Markdown பதிப்பு

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

# ஒரு நிறுவன ஆய்வில் AI குறியீட்டு முகவர்கள் குறியீட்டு வெளியீட்டை உயர்த்தின; நிறைவு செய்யப்பட்ட வேலை பின்தங்கியது

> 718 நிறுவனங்களில் குறியீட்டு முகவர்களை ஏற்றுக்கொண்டது அதிக குறியீட்டுடனும் நீண்ட pull request மதிப்பாய்வுடனும் தொடர்புடையது என ஹார்வர்ட் பணிக்கட்டுரை கூறுகிறது; தீர்க்கப்பட்ட வேலையில் குறிப்பிடத்தக்க உயர்வு இல்லை.

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

ஒரு [ஹார்வர்ட் பணிக்கட்டுரை](https://fion.ac/jellyfish.pdf) உற்பத்தித்திறன் குறித்த பொதுவான கூற்றைச் சோதிக்க உதவுகிறது: AI கொண்டு எழுதப்படும் கூடுதல் குறியீடு, வழங்கப்படும் கூடுதல் மென்பொருளைக் குறிக்க வேண்டும். Jellyfish பொறியியல் பகுப்பாய்வு தளத்தைப் பயன்படுத்தும் 718 நிறுவனங்களில், குறியீட்டு முகவர்களை ஏற்றுக்கொண்டதைத் தொடர்ந்து ஒவ்வொரு செயலில் உள்ள பணியாளருக்குமான குறியீட்டு வரிகள் 30%, commit-கள் 20%, pull request-கள் 23% அதிகரித்ததாக Fiona Chen மற்றும் James Stratton மதிப்பிடுகின்றனர். நிறைவு செய்யப்பட்ட Jira சிக்கல்கள் மற்றும் எபிக்குகளுக்கான அவர்களின் அளவீடுகளில் புள்ளியியல் ரீதியாக குறிப்பிடத்தக்க உயர்வு இல்லை. கட்டுரையின் தற்போதைய பதிப்பு 2026 ஆகஸ்ட் 4 தேதியிட்டது; வேலை நிகழ்வு தரவு 2026 மார்ச்சில் முடிகிறது.

இந்த வேறுபாடு பொறியியல் தலைவர்களுக்கு முக்கியம்; ஏனெனில் pull request மதிப்பாய்வு, சோதனை, சாத்தியமான திருத்தம் ஆகியவற்றுக்கான வரிசையில் சேர்கிறது. அதே ஆய்வில், முகவர்களை ஏற்றுக்கொண்ட பிறகு pull request சமர்ப்பிப்பதிலிருந்து merge ஆகும் வரை சென்ற நேரம் 49% அதிகரித்ததாக மதிப்பிடப்பட்டது. மாற்றக் கோரிக்கைகள் அதிகம் நிகழ்ந்தன; ஒவ்வொரு pull request-க்குமான கருத்துகளும் அதிகரித்தன. இவை மதிப்பாய்வுப் பணி அதிகரித்ததைக் குறிக்கின்றன; ஆனால் முகவர் எழுதிய ஒவ்வொரு மாற்றமும் மோசமானது என்றோ அளவிடப்பட்ட குறைபாட்டு விகிதம் உள்ளது என்றோ காட்டவில்லை.

## பெரிய மாற்றம்

- **என்ன மாறியது:** நிறுவன அளவிலான இந்த ஆய்வில், குறியீட்டு முகவர்களை ஏற்றுக்கொண்டது குறியீட்டுச் செயல்பாட்டின் கணிசமான உயர்வுடனும் அதிகக் கோரிக்கையுள்ள pull request மதிப்பாய்வுடனும் இணைந்தது; தீர்க்கப்பட்ட சிக்கல்கள் அல்லது எபிக்குகளில் புள்ளியியல் ரீதியாக குறிப்பிடத்தக்க உயர்வு இல்லை.
- **இது ஏன் முக்கியம்:** வரிகள், commit-கள், pull request-கள் ஆகியவை உற்பத்திச் செயல்முறைக்குள் நுழையும் வேலையை அளவிடுகின்றன. தீர்க்கப்பட்ட வேலை என்பது பிந்தைய அளவீடு. குறியீட்டு அளவை மட்டும் வைத்து முகவர்களை மதிப்பிடும் குழு, மதிப்பாய்வுக்கு வரும் கூடுதல் சுமையைத் தவறவிடலாம்.
- **எதைக் கவனிக்க வேண்டும்:** நிறுவனங்கள் மதிப்பாய்வுத் திறனை அதிகரிக்க முடியுமா, பின்னர் வரும் தரவு நிறைவு செய்யப்பட்ட வேலையில் உயர்வைக் காட்டுமா என்பதைக் கவனிக்க வேண்டும். இந்தப் பணிக்கட்டுரை 2026 மார்ச் வரை தொடக்ககால ஏற்றுக்கொள்ளலைப் பின்தொடர்கிறது; நீண்டகால விளைவுகளைத் தீர்மானிக்க முடியாது.

