Markdown संस्करण

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

# एक फर्म अध्ययन में AI कोडिंग एजेंटों से कोड का उत्पादन बढ़ा, जबकि पूरा हुआ काम पीछे रहा

> हार्वर्ड का एक कार्य-पत्र 718 कंपनियों में कोडिंग एजेंट अपनाने को अधिक कोड और लंबी pull-request समीक्षा से जोड़ता है, लेकिन हल किए गए काम में कोई महत्वपूर्ण वृद्धि नहीं दिखाता।

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

हार्वर्ड का एक [कार्य-पत्र](https://fion.ac/jellyfish.pdf) उत्पादकता के एक आम दावे की उपयोगी जाँच करता है: AI से लिखा गया अधिक कोड अधिक वितरित सॉफ़्टवेयर का मतलब होना चाहिए। इंजीनियरिंग विश्लेषण मंच Jellyfish का उपयोग करने वाली 718 कंपनियों में Fiona Chen और James Stratton का अनुमान है कि कोडिंग एजेंट अपनाने के बाद प्रति सक्रिय कर्मचारी कोड की पंक्तियों में 30%, कमिट में 20% और pull request में 23% वृद्धि हुई। पूरे हुए Jira इश्यू और एपिक के उनके माप में सांख्यिकीय रूप से महत्वपूर्ण वृद्धि नहीं दिखी। पत्र का वर्तमान संस्करण 4 अगस्त 2026 का है; कार्य-घटनाओं का डेटा मार्च 2026 में समाप्त होता है।

यह अंतर इंजीनियरिंग नेतृत्व के लिए मायने रखता है, क्योंकि pull request समीक्षा, परीक्षण और संभावित संशोधन की कतार में जाता है। उसी अध्ययन में एजेंट अपनाने के बाद pull request जमा करने से उसके merge होने तक का बीता समय अनुमानतः 49% बढ़ा। बदलाव के अनुरोध अधिक आम हुए और प्रति pull request टिप्पणियाँ बढ़ीं। ये निष्कर्ष समीक्षा के अधिक बोझ की ओर संकेत करते हैं, लेकिन यह नहीं दिखाते कि एजेंट द्वारा लिखा गया हर बदलाव खराब है या दोषों की कोई मापी गई दर बताते हैं।

## बड़ा बदलाव

- **क्या बदला:** फर्म-स्तर के इस अध्ययन में कोडिंग एजेंट अपनाने के साथ कोडिंग गतिविधि काफी बढ़ी और pull request की समीक्षा अधिक मांग वाली हुई, लेकिन हल किए गए इश्यू या एपिक में सांख्यिकीय रूप से महत्वपूर्ण वृद्धि नहीं हुई।
- **यह क्यों मायने रखता है:** पंक्तियाँ, कमिट और pull request उत्पादन प्रक्रिया में प्रवेश करने वाले काम को मापते हैं। हल हुआ काम बाद का माप है। केवल कोड की मात्रा से एजेंटों का मूल्यांकन करने वाली टीम समीक्षा में आने वाले बोझ को चूक सकती है।
- **क्या देखना है:** क्या कंपनियाँ समीक्षा क्षमता बढ़ा सकती हैं और क्या बाद के डेटा में पूरा हुए काम का लाभ दिखता है। यह कार्य-पत्र शुरुआती अपनाने को मार्च 2026 तक देखता है और दीर्घकालीन प्रभावों का निर्णय नहीं कर सकता।

## असिस्टेंट और एजेंट के अनुमान अलग थे

लेखक *असिस्टेंट* को अलग मानते हैं, जो डेवलपर के काम करते समय कोड सुझाव देते हैं, और *एजेंट* को, जो डेवलपर की मंजूरी से पहले उच्च-स्तरीय काम लेकर कई चरण पूरे कर सकते हैं। वे GitHub Copilot और Cursor के व्यावसायिक लाइसेंस सक्रिय होने से असिस्टेंट अपनाने को मापते हैं। एजेंटों के लिए वे Claude Code उपयोग डेटा को बॉट खातों और कमिट या pull request में टूल हस्ताक्षर जैसे संकेतों के साथ जोड़ते हैं। कुछ व्यक्तिगत उपयोग या एकीकृत न किए गए टूल इन मापों से छूट सकते हैं। एजेंट का अनुमान, असिस्टेंट अपनाने की पहले की अवधि की तुलना में एजेंट अपनाने के आसपास का अतिरिक्त संबंध है; यह एजेंट का उपयोग करने वाले हर व्यक्ति का अनुमान नहीं है।

