Pangangatwiran ang sinusubok, hindi pagsasaulo ng command.
3. **Iakma:** Baguhin ang rekisito, saka hilingin sa nag-aaral na baguhin ang implementasyon at mga test nito. Maaari siyang gumamit ng AI, pero dapat niyang maipagtanggol ang bagong asal at tukuyin kung ano pa ang kailangan niyang beripikahin.

Halimbawa, pagkatapos gumawa ang assistant ng bagong asynchronous na operasyon, maaaring itanong ng tagasuri kung ano ang mangyayari kapag kinansela ito sa kalagitnaan. Dapat masundan ng developer ang daloy at masubukan ang binagong rekisito. Maaaring makatuklas ng depekto ang pagsusuri ng code habang hindi pa rin kayang harapin ng nag-aaral ang susunod na depekto. Sinusuri ng mungkahing hakbang kung kasama sa naihatid na code ang kaalaman.

Hindi kailangang gawing pagsusulit ang bawat karaniwang ticket. Maaaring ilaan ng team ang pagsasanay sa mga hindi pamilyar na library, paulit-ulit na sanhi ng pagkasira o trabahong inaasahang akuin kalaunan ng baguhang kasamahan. Nangangailangan ito ng oras na binabayaran at tagasuring nakaaalam sa sistema. Kung pinagsamang gawain at natipid na oras lang ang binibilang ng pamunuan, maaaring iyon ang unang bawasan. Lalo nitong pahihirapin ang problema sa pagsasanay kahit dumami ang output sa kasalukuyan.

## Umaabot sa pagkuha ng empleyado at disenyo ng produkto ang tanong tungkol sa pagsasanay

Madalas pinagsasama sa mga panimulang tungkulin ang paghahatid ng trabaho at pinangangasiwaang pagsasanay. Binabago ng AI ang kasunduang ito kapag nakapagpapakita ang kandidato ng kahanga-hangang tapos na feature nang hindi ipinakikita kung paano siya nangatwiran. Maaaring hilingin ng mga employer sa mga kandidato na ipaliwanag at baguhin ang maliit na bahagi ng gawain sa halip na ituring na patunay ng malayang kasanayan ang maayos na repository. Mungkahing tugon ito sa pagkuha, hindi ebidensiya ng kasalukuyang kalakaran sa pagkuha. Dapat nitong subukin ang kakayahang kailangan talaga sa tungkulin, hindi hilinging magtrabaho nang walang tool ang bawat aplikante.

May kaugnay na pasiya ang mga produktong pang-coding. Maaaring i-optimize ang assistant para sa mabilis na sagot, o gawing mas madali nitong suriin ang mga palagay, magtanong tungkol sa konsepto at subukan ang pagbabago bago ipakita ang solusyon. Nararapat subukan ang ikalawang disenyo batay sa mga naobserbahang paraan ng pakikipag-ugnayan sa pag-aaral, bagaman hindi nito pinatutunayang mas mahusay magturo ang partikular na interface. Para sa mga employer, ito rin ang dapat itanong sa pagbili: natutulungan ba ng tool ang kawani na matutong magsuri at magbago ng output nito, hindi lang kung gaano karaming code ang nalilikha nito.

Hindi masasabi ng maikling pagsusulit kung sino ang magiging eksperto pagkalipas ng limang taon. Ipinakikita nito kung bakit hindi sapat na pamalit sa ebidensiya ng pagkaunawa sa hindi pamilyar na gawain ang tinanggap na implementasyon. Kailangang maglaan ng panahon para sa pagsasanay at suriin ng mga team na nais ng automation at mahusay na susunod na henerasyon kung ano ang kayang gawin ng mga tao kapag nagbago ang sagot.

## Sources

- [Alexandru Nedelcu: Walang karunungan ang AI, at wala rin nito ikaw](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you) — Ikinatwiran sa sanaysay ni Nedelcu na nahuhubog ang paghatol sa inhinyeriya sa pagbabasa, paggawa ng pasiya at pananagutan sa mga pagkakamali. Opinyon, hindi nasukat na resulta, ang mga pahayag nito tungkol sa dali ng pagpapanatili at prediksiyon tungkol sa mga patakarang nagbabawal sa AI.
- [Anthropic: Paano naaapektuhan ng tulong ng AI ang paglinang ng kasanayan sa coding](https://www.anthropic.com/research/AI-assistance-coding-skills) — Ipinaliliwanag ng mga mananaliksik ang randomized na eksperimento sa Trio na may 52 kalahok: 50% kumpara sa 67% sa agarang pagsusulit, o 17 puntong porsiyento; hindi makabuluhan ang maliit na diperensiya sa oras ng pagtatapos. Obserbasyonal ang mga paraan ng pakikipag-ugnayan at hindi sinusukat ng pag-aaral ang pangmatagalang karera.
- [Shen at Tamkin: Paano naaapektuhan ng AI ang paglinang ng kasanayan](https://arxiv.org/abs/2601.20245) — Nagbibigay ang papel ng detalye tungkol sa gawain, mga kalahok, randomisasyon at pagsusuri. Itinatama ng rebisyon noong Pebrero ang mga typo sa talahanayan. Ginagamit namin ito para limitahan ang sanhi at bunga sa akses sa AI at agarang pagkaunawa, hindi para magtakda ng napatunayang teknik sa pagbuo ng prompt.
- [Peng et al.: Epekto ng AI sa pagiging produktibo ng developer](https://arxiv.org/abs/2302.06590) — Sa hiwalay at kontroladong pag-aaral sa Copilot, mas mabilis natapos ng mga propesyonal na freelancer ang pagpapatupad ng server sa JavaScript nang may tulong ng AI; para sa mga nakatapos ang 55.8% na bawas sa oras. Hindi sinubok ng pag-aaral ang pagkatuto, at naiiba ang gawain nito sa ehersisyo sa hindi pamilyar na library na Trio.