## உதவியாளர்களும் முகவர்களும் வெவ்வேறு மதிப்பீடுகளை அளித்தன

ஆசிரியர்கள் *உதவியாளர்களை* வேறுபடுத்துகின்றனர்; இவை உருவாக்குநர் பணியாற்றும்போது குறியீட்டுப் பரிந்துரைகளை வழங்குகின்றன. மேலும், *முகவர்களை* வேறுபடுத்துகின்றனர்; இவை உயர்நிலைப் பணியை ஏற்று, உருவாக்குநர் முடிவை ஒப்புதல் அளிப்பதற்கு முன் பல படிகளைச் செய்யக்கூடும். GitHub Copilot மற்றும் Cursor வணிக உரிமங்கள் செயல்படுத்தப்படுவதை வைத்து உதவியாளர் பயன்பாட்டை அளவிடுகின்றனர். முகவர்களுக்கு, Claude Code பயன்பாட்டுத் தரவை bot கணக்குகள், commit அல்லது pull request-களில் உள்ள கருவி கையொப்பங்கள் போன்ற அறிகுறிகளுடன் இணைக்கின்றனர். சில தனிப்பட்ட பயன்பாடுகள் அல்லது ஒருங்கிணைக்கப்படாத கருவிகள் இந்த அளவீடுகளில் இருந்து விடுபடலாம். முகவர் மதிப்பீடு என்பது முந்தைய உதவியாளர் ஏற்றுக்கொள்ளல் காலத்துடன் ஒப்பிடும்போது முகவர் ஏற்றுக்கொள்ளலைச் சுற்றியுள்ள கூடுதல் தொடர்பைக் குறிக்கிறது; முகவரைப் பயன்படுத்தும் ஒவ்வொருவருக்குமான மதிப்பீடு அல்ல.

உதவியாளர்களுக்கான முடிவுகள் குறைவாக இருந்தன: வரிகளில் 12%, commit-களில் 9%, pull request-களில் 5% என மதிப்பிடப்பட்ட உயர்வு. கட்டுரையின் முதன்மை மதிப்பீடுகளில் commit முடிவு மட்டுமே புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கது. முகவர் ஏற்றுக்கொள்ளல் குறியீட்டுச் செயல்பாட்டின் மூன்று அளவீடுகளிலும் குறிப்பிடத்தக்க உயர்வைக் காட்டியது. Commit ஒரு குறியீட்டு புதுப்பிப்பைப் பதிவு செய்கிறது; pull request ஒரு மாற்றத்தை மதிப்பாய்வுக்குச் சமர்ப்பிக்கிறது. இவற்றில் எதுவும் ஒரு அம்சம் பயனர்களைச் சென்றடைந்ததை நிரூபிக்காது. மதிப்பாய்வு, சோதனை, வெளியீடு ஆகியவற்றுக்குப் பிறகு வேலை முடிந்ததாகக் குழுக்கள் குறிக்கும் பதிவுசெய்யப்பட்ட பணிச்சூழலை அடிப்படையாகக் கொண்டு, பிந்தைய கட்ட வெளியீட்டு அளவீடுகளாக நிறைவு செய்யப்பட்ட Jira சிக்கல்களையும் பெரிய எபிக்குகளையும் கட்டுரை பயன்படுத்துகிறது. Jira நிலை என்பது விநியோகத்திற்கான பிரதிநிதி அளவீடு; பயனர்கள் பெற்றதைத் தனியாக அளப்பது அல்ல.