असिस्टेंट के नतीजे छोटे थे: पंक्तियों में अनुमानित 12%, कमिट में 9% और pull request में 5% वृद्धि। पत्र के मुख्य अनुमानों में केवल कमिट का नतीजा सांख्यिकीय रूप से महत्वपूर्ण था। एजेंट अपनाने से कोडिंग गतिविधि के तीनों मापों में महत्वपूर्ण वृद्धि दिखी। कमिट कोड अपडेट दर्ज करता है; pull request बदलाव को समीक्षा के लिए भेजता है। इनमें से कोई भी यह साबित नहीं करता कि सुविधा उपयोगकर्ताओं तक पहुँची। पत्र बाद के चरण के आउटपुट माप के रूप में पूरे हुए Jira इश्यू और बड़े एपिक का उपयोग करता है, उस दर्ज कार्यप्रवाह के आधार पर जिसमें टीमें समीक्षा, परीक्षण और तैनाती के बाद काम को पूरा चिह्नित करती हैं। Jira की स्थिति डिलीवरी का प्रतिनिधि माप है, उपयोगकर्ताओं को क्या मिला इसका स्वतंत्र माप नहीं।

एजेंटों के लिए हल किए गए इश्यू में अनुमानित वृद्धि प्रति कर्मचारी-माह 0.12 थी, जबकि आधार 3.67 था; मानक त्रुटि 0.17 थी। परिणाम सांख्यिकीय रूप से शून्य से अलग नहीं है। एपिक पूरा होने में भी कोई महत्वपूर्ण बदलाव नहीं दिखा। लेखकों के अनुसार, उनका विश्वास अंतराल अध्ययन अवधि में इश्यू पूरा होने की वृद्धि को आधार औसत के 12% से ऊपर जाने से रोकता है। यह इस कथन से अधिक सीमित निष्कर्ष है कि एजेंट कोई उपयोगी सॉफ़्टवेयर नहीं बनाते: मामूली लाभ संभव हैं और इश्यू की गिनती मूल्य या गुणवत्ता के हर बदलाव को नहीं पकड़ सकती। लेखकों ने अनुमानित कार्य-अवधि माप से जाँचा कि इश्यू का आकार बदला या नहीं और नमूने में ऐसा बदलाव होने का प्रमाण नहीं पाया।

## अधिक काम समीक्षकों तक पहुँचा

समीक्षा के माप परिणामों के अंतर का एक संभावित तंत्र बताते हैं। एजेंट अपनाने के बाद, पत्र का अनुमान है कि pull request भेजने से merge होने तक आधार 7.03 दिनों की तुलना में 3.45 दिन और लगे, यानी 49% वृद्धि। यह समीक्षा प्रक्रिया का कैलेंडर समय है, किसी व्यक्ति के सक्रिय समीक्षा मिनटों का स्टॉपवॉच माप नहीं। औपचारिक बदलाव-अनुरोध पाने वाले pull request का हिस्सा 13% आधार से लगभग 12 प्रतिशत अंक बढ़ा; प्रति अनुरोध टिप्पणियाँ 1.66 आधार से 0.58 बढ़ीं, यानी 35%। एक महीने में कम-से-कम एक pull request की समीक्षा करने वाले कर्मचारियों का हिस्सा 29% आधार से लगभग चार प्रतिशत अंक बढ़ा, जो 14% की सापेक्ष वृद्धि है। असिस्टेंट के तुलनीय अनुमानों में समीक्षा अवधि, बदलाव-अनुरोध या टिप्पणियों में महत्वपूर्ण वृद्धि नहीं दिखी।

केवल इन मेटाडेटा से पत्र यह नहीं बता सकता कि समीक्षक ने बदलाव क्यों माँगे। अधिक सबमिशन सीमित समीक्षा कतार पर दबाव डाल सकते हैं; कोड गुणवत्ता या समीक्षा मानकों में बदलाव भी जाँच बढ़ा सकता है। लेखकों को pull request के औसत आकार में महत्वपूर्ण वृद्धि नहीं मिली, जिससे अतिरिक्त टिप्पणियों की एक सरल व्याख्या कमजोर होती है। उन्होंने कोड की सामग्री नहीं देखी और एजेंट द्वारा बनाए गए काम में दोषों की सीधे गिनती नहीं की। उनका दो-चरणीय उत्पादन मॉडल समझाता है कि तेज़ी से कोड लिखना और हर ड्राफ्ट के लिए आवश्यक समीक्षा में बदलाव, दोनों मिलकर पूरा हुआ आउटपुट सीमित कर सकते हैं। यह मॉडल अवलोकनों की व्याख्या है, किसी एक तंत्र को अलग करने वाला स्वतंत्र परीक्षण नहीं।

नमूने में AI समीक्षा टूल भी फैल चुके थे: मार्च 2026 तक लगभग 80% कंपनियों ने कोई टूल इस्तेमाल किया था। फिर भी पत्र 23.3% समीक्षा टिप्पणियाँ AI से जोड़ता है और 10.8% pull request पर कम-से-कम एक AI टिप्पणी पाता है। इसलिए समीक्षा टूल अपनाने का अर्थ यह नहीं कि इन कंपनियों में समीक्षा स्वचालित हो गई।

