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

# కంపెనీలపై అధ్యయనంలో AI కోడింగ్ ఏజెంట్లతో కోడ్ ఉత్పత్తి పెరిగింది, కానీ పూర్తయిన పని అంతగా పెరగలేదు

> 718 కంపెనీల్లో కోడింగ్ ఏజెంట్ల స్వీకరణ ఎక్కువ కోడ్, ఎక్కువ సమయం పట్టే పుల్ రిక్వెస్ట్ సమీక్షతో సంబంధం ఉందని హార్వర్డ్ వర్కింగ్ పేపర్ తెలిపింది; పరిష్కరించిన పనిలో గణనీయమైన పెరుగుదల కనిపించలేదు.

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

ఒక [హార్వర్డ్ వర్కింగ్ పేపర్](https://fion.ac/jellyfish.pdf) సాధారణంగా వినిపించే ఉత్పాదకత వాదనను పరిశీలించేందుకు ఉపయోగకరమైన ఆధారాన్ని అందిస్తుంది: AIతో ఎక్కువ కోడ్ రాస్తే ఎక్కువ సాఫ్ట్‌వేర్ అందించాలి. Jellyfish ఇంజినీరింగ్ అనలిటిక్స్ ప్లాట్‌ఫారమ్‌ను ఉపయోగించే 718 కంపెనీల్లో, కోడింగ్ ఏజెంట్ల స్వీకరణ తర్వాత ప్రతి క్రియాశీల ఉద్యోగికి కోడ్ లైన్లు 30%, కమిట్‌లు 20%, పుల్ రిక్వెస్ట్‌లు 23% పెరిగాయని Fiona Chen, James Stratton అంచనా వేశారు. వారు కొలిచిన పూర్తయిన Jira ఇష్యూలు, ఎపిక్‌లలో గణాంకపరంగా గణనీయమైన పెరుగుదల కనిపించలేదు. పేపర్ ప్రస్తుత సంచిక తేదీ ఆగస్టు 4, 2026; పని సంఘటనల డేటా మార్చి 2026తో ముగుస్తుంది.

ఈ వ్యత్యాసం ఇంజినీరింగ్ నాయకులకు ముఖ్యం, ఎందుకంటే పుల్ రిక్వెస్ట్ సమీక్ష, పరీక్ష, సంభావ్య మార్పుల కోసం ఒక క్యూలోకి వెళ్తుంది. అదే అధ్యయనంలో ఏజెంట్ల స్వీకరణ తర్వాత పుల్ రిక్వెస్ట్ సమర్పణ నుంచి విలీనం వరకు గడిచిన సమయం 49% పెరిగిందని అంచనా వేశారు. మార్పుల అభ్యర్థనలు ఎక్కువయ్యాయి; ఒక్కో పుల్ రిక్వెస్ట్‌కు వ్యాఖ్యలు కూడా పెరిగాయి. ఈ ఫలితాలు సమీక్ష పని భారమైందని సూచిస్తాయి; అయితే ఏజెంట్ రాసిన ప్రతి మార్పు నాణ్యతలేనిదని చూపవు లేదా లోపాల రేటును కొలవవు.