முகவர்களுக்கு, தீர்க்கப்பட்ட சிக்கல்களின் மதிப்பிடப்பட்ட உயர்வு ஒரு பணியாளர்-மாதத்திற்கு 0.12; அடிப்படை அளவு 3.67, நிலையான பிழை 0.17. இந்த முடிவு புள்ளியியல் ரீதியாக பூஜ்ஜியத்திலிருந்து வேறுபடவில்லை. எபிக் நிறைவிலும் குறிப்பிடத்தக்க மாற்றம் இல்லை. ஆய்வு செய்யப்பட்ட காலத்தில் சிக்கல் நிறைவு உயர்வு அடிப்படை சராசரியின் 12%-ஐத் தாண்டுவதை அவர்களின் நம்பக இடைவெளி விலக்குவதாக ஆசிரியர்கள் தெரிவிக்கின்றனர். முகவர்கள் பயனுள்ள மென்பொருள் எதையும் உருவாக்குவதில்லை என்பதைக் காட்டிலும் இது குறுகிய முடிவு: மிதமான உயர்வுகள் சாத்தியம்; சிக்கல் எண்ணிக்கை மதிப்பு அல்லது தரத்தில் ஏற்படும் ஒவ்வொரு மாற்றத்தையும் பிடிக்காது. கணிக்கப்பட்ட பணிநீள அளவீடுகளைப் பயன்படுத்தி சிக்கல் அளவு மாறியதா என ஆசிரியர்கள் சோதித்தனர்; மாதிரியில் அத்தகைய மாற்றத்திற்கான சான்று கிடைக்கவில்லை.

## மதிப்பாய்வாளர்களை அதிக வேலை சென்றடைந்தது

மதிப்பாய்வு அளவீடுகள் வெளியீட்டு இடைவெளிக்கான சாத்தியமான வழிமுறையைக் காட்டுகின்றன. முகவர் ஏற்றுக்கொள்ளலுக்குப் பிறகு pull request சமர்ப்பிப்பதிலிருந்து merge ஆகும் வரை 7.03 நாள் அடிப்படை அளவுடன் ஒப்பிடுகையில் 3.45 கூடுதல் நாட்கள் என கட்டுரை மதிப்பிடுகிறது; இது 49% உயர்வு. இது மதிப்பாய்வு செயல்முறையின் நாட்காட்டி நேரம்; ஒருவர் செயலில் மதிப்பாய்வு செய்த நிமிடங்களை stopwatch மூலம் அளப்பது அல்ல. முறையான மாற்றக் கோரிக்கை பெற்ற pull request-களின் பங்கு 13% அடிப்படையிலிருந்து சுமார் 12 சதவீதப் புள்ளிகள் உயர்ந்தது; ஒரு கோரிக்கைக்கான கருத்துகள் 1.66 அடிப்படையிலிருந்து 0.58 உயர்ந்து 35% ஆனது. ஒரு மாதத்தில் குறைந்தது ஒரு pull request-ஐ மதிப்பாய்வு செய்த பணியாளர்களின் பங்கு 29% அடிப்படையிலிருந்து சுமார் நான்கு சதவீதப் புள்ளிகள் உயர்ந்தது; இது ஒப்பீட்டளவில் 14% உயர்வு. உதவியாளர்களுக்கான ஒப்பிடத்தக்க மதிப்பீடுகளில் மதிப்பாய்வு காலம், மாற்றக் கோரிக்கைகள் அல்லது கருத்துகள் குறிப்பிடத்தக்க அளவு உயரவில்லை.

இந்த metadata மட்டும் கொண்டு மதிப்பாய்வாளர் ஏன் மாற்றம் கேட்டார் என்பதை கட்டுரை அறிய முடியாது. கூடுதல் சமர்ப்பிப்புகள் நிலையான மதிப்பாய்வு வரிசையில் சுமையை ஏற்படுத்தலாம்; குறியீட்டுத் தரம் அல்லது மதிப்பாய்வு தரநிலைகளில் மாற்றமும் கூடுதல் ஆய்வை ஏற்படுத்தலாம். pull request-களின் சராசரி அளவில் குறிப்பிடத்தக்க உயர்வை ஆசிரியர்கள் காணவில்லை; இது கூடுதல் கருத்துகளுக்கான ஒரு எளிய விளக்கத்தைத் தளர்த்துகிறது. குறியீட்டு உள்ளடக்கத்தை அவர்கள் ஆய்வு செய்யவில்லை; முகவர் உருவாக்கிய வேலையில் உள்ள குறைபாடுகளையும் நேரடியாக எண்ணவில்லை. ஒவ்வொரு வரைவு குறியீட்டையும் வேகமாக எழுதுவதும் அதற்குத் தேவையான மதிப்பாய்வை மாற்றுவதும் இணைந்து நிறைவு செய்யப்பட்ட வெளியீட்டைக் கட்டுப்படுத்தலாம் என்பதை அவர்களின் இரு-கட்ட உற்பத்தி மாதிரி விளக்குகிறது. இந்த மாதிரி அவதானிப்புகளுக்கான விளக்கம்; இரு வழிமுறைகளில் ஒன்றைத் தனியே சோதிக்கும் ஆய்வு அல்ல.