## अध्ययन का ढाँचा क्या स्थापित कर सकता है

शोधकर्ता जनवरी 2021 से मार्च 2026 तक के लगभग 30 करोड़ कार्य-घटनाओं का विश्लेषण 718 सहमति देने वाली Jellyfish ग्राहक कंपनियों में करते हैं, जिनमें 725,938 कर्मचारी शामिल हैं। वे असिस्टेंट या एजेंट अपनाने से पहले और बाद के नतीजों की तुलना उन कंपनियों के नतीजों से करते हैं जिन्होंने बाद में अपनाया या अभी तक नहीं अपनाया था; इसके लिए चरणबद्ध difference-in-differences ढाँचा इस्तेमाल किया गया। कंपनी और कैलेंडर-माह नियंत्रण कुछ स्थिर अंतरों और साझा समय-प्रवृत्तियों को ध्यान में रखते हैं। निष्कर्ष फिर भी इस बात पर निर्भर करता है कि अपनाने के बिना उन कंपनियों के रास्ते कितने तुलनीय होते। बड़ी कंपनियों ने पहले अपनाया और बिना मापे बदलाव अपनाने तथा इंजीनियरिंग काम दोनों को प्रभावित कर सकते थे। अध्ययन अवलोकन-आधारित है; इसके अनुमानों को यादृच्छिक परीक्षण या सभी सॉफ़्टवेयर टीमों के पूर्वानुमान के रूप में नहीं पढ़ना चाहिए।

रोज़गार के नतीजे पर भी यही सावधानी लागू होती है। LinkedIn से जुड़े कुल रोज़गार और Jellyfish के सक्रिय कर्मचारियों से इंजीनियरिंग रोज़गार मापते हुए, लेखक देखी गई अवधि में एजेंट अपनाने को किसी महत्वपूर्ण बदलाव का कारण नहीं बता सके। इससे यह पता नहीं चलता कि लंबे समायोजन के बाद या व्यापक श्रम बाज़ार में नियुक्तियाँ कैसी होंगी।

[BIG CHANGE की पिछली कवरेज](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) ने AI कोडिंग और भरोसेमंद डिलीवरी पर एक अलग इंजीनियरिंग विवरण की पड़ताल की थी। यह अध्ययन कई कंपनियों का दृष्टिकोण और कोडिंग गतिविधि, समीक्षा तथा हल किए गए काम के अलग माप जोड़ता है। व्यावहारिक सीख यह है कि एजेंटों का मूल्यांकन करते समय इन चरणों को साथ ट्रैक करें: तेज़ पहला ड्राफ्ट आगे की कतार में प्रतीक्षा कर रहे काम की मात्रा बदलता है, और यह पत्र अभी पूरे हुए इश्यू या परियोजनाओं में समान वृद्धि नहीं दिखाता।

## स्रोत और आगे पढ़ें

- [Fiona Chen और James Stratton, *फर्म में कृत्रिम बुद्धिमत्ता: सॉफ़्टवेयर उत्पादन की बाधाएँ*](https://fion.ac/jellyfish.pdf): मुख्य कार्य-पत्र, वर्तमान संस्करण 4 अगस्त 2026 का। तरीके, चित्र और परिशिष्ट रिपोर्ट किए गए अनुमानों और उनकी सीमाओं का समर्थन करते हैं; अंतर्निहित फर्म-स्तरीय डेटा स्वामित्व वाले और एकत्रित हैं।
- [9 अक्टूबर की Ars Technica रिपोर्ट](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): स्वतंत्र समकालीन रिपोर्ट जिसने पत्र पर ध्यान आकर्षित किया। ऊपर के संख्यात्मक और पद्धति संबंधी दावों को स्वयं पत्र से जाँचा गया।
- [AI कोडिंग और CI पर BIG CHANGE का पिछला लेख](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): एक अलग इंजीनियरिंग विवरण की संबंधित कवरेज। यह डिलीवरी के प्रश्न का संदर्भ है, इस अध्ययन की अगली कड़ी नहीं।

## Sources

- [फर्म में कृत्रिम बुद्धिमत्ता: सॉफ़्टवेयर उत्पादन की बाधाएँ](https://fion.ac/jellyfish.pdf) — हार्वर्ड का 78-पृष्ठ का मुख्य अकादमिक-नौकरी-बाज़ार कार्य-पत्र; मार्च 2026 तक की कार्य-घटनाएँ, तरीके और संख्यात्मक अनुमान। स्वामित्व वाले डेटा एकत्रित और गुमनाम किए गए हैं।
- [Ars Technica: AI कोडिंग एजेंट अधिक कोड बनाते हैं, लेकिन अधिक सॉफ़्टवेयर नहीं](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — स्वतंत्र समकालीन रिपोर्ट; खोज और संदर्भ, तथा अध्ययन के दावों को पत्र से जाँचा गया।
- [BIG CHANGE: AI कोडिंग भरोसेमंद डिलीवरी को अगली इंजीनियरिंग चुनौती बनाती है](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — AI कोडिंग और भरोसेमंद डिलीवरी पर एक अलग Linear इंजीनियरिंग विवरण के बारे में BIG CHANGE की पिछली रिपोर्टिंग।