## ప్రధాన మార్పు

- **ఏం మారింది:**ఈ కంపెనీ-స్థాయి అధ్యయనంలో కోడింగ్ ఏజెంట్ల స్వీకరణతో కోడింగ్ కార్యకలాపాలు గణనీయంగా పెరిగాయి, పుల్ రిక్వెస్ట్ సమీక్ష మరింత కఠినమైంది; అయినా పరిష్కరించిన ఇష్యూలు లేదా ఎపిక్‌లు గణాంకపరంగా గణనీయంగా పెరగలేదు.
- **ఇది ఎందుకు ముఖ్యం:**కోడ్ లైన్లు, కమిట్‌లు, పుల్ రిక్వెస్ట్‌లు ఉత్పత్తి ప్రక్రియలోకి వచ్చే పనిని కొలుస్తాయి. పరిష్కరించిన పని తదుపరి దశను కొలుస్తుంది. కోడ్ పరిమాణం ఆధారంగా మాత్రమే ఏజెంట్లను అంచనా వేసే బృందం సమీక్షకు వచ్చే భారాన్ని గుర్తించకపోవచ్చు.
- **ఏమి గమనించాలి:**కంపెనీలు సమీక్ష సామర్థ్యాన్ని పెంచగలవా, తదుపరి డేటాలో పూర్తయిన పని పెరిగినట్లు కనిపిస్తుందా అన్నది చూడాలి. ఈ వర్కింగ్ పేపర్ మార్చి 2026 వరకు ప్రారంభ స్వీకరణను పరిశీలిస్తుంది; దీర్ఘకాల ప్రభావాలపై తుది నిర్ణయం ఇవ్వదు.

## అసిస్టెంట్లు, ఏజెంట్లు వేర్వేరు అంచనాలను ఇచ్చాయి

రచయితలు *అసిస్టెంట్లను*వేరు చేస్తారు. డెవలపర్ పనిచేస్తున్నప్పుడు అవి కోడ్ సూచనలతో స్పందిస్తాయి; *ఏజెంట్లు*అధిక-స్థాయి పనిని తీసుకుని, డెవలపర్ ఫలితాన్ని ఆమోదించే ముందు పలు దశలను పూర్తి చేయగలవు. GitHub Copilot, Cursor వ్యాపార లైసెన్స్‌ల క్రియాశీలత ద్వారా అసిస్టెంట్ స్వీకరణను కొలిచారు. ఏజెంట్ల కోసం Claude Code వినియోగ డేటాతో పాటు కమిట్‌లు లేదా పుల్ రిక్వెస్ట్‌లలోని బాట్ ఖాతాలు, టూల్ సంతకాల వంటి సంకేతాలను కలిపారు. వ్యక్తిగత వినియోగం లేదా అనుసంధానం కాని కొన్ని సాధనాలు ఈ కొలతలకు చిక్కకపోవచ్చు. ఏజెంట్ అంచనా అనేది మునుపటి అసిస్టెంట్-స్వీకరణ కాలంతో పోలిస్తే ఏజెంట్ స్వీకరణకు సంబంధించిన అదనపు అనుబంధం; ఏజెంట్ ఉపయోగించే ప్రతి వ్యక్తికి వర్తించే అంచనా కాదు.

అసిస్టెంట్ల ఫలితాలు తక్కువగా ఉన్నాయి: కోడ్ లైన్లలో 12%, కమిట్‌లలో 9%, పుల్ రిక్వెస్ట్‌లలో 5% పెరుగుదలగా అంచనా వేశారు. పేపర్ ప్రధాన అంచనాల్లో కమిట్ ఫలితం మాత్రమే గణాంకపరంగా గణనీయమైనది. ఏజెంట్ స్వీకరణ మూడు కోడింగ్-కార్యకలాప కొలతల్లోనూ గణనీయమైన పెరుగుదలను చూపింది. కమిట్ కోడ్ నవీకరణను నమోదు చేస్తుంది; పుల్ రిక్వెస్ట్ మార్పును సమీక్షకు సమర్పిస్తుంది. వీటిలో ఏదీ ఫీచర్ వినియోగదారుల వద్దకు చేరిందని నిరూపించదు. సమీక్ష, పరీక్ష, డిప్లాయ్‌మెంట్ తర్వాత బృందాలు పనిని పూర్తిగా గుర్తించే ట్రాక్ చేసిన ప్రక్రియ ఆధారంగా, పూర్తయిన Jira ఇష్యూలు మరియు పెద్ద ఎపిక్‌లను తదుపరి దశ ఉత్పత్తి కొలతలుగా పేపర్ ఉపయోగిస్తుంది. వినియోగదారులు వాస్తవంగా ఏమి పొందారో స్వతంత్రంగా కొలవకుండా Jira స్థితి డెలివరీకి ప్రతినిధి కొలతగానే ఉంటుంది.