AI மதிப்பாய்வுக் கருவிகளும் மாதிரியில் பரவியிருந்தன: 2026 மார்ச்சுக்குள் கிட்டத்தட்ட 80% நிறுவனங்கள் ஒன்றைப் பயன்படுத்தியிருந்தன. இருப்பினும், மதிப்பாய்வுக் கருத்துகளில் 23.3%-ஐ AI-க்கு கட்டுரை ஒதுக்குகிறது; 10.8% pull request-களில் குறைந்தது ஒரு AI கருத்தைக் கண்டறிகிறது. எனவே மதிப்பாய்வுக் கருவியை ஏற்றுக்கொண்டது, இந்த நிறுவனங்களில் மதிப்பாய்வு தானியக்கமாகிவிட்டது என்று பொருளல்ல.

## ஆய்வு வடிவமைப்பு எதை நிறுவ முடியும்

ஆராய்ச்சியாளர்கள் 2021 ஜனவரி முதல் 2026 மார்ச் வரை 718 ஒப்புதல் அளித்த Jellyfish வாடிக்கையாளர் நிறுவனங்களில் சுமார் 300 மில்லியன் வேலை நிகழ்வுகளை ஆய்வு செய்கின்றனர்; இதில் 725,938 பணியாளர்கள் உள்ளனர். உதவியாளர்கள் அல்லது முகவர்களை ஏற்றுக்கொள்வதற்கு முன் மற்றும் பின் உள்ள முடிவுகளை, பின்னர் ஏற்றுக்கொண்ட அல்லது இன்னும் ஏற்றுக்கொள்ளாத நிறுவனங்களின் முடிவுகளுடன் ஒப்பிடுகின்றனர்; இதற்கு படிப்படியான difference-in-differences வடிவமைப்பைப் பயன்படுத்துகின்றனர். நிறுவனம் மற்றும் நாட்காட்டி மாதக் கட்டுப்பாடுகள் சில நிலையான வேறுபாடுகளையும் பொதுவான காலப் போக்குகளையும் கணக்கில் கொள்கின்றன. ஏற்றுக்கொள்ளல் இல்லாமல் அந்த நிறுவனங்களின் பாதைகள் எவ்வளவு ஒத்திருந்திருக்கும் என்பதையே முடிவு இன்னும் சார்ந்துள்ளது. பெரிய நிறுவனங்கள் முதலில் ஏற்றுக்கொண்டன; அளவிடப்படாத மாற்றங்கள் ஏற்றுக்கொள்ளலையும் பொறியியல் வேலையையும் பாதித்திருக்கலாம். இது அவதானிப்பு ஆய்வு; மதிப்பீடுகளை சீர்முறைச் சோதனையாகவோ அனைத்து மென்பொருள் குழுக்களுக்குமான முன்னறிவிப்பாகவோ கருதக்கூடாது.

வேலைவாய்ப்பு முடிவிலும் அதே எச்சரிக்கை தேவை. LinkedIn உடன் இணைக்கப்பட்ட மொத்த வேலைவாய்ப்பையும், பொறியியல் வேலைவாய்ப்புக்கான Jellyfish செயலில் உள்ள பணியாளர்களையும் பயன்படுத்தி, கண்காணிக்கப்பட்ட காலத்தில் முகவர் ஏற்றுக்கொள்ளலுக்கு குறிப்பிடத்தக்க மாற்றத்தை ஆசிரியர்களால் ஒதுக்கிக் கூற முடியவில்லை. நீண்ட காலச் சரிசெய்தலுக்குப் பிறகு அல்லது பரந்த தொழிலாளர் சந்தையில் பணியமர்த்தல் எப்படியிருக்கும் என்பதை இது காட்டாது.

