根据高德纳研究公司的一项新研究，到2027年，预计一半的企业软件工程师将采用生成式人工智能(genAI)工具来协助软件的创建、测试和运营。
今天，只有大约5%的企业软件工程师使用基因人工智能工具来协助编码。研究发现，这个数字可能会迅速增长，因为软件需求超过了大多数组织的能力，现有的开发人员已经筋疲力尽，他们无法足够快地构建功能，而且他们对自己的工作不太满意。
基于人工智能的代码生成产品基于大型语言模型(llm)，如GitHub Copilot, Replit GhostWriter和Amazon CodeWhisperer，可以生成复杂的建议，从而显着提高开发人员的生产力。但是，这些工具并不能消除对人类软件开发人员和工程师的需求，因为基因人工智能仍然会产生错误，并且无法创建独特的代码。
也就是说，在两年内，预计80%的软件工程组织将建立平台团队，作为可重用服务、组件和应用程序交付工具的内部提供者。
根据研究公司IDC的数据，企业使用genAI创建代码的实验仅次于使用它生成文本。
思科(Cisco)首席信息官弗莱彻?普莱文(Fletcher Previn)曾表示，他从未期望人工智能涉足的领域之一是软件开发，他认为这是一种需要独特创造能力的艺术形式。然而，ChatGPT一直擅长于创建解决企业数据卫生和安全问题的代码，它可以重用代码来构建新的应用程序。
微软2022年的一项研究显示，在GitHub上签入的所有代码中，有一半以上是在人工智能的帮助下开发的。GitHub首席执行官托马斯?多姆克表示，在未来五年内，这一数字预计将跃升至所有提交到GitHub的代码的80%。
“…从历史上看，没有办法压缩软件开发时间表。”“现在，事实证明，你可以通过帮助开发人员使用诸如Copilot的代码阅读、代码卫生、安全性、注释等功能来显著加快开发速度;它真的很擅长这些事情。”
许多研究表明，人工智能编码助手正在成为加速器，提高开发人员的工作效率和幸福感。根据Gartner的说法，通过处理日常任务，genAI助手使开发人员能够专注于更高价值的活动，从而允许组织与现有团队更快地交付更多功能。
人工智能助手还提高了“公民”开发人员快速创建应用程序的能力，以满足不断变化的业务需求。
IDC表示，能够使用人工智能目前被视为最重要的技术技能。
Gartner高级首席分析师Philip Walsh表示，Gartner认为生成式人工智能工具的影响主要体现在三个软件开发领域:
人工智能编码协助。
人工智能增强测试工具。
设计到开发工具。
AI编码辅助工具作为开发人员集成开发环境的插件，包括代码完成或建议代码片段来完成已经编写的内容等功能。
开发人员还使用基于人工智能的编码助手来帮助他们生成单元测试和软件文档。这些工具还可以用来突出显示代码的一部分，然后，使用自然的聊天界面，开发人员可以提出问题，以更好地理解和解释他们正在查看的功能。
沃尔什说:“我们知道开发人员经常致力于改进或更新不是他们编写的代码。或者开发代码的人已经不在公司工作了。或者它是一个遗留的应用程序，很多人很长时间没有接触或理解它。”
嵌入在人工智能增强软件开发中的自然语言处理允许人类与底层法学硕士交谈，尝试想法，集思广益他们的编码方法，并获得关于框架的提醒，例如，最近没有使用过。虽然这是一个难以量化的价值，但从定性度量来看，自然语言处理可以增强开发人员的用户体验。
弗雷斯特研究公司(Forrester Research)表示，未来几年，企业人工智能计划有望将生产率和创造性问题解决能力提高50%。“基于过去十年的多项投资，生成式人工智能有望提高整个IT运营的生产力。Forrester在最近的一份报告中表示:“目前的项目已经证明，软件开发任务的改进幅度高达40%。
去年，GitHub发布的一项研究显示，88%使用其Copilot工具的开发人员感觉工作效率更高，完成任务的速度更快，而且花在互联网上寻找答案的时间更少(77%)。
“他们会觉得更有效率。他们会发现，他们不再满足于频繁地切换，或者在Stack Overflow或谷歌上查找信息，”沃尔什说。“在人工智能编码助手带来的一系列功能中，开发者的情绪相对较高。”
平均而言，在市场的第一年，用户接受了来自GitHub Copilot的近30%的代码建议。随着时间的推移，随着开发人员越来越熟悉该工具，接受率稳步提高。
沃尔什说:“这表明开发人员习惯了提示工具，并且习惯了更有效地使用工具。”“另一方面，60%、70%或80%的建议没有被采纳。所以，在这里，让一个人参与进来仍然是绝对必要的。”
虽然基因人工智能辅助测试工具(旨在提高组织创建测试数据和帮助创建API测试和回归测试的能力)并不新鲜;genAI只是为现有产品增加功能。
最后，Figma等人工智能增强的设计到开发工具可以帮助开发人员更快地将设计转换为代码，并为应用程序创建前端表示层。
但基因人工智能的问题在许多部署它的地方仍然存在。例如，编码错误、幻觉和安全漏洞仍然是考虑采用此类工具的组织所关注的问题。
沃尔什说:“我们建议所有客户对这些东西产生非常真实的幻觉，但在如何减轻这种风险方面，我们的建议并没有改变。”“你应该已经有了各种质量和安全扫描工具，作为你整个DevOps工作流程的一部分，你应该有强大的代码审查实践，让高级工程师在合并之前审查任何东西。”
ai增强工具的好坏取决于代码的复杂性和专有性。如果它是一个样板任务，例如使用Javascript为HTTP服务器编写代码，那么接受率往往很高;这是因为用于训练底层法学硕士的数据被广泛使用和可用。
然而，企业工程师发现，当他们开发更复杂的代码时，这些代码依赖于专有的业务逻辑，而这些逻辑在公开可用的训练数据中没有很好地表示，节省的时间就不那么显著了，而且模型的准确性和性能也不那么好，Walsh说。
即便如此，在中短期内，支持基因人工智能的软件创建工具将提高准确性和功能，包括使业务用户能够开发一次性应用程序，例如，企业级质量不一定需要的数据分析。
沃尔什说:“这些案例将更多地成为帮助他们提高工作效率的工具。”“这就像今天的无代码市场。我确实看到这样的用例即将出现。这比由人工智能创建的全自动企业级软件更接近于成为现实。”