ఏజెంట్లకు, పరిష్కరించిన ఇష్యూల పెరుగుదల ప్రతి ఉద్యోగి-నెలకు 0.12గా అంచనా; ప్రాథమిక స్థాయి 3.67, ప్రమాణ దోషం 0.17. ఈ ఫలితం గణాంకపరంగా సున్నా నుంచి వేరుగా గుర్తించలేము. ఎపిక్ పూర్తిచేయడంలోనూ గణనీయమైన మార్పు లేదు. అధ్యయన కాలంలో ఇష్యూ-పూర్తి పెరుగుదల ప్రాథమిక సగటులో 12% మించడాన్ని తమ విశ్వాస అంతరం తోసిపుచ్చుతుందని రచయితలు చెబుతున్నారు. ఏజెంట్లు ఉపయోగకరమైన సాఫ్ట్‌వేర్‌ను అసలు ఉత్పత్తి చేయవు అనడంకంటే ఇది పరిమితమైన నిర్ధారణ: స్వల్ప లాభాలు సాధ్యమే; ఇష్యూల సంఖ్య విలువ లేదా నాణ్యతలోని ప్రతి మార్పును పట్టుకోదు. అంచనా వేసిన పని-వ్యవధి కొలతలతో ఇష్యూ పరిమాణం మారిందా అని రచయితలు పరీక్షించగా, నమూనాలో అలాంటి మార్పుకు ఆధారం కనిపించలేదు.

## సమీక్షకుల వద్దకు మరింత పని చేరింది

ఉత్పత్తి వ్యత్యాసానికి సమీక్ష కొలతలు ఒక సంభావ్య కారణాన్ని చూపుతాయి. ఏజెంట్ స్వీకరణ తర్వాత పుల్ రిక్వెస్ట్ సమర్పణ నుంచి విలీనం వరకు 3.45 రోజులు అదనంగా పట్టిందని, ప్రాథమిక 7.03 రోజులపై ఇది 49% పెరుగుదలని పేపర్ అంచనా వేస్తుంది. ఇది సమీక్ష ప్రక్రియలోని క్యాలెండర్ సమయం; ఒక వ్యక్తి చురుకుగా సమీక్షించిన నిమిషాలను స్టాప్‌వాచ్‌తో కొలిచినది కాదు. అధికారిక మార్పు అభ్యర్థన అందుకున్న పుల్ రిక్వెస్ట్‌ల వాటా 13% ప్రాథమిక స్థాయి నుంచి సుమారు 12 శాతం పాయింట్లు పెరిగింది. ఒక్కో అభ్యర్థనకు వ్యాఖ్యలు 1.66 నుంచి 0.58 పెరిగి, అంటే 35% పెరుగుదల వచ్చింది. నెలలో కనీసం ఒక పుల్ రిక్వెస్ట్‌ను సమీక్షించిన ఉద్యోగుల వాటా 29% నుంచి సుమారు నాలుగు శాతం పాయింట్లు పెరిగింది; సాపేక్షంగా 14% పెరుగుదల. పోల్చదగిన అసిస్టెంట్ అంచనాల్లో సమీక్ష వ్యవధి, మార్పు అభ్యర్థనలు లేదా వ్యాఖ్యలు గణనీయంగా పెరగలేదు.

ఈ మెటాడేటా ఒక్కటితో సమీక్షకుడు మార్పులు ఎందుకు అడిగాడో పేపర్ చెప్పలేడు. ఎక్కువ సమర్పణలు స్థిర సామర్థ్యం గల సమీక్ష క్యూకు ఒత్తిడి కలిగించవచ్చు; కోడ్ నాణ్యత లేదా సమీక్ష ప్రమాణాల్లో మార్పు కూడా మరింత పరిశీలనకు దారితీయవచ్చు. సగటు పుల్ రిక్వెస్ట్ పరిమాణం గణనీయంగా పెరిగినట్లు రచయితలు కనుగొనలేదు; ఇది అదనపు వ్యాఖ్యలకు ఒక సరళమైన వివరణను బలహీనపరుస్తుంది. వారు కోడ్ విషయాన్ని పరిశీలించలేదు లేదా ఏజెంట్ రూపొందించిన పనిలో లోపాలను నేరుగా లెక్కించలేదు. రెండు-దశల ఉత్పత్తి నమూనా ప్రకారం కోడ్‌ను వేగంగా రాయడం, ఒక్కో డ్రాఫ్ట్‌కు అవసరమైన సమీక్ష మారడం కలిసి పూర్తయిన ఉత్పత్తిని ఎలా పరిమితం చేయవచ్చో వివరిస్తుంది. ఈ నమూనా పరిశీలనలకు ఇచ్చిన అర్థం; ఏ యంత్రాంగాన్నైనా విడిగా నిర్ధారించే ప్రత్యేక పరీక్ష కాదు.

నమూనాలో AI సమీక్ష సాధనాలు కూడా విస్తరించాయి: మార్చి 2026 నాటికి దాదాపు 80% కంపెనీలు వాటిలో ఒకదాన్ని ఉపయోగించాయి. అయినప్పటికీ సమీక్ష వ్యాఖ్యల్లో 23.3% AIకి చెందుతాయని, 10.8% పుల్ రిక్వెస్ట్‌లలో కనీసం ఒక AI వ్యాఖ్య ఉందని పేపర్ తెలిపింది. కాబట్టి సమీక్ష సాధనం స్వీకరించారని ఈ కంపెనీల్లో సమీక్ష ఆటోమేటిక్ అయిందని అర్థం కాదు.

## ఈ రూపకల్పన ఏమి నిర్ధారించగలదు

పరిశోధకులు అంగీకరించిన 718 Jellyfish కస్టమర్ కంపెనీల్లో జనవరి 2021 నుంచి మార్చి 2026 వరకు సుమారు 300 మిలియన్ పని సంఘటనలను విశ్లేషించారు; ఇందులో 725,938 మంది ఉద్యోగులు ఉన్నారు. దశలవారీ difference-in-differences రూపకల్పనతో అసిస్టెంట్లు లేదా ఏజెంట్లను స్వీకరించిన కంపెనీల ముందు-తర్వాత ఫలితాలను, ఆలస్యంగా స్వీకరించిన లేదా ఇంకా స్వీకరించని కంపెనీలతో పోల్చారు. కంపెనీ, క్యాలెండర్-నెల నియంత్రణలు కొన్ని స్థిర వ్యత్యాసాలు, ఉమ్మడి కాల ధోరణులను పరిగణనలోకి తీసుకుంటాయి. స్వీకరణ లేకపోతే ఆ కంపెనీల పథాలు ఎంత పోలి ఉండేవన్నదానిపై నిర్ధారణ ఆధారపడుతుంది. పెద్ద కంపెనీలు ముందుగా స్వీకరించాయి; కొలవని మార్పులు స్వీకరణతో పాటు ఇంజినీరింగ్ పనినీ ప్రభావితం చేసి ఉండవచ్చు. ఇది పరిశీలనా అధ్యయనం; అంచనాలను యాదృచ్ఛిక పరీక్షగా లేదా అన్ని సాఫ్ట్‌వేర్ బృందాలకు ముందస్తు అంచనాగా చూడకూడదు.

ఉద్యోగ ఫలితానికీ ఇదే జాగ్రత్త అవసరం. LinkedIn‌తో అనుసంధానమైన మొత్తం ఉద్యోగితను, ఇంజినీరింగ్ ఉద్యోగిత కోసం Jellyfishలోని క్రియాశీల ఉద్యోగులను ఉపయోగించిన రచయితలు, పరిశీలించిన కాలంలో ఏజెంట్ స్వీకరణకు గణనీయమైన మార్పును ఆపాదించలేకపోయారు. ఎక్కువ కాలం సర్దుబాటు తర్వాత లేదా విస్తృత కార్మిక మార్కెట్‌లో నియామకాలు ఎలా ఉంటాయో ఇది చూపదు.

[BIG CHANGE గత కవరేజ్](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) AI కోడింగ్, నమ్మదగిన డెలివరీపై వేరొక ఇంజినీరింగ్ ఉదాహరణను పరిశీలించింది. ఈ అధ్యయనం పలు కంపెనీల దృక్కోణాన్ని, కోడింగ్ కార్యకలాపం, సమీక్ష, పరిష్కరించిన పని కోసం వేర్వేరు కొలతలను జోడిస్తుంది. ఏజెంట్లను అంచనా వేస్తూ ఈ దశలను కలిపి ట్రాక్ చేయాలన్నది ఆచరణాత్మక పాఠం: వేగమైన తొలి డ్రాఫ్ట్ దిగువ దశల్లో ఎదురుచూస్తున్న పని పరిమాణాన్ని మారుస్తుంది; పూర్తయిన ఇష్యూలు లేదా ప్రాజెక్టులు కూడా అదే స్థాయిలో పెరిగాయని ఈ పేపర్ ఇంకా చూపలేదు.

## మూలాలు మరియు మరింత చదవడానికి

- [Fiona Chen మరియు James Stratton, *Artificial Intelligence in the Firm: Bottlenecks in Software Production*](https://fion.ac/jellyfish.pdf): ప్రధాన వర్కింగ్ పేపర్; ప్రస్తుత సంచిక ఆగస్టు 4, 2026 తేదీతో ఉంది. పద్ధతులు, బొమ్మలు, అనుబంధాలు నివేదించిన అంచనాలు మరియు వాటి పరిమితులకు ఆధారమిస్తాయి; కంపెనీ-స్థాయి మూల డేటా యాజమాన్యానికి చెందినది, సమగ్రపరచబడింది.
- [అక్టోబర్ 9న Ars Technica నివేదిక](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): పేపర్‌పై దృష్టి తీసుకొచ్చిన సమకాలీన స్వతంత్ర కథనం. పైనున్న సంఖ్యాపరమైన, పద్ధతివిషయక వాదనలను పేపర్‌తోనే ధృవీకరించారు.
- [AI కోడింగ్, CIపై BIG CHANGE గత కథనం](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): వేరొక ఇంజినీరింగ్ ఉదాహరణకు సంబంధించిన కవరేజ్. డెలివరీ ప్రశ్నకు సందర్భం ఇస్తుంది; ఈ అధ్యయనానికి కొనసాగింపు కాదు.

## Sources

- [Artificial Intelligence in the Firm: Bottlenecks in Software Production](https://fion.ac/jellyfish.pdf) — హార్వర్డ్‌కు చెందిన 78 పేజీల జాబ్-మార్కెట్ వర్కింగ్ పేపర్; మార్చి 2026 వరకు పని సంఘటనలు, పద్ధతులు, సంఖ్యాపరమైన అంచనాలు. యాజమాన్య డేటా సమగ్రపరచి, అనామకీకరించారు.
- [Ars Technica: AI కోడింగ్ ఏజెంట్లు ఎక్కువ కోడ్ సృష్టిస్తాయి, కానీ ఎక్కువ సాఫ్ట్‌వేర్ కాదు](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — సమకాలీన స్వతంత్ర నివేదిక; అధ్యయన వాదనలను పేపర్‌తో ధృవీకరించిన వార్తా నేపథ్యం.
- [BIG CHANGE: AI కోడింగ్ వల్ల నమ్మదగిన డెలివరీ తదుపరి ఇంజినీరింగ్ సవాలుగా మారింది](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — AI కోడింగ్, నమ్మదగిన డెలివరీపై వేరొక Linear ఇంజినీరింగ్ ఉదాహరణ గురించి BIG CHANGE గతంలో ఇచ్చిన కవరేజ్.