[BIG CHANGE-ன் முந்தைய செய்தியளிப்பு](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) AI குறியீட்டாக்கம் மற்றும் நம்பகமான விநியோகம் குறித்த தனி பொறியியல் விவரத்தை ஆய்வு செய்தது. இந்த ஆய்வு பல நிறுவனங்களின் பார்வையையும் குறியீட்டுச் செயல்பாடு, மதிப்பாய்வு, தீர்க்கப்பட்ட வேலை ஆகியவற்றுக்கான தனித்த அளவீடுகளையும் சேர்க்கிறது. முகவர்களை மதிப்பிடும்போது இந்தக் கட்டங்களையும் ஒன்றாகக் கண்காணிப்பதே நடைமுறைப் பாடம்: வேகமான முதல் வரைவு அடுத்த கட்டங்களில் காத்திருக்கும் வேலையின் அளவை மாற்றுகிறது; நிறைவு செய்யப்பட்ட சிக்கல்கள் அல்லது திட்டங்களில் அதற்கேற்ற உயர்வை இந்தக் கட்டுரை இன்னும் காட்டவில்லை.

## ஆதாரங்கள் மற்றும் மேலும் வாசிக்க

- [Fiona Chen மற்றும் James Stratton, *நிறுவனத்தில் செயற்கை நுண்ணறிவு: மென்பொருள் உற்பத்தியின் இடையூறுகள்*](https://fion.ac/jellyfish.pdf): முதன்மைப் பணிக்கட்டுரை; தற்போதைய பதிப்பு 2026 ஆகஸ்ட் 4 தேதியிட்டது. முறைகள், படங்கள், இணைப்புகள் ஆகியவை தெரிவிக்கப்பட்ட மதிப்பீடுகளையும் அவற்றின் வரம்புகளையும் ஆதரிக்கின்றன; அடிப்படை நிறுவனத் தரவு தனியுரிமையானதும் ஒருங்கிணைக்கப்பட்டதுமாகும்.
- [அக்டோபர் 9 Ars Technica செய்தி](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): இந்தக் கட்டுரையின் மீது கவனம் ஈர்த்த சுயாதீனமான சமகாலச் செய்தி. மேலுள்ள எண்ணியல் மற்றும் முறைசார் கூற்றுகள் அசல் கட்டுரையுடன் சரிபார்க்கப்பட்டன.
- [AI குறியீட்டாக்கம் மற்றும் CI குறித்த BIG CHANGE-ன் முந்தைய கட்டுரை](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): தனி பொறியியல் விவரத்தைப் பற்றிய தொடர்புடைய செய்தி. விநியோகக் கேள்விக்கான சூழலை இது தருகிறது; இந்த ஆய்வின் தொடர்ச்சி அல்ல.

## Sources

- [நிறுவனத்தில் செயற்கை நுண்ணறிவு: மென்பொருள் உற்பத்தியின் இடையூறுகள்](https://fion.ac/jellyfish.pdf) — ஹார்வர்டின் 78 பக்க முதன்மை வேலைவாய்ப்புச் சந்தை பணிக்கட்டுரை; 2026 மார்ச் வரையிலான வேலை நிகழ்வுகள், முறைகள் மற்றும் எண்ணியல் மதிப்பீடுகள். தனியுரிமைத் தரவு ஒருங்கிணைக்கப்பட்டு அடையாளம் நீக்கப்பட்டவை.
- [Ars Technica: AI குறியீட்டு முகவர்கள் அதிக குறியீட்டை உருவாக்குகின்றன, ஆனால் அதிக மென்பொருளை அல்ல](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — சுயாதீன சமகாலச் செய்தி; ஆய்வின் கூற்றுகள் அசல் கட்டுரையுடன் சரிபார்க்கப்பட்ட நிலையில், கண்டறிதலும் சூழலும் வழங்கப்படுகின்றன.
- [BIG CHANGE: AI குறியீட்டாக்கம் நம்பகமான விநியோகத்தை அடுத்த பொறியியல் சவாலாக்குகிறது](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — AI குறியீட்டாக்கம் மற்றும் நம்பகமான விநியோகம் பற்றிய தனி Linear பொறியியல் விவரத்தைச் சார்ந்த BIG CHANGE-ன் முந்தைய செய்தியளிப்